card2brain.ch

1. VL1: Welche der folgenden Aussagen zu Kennwerten in der EFA sind richtig? (SS16) (6x)

A) Im Fall unkorrelierter Faktoren kennzeichnet die Kommunalität das Ausmaß, in dem die Varianz einer Variabeln durch die Faktoren aufgeklärt wird
B) Im Falle korrelierter Faktoren enthält die Mustermatrix die Korrelation zwischen Faktoren und Items
C) Im Falle korrelierter Faktoren kennzeichnet der Eigenwert das Ausmaß in dem die Varianz einer Variablen durch die Faktoren aufgeklärt wird
D) Im Falle unkorrelierter Faktoren entsprechen Faktorladungen Korrelationen zwischen der jeweiligen manifesten Variablen und dem jeweiligen latenten Faktor
E) Werden im Falle korrelierter Faktoren die quadrierten Korrelationen eines Items mit den Faktoren aufsummiert, erhält man die Kommunalität des Items
F) Faktorwerte sind die Ausprägung einer Person auf der latenten Variable (Faktor) – (NICHT SS16)
G) Eigenwerte entsprechen den quadrierten Korrelationen zwischen den jeweiligen manifesten Variablen und latenten Faktoren. (NICHT SS16)
H) Das Kommunalitätenproblem entsteht, wenn der Anteil an der Gesamtvarianz aller manifesten Variablen, die durch latenten Faktor aufgeklärt wird, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifesten Variablen. (NICHT SS16)

A) Im Fall unkorrelierter Faktoren kennzeichnet die Kommunalität das Ausmaß, in dem die Varianz einer Variabeln durch die Faktoren aufgeklärt wird

D) Im Falle unkorrelierter Faktoren entsprechen Faktorladungen Korrelationen zwischen der jeweiligen manifesten Variablen und dem jeweiligen latenten Faktor

F) Faktorwerte sind die Ausprägung einer Person auf der latenten Variable (Faktor) – (NICHT SS16)

2. VL1: PCA vs. PAF

A) PCA eignet sich dafür, Beziehungen zwischen latenten Variablen aufzudecken

B) Was Falsches zur PCA

C) In der PCA wird die Varianz zerlegt in gemeinsame Varianz, spezifische Varianz und Fehlervarianz.

D) In der PAF sind die Faktoren voneinander unabhängig und klären sukzessive Varianz auf

E) PAF: Ziel ist Datenreduktion

3. VL1: PCA + PAF

A) Ziel der PCA Datenreduktion

B) PCA Zusammenhang zw. manifesten Variablen mittels kleiner Anzahl latenter Variablen

C) PCA sukzessive Varianzaufklärung und unabhängige Komponenten

D) PAF sukzessive Varianzaufklärung und unabhängige Komponenten

E) PCA Gesamtvarianz = gemeinsame + spezielle + Fehler (2C)

4. VL1: Welche der folgenden Aussagen zu Verfahren in der EFA sind korrekt? (2x) (SS16)

A) Die Hauptkomponentenanalyse versucht auf der Grundlage eines Faktormodells Zusammenhänge zwischen einer Reihe von beobachteten (manifesten) Variablen mittels einer möglichst kleinen Anzahl an Faktoren (latenten Variablen) zu erklären.

B) Die Hauptachsenanalyse (PAF) ist iteratives Verfahren, das endet, wenn der Unterschied in den Kommunalitätsschätzungen zwischen 2 aufeinanderfolgenden iterationsschritten kleiner als ein Konvergenzkriterium ist

C) Bei der Hauptkomponentenanalyse wird die Gesamtvarianz zerlegt in a) einen varianzteil, den sich die manifesten Variablen teilen, b) die spezifische Varianz und c) die Fehlervarianz

D) Bei einer Maximum-Likelihood Faktoranalyse sind im Gegensatz zu einer HKA die Ladung der Faktoren auf den Items eindeutig bestimmt

E) Bei der HAA (PAF) werden die Faktoren so bestimmt, dass sie sukzessiv maximal Varianz erklären und unabhängig sind (2D)

5. VL1/2: EFA (SS16)

A) Der Anfangsschätzer für die Kommunalität in der PAF ist das Quadrat der multiplen Korrelationen einer Variablen mit allen anderen Variablen

B) Die Kommunalität ist die Mindestschätzung für Reliabilität

C) Mit dem Bartlett-Test kann die Ho überprüft werden, dass alle Variabl. unkorreliert sind

D) Faktorwerte sind Ausprägungen einer Person auf latenten Variablen (1F)

E) Nach einer EFA laden die Items häufig hoch auf dem 1. Faktor und niedrig auf allen anderen ("deshalb wird eine Rotation vorgenommen", oder?)

6. VL1/2: EFA

A) Werden im Fall korrelierter Faktoren die quadratischen Korrelationen eines Items mit dem Faktor aufsummiert, erhält man die Kommunalität der Items

B) Je Geringer die Kommunalität bei gleicher Anzahl von Items pro Faktor, umso größer sollte die Stichprobe ausfallen

C) Kommunalitätsproblem entsteht, wenn die Anteil der Gesamtvarianz aller manifester Variablen, die durch latente Faktoren aufgeklärt werden, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifester Variablen

D) Kommunalität der manifesten Variablen (Items) in der unrotierten Anfangslösung sind identisch mit der Kommunalität der manifesten Variablen (Items) in der orthogonal rotierten Lösung.

E) Bei der Bestimