# --- Faktorstruktur des Messmodells (Diss., Kap. 7.4.6) -----------------------
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",        "Globale Akzeptanz",                    c("F12_a", "F12_b"),
  "Nimby",      "NIMBY (persönliche Nachteile)",        c("F12_d", "F12_e"),
  "Preis",      "Strompreiserhöhung (Single-Item)",     "F12_c",
  "Landschaft", "Landschaftsbild (Single-Item)",        "F12_f",
  "Eco",        "Regionale Wirtschaft (Single-Item)",   "F12_g",
  "Mitbest",    "Mitbestimmung",                        c("F13_a", "F13_b", "F13_c")
)
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()

# Interne Konsistenz je Multi-Item-Faktor
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: gemeinsames Messmodell (Two-Step Approach, 20 Indikatoren, 11 Faktoren)
design  <- svy_design_imputationen()
cfa_wka <- fitte_survey_modell(sem_modelle$cfa_wka, design, typ = "cfa")

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

reli <- semTools::reliability(cfa_wka)

ladungen <- lavaan::standardizedSolution(cfa_wka) |>
  filter(op == "=~") |>
  transmute(
    faktor = lhs, indikator = rhs,
    ladung = round(est.std, 3),
    indikatorrel = round(est.std^2, 3),
    p = pvalue,
    fixiert = indikator %in% c("F12_c", "F12_f", "F12_g")
  )

Wovon hängt es ab, ob Menschen Windkraftanlagen in ihrer Region akzeptieren — vom Klimawandelbewusstsein oder von befürchteten Nachteilen wie einem höheren Strompreis oder einem veränderten Landschaftsbild? Und wirkt sich diese Akzeptanz ihrerseits darauf aus, wie Menschen Mitbestimmung beim Bau der Anlagen bewerten? 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
0.963
Ziel ≥ 0.95
RMSEA
0.034
Ziel ≤ 0.05
SRMR
0.044
Ziel ≤ 0.08
χ²/df
1.67
Ziel < 3
Indikatoren / Faktoren
20 / 11
davon 3 Single-Item
α Akzeptanz
0.77
2 Items, Ziel ≥ 0.7

Die gemeinsame CFA (konfirmatorische Faktorenanalyse) aller Konstrukte des Windkraft-Untersuchungsmodells — Klimawandelbewusstsein, Starkwetterrisiko, globale Akzeptanz, NIMBY, drei Single-Indikator-Faktoren und Mitbestimmung — erreicht einen guten bis sehr guten Fit. Einziger Schwachpunkt ist der NIMBY-Faktor: Er verfehlt die Zielwerte für die durchschnittlich extrahierte Varianz (DEV) und die Konstruktreliabilität, bleibt aber wegen seiner inhaltlichen Relevanz im Modell.

Reproduktionsgüte: Referenz ist Tabelle 55 der Dissertation (χ² 236.568, df 142, CFI 0.967, TLI 0.956, RMSEA 0.039, SRMR 0.044). χ², Freiheitsgrade, Skalierungsfaktor und Ladungen reproduzieren exakt; CFI/TLI/RMSEA können wegen der korrigierten Formeln für robuste Fit-Indizes in lavaan ≥ 0.6.6 minimal abweichen.

1 Hintergrund: Das Untersuchungsmodell zur Windkraftakzeptanz

Windkraftanlagen wurden in der Nordwestregion überwiegend positiv bewertet — Konflikte entstehen vor allem dort, wo Menschen Nachteile für ihr eigenes Lebensumfeld erwarten. Das Untersuchungsmodell der Dissertation erklärt die regionale Windkraftakzeptanz aus dem Klimawandelbewusstsein, wahrgenommenen Begleitfolgen (Strompreiserhöhung, Landschaftsbild, regionale Wirtschaft) und solchen NIMBY-Erwartungen. Die Bewertung von Mitbestimmung steht am Ende der Wirkungskette: Sie wird im Modell durch die Akzeptanz erklärt, nicht umgekehrt.

