📊 statistics

From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Dieses Paper schlägt ein gestuftes Robustheitsanalyse-Framework vor und demonstriert dieses, welches Strukturgleichungsmodelle, die Methode der kleinsten Quadrate sowie Double Machine Learning integriert, um die Stabilität umfragebasierter struktureller Beziehungen über verschiedene Schätzmethoden hinweg zu validieren, wobei ein Modell zur digitalen Kundenintimität im FinTech-Bereich als Fallstudie dient.

Ursprüngliche Autoren: Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

Veröffentlicht 2026-07-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der ein Rätsel darüber lösen muss, wie Menschen über eine neue Finanz-App (FinTech) denken. Sie haben eine Reihe von Hinweisen (Umfrageantworten) zu Dingen wie „Vertrauen“, „Zufriedenheit“ und „wie oft sie die App nutzen“.

Schon seit langem nutzen Forscher ein spezielles Werkzeug namens Strukturgleichungsmodellierung (SEM), um diese Hinweise miteinander zu verknüpfen. Betrachten Sie SEM als eine hochmoderne, maßgeschneiderte Karte. Es ist großartig, weil es „unsichtbare“ Konzepte (wie „Vertrauen“, das man nicht mit einem Lineal messen kann) handhaben kann, indem es viele Umfragefragen zu einem einzigen großen Wert kombelt. Es zeichnet eine Karte, die zeigt, wie eine Sache zu einer anderen führt (z. B. „Vertrauen führt zu Zufriedenheit“).

Das Problem:
Die Arbeit argumentiert, dass es riskant ist, sich nur auf diese maßgeschneiderte Karte zu verlassen. Was ist, wenn die Karte nur deshalb gut aussieht, weil man sie so gezeichnet hat? Was wäre, wenn die Verbindungen verschwinden würden, wenn man die Daten auf eine etwas andere Weise betrachten würde? Die Autoren sagen: „Vertraue nicht nur der Karte; lass uns das Gelände mit verschiedenen Fahrzeugen testen, um zu sehen, ob die Straßen tatsächlich da sind.“

Die Lösung: Ein dreistufiger Robustheitscheck
Die Autoren schlagen einen neuen Arbeitsablauf vor, der wie ein dreistufiger Fahrzeugtest fungt, um zu prüfen, ob die Straßen (Beziehungen) auf Ihrer Karte echt sind oder nur eine Illusion.

Stufe 1: Die maßgeschneiderte Karte (SEM)

Was es ist: Die Standardmethode. Sie erstellen Ihre theoriebasierte Karte.
Die Analogie: Dies ist wie das Zeichnen eines Bauplans eines Hauses basierend auf Ihrer architektonischen Theorie. Sie wissen, wo die Wände sein sollten.
Die Regel der Arbeit: Werfen Sie nicht einfach Wände weg, nur weil der Bauplan noch wackelig aussieht. Behalten Sie den vollständigen Bauplan für die nächsten Schritte bei.

Stufe 2: Der transparente Spaziergang (OLS-Regression)

Was es ist: Eine einfachere, standardisierte statistische Methode.
Die Analogie: Dies ist wie ein Spaziergang durch das Haus mit einer Taschenlampe. Sie benutzen nicht mehr den schicken Bauplan, sondern schauen sich einfach die Rohmaterialien (die Umfragewerte) an und fragen: „Wenn ich von der Küche ins Wohnzimmer gehe, gibt es dort tatsächlich einen Pfad oder ist das nur eine Wand?“
Warum man es tut: Es ist ein „Sanity Check“ (eine Plausibilitätsprüfung). Wenn der Bauplan sagt, dass es einen Pfad gibt, aber Ihr Spaziergang mit der Taschenlampe einen Sackgasse zeigt, wissen Sie, dass etwas nicht stimmt.

