Bayesianische Modellmittelung für Strukturgleichungsmodelle

• Antragsteller: Dr. Julius M. Pfadt
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 531600276

In der Psychologie verwenden Forscher häufig Strukturgleichungsmodellierung (SEM), um die Beziehungen zwischen unbeobachtbaren psychologischen Konstrukten (latente Variablen) zu untersuchen. Bei Prüfung der Modellpassung, betrachten Forscher in der Regel mehrere konkurrierende Modelle, entscheiden sich aber letztendlich für ein einziges Modell, auf welches sie alle Schlussfolgerungen stützen. Diese Vorgehensweise lässt die Unsicherheit bei der Modellauswahl außer Acht und verschleiert alternative konkurrierende Modelle. Forscher riskieren, plausible Modelle zu verwerfen, und berichten möglicherweise unreplizierbare Modelle. In Anwendungen führt der Rückgriff auf ein einziges Modell dazu, dass man die Beziehungen zwischen psychologischen Konstrukten möglicherweise falsch einschätzt. Um dieses Problem zu lösen, möchte ich Bayesian Model Averaging (BMA) für SEM anwenden. BMA berücksichtigt die Unsicherheit bei der Modellauswahl, indem es alle in Frage kommenden Modelle zu jeder Zeit in die Analyse einbezieht und jedes Modells mit seiner Wahrscheinlichkeit angesichts der Daten gewichtet. Durch die Gewichtung kann berücksichtigt werden, dass nicht alle Modellkandidaten gleich wahrscheinlich sind. Modelle, die gut zu den Daten passen, werden mit höherer Wahrscheinlichkeit gewichtet. Auf diese Weise haben weniger wahrscheinliche Modelle einen geringeren Einfluss auf die Modellinferenzen, auch wenn alle Modellkandidaten beibehalten werden. Zum Beispiel, kann die Einschätzung der Beziehung (Pfad) zwischen zwei latenten Variablen in einem SEM-Modell durch Mittelung des Pfades über alle Kandidatenmodelle erfolgen. Bei der Berechnung des Durchschnitts wird die Pfadschätzung jedes Modells mit seiner Wahrscheinlichkeit gewichtet, so dass Modelle mit höherer Wahrscheinlichkeit einen größeren Einfluss auf den resultierenden durchschnittlichen Pfad haben. Im Gegensatz zur derzeitigen Praxis ermöglicht BMA also Schlussfolgerungen auf der Grundlage der gesamten Bandbreite der in Frage kommenden Modelle. Da die Kandidatenmodelle nicht verworfen werden, bevor Schlussfolgerungen über die Modellparameter gezogen werden, überträgt BMA die Unsicherheit der Modellauswahl auf die Schlussfolgerungsphase. Auf diese Weise vermeidet BMA für SEM überzogene, voreilige, und möglicherweise irreführende Schlussfolgerungen und erhöht die Vorhersageleistung. Derzeit fehlt es SEM-Anwendern an einer umfassenden Methodik und Softwareimplementierung für BMA. Ziel dieses Projekts ist es daher, statistische Werkzeuge zur Durchführung von BMA für eine breite Palette von Strukturgleichungsmodellen zu entwickeln und implementieren. Durch die Bereitstellung dieser Werkzeuge mit Hilfe von Open-Source-Statistiksoftware, d. h. R und JASP, bietet das Projekt Forschern frei verfügbare Instrumente um die Unsicherheit bei der Modellauswahl zu berücksichtigen. So können die Schlussfolgerungen aus SEM-Modellen verbessert, die Vorhersagekraft von SEM erhöht und Replikationsversuche begünstigt werden.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Niederlande
• Gastgeber: Professor Dr. Eric-Jan Wagenmakers