Bevor das Strukturgleichungsmodell geschätzt wird, prüft der Two-Step Approach zunächst, ob alle beteiligten Konstrukte sauber gemessen werden: in einer gemeinsamen CFA aller Messmodelle mit saturierter Kovarianzstruktur (Diss., Kap. 7.4). Diesen Schritt reproduziert der vorliegende Bericht. Das Messmodell des Klimawandelbewusstseins wurde vorab separat validiert (→ eigener Bericht).

Messhypothesen (Diss., Kap. 7.4.6, Auszug)

H2: Windkraftakzeptanz wird durch fünf korrelierte Faktoren erklärt — globale Akzeptanz (F12_a, F12_b), NIMBY (F12_d, F12_e) sowie die Single-Item-Faktoren Strompreiserhöhung (F12_c), Landschaftsbild (F12_f) und regionale Wirtschaft (F12_g). H3: Mitbestimmung ist einfaktoriell (F13_a–c). H4: Starkwetterrisiko wird durch F08_a und F08_e gemessen. Metrik per Markervariablen-Ansatz, keine Kreuzladungen, keine korrelierten Messfehler.

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 Windkraft-Messmodelle (ohne KWB-Items, s. KWB-Bericht). 5-stufige Likert-Skala.")
Indikatoren der Windkraft-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 F12_a Alles in allem bin ich für Windkraftanlagen hier in der Nordwestregion
Globale Akzeptanz F12_b Windkraftanlagen sind eine zuverlässige Form der Energieversorgung
NIMBY (persönliche Nachteile) F12_d Auch Windkraftanlagen tragen ein Risiko für Mensch und Natur − (rekodiert)
NIMBY (persönliche Nachteile) F12_e Ich möchte nicht in der Nähe einer Windkraftanlage wohnen − (rekodiert)
Strompreiserhöhung (Single-Item) F12_c Durch mehr Windkraftanlagen wird der Strom auf lange Sicht teurer werden − (rekodiert)
Landschaftsbild (Single-Item) F12_f Windkraftanlagen fügen sich gut ins Landschaftsbild ein
Regionale Wirtschaft (Single-Item) F12_g Windkraftanlagen werden den Wirtschaftsstandort der Nordwestregion verbessern
Mitbestimmung F13_a Wenn Windkraftanlagen gebaut werden sollen, müssen den Anwohnerinnen und Anwohnern ausreichend Informationen zur Verfügung stehen
Mitbestimmung F13_b Vor dem Bau von Windkraftanlagen muss die Meinung der Anwohnerinnen und Anwohner eingeholt werden
Mitbestimmung F13_c Wichtige Entscheidungen zur Realisierung von Windkraftanlagen müssen gemeinsam mit den Anwohnerinnen und Anwohnern getroffen werden

3 Deskriptive Befunde (gewichtet)

Die globale Bewertung von Windkraftanlagen fällt deutlich positiv aus. Bei den wahrgenommenen Begleitfolgen (Strompreiserhöhung, Landschaftsbild, Wohnnähe) streuen die Antworten stärker. Die Aussagen zu Mitbestimmungsmöglichkeiten erhalten durchgängig hohe Zustimmung.

plot_likert("AKZ_WKA", titel = "Akzeptanz von Windkraftanlagen", umbruch = 46)
Akzeptanz von Windkraftanlagen (gewichtet, Mittelkategorie halbiert) — vgl. Kap. 7.4.2 der Dissertation.

Akzeptanz von Windkraftanlagen (gewichtet, Mittelkategorie halbiert) — vgl. Kap. 7.4.2 der Dissertation. 

plot_likert("WKA_BET", titel = "Mitbestimmung und Beteiligung", umbruch = 46)
Beteiligung und Mitbestimmung beim Bau von Windkraftanlagen (gewichtet).

Beteiligung und Mitbestimmung beim Bau von Windkraftanlagen (gewichtet). 

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 F12_a 572 0.87 1.797 0.905 2
Globale Akzeptanz F12_b 566 1.91 2.072 0.986 2
NIMBY (persönliche Nachteile) F12_d 536 7.11 2.989 1.144 3
NIMBY (persönliche Nachteile) F12_e 560 2.95 3.392 1.303 4
Strompreiserhöhung (Single-Item) F12_c 512 11.27 3.226 1.237 3
Landschaftsbild (Single-Item) F12_f 570 1.21 3.508 1.115 3
Regionale Wirtschaft (Single-Item) F12_g 494 14.38 2.486 1.003 2
Mitbestimmung F13_a 574 0.52 1.356 0.664 1
Mitbestimmung F13_b 571 1.04 1.736 0.928 1
Mitbestimmung F13_c 568 1.56 1.820 0.967 2

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 58: Akzeptanz 0.788, NIMBY 0.519, Mitbestimmung 0.812, Sturm 0.760). Bei 2-Item-Faktoren ist α konservativ.")
Cronbachs α je Multi-Item-Faktor (Diss., Tabelle 58: Akzeptanz 0.788, NIMBY 0.519, Mitbestimmung 0.812, Sturm 0.760). 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 0.773 0.644
NIMBY (persönliche Nachteile) 2 0.528 0.360
Mitbestimmung 3 0.812 0.594

Der NIMBY-Faktor bleibt mit α ≈ 0.52 unter dem Zielwert — die Dissertation behält ihn wegen seiner inhaltlichen Relevanz bei und empfiehlt für künftige Erhebungen zusätzliche Indikatoren.

5 Konfirmatorische Faktorenanalyse (gemeinsames Messmodell)

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

Spezifikation (Diss., Kap. 7.4.6): 20 Indikatoren, 11 Faktoren (KWB als Second-Order-Faktor), alle Faktoren außer den KWB-Primärfaktoren korreliert. Schätzung: MLM auf dem Survey-Design (m = 10 Imputationen, Nonresponse-Gewicht, lavaan.survey).

Single-Item-Faktoren: Für Strompreis (F12_c), Landschaftsbild (F12_f) und Wirtschaft (F12_g) wird der Messfehler auf 10 % der Indikatorvarianz fixiert (Reliabilität 0.9, standardisierte Ladung 0.949) — im Modellstring stehen die im Original berechneten Varianzwerte, Kontrolle: fehlervarianz_single_item(design, "F12_c") = 0.1589.

5.1 Globaler Modellfit

diss_fit <- c(
  chisq.scaled = 236.568, npar = 88, df.scaled = 142, pvalue.scaled = 0.000,
  `chisq/df-ratio` = 1.666, chisq.scaling.factor = 1.335,
  cfi.scaled = 0.967, tli.scaled = 0.956,
  rmsea.scaled = 0.039, rmsea.ci.lower.scaled = 0.030,
  rmsea.ci.upper.scaled = 0.048, rmsea.pvalue.scaled = 1.000, srmr = 0.044
)
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. 55)` = 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 55).")
Globaler Modellfit (Satorra-Bentler) im Vergleich zur Dissertation (Tabelle 55).
Fit-Index Reproduktion Kriterium erfüllt? Diss. (Tab. 55) Δ
chisq.scaled 236.568 — 236.568 0.000
npar 88.000 — 88.000 0.000
df.scaled 142.000 — 142.000 0.000
pvalue.scaled 0.000 — 0.000 0.000
chisq/df-ratio 1.666 < 3 ✓ 1.666 0.000
chisq.scaling.factor 1.335 — 1.335 0.000
cfi.scaled 0.963 ≥ 0.95 ✓ 0.967 -0.004
tli.scaled 0.951 ≥ 0.95 ✓ 0.956 -0.005
rmsea.scaled 0.034 ≤ 0.05 (0.08) ✓ 0.039 -0.005
rmsea.ci.lower.scaled 0.027 — 0.030 -0.003
rmsea.ci.upper.scaled 0.040 — 0.048 -0.008
rmsea.pvalue.scaled 1.000 — 1.000 0.000
srmr 0.044 ≤ 0.08 ✓ 0.044 0.000

5.2 Faktorladungen

Alle frei geschätzten Ladungen sind hochsignifikant und weisen in die erwartete Richtung. Die Dissertation (Tab. 56/57) berichtet als schwächere Indikatorreliabilitäten F12_e (0.31), F09_a/F13_a (0.38) und F12_d (0.40) — toleriert wegen inhaltlicher Relevanz.