Stufe 3: Das Allradfahrzeug (Double Machine Learning – DML)

Was es ist: Eine anspruchsvolle Computermethode, die KI (Maschinelles Lernen) nutzt, um Ablenkungen zu bewältigen.
Die Analogie: Stellen Sie sich vor, Sie fahren mit einem Geländewagen (ATV) durch einen Dschungel. Der Dschungel ist voller Lianen, Schlamm und Felsen (andere Faktoren wie „Alter“, „Einkommen“ oder „andere App-Funktionen“), die den Pfad verdecken könnten.
- Standardmethoden könnten im Schlamm stecken bleiben.
- DML ist wie ein intelligentes Allradfahrzeug, das automatisch durch die Lianen schneidet und den Schlamm glättet, um den Pfad darunter freizulegen. Es fragt: „Selbst wenn wir all diese Ablenkungen ignorieren, existiert der Pfad von ‚Vertrauen‘ zu ‚Zufriedenheit‘ immer noch?“
- Die Autoren testen dies mit drei verschiedenen „ATV-Motoren“ (Random Forest, Gradient Boosting und Support Vector Machines), um sicherzustellen, dass der Pfad nicht nur ein Trick eines spezifischen Motors ist.

Der „Umkehrrichtungs“-Check

Manchmal sagt die Karte „A verursacht B“, aber vielleicht „verursacht B auch A“.

Die Analogie: Stellen Sie sich einen Fluss vor. Die Karte sagt, das Wasser fließt vom Berg zum Meer. Aber was wäre, wenn das Meer das Wasser tatsächlich den Berg hinaufdrückt?
Die Autoren prüfen dies, indem sie den ATV rückwärts fahren lassen. Wenn der Pfad in beide Richtungen stark aussieht, könnte es sich um eine zweispurige Straße (eine reziproke Beziehung) handeln und nicht um eine Einbahnstraße.

Was sie herausgefunden haben (Die FinTech-Fallstudie)

Sie haben dies anhand einer Umfrage zur Digitalen Kundenintimität (wie eng Kunden sich mit einer Finanz-App fühlen) getestet.

Die starken Straßen: Die meisten Pfade auf ihrer Karte waren real. Ob sie den Bauplan, die Taschenlampe oder das Allradfahrzeug verwendeten – die Verbindungen zwischen Dingen wie „Wahrgenommener Qualität“, „Einstellung“ und „Digitaler Intimität“ hielten stand.
Die wackeligen Brücken: Einige Pfade waren knifflig.
- Nutzung vs. Zufriedenheit: Der Bauplan sagte: „Die App häufiger zu nutzen, macht einen weniger zufrieden.“ Die Taschenlampe stimmte dem zu, aber das Allradfahrzeug wurde verwirrt, je nachdem, wie „Nutzung“ gemessen wurde. Das bedeutet, die Beziehung ist empfindlich gegenüber der Art und Weise, wie man Dinge misst.
- Vertrauen vs. Intimität: Die Karte sagte: „Vertrauen führt zu Intimität“, aber der Rückwärtscheck zeigte: „Intimität führt vielleicht auch zu Vertrauen.“ Dies deutet auf eine wechselseitige Beziehung hin, nicht auf eine Einbahnstraße.
Die Sackgassen: Einige Pfade (wie „Kundenbewusstsein“ führt zu „Einstellung“) waren im Bauplan schwach und blieben schwach in allen anderen Tests. Dies sind wahrscheinlich Sackgassen, die aus der endgültigen Theorie entfernt werden sollten.

Das große Fazit

Die Arbeit sagt nicht: „Maschinelles Lernen ersetzt den alten Weg.“ Stattdessen sagt sie: „Nutzen Sie den alten Weg, um Ihre Theorie zu bauen, aber nutzen Sie Maschinelles Lernen als Stresstest, um zu sehen, ob Ihre Theorie stark genug ist, um unter verschiedenen Bedingungen zu bestehen.“

Sie stellen sogar ein Google Colab Workbook (ein kostenloses, Online-Coding-Notebook) zur Verfügung, damit andere Forscher genau diesen „Karte + Taschenlampe + Allradfahrzeug“-Arbeitsablauf für ihre eigenen Studien nutzen können. Es ist ein Werkzeugkasten, um zu verhindern, dass Forscher Entscheidungen basierend auf einer einzigen, potenziell fehlerhaften Karte treffen.

Technische Zusammenfassung: Vom Strukturgleichungsmodell zum Double Machine Learning

Problemstellung
Die Strukturgleichungsmodellierung (SEM) ist der Standardrahmen für umfragebasierte Forschung mit latenten Konstrukten (z. B. Vertrauen, Zufriedenheit, Intention). Während SEM effektiv Messmodelle bewertet und theoriegeleitete strukturelle Beziehungen schätzt, ist die Signifikanz eines Pfades von einer spezifischen Modellspezifikation abhängig. Ein signifikanter Pfadkoeffizient in der SEM beweist nicht inhärent die Stabilität unter alternativen Schätzverfahren, Score-Repräsentationen oder flexiblen Kontrollanpassungen. Folglich fehlt Forschenden ein systematischer, transparenter Workflow, um zu bestimmen, ob Schlüsselbeziehungen stabil bleiben, wenn man von der latenten Variablenmodellierung zu konventioneller Regression oder maschinellen Lern-basierten Anpassungen übergeht. In der jüngeren Literatur wurde Double Machine Learning (DML) im Bereich der Informationssysteme eingeführt und im FinTech-Kontext angewendet, doch wird DML selten als post-SEM, pfadweise Robustheitsdiagnosewerkzeug für latente Konstruktmodelle genutzt.

Methodik: Der gestufte SEM–OLS–DML-Framework
Das Paper schlägt einen zweischichtigen, achtstufigen Robustheits-Framework vor, der SEM, gewöhnliche Kleinstquadrate-Regression (OLS) und Double Machine Learning (DML) integriert. Der Workflow ist darauf ausgelegt, die Generierung von Robustheitsnachweisen von deren Interpretation zu trennen, um sicherzustellen, dass maschinelles Lernen die SEM ergänzt und nicht ersetzt.

Ebene 1: Evidenzgenerierung
- Messverfeinerung & Baseline-SEM: Der Prozess beginnt mit der Verfeinerung des Messmodells (Validierung von Indikatoren, Reliabilität und Fit). Entscheidend ist, dass das vollständige, theoretisch spezifizierte Strukturmodell als „Robustheits-Baseline-SEM-Modell“ re-geschätzt wird, bevor Pfade aufgrund von Signifikanz entfernt werden.
- Score-Konstruktion: Es werden zwei Arten von Respondent-Level-Konstrukt-Scores generiert: (a) SEM-Faktor-Scores (die die latente Struktur und die Faktorladungen bewahren) und (b) Mittelwert-Komposit-Scores (ein transparenter, einfacher Benchmark).
- SEM-zu-Regression-Translation: Jeder strukturelle Pfad des Baseline-SEM wird in eine pfadbezogene Spezifikation für OLS und DML übersetzt. Für eine strukturelle Gleichung $Y \sim D + X$ ist der fokale Prädiktor $D$ die Variable von Interesse, während andere Prädiktoren $X$ in derselben Gleichung als Ko-Prädiktor-Kontrollvariablen behandelt werden.
- OLS-Benchmark: Eine OLS-Regression wird auf den Konstrukt-Scores durchgeführt, um einen transparenten, linearen Benchmark bereitzustellen. Dies prüft, ob das durch die SEM implizierte Pfadmuster unter konventionellen Regressionsannahmen sichtbar bleibt.
- DML-Stil-Residualisierung: DML wird angewendet, um die Stabilität unter flexibler Kontrollanpassung zu untersuchen. Das Outcome ( $Y$ ) und der fokale Prädiktor ( $D$ ) werden auf den Kontrollvektor ( $X$ ) unter Verwendung von Machine-Learning-Learnern (Random Forest, Gradient Boosting und Support Vector Machine) regressiert, um Störfunktionen (Nuisance Functions) zu schätzen. Die Residuen werden dann verwendet, um die fokale Beziehung zu schätzen. Zur Vermeidung von Overfitting wird Cross-Fitting eingesetzt.
- Sensitivitätsprüfungen: Der Framework umfasst Checks zur Learner-Sensitivität (Vergleich von RF, GBM, SVM) und Score-Sensitivität (Vergleich von Faktor- vs. Komposit-Scores). Ebenfalls ausgewählte Reverse-Direction-Diagnostiken werden durchgeführt, um die Richtungsrobustheit zu testen.
Ebene 2: Integrierte Interpretation
- Outputs aus SEM, OLS und DML werden über Methoden, Score-Typen und Learner hinweg verglichen.
- Pfade werden basierend auf Konvergenz oder Divergenz klassifiziert:
  - Stark robust: Stabiler Richtung und Signifikanz über alle Methoden hinweg.
  - Teilweise robust/DML-sensitiv: Die Richtung ist stabil, aber die Signifikanz schwächt sich unter flexibler Kontrollanpassung ab.
  - Score-sensitiv: Die Ergebnisse hängen stark davon ab, ob Faktor-Scores oder Komposit-Scores verwendet werden.
  - Richtungsinstabil: Vorzeichen kehren sich um oder Reverse-Direction-Diagnostiken zeigen stärkere Unterstützung für die entgegengeszte Richtung.

