Latente Variablen (LVs)
Die Konstrukte, um die es Ihnen eigentlich geht - Kundenzufriedenheit, Vertrauen, wahrgenommener Nutzen. Nicht direkt messbar.
PLS-SEM erklärt
Was ist PLS-SEM?
Partial Least Squares Structural Equation Modeling ist eine varianzbasierte Methode zur Schätzung von Modellen mit latenten Konstrukten - Dinge, die man nicht direkt messen kann, sondern nur über beobachtbare Indikatoren. Diese Seite erklärt was PLS-SEM ist, wann Sie es verwenden sollten und wie es sich von kovarianzbasiertem SEM unterscheidet.
Was PLS-SEM eigentlich macht, in verständlicher Sprache
Manche Dinge, die in der Forschung wirklich interessieren - Kundenzufriedenheit, Markenvertrauen, Nutzungsabsicht - kann man nicht mit einer einzigen Zahl messen. Es gibt kein "Zufriedenheits-Messgerät", das man an jemanden anlegen kann. Also stellen Forschende mehrere Umfrage-Fragen die um das Konzept kreisen ("Ich bin mit X zufrieden", "Ich würde X weiterempfehlen", "X hat meine Erwartungen erfüllt") und nutzen diese Antworten als Hinweise darauf, was darunter tatsächlich passiert.
PLS-SEM ist die Mathematik, die aus diesen Hinweisen ein testbares Modell macht. Es fragt: verursacht Zufriedenheit tatsächlich Loyalität, und wenn ja, wie stark? Es liefert Zahlen die man berichten kann - zum Beispiel "eine Erhöhung der Zufriedenheit um 1 Punkt entspricht einer Erhöhung der Loyalität um 0.6 Punkte, und dieser Effekt ist statistisch belastbar". Marketingforschung, Personalforschung, Wirtschaftsinformatik, Gesundheitsforschung nutzen es täglich.
Die vier Bausteine
Indikatoren (manifeste Variablen)
Beobachtbare Datensatz-Spalten, die stellvertretend für jedes latente Konstrukt stehen - Skalen-Items, Ratings, Sensor-Messwerte.
Messmodell (äußeres Modell)
Wie sich Indikatoren zur latenten Variable verhalten. Reflektiv (LV verursacht Indikatoren, z.B. Zufriedenheit → sat1..sat4) oder formativ (Indikatoren verursachen die LV, z.B. Einkommen + Bildung → SES).
Strukturmodell (inneres Modell)
Die hypothesierten Beziehungen zwischen latenten Variablen. Das sind die kausalen Pfade, die Sie testen.
Wichtige Qualitätskriterien
Reviewer erwarten, dass folgende Kriterien für eine belastbare PLS-SEM-Analyse berichtet werden.
- R² pro endogener LV
- Wie viel Varianz das Modell erklärt. Chin (1998) Stufen: 0.19 schwach, 0.33 moderat, 0.67 substanziell.
- Pfadkoeffizienten mit p-Werten
- Bootstrap-basierte Signifikanztests der strukturellen Pfade. Publikationsstandard sind 5.000+ Resamples.
- HTMT für Diskriminanzvalidität
- Heterotrait-Monotrait Ratio (Henseler 2015). Schwelle 0.85 konservativ, 0.90 liberal. HTMT2 (Roemer 2021) verfeinert dies.
- Reliabilität: Cronbach's α, ρ_A, ρ_c
- Indikatoren konvergenter Validität; ≥ 0.70 ist die Standardschwelle für konfirmatorische Forschung.
- SRMR Modellfit
- Standardized Root Mean Square Residual. < 0.08 gilt als guter Fit (Hu & Bentler 1999).
- Stichprobengrößen-Regel
- Die 10-fache Regel: Stichprobengröße mindestens zehnmal die größte Anzahl von Pfaden, die auf eine einzelne latente Variable zeigen.
