Erfassung und Klassifizierung von Fehlspezifikationen in Strukturgleichungsmodellen mit Hilfe von Machine Learning

• Antragsteller: Dr. David Goretzko
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 457716512

Das zentrale Ziel des Projektes ist die Entwicklung einer neuen Methode zur Erkennung und Klassifizierung von Modellfehlspezifikationen in konfirmatorischen Faktorenanalysen (CFA als Beispiel für Strukturgleichungsmodelle). Herkömmliche Methoden zur Identifikation von fehlspezifizierten Modellen weisen verschiedene Nachteile auf und sind nicht auf alle Anwendungskontexte generalisierbar – deshalb soll im vorliegenden Projekt eine neue Methode erprobt werden, die eine breite Anwendbarkeit im Kontext der CFA verspricht. Durch die Kombination von umfassender Datensimulation und modernen Verfahren des maschinellen Lernens (ML) soll ein Vorhersagemodell entwickelt werden, welches anhand verschiedener Dateneigenschaften und Modellcharakteristika in der Lage ist Fehlspezifikationen eines Strukturgleichungsmodells zu erkennen. Die generelle Idee - ML-Modelle und umfangreiche Datensimulationen zu kombinieren um ein prädiktives Modell zu entwickeln, das die Anwendung einer klassischen statistischen Methode ergänzt - wurde bereits im Rahmen der Bestimmung der Faktorenanzahl in der exploratorischen Faktorenanalyse erprobt (siehe Goretzko & Bühner, 2020). Entsprechend kann man davon ausgehen, dass der neue Ansatz auch zur Modellevaluation bei CFAs sinnvoll eingesetzt werden und einen wichtigen Beitrag zur Verbesserung der Forschungspraxis leisten kann.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Niederlande