# --- Faktorstruktur des Messmodells (Diss., Kap. 7.6.6) -----------------------
faktoren <- tribble(
  ~faktor,      ~faktor_label,                           ~items,
  "Kog",        "KWB: kognitiv",                         c("F09_a", "F09_b", "F09_c"),
  "Kon",        "KWB: konativ",                          c("F10_a", "F10_b", "F10_c"),
  "Aff",        "KWB: affektiv",                         c("F10_d", "F10_e"),
  "Sturm",      "Starkwetterrisiko",                     c("F08_a", "F08_e"),
  "Akz_allg",   "Globale Akzeptanz",                     c("F14_a", "F14_b"),
  "Nimby",      "NIMBY (persönliche Nachteile)",         c("F14_d", "F14_e"),
  "Preis",      "Strompreiserhöhung (Single-Item)",      "F14_c",
  "Monokultur", "Monokulturen (Single-Item)",            "F14_f",
  "Geruch",     "Geruchsbelästigung (Single-Item)",      "F14_g",
  "Wirtschaft", "Regionale Wirtschaft (Single-Item)",    "F14_h",
  "Mitbest",    "Mitbestimmung (Single-Item)",           "F15_b"
)
modell_items <- unique(unlist(faktoren$items))
gewicht <- datensatz$weight_trunc_norm

daten_modell <- datensatz |>
  select(all_of(modell_items)) |>
  setze_na(spalten = everything()) |>
  rekodiere_negativ()

alphas <- faktoren |>
  filter(lengths(items) > 1) |>
  mutate(
    a = purrr::map(items, \(i) psych::alpha(daten_modell[, i], check.keys = FALSE)),
    cronbachs_alpha = purrr::map_dbl(a, \(x) x$total$raw_alpha),
    mittlere_r = purrr::map_dbl(a, \(x) x$total$average_r)
  ) |>
  select(faktor_label, n_items = items, cronbachs_alpha, mittlere_r) |>
  mutate(n_items = lengths(n_items))

# CFA auf den BIOGAS-Imputationen (enthalten F14_h!)
design  <- svy_design_imputationen(klimawandelbewusstsein::imputationen_bio)
cfa_bio <- fitte_survey_modell(sem_modelle$cfa_bio, design, typ = "cfa")

fit <- fit_indizes(cfa_bio)
fitwert <- function(ix, f = fit) f$wert[f$fit_index == ix]

reli <- semTools::reliability(cfa_bio)

single_items <- c("F14_c", "F14_f", "F14_g", "F14_h", "F15_b")
ladungen <- lavaan::standardizedSolution(cfa_bio) |>
  filter(op == "=~") |>
  transmute(
    faktor = lhs, indikator = rhs,
    ladung = round(est.std, 3),
    indikatorrel = round(est.std^2, 3),
    p = pvalue,
    fixiert = indikator %in% single_items
  )

Biogasanlagen wurden in der Befragung deutlich zurückhaltender bewertet als Windkraftanlagen. Woran liegt das — an Geruch und Monokulturen, an der Sorge um den Strompreis? Oder zählen eher erhoffte Vorteile für die regionale Wirtschaft und das Klimawandelbewusstsein? Bevor die Dissertation diese Zusammenhänge in einem Strukturmodell schätzt, muss belegt sein, dass alle beteiligten Konstrukte zuverlässig gemessen werden. Genau diese Prüfung zeigt diese Seite.

Auf einen Blick

CFI
0.974
Ziel ≥ 0.95
RMSEA
0.032
Ziel ≤ 0.05
SRMR
0.034
Ziel ≤ 0.08
χ²/df
1.61
Ziel < 3
Indikatoren / Faktoren
19 / 11
davon 5 Single-Item
α Akzeptanz
0.83
2 Items, Ziel ≥ 0.7

Die gemeinsame CFA (konfirmatorische Faktorenanalyse) aller Konstrukte des Biogas-Untersuchungsmodells erreicht einen sehr guten Fit — etwas besser noch als im Windkraftmodell. Die biogasspezifischen Begleitfolgen (Monokulturen, Geruchsbelästigung, regionale Wirtschaft, Strompreiserhöhung) und die Mitbestimmung gehen als Single-Indikator-Faktoren mit fixierter Reliabilität ein. Der NIMBY-Faktor erreicht hier, anders als im Windkraftmodell, eine akzeptable interne Konsistenz.

