SPSS-FORUM.DE

[Lobe]

Hallo liebe Forumsmitglieder!

Ich versuche gerade ein Cross-Lagged-Modell (oder auch Auto-Regressives-Modell, ARM) als Pfadanalyse mit AMOS zu berechnen.
Bei nu zwei Variablen, jeweils prä / post, heißt sehr simpel und konkret:

A zu T1 sagt B zu T2 vorher (cross-lagged 1),
B zu T1 sagt A zu T2 vorher (cross-lagged 2),
A zu T1 sagt A zu T2 vorher (Langzeitstabilität 1),
B zu T1 sagt B zu T2 vorher (Langzeitstabilität 2).

A und B werden zu T1 als korreliert angenommen,
ebenso die Vorhersagefehler beider Variablen zu T2.

Da in meinem Datensatz auch kategoriale Variablen enthalten sind, hatte ich den Empfehlungen von Byrne (2009) folgend versucht,
das Modell mit Hilfe von Bayesian Estimation zu bestimmen. Allerdings bekomme ich hierbei ja im Anschluss an die Schätzung
keine Aussagen über die Signifikanz der aufgestellten Modellparamter !? Also z.B.: Ist die cross-lagged 1 Beziehung im Gegensatz zur
cross-lagged 2 Beziehung signifikant, gibt es signifkante Unterschiede in der Langzeitvorhersage zwischen A und B?
Der entsprechende Button ("Calculate Estimates") ist aufgrund der im Modell enthaltenen kategorialen Variablen nicht anklickbar.

Byrne (2009) weißt zwar darauf hin, dass sich die Maximum-Likliehood und Bayesian Schätzung nicht zwangsläufig unterscheiden,
aber sie zeigt ja nur auf, dass sich die geschätzten Parameter (Mean, SD, SE, etc) nicht sonderlich voneinander unterscheiden,
von den entsprechenden Modelltests der Parameter/Werte ist da noch keine Rede!

Habe ich vielleicht vergessen irgendwo bei AMOS ein Häckchen zu setzen oder kann ich mir über die Bayesian Schätzung tatsächlich keine
Signifikanzüberprüfung meiner postulierten Modellbeziehungen ausgeben lassen ??? Die schlichten Werte der einzelnen Parameter des Modells
bringen mich bei meiner Fragestellung (Langzeitbeziehung zwischen den Variablen) ja nicht wirklich weiter, sondern ich brauche Aussagen über
die Signifikanz der Regressionsgewichte!

Ich würde mich über Hinweise, Anregungen und/oder Lektüretipps echt freuen!

[Lobe]

Auch bei den Problembehebungstechnikern von IBM wird Bayesian-Estimation bei ordinalen Daten empfohlen,
aber ohne auf das oben genannte Problem (Signifikanz der geschätzten Paramter) einzugehen:
http://www-01.ibm.com/support/docview.w ... wg21480080

Noch irgendwer ne Idee?