Diskriminanzvalidität

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche

Diskriminanzvalidität (engl. discriminant validity) bezeichnet in der multivariaten Statistik einen Teilaspekt der Konstruktvalidität und liegt vor, wenn sich die Messungen verschiedener Konstrukte unterscheiden.

Geschichte[Bearbeiten]

Das Konzept der Diskriminanzvalidität wurde von Campbell und Fiske (1959) eingeführt.[1]

Feststellung[Bearbeiten]

Diskriminanzvalidität muss sowohl auf Konstrukt- als auch Indikatorebene festgestellt werden. Ein weitverbreitetes Verfahren auf Konstruktebene ist die Anwendung des Fornell-Larcker-Kriteriums als Ergbnise eines AVE-SV-Vergleichs: Ist die durchschnittlich erfasste Varianz (AVE) eines Konstrukts höher als jede quadrierte Korrelation mit einem anderen Konstrukt (SV), so kann auf Konstruktebene von Diskriminanzvalidität ausgegangen werden.[2] (Zu beachten ist hierbei, dass die fehlerkorrigierten Korrelationen zwischen Konstrukten aus dem CFA-Modell statt den aus den Rohdaten entnommenen Korrelationen verwendet werden.) Dieses Gütemaß hat sich in Simulationsmodellen jedoch bei varianzbasierten Strukturgleichungsmodellen (z.B. PLS) als wenig zuverlässig erwiesen[3], hingegen bei kovarianzbasierten Strukturgleichungsmodellen (z.B. Amos) auf Konstruktebene als sehr verlässlich.[4] Ein neueres Verfahren wurde von Henseler et al. (2015) vorgestellt und ist als heterotrait-monotrait ratio (HTMT) bekannt. Es liefert sowohl für varianzbasierte[3] als auch kovarianzbasierte Strukturgleichungsmodelle zuverlässige Ergebnisse.[4] Voorhees et al. (2015) schlagen für letztere eine Kombination beider Verfahren vor, wobei als HTMT-Rate der maximale Wert 0.85 vorgeschagen wird.[4] Diskriminanzvalidität auf Indikatorebene lässt sich bspw. per EFA feststellen.

Diskriminanzvalidität ist nur ein Baustein, um die Konstruktvalidität eines Konstruktes festzustellen. Weitere Bausteine sind Konvergenzvalidität, nomologische Validität sowie Inhaltsvalidität auf Basis einer Definition des Konstrukts.

Bei der Multitrait-Multimethod-Matrix werden die Konvergenzvalidität und die Diskriminanzvalidität anhand einer einzigen Stichprobe miteinander verglichen. Dabei wird verkürzt gesagt erwartet, dass die Konvergenzvalidität größer ist als die Diskriminanzvalidität.

Kritik[Bearbeiten]

Diskriminanz- und Konvergenzvalidität sind als Bausteine der Konstruktvalidität weit verbreitet. Ihre Betrachtung wird jedoch vor allem durch John R. Rossiter kritisiert, indem er anführt, dass die Konstruktvalidität unabhängig von anderen Konstrukten erzielt werden müsse. Er betont die Bedeutung der Inhaltsvalidität und setzt sie mit Konstruktvalidität gleich. So können Maßnahmen zur Verbesserung von Diskriminanz- und Konvergenzvalidität dazu führen, dass Indikatoren entfernt werden und sich die statistisch messbaren Eigenschaften der Messmodelle dadurch verbessern, sich die Messmodelle gleichzeitig aber vom semantischen Inhalt ihrer Konstrukte entfernen.[5] Diese Auffassung wurde wiederum von Adamantios Diamantopoulos kritisiert, der auf die Bedeutung der Diskriminanzvalidität hinweist, da nur damit sichergestellt sei, dass zwei Konstrukte auch wirklich etwas Unterschiedliches messen.[6]

Quellen[Bearbeiten]

  1. D. T. Campell, D. W. Fiske (1959): Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, Band 56, S. 81–105.
  2.  Claes Fornell, David F. Larcker: Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. In: Journal of Marketing Research. 18, Februar 1981, S. 39–50.
  3. a b J. Henseler, C.M. Ringle, M. Sarstedt, 2015. A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science 43 (1), 115–135.
  4. a b c C.M. Voorhees, M.K. Brady, R. Calantone, E. Ramirez, 2015. Discriminant validity testing in marketing: an analysis, causes for concern, and proposed remedies. Journal of the Academy of Marketing Science 1–16.
  5. John R. Rossiter (2008): Content Validity of Measures of Abstract Constructs in Management and Organizational Research. British Journal of Management, Band 19, S. 380–388.
  6. A. Diamantopoulos (2005): The C-OAR-SE procedure for scale development in marketing: A comment. International Journal of Research in Marketing, Band 22, S. 1–9.