Was besagt die Latent-State-Trait-Theorie?

Die Latent-State-Trait-Theorie (LST) ist eine formale Erweiterung der klassischen Testtheorie. Sie geht auf Steyer, Schmitt und Eid zurück (1999) und wird als LST-R weiterentwickelt (Steyer, Mayer, Geiser & Cole, 2015). Ihr Kern ist eine Zerlegung: jeder beobachtete Messwert enthält drei Anteile, die sich formal trennen lassen.

Die drei Komponenten

Trait (Konsistenz). Der über Situationen hinweg stabile Anteil — was an einer Person unabhängig vom Erhebungszeitpunkt gleich bleibt.
State-Residuum (Occasion-Spezifität). Der Anteil, der zum Erhebungszeitpunkt gehört und trotzdem wahr ist: eine echte, aber situationsabhängige Auslenkung. Kein Fehler.
Messfehler (Unreliabilität). Zufälliges Rauschen des einzelnen Selbstberichts.

Der entscheidende Punkt ist die Trennung der beiden mittleren Größen. Klassische Testtheorie verrechnet alles, was nicht stabil ist, als Fehler. Wer psychische Belastung wöchentlich misst, misst aber gerade das, was sich ändert. Ohne LST-Logik wird das Signal als Unzuverlässigkeit des Instruments verbucht.

Größenordnungen aus der Literatur

Podsakoff, Spoelma, Chawla und Gabriel (2019, Journal of Applied Psychology 104(6), 727–754) werteten 1.051.808 Within-Person-Beobachtungen aus 222 Studien aus und berichten im Mittel 52 Prozent Within-Person-Varianz — von rund 38 Prozent (Arbeitszufriedenheit) bis rund 61 Prozent (organisationale Gerechtigkeit, Vigor). Diese Zahl ist jedoch keine Schätzung des State-Anteils, weil sie echte Zustandsänderung und Messfehler zusammenwirft. Eine reliabilitätskorrigierte Re-Analyse (Collabra: Psychology, 2025) korrigiert den Anteil auf 0,41. LST-Zerlegungen setzen die wahre Occasion-Komponente bei etwa 15 bis 30 Prozent an, den Fehleranteil bei 20 bis 30 Prozent.

Für Einzel-Items ist der Fehleranteil entsprechend groß: Wanous, Reichers und Hudy (1997) sowie Wanous und Hudy (2001) veranschlagen die Reliabilität eines einzelnen Items konservativ bei etwa 0,70.

Die Übersetzung in ein Zustandsraummodell

LST liefert den theoretischen Rahmen, ein Kalman-Filter die numerische Umsetzung. Die Zuordnung ist direkt: die State-/Occasion-Varianz wird zum Prozessrauschen Q — der echten Drift des wahren Werts zwischen zwei Messzeitpunkten — und die Fehlervarianz wird zum Beobachtungsrauschen R. Daraus folgt die praktische Faustregel R ≈ 1 − Reliabilität. Die Generalisierbarkeitstheorie kommt über Personen-, Occasion- und Residualkomponenten zur selben Logik.

Aus dieser Zuordnung stammen die Startwerte des Systems: R als Bruchteil der Gesamtvarianz bei 0,25, Q bei etwa 0,10, mit Familienvarianten je nach Veränderlichkeit des Konstrukts — höher für affektive Größen, niedriger für relationale wie Vertrauen in Führung. Wie diese Werte im Filter wirken, steht unter Was leistet ein Kalman-Filter in der Psychometrie?

Was daran unsicher ist

Diese Werte sind literaturinformierte Startwerte, keine an Psydar-Daten geschätzten Größen. Vier Einschränkungen gehören dazu. Erstens setzt die Übersetzung auf die 0-bis-1-Skala eine Antwort-Standardabweichung von etwa 0,20 voraus; weicht die reale Streuung ab, müssen R und Q proportional reskaliert werden — robust ist der Bruchteil, nicht der Absolutwert. Zweitens überschätzt der Within-Person-Anteil aus Tagebuchstudien das Q systematisch. Drittens stammen die meisten Zerlegungen aus täglichen Erhebungen; auf Wochenebene ist die echte State-Varianz kleiner, Q gehört also ans untere Ende. Viertens ist der Vorhersageschritt ein reiner Random Walk ohne Rückkehr zum Trait — er diffundiert leicht über; ein AR(1)- oder trait-verankertes Modell wäre treuer. Für psychologische Sicherheit, Vertrauen in Führung und Rückzugsabsicht ist die Evidenzlage auf Wochenebene besonders dünn.

Kurzantworten

In welche Anteile zerlegt die LST-Theorie eine Messung?

In drei: eine über Situationen stabile Trait-Komponente, ein situationsspezifisches wahres State-Residuum und den zufälligen Messfehler. Eine einzelne Erhebung kann diese drei Anteile nicht trennen; dafür braucht es dieselben Personen zu mehreren echten Zeitpunkten.

Wie groß ist der situationsabhängige Anteil in der Praxis?

Eine mehrebenen-meta-analytische Auswertung von 1.051.808 Within-Person-Beobachtungen aus 222 Studien (Podsakoff, Spoelma, Chawla & Gabriel, 2019, Journal of Applied Psychology 104(6), 727–754) berichtet 52 Prozent Within-Person-Varianz, mit einer Spanne von etwa 38 Prozent bei Arbeitszufriedenheit bis etwa 61 Prozent bei organisationaler Gerechtigkeit. Dieser Wert vermischt allerdings echte Zustandsänderung und Messfehler; eine reliabilitätskorrigierte Re-Analyse (Collabra: Psychology, 2025) kommt auf 0,41.

Warum passt LST besser zu Psydar als klassische Testtheorie?

Weil die vier Indizes zustandsartige Größen abbilden, die sich zwischen Wochen tatsächlich ändern sollen. Die klassische Testtheorie behandelt Veränderung als Fehler. LST behandelt sie als eigene, schätzbare Varianzkomponente — und liefert damit den formalen Rahmen für das, was der Kalman-Filter numerisch tut.