5.1 Kovarianzsbasierte Strukturanalyse (CB-SEM) oder varianzbasierte Strukturganalyse (PLS-SEM)?

Mit Blick auf die Art der Strukturgleichungsmodellierung kommt regelmäßig die Frage nach dem geeigneten Ansatz der Strukturgleichungsmodellierung auf. Hierbei kann grob zwischen kovarianzsbasierter Strukturanalyse (CB-SEM) und varianzbasierter Strukturanalyse (PLS-SEM) unterschieden werden (Weiber and Mühlhaus 2014, S. 324).

Das Ziel unserer statistischen Modellierung ist nicht die Schätzung eines Modells, das die Vorhersagekraft maximiert, sondern die Prüfung, ob die theoriebasierten Annahmen über die Beziehungen zwischen den Konstrukten und ihren Messungen in unseren Daten beobachtet werden können. Auch wenn in der Literatur CB-SEM und PLS-SEM oft als substitutiv betrachtet werden und oft ähnliche Ergebnisse liefern (Amaro et al., 2015; Goodhue et al., 2012), sollte die Wahl der Datenanalyse von ihren primären Zielen geleitet werden. In unserem Fall ist das vorrangige Ziel des statistischen Modells meist die bestmögliche Reproduktion der empirischen Varianz-Kovarianz-Matrix und nicht die bestmögliche Vorhersage der Datenmatrix in Bezug auf die Zielvariablen. Die vermeintlichen Vorteile der PLS-SEM liegen z. B. in der Möglichkeit Modelle bei kleinen Stichprobengrößen oder formative Messungen zu schätzen (Goodhue et al., 2012). Es kann alsomitunter durchaus Sinn ergeben, weitere Analysen durchzuführen, die einen Vergleich der Ergebnisse beider statistischer Ansätze ermöglichen.

Wie die Literatur nahelegt (Hair et al. 2022; Weiber and Mühlhaus 2014; Kline 2011), wird CB-SEM verwendet, wenn die Theorie bezüglich der Messung “stark” ist, wenn der Datenanalyseansatz eine Theorieprüfung vorsieht und es sich folglich um “hard modeling” handelt (Kline 2011, S. 268; Weiber and Mühlhaus 2014, S. 74). Wie Hair, Ringle, and Sarstedt (2012) feststellen: “CB-SEM is a confirmatory approach that focuses on the model’s theoretically established relationships and aims at minimizing the difference between the model-implied covariance matrix and the sample covariance matrix. In contrast, PLS-SEM is a prediction-oriented variance-based approach that focuses on endogenous target constructs in the model and aims at maximizing their explained variance (i.e., their R2 value).” (p. 312)