Reproduktionsgüte: Referenz ist Tabelle 93 der Dissertation (χ² 189.865, df 118, CFI 0.975, TLI 0.963, RMSEA 0.036, SRMR 0.034). Wichtig: Die Biogas-Modelle rechnen auf einem eigenen Imputationsdatensatz (imputationen_bio, enthält F14_h).

1 Hintergrund: Das Untersuchungsmodell zur Biogasakzeptanz

Biogasanlagen wurden in der Befragung deutlich moderater bewertet als Windkraftanlagen. Auch die relevanten Begleitfolgen unterscheiden sich: An die Stelle des Landschaftsbildes treten Monokulturen und Geruchsbelästigung; im Strukturmodell erwies sich zudem die Erwartung regionaler Wirtschaftsvorteile als stärkster Prädiktor der Akzeptanz. Dieser Bericht prüft die Messmodelle, auf denen das Untersuchungsmodell aufbaut.

Wie beim Windkraftmodell prüft der Two-Step Approach zunächst alle Messmodelle in einer gemeinsamen CFA (Diss., Kap. 7.6): Klimawandelbewusstsein (Second-Order-Faktor), Starkwetterrisiko, globale Biogasakzeptanz, NIMBY sowie fünf Single-Indikator-Faktoren. Gegenüber dem Windkraftmodell kommen mit Monokulturen und Geruchsbelästigung zwei biogasspezifische Begleitfolgen hinzu; die Mitbestimmung wird hier durch ein einzelnes Item (F15_b) gemessen.

Single-Item-Faktoren (Diss., Kap. 7.4.6/7.6.6)

Für Single-Item-Faktoren kann der Messfehler nicht geschätzt werden. Er wird daher auf 10 % der Indikatorvarianz fixiert (Reliabilität 0.9, standardisierte Ladung 0.949) — eine bewusste theoretische Annahme nach Hayduk & Littvay (2012): enge Beziehung zwischen Item und Konstrukt, aber keine perfekte Messung.

Der Weg durch diese Seite: Abschnitt 2 stellt die Konstrukte und ihre Items vor, Abschnitt 3 zeigt, wie die Befragten geantwortet haben. Abschnitt 4 prüft als erste Stufe je Faktor, ob seine Items zusammenpassen (interne Konsistenz). Abschnitt 5 testet dann als zweite Stufe mit der gemeinsamen CFA die komplette Messstruktur — globaler Modellfit, Faktorladungen, Reliabilität. Das Fazit ordnet ein, ob die Messmodelle das Strukturgleichungsmodell tragen.

2 Die Messinstrumente

Elf Konstrukte gehen in das Untersuchungsmodell ein. Die Tabelle zeigt ihre Indikatoren — von der globalen Zustimmung („Alles in allem …“) bis zu den befürchteten Nachteilen. Negativ formulierte Items wurden vor der Analyse rekodiert, sodass hohe Werte durchgängig für Zustimmung zum Konstrukt stehen.