PLS-SEM vs CB-SEM
PLS-SEM ist kein direkter Ersatz für kovarianzbasiertes SEM (CB-SEM). Beide sind Verfahren der Strukturgleichungsmodellierung, aber sie optimieren für unterschiedliche Ziele.
| Aspekt | PLS-SEM | CB-SEM |
|---|---|---|
| Schätzziel | Prognose, Exploration | Konfirmation etablierter Theorie |
| Annahmen | Keine Verteilungsannahmen | Multivariate Normalverteilung |
| Stichprobengröße | Funktioniert mit kleinen Stichproben (n < 100 möglich) | Typisch n ≥ 200 |
| Formative Indikatoren | Nativ unterstützt | Umständlich, benötigt Workarounds |
| Modellkomplexität | Bewältigt komplexe Modelle mit vielen LVs und Pfaden gut | Kämpft bei hoher Komplexität |
| Fit-Indizes | SRMR, dULS, dG | χ², CFI, TLI, RMSEA (umfassend) |
| Populäre Tools | OpenPLS, SmartPLS, seminr, cSEM | lavaan, Mplus, AMOS, LISREL |
Wann Sie PLS-SEM verwenden sollten
- Ihre Forschung ist prognose- oder explorationsorientiert und nicht auf Bestätigung einer etablierten Theorie ausgerichtet.
- Sie haben eine kleine Stichprobe oder nicht-normale Daten.
- Ihr Modell enthält formative Konstrukte (Indikatoren verursachen die LV).
- Ihr Modell ist strukturell komplex (viele LVs, viele hypothesierte Pfade).
- Sie müssen mit Komposit-Variablen statt gemeinsamen Faktoren arbeiten.
Wann Sie PLS-SEM NICHT verwenden sollten
- Sie bestätigen eine etablierte Messtheorie und benötigen klassische Fit-Indizes (χ², CFI, RMSEA) - nutzen Sie CB-SEM.
- Ihre Indikatoren sind rein reflektiv und Sie wollen Messfehler rigoros modellieren - nutzen Sie CB-SEM.
- Sie benötigen Werte latenter Variablen als strikte gemeinsame Faktoren (nicht Komposite) - nutzen Sie CB-SEM.
- Sie machen reine explorative Faktorenanalyse ohne Strukturmodell - nutzen Sie klassische EFA / PCA.
Ein minimales Beispiel
Eine Kundenzufriedenheits-Studie fragt: Treibt wahrgenommene Qualität Zufriedenheit, und treibt Zufriedenheit Loyalität? Drei latente Variablen (Qualität, Zufriedenheit, Loyalität), jede gemessen durch 3-5 Skalen-Items auf einer 7-stufigen Likert-Skala. Zwei hypothesierte Pfade (Qualität → Zufriedenheit, Zufriedenheit → Loyalität). PLS-SEM schätzt die Pfadkoeffizienten, prüft ob die Indikatoren jedes Konstrukt zuverlässig messen (über Ladungen und HTMT) und berechnet Bootstrap-basierte p-Werte für beide Pfade.
Führen Sie eine PLS-SEM-Analyse im Browser durch
OpenPLS ist ein Open-Source-PLS-SEM-Tool, das vollständig im Browser läuft. Visueller Path-Diagramm-Editor, vollständiges Qualitätskriterien-Panel, fortgeschrittene Methoden (MGA, IPMA, PLSpredict, FIMIX). Validiert gegen SmartPLS 4 in einem publizierten Working Paper.
Weiterführende Literatur
Die kanonische Praktikerreferenz ist Hair, Hult, Ringle & Sarstedt (2021), A Primer on Partial Least Squares Structural Equation Modeling, 3. Aufl. (Sage). Für methodische Orientierung wann PLS-SEM vs Alternativen sinnvoll ist siehe Hair et al. (2019), When to use and how to report the results of PLS-SEM (European Business Review, 31(1), 2–24).