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 56/57).")
Standardisierte Faktorladungen (vgl. Diss., Tabellen 56/57).
Faktor Indikator Std. Ladung Indikatorrel. (λ²) p
KWB: kognitiv F09_a 0.613 0.376 < .001
KWB: kognitiv F09_b 0.824 0.679 < .001
KWB: kognitiv F09_c 0.841 0.707 < .001
KWB: konativ F10_a 0.824 0.679 < .001
KWB: konativ F10_b 0.698 0.488 < .001
KWB: konativ F10_c 0.663 0.439 < .001
KWB: affektiv F10_d 0.869 0.756 < .001
KWB: affektiv F10_e 0.707 0.500 < .001
KWB (Second-Order) Aff 0.875 0.765 < .001
KWB (Second-Order) Kog 0.690 0.476 < .001
KWB (Second-Order) Kon 0.763 0.583 < .001
Starkwetterrisiko F08_a 0.769 0.591 < .001
Starkwetterrisiko F08_e 0.797 0.636 < .001
Globale Akzeptanz F12_a 0.866 0.750 < .001
Globale Akzeptanz F12_b 0.755 0.570 < .001
NIMBY (persönliche Nachteile) F12_d 0.637 0.405 < .001
NIMBY (persönliche Nachteile) F12_e 0.556 0.309 < .001
Strompreiserhöhung (Single-Item) F12_c 0.949 0.900 fixiert
Landschaftsbild (Single-Item) F12_f 0.949 0.900 fixiert
Regionale Wirtschaft (Single-Item) F12_g 0.949 0.900 fixiert
Mitbestimmung F13_a 0.615 0.378 < .001
Mitbestimmung F13_b 0.911 0.830 < .001
Mitbestimmung F13_c 0.810 0.656 < .001

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 58 (ω₃: Kog 0.794, Kon 0.759, Aff 0.777, Sturm 0.760, Akzeptanz 0.788, NIMBY 0.519, Mitbest. 0.850).")
Composite Reliabilität und DEV (avevar) der Faktoren erster Ordnung — vgl. Diss., Tabelle 58 (ω₃: Kog 0.794, Kon 0.759, Aff 0.777, Sturm 0.760, Akzeptanz 0.788, NIMBY 0.519, Mitbest. 0.850).
Koeffizient Kog Kon Aff Sturm Akz Nimby Mitbest
alpha 0.800 0.773 0.759 0.760 0.788 0.519 0.812
omega 0.799 0.766 0.778 0.760 0.789 0.519 0.848
omega2 0.799 0.766 0.778 0.760 0.789 0.519 0.848
omega3 0.794 0.758 0.778 0.760 0.789 0.519 0.850
avevar 0.572 0.522 0.642 0.613 0.651 0.351 0.668

Alle Multi-Item-Faktoren außer NIMBY erfüllen ω ≥ 0.7 und DEV ≥ 0.5. NIMBY (DEV 0.351, C.R. 0.519 lt. Diss.) verfehlt die Zielwerte — die Dissertation diskutiert das ausführlich und behält den Faktor unter Vorbehalt bei.

Fazit

Die gemeinsame CFA bestätigt die Messmodelle (Diss., Kap. 7.4.13): guter bis sehr guter globaler Fit, signifikante und richtungskonforme Ladungen, Reliabilität und Konvergenzvalidität — mit der diskutierten Ausnahme des NIMBY-Faktors — nachgewiesen. Damit sind die Messmodelle für das Strukturgleichungsmodell zur Windkraftakzeptanz einsetzbar (Diss., Kap. 7.5; analysis/08_sem_wka.R).

Reproduzierbarkeit

Details zu Daten, Methode und Software
  • Daten: datensatz (n = 577, gewichtet) und imputationen (MICE, m = 10) aus dem klimawandelbewusstsein-Paket.
  • Modellsyntax: sem_modelle$cfa_wka — zeichengenau aus 1 WKA/R/1_CFA_WKA_klein.R übernommen (inkl. fixierter Fehlervarianzen).
  • Schätzung: fitte_survey_modell() = lavaan (MLM) + lavaan.survey.
  • Bekannte Abweichung: Robuste CFI/TLI/RMSEA-Formeln in lavaan ≥ 0.6.6.
si <- sessionInfo()
tibble(Paket = names(si$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