faktoren |>
  unnest_longer(items, values_to = "item") |>
  left_join(konstrukte |> select(item, text, negativ), by = "item") |>
  filter(!is.na(text)) |>
  mutate(polung = if_else(negativ, "− (rekodiert)", "+")) |>
  select(Faktor = faktor_label, Item = item, Formulierung = text, Polung = polung) |>
  tab(caption = "Indikatoren der Biogas-Messmodelle (ohne KWB-Items, s. KWB-Bericht). 5-stufige Likert-Skala.")
Indikatoren der Biogas-Messmodelle (ohne KWB-Items, s. KWB-Bericht). 5-stufige Likert-Skala.
Faktor Item Formulierung Polung
KWB: kognitiv F09_a Es ist gar nicht sicher, dass es tatsächlich einen Klimawandel gibt − (rekodiert)
KWB: kognitiv F09_b Nach meiner Einschätzung wird die Problematik des Klimawandels von vielen Klimaschützerinnen und Klimaschützern übertrieben − (rekodiert)
KWB: kognitiv F09_c Die Veränderung des Klimas ist gar nicht so gefährlich wie behauptet wird − (rekodiert)
KWB: konativ F10_a Klimawandel ist ein Thema, das mir persönlich wichtig ist
KWB: konativ F10_b Klimawandel ist ein Thema, über das ich häufig mit Freundinnen/Freunden oder Bekannten rede
KWB: konativ F10_c Personen, die mir wichtig sind, finden es gut, wenn ich mich klimabewusst verhalte
KWB: affektiv F10_d Es macht mir Angst, wenn ich an die Folgen des Klimawandels denke
KWB: affektiv F10_e Die Vorstellung, dass der Mensch durch seine Eingriffe in die Natur das Klima verndert, erschreckt mich
Starkwetterrisiko F08_a Häufigere Sturmfluten bzw. Überschwemmungen an der Küste und im Binnenland − (rekodiert)
Starkwetterrisiko F08_e Häufigere Sturmschäden an Gebäuden und Infrastruktur − (rekodiert)
Globale Akzeptanz F14_a Alles in allem bin ich für Biogasanlagen in der Nordwestregion
Globale Akzeptanz F14_b Biogasanlagen sind eine zuverlässige Form der Energieversorgung
NIMBY (persönliche Nachteile) F14_d Biogasanlagen stellen ein Risiko für die Anwohnerinnen und Anwohner dar − (rekodiert)
NIMBY (persönliche Nachteile) F14_e Ich möchte nicht in der Nähe einer Biogasanlage wohnen − (rekodiert)
Strompreiserhöhung (Single-Item) F14_c Durch mehr Biogasanlagen wird der Strom auf lange Sicht teurer − (rekodiert)
Monokulturen (Single-Item) F14_f Durch mehr Biogasanlagen in der Region werden Monokulturen (v.a. Mais) im Ackerbau überhand nehmen − (rekodiert)
Geruchsbelästigung (Single-Item) F14_g Biogasanlagen erzeugen eine starke Geruchsbelästigung für die Anwohnerinnen und Anwohner − (rekodiert)
Regionale Wirtschaft (Single-Item) F14_h Biogasanlagen werden den Wirtschaftsstandort der Nordwestregion verbessern
Mitbestimmung (Single-Item) F15_b Ich finde es gut, wenn sich Bürgerinnen und Bürger gegen den Bau von Biogasanlagen hier in der Region engagieren − (rekodiert)

3 Deskriptive Befunde (gewichtet)

Der Blick auf die Antwortverteilungen zeigt das moderatere Meinungsbild: Die Zustimmung zu Biogasanlagen fällt insgesamt verhaltener aus als bei Windkraftanlagen, größere Anteile der Befragten wählen die Mittelkategorie. Die Aussagen zur Mitbestimmung erhalten dagegen erneut hohe Zustimmung.

plot_likert("AKZ_BIO", titel = "Akzeptanz von Biogasanlagen", umbruch = 46)
Akzeptanz von Biogasanlagen (gewichtet, Mittelkategorie halbiert) — vgl. Kap. 7.6.2 der Dissertation. Deutlich moderatere Bewertung als bei Windkraft.

Akzeptanz von Biogasanlagen (gewichtet, Mittelkategorie halbiert) — vgl. Kap. 7.6.2 der Dissertation. Deutlich moderatere Bewertung als bei Windkraft. 

plot_likert("BIO_BET", titel = "Mitbestimmung und Beteiligung", umbruch = 46)
Beteiligung und Mitbestimmung beim Bau von Biogasanlagen (gewichtet); ins Messmodell geht F15_b ein.

Beteiligung und Mitbestimmung beim Bau von Biogasanlagen (gewichtet); ins Messmodell geht F15_b ein. 

beschreibe_gewichtet(daten_modell, gewicht) |>
  left_join(
    faktoren |> unnest_longer(items, values_to = "item") |>
      select(item, Faktor = faktor_label),
    by = c("item" = "item")
  ) |>
  select(Faktor, Item = item, N = n, `Fehlend %` = fehlend_prozent,
         Mittelwert = mittelwert, SD = sd, Median = median) |>
  tab(caption = "Gewichtete Itemstatistiken der Modellindikatoren (rekodiert; ohne KWB-Items).")
Gewichtete Itemstatistiken der Modellindikatoren (rekodiert; ohne KWB-Items).
Faktor Item N Fehlend % Mittelwert SD Median
KWB: kognitiv F09_a 564 2.25 2.167 1.170 2
KWB: kognitiv F09_b 566 1.91 2.399 1.101 2
KWB: kognitiv F09_c 554 3.99 1.972 0.996 2
KWB: konativ F10_a 575 0.35 2.128 0.902 2
KWB: konativ F10_b 570 1.21 3.057 1.018 3
KWB: konativ F10_c 524 9.19 2.856 1.049 3
KWB: affektiv F10_d 568 1.56 2.548 1.198 2
KWB: affektiv F10_e 576 0.17 2.098 1.074 2
Starkwetterrisiko F08_a 556 3.64 3.795 0.932 4
Starkwetterrisiko F08_e 560 2.95 3.712 0.940 4
Globale Akzeptanz F14_a 524 9.19 2.961 1.138 3
Globale Akzeptanz F14_b 487 15.60 2.838 1.070 3
NIMBY (persönliche Nachteile) F14_d 448 22.36 2.946 1.105 3
NIMBY (persönliche Nachteile) F14_e 525 9.01 3.638 1.251 4
Strompreiserhöhung (Single-Item) F14_c 407 29.46 3.134 1.143 3
Monokulturen (Single-Item) F14_f 492 14.73 4.332 0.926 5
Geruchsbelästigung (Single-Item) F14_g 426 26.17 3.313 1.116 3
Regionale Wirtschaft (Single-Item) F14_h 433 24.96 3.270 1.034 3
Mitbestimmung (Single-Item) F15_b 520 9.88 3.150 1.243 3

4 Interne Konsistenz der Multi-Item-Faktoren

Erste Prüfstufe: Hängen die Antworten auf die Items zusammen, die denselben Faktor messen sollen? Cronbachs α fasst diese interne Konsistenz zusammen (Zielwert ≥ 0.7).

alphas |>
  select(Faktor = faktor_label, `n Items` = n_items,
         `Cronbachs α` = cronbachs_alpha, `mittlere Inter-Item-r` = mittlere_r) |>
  tab(caption = "Cronbachs α je Multi-Item-Faktor (Diss., Tabelle 97: Akzeptanz 0.808, NIMBY 0.622, Sturm 0.759). Bei 2-Item-Faktoren ist α konservativ.")
Cronbachs α je Multi-Item-Faktor (Diss., Tabelle 97: Akzeptanz 0.808, NIMBY 0.622, Sturm 0.759). Bei 2-Item-Faktoren ist α konservativ.
Faktor n Items Cronbachs α mittlere Inter-Item-r
KWB: kognitiv 3 0.798 0.582
KWB: konativ 3 0.787 0.556
KWB: affektiv 2 0.757 0.611
Starkwetterrisiko 2 0.751 0.608
Globale Akzeptanz 2 0.832 0.710
NIMBY (persönliche Nachteile) 2 0.693 0.527

5 Konfirmatorische Faktorenanalyse (gemeinsames Messmodell)

Zweite Prüfstufe: die gemeinsame CFA über alle Konstrukte des Modells.

Spezifikation (Diss., Kap. 7.6.6): 19 Indikatoren, 11 Faktoren (KWB als Second-Order-Faktor), fünf Single-Item-Faktoren mit fixierter Fehlervarianz. Schätzung: MLM auf dem Survey-Design der Biogas-Imputationen (imputationen_bio, m = 10, Nonresponse-Gewicht, lavaan.survey). Kontrolle der fixierten Fehlervarianz: fehlervarianz_single_item(design, "F14_c") = 0.1356.

5.1 Globaler Modellfit

diss_fit <- c(
  chisq.scaled = 189.865, npar = 91, df.scaled = 118, pvalue.scaled = 0.000,
  `chisq/df-ratio` = 1.609, chisq.scaling.factor = 1.262,
  cfi.scaled = 0.975, tli.scaled = 0.963,
  rmsea.scaled = 0.036, rmsea.ci.lower.scaled = 0.027,
  rmsea.ci.upper.scaled = 0.046, rmsea.pvalue.scaled = 1.000, srmr = 0.034
)
kriterium <- c(
  `chisq/df-ratio` = "< 3", cfi.scaled = "≥ 0.95", tli.scaled = "≥ 0.95",
  rmsea.scaled = "≤ 0.05 (0.08)", srmr = "≤ 0.08"
)
erfuellt <- function(ix, w) {
  switch(ix,
    "chisq/df-ratio" = if (w < 3) "✓" else "✗",
    "cfi.scaled" = ,
    "tli.scaled" = if (w >= .95) "✓" else "✗",
    "rmsea.scaled" = if (w <= .05) "✓" else if (w <= .08) "(✓)" else "✗",
    "srmr" = if (w <= .08) "✓" else "✗",
    ""
  )
}

fit |>
  mutate(
    Kriterium = coalesce(kriterium[fit_index], "—"),
    `erfüllt?` = vapply(seq_len(n()), \(i) erfuellt(fit_index[i], wert[i]), ""),
    `Diss. (Tab. 93)` = diss_fit[fit_index],
    `Δ` = round(wert - diss_fit[fit_index], 3)
  ) |>
  rename(`Fit-Index` = fit_index, Reproduktion = wert) |>
  tab(caption = "Globaler Modellfit (Satorra-Bentler) im Vergleich zur Dissertation (Tabelle 93).")
Globaler Modellfit (Satorra-Bentler) im Vergleich zur Dissertation (Tabelle 93).
Fit-Index Reproduktion Kriterium erfüllt? Diss. (Tab. 93) Δ
chisq.scaled 189.865 — 189.865 0.000
npar 91.000 — 91.000 0.000
df.scaled 118.000 — 118.000 0.000
pvalue.scaled 0.000 — 0.000 0.000
chisq/df-ratio 1.609 < 3 ✓ 1.609 0.000
chisq.scaling.factor 1.262 — 1.262 0.000
cfi.scaled 0.974 ≥ 0.95 ✓ 0.975 -0.001
tli.scaled 0.963 ≥ 0.95 ✓ 0.963 0.000
rmsea.scaled 0.032 ≤ 0.05 (0.08) ✓ 0.036 -0.004
rmsea.ci.lower.scaled 0.025 — 0.027 -0.002
rmsea.ci.upper.scaled 0.040 — 0.046 -0.006
rmsea.pvalue.scaled 1.000 — 1.000 0.000
srmr 0.034 ≤ 0.08 ✓ 0.034 0.000

5.2 Faktorladungen

Die Akzeptanz-Items laden hoch (Diss., Tab. 95: F14_a 0.925, F14_b 0.734); die NIMBY-Indikatorreliabilitäten (0.44/0.47) sind — anders als im Windkraftmodell — noch akzeptabel. F09_a verfehlt wie in allen Modellen den Zielwert knapp.

ladungen |>
  left_join(faktoren |> select(faktor, faktor_label), by = "faktor") |>
  mutate(
    faktor_label = coalesce(faktor_label, "KWB (Second-Order)"),
    faktor_label = forcats::fct_inorder(faktor_label),
    indikator = forcats::fct_reorder(indikator, ladung)
  ) |>
  ggplot(aes(x = ladung, y = indikator)) +
  geom_vline(xintercept = 0.7, linetype = "dashed", colour = "grey60") +
  geom_segment(aes(x = 0, xend = ladung, yend = indikator),
               colour = "grey80", linewidth = 0.6) +
  geom_point(aes(shape = fixiert), size = 3, colour = "#2c7fb8", fill = "white") +
  geom_text(aes(label = sprintf("%.3f", ladung)),
            hjust = -0.4, size = 3, colour = "#3a4652") +
  scale_shape_manual(values = c(`FALSE` = 16, `TRUE` = 21), guide = "none") +
  facet_grid(faktor_label ~ ., scales = "free_y", space = "free_y") +
  scale_x_continuous(limits = c(0, 1.12), breaks = seq(0, 1, .25)) +
  labs(x = "Standardisierte Ladung", y = NULL) +
  theme_diss(base_size = 11) +
  theme(strip.text.y = element_text(angle = 0, hjust = 0, face = "bold", size = 8.5),
        panel.grid.major.y = element_blank(),
        panel.spacing.y = unit(3, "pt"))
Standardisierte Faktorladungen; hohle Punkte = fixierte Single-Item-Ladungen (0.949), gestrichelte Linie = Zielwert 0.7.

Standardisierte Faktorladungen; hohle Punkte = fixierte Single-Item-Ladungen (0.949), gestrichelte Linie = Zielwert 0.7. 