Empirische Demonstration
Der Framework wird auf ein FinTech Digital Customer Intimacy (DCI) Survey-Modell angewendet, das 17 strukturelle Pfade und Konstrukte wie wahrgenommene Qualität (Perceived Quality), Nutzererfahrung (User Experience), Vertrauen (Trust) und emotionale Bindung (Emotional Connection) enthält.

Ergebnisse: Die meisten Pfade (z. B. $PQ \to AT$ , $AT \to BI$ , $EC \to DCI$ ) blieben über SEM, OLS und DML-Learner sowie über beide Score-Typen hinweg stark robust.
Nuancierte Befunde:
- $UB \to SA$ (Nutzungsverhalten zu Zufriedenheit): Signifikant und negativ in der SEM und im Faktor-Score-DML, aber schwach/nicht signifikant in den Komposit-Score-Checks, was auf eine Score-Repräsentations-Sensitivität hindeutet.
- $TR \to EC$ (Vertrauen zu emotionaler Bindung): Nicht signifikant in der SEM, aber signifikant in den Score-basierten Checks mit Vorzeichen-Sensitivität, was eine theoretische Überprüfung erfordert.
- $CA \to AT$ (Kundenbewusstsein zu Einstellung): Schwach über alle Methoden hinweg, was darauf hindeutet, dass dieser Pfad ein Kandidat für die Entfernung sein könnte, falls die Theorie schwach ist.
- Reverse-Diagnostik: Die Beziehung zwischen emotionaler Bindung und DCI zeigte in beiden Richtungen Stabilität, was auf eine reziproke Assoziation hindeutet.

Wesentliche Beiträge

Praktischer Workflow: Das Paper bietet einen reproduzierbaren, gestuften Workflow zur Übersetzung von SEM-implizierten Pfaden in OLS- und DML-Stil Robustheitsprüfungen, ohne Machine Learning als Ersatz für die latente Variablenmodellierung zu behandeln.
Diagnostische Klarheit: Es klärt, wie Score-Repräsentations-Sensitivität (Faktor- vs. Komposit-Scores) und Learner-Sensitivität (RF vs. GBM vs. SVM) innerhalb der umfragebasierten Forschung zu interpretieren sind.
Ressourcenverfügbarkeit: Die Autoren stellen ein Google Colab Workbook und generierte Ergebnisdateien via Zenodo bereit, was eine wiederverwendbare Vorlage für Forschende bietet, um diesen Robustheits-Workflow auf andere umfragebasierte Studien mit latenten Konstrukten zu adaptieren.

Bedeutung und Ansprüche
Das Paper positioniert diesen Framework als einen „Modell-Entscheidungsunterstützungsprozess“ und nicht als einfachen Robustheits-Anhang. Seine primäre Bedeutung liegt in der Verschiebung der Forschungspraxis vom „Trim-then-Check“-Ansatz (Entfernen nicht-signifikanter Pfade unmittelbar nach der SEM) hin zu einem „Check-then-Decide“-Ansatz. Indem Forschende das vollständige theoretische Pfadsystem für die nachgelagerte Robustheitsanalyse beibehalten, können sie finale strukturelle Entscheidungen auf Basis einer Konvergenz von Evidenzen aus latenter Modellierung, transparenter Regression und flexibler Machine-Learning-Anpassung treffen.

Die Autoren betonen explizit, dass dieser Ansatz zwar die Robustheitsbewertung stärkt, aber keine definitiven kausalen Behauptungen (interventionell oder kontrafaktisch) in Querschnittsumfragen aufstellt. Der Framework ist darauf ausgelegt, zu identifizieren, welche Beziehungen stabil sind und welche eine vorsichtige Interpretation, weitere theoretische Diskussion oder longitudinale Validierung erfordern. Er adressiert eine methodische Lücke, indem er DML spezifisch als Post-SEM-Diagnosewerkzeug für latente Konstruktmodelle positioniert, im Gegensatz zu seiner Verwendung als primärer Schätzer in der kausalen Inferenz oder als prädiktives Werkzeug in SEM-ML-Integrationsstudien.