ladungen |>
  left_join(faktoren |> select(faktor, faktor_label), by = "faktor") |>
  mutate(
    Faktor = coalesce(faktor_label, "KWB (Second-Order)"),
    p = case_when(fixiert ~ "fixiert", p < .001 ~ "< .001",
                  is.na(p) ~ "Marker", .default = sprintf("%.3f", p))
  ) |>
  select(Faktor, Indikator = indikator, `Std. Ladung` = ladung,
         `Indikatorrel. (λ²)` = indikatorrel, p) |>
  tab(caption = "Standardisierte Faktorladungen (vgl. Diss., Tabellen 94–96).")
Standardisierte Faktorladungen (vgl. Diss., Tabellen 94–96).
Faktor Indikator Std. Ladung Indikatorrel. (λ²) p
KWB: kognitiv F09_a 0.611 0.374 < .001
KWB: kognitiv F09_b 0.825 0.681 < .001
KWB: kognitiv F09_c 0.836 0.699 < .001
KWB: konativ F10_a 0.828 0.686 < .001
KWB: konativ F10_b 0.700 0.489 < .001
KWB: konativ F10_c 0.663 0.440 < .001
KWB: affektiv F10_d 0.872 0.761 < .001
KWB: affektiv F10_e 0.706 0.498 < .001
KWB (Second-Order) Aff 0.877 0.769 < .001
KWB (Second-Order) Kog 0.689 0.475 < .001
KWB (Second-Order) Kon 0.760 0.578 < .001
Starkwetterrisiko F08_a 0.770 0.593 < .001
Starkwetterrisiko F08_e 0.794 0.630 < .001
Globale Akzeptanz F14_a 0.925 0.855 < .001
Globale Akzeptanz F14_b 0.734 0.538 < .001
NIMBY (persönliche Nachteile) F14_d 0.664 0.441 < .001
NIMBY (persönliche Nachteile) F14_e 0.683 0.466 < .001
Strompreiserhöhung (Single-Item) F14_c 0.949 0.900 fixiert
Monokulturen (Single-Item) F14_f 0.949 0.900 fixiert
Geruchsbelästigung (Single-Item) F14_g 0.949 0.900 fixiert
Regionale Wirtschaft (Single-Item) F14_h 0.949 0.900 fixiert
Mitbestimmung (Single-Item) F15_b 0.949 0.900 fixiert

5.3 Reliabilität und durchschnittlich extrahierte Varianz (DEV)

reli |>
  as.data.frame() |>
  tibble::rownames_to_column("Koeffizient") |>
  tab(caption = "Composite Reliabilität und DEV (avevar) der Faktoren erster Ordnung — vgl. Diss., Tabelle 97 (ω₃: Kog 0.792, Kon 0.760, Aff 0.779, Sturm 0.759, Akzeptanz 0.810, NIMBY 0.623; DEV NIMBY 0.452).")
Composite Reliabilität und DEV (avevar) der Faktoren erster Ordnung — vgl. Diss., Tabelle 97 (ω₃: Kog 0.792, Kon 0.760, Aff 0.779, Sturm 0.759, Akzeptanz 0.810, NIMBY 0.623; DEV NIMBY 0.452).
Koeffizient Kog Kon Aff Sturm Akz_allg Nimby
alpha 0.798 0.775 0.759 0.759 0.808 0.622
omega 0.797 0.768 0.779 0.759 0.822 0.624
omega2 0.797 0.768 0.779 0.759 0.822 0.624
omega3 0.792 0.760 0.779 0.759 0.822 0.624
avevar 0.570 0.524 0.644 0.611 0.700 0.455

Alle Multi-Item-Faktoren erfüllen die Konstruktreliabilität; NIMBY verfehlt die DEV von 0.5 knapp (0.452) und wird — wie in der Dissertation begründet — wegen inhaltlicher Relevanz beibehalten.

Fazit

Die gemeinsame CFA bestätigt die Messmodelle (Diss., Kap. 7.6.12): sehr guter globaler Fit, signifikante und richtungskonforme Ladungen, Konstruktreliabilität bei allen Faktoren gegeben, Konvergenzvalidität beim NIMBY-Faktor unter Vorbehalt. Damit sind die Messmodelle für das Strukturgleichungsmodell zur Biogasakzeptanz einsetzbar (Diss., Kap. 7.7; analysis/09_sem_biogas.R).

Reproduzierbarkeit

Details zu Daten, Methode und Software
  • Daten: datensatz (n = 577, gewichtet) und imputationen_bio (MICE, m = 10, eigene Imputation inkl. F14_h) aus dem klimawandelbewusstsein-Paket.
  • Modellsyntax: sem_modelle$cfa_bio — zeichengenau aus 2 BIOGAS/R/1_CFA_Biomasse_klein.R übernommen (inkl. fixierter Fehlervarianzen).
  • Schätzung: fitte_survey_modell() = lavaan (MLM) + lavaan.survey.
  • Bekannte Abweichung: Robuste CFI/TLI/RMSEA-Formeln in lavaan ≥ 0.6.6.
si <- sessionInfo()
tibble(Paket = names(si$otherPkgs),
       Version = vapply(si$otherPkgs, \(p) as.character(p$Version), "")) |>
  arrange(Paket) |>
  tab(caption = paste("Geladene Pakete unter", si$R.version$version.string))
Geladene Pakete unter R version 4.3.2 (2023-10-31 ucrt)
Paket Version
dplyr 1.1.4
ggplot2 4.0.3
klimawandelbewusstsein 1.0.0
knitr 1.45
testthat 3.2.1
tidyr 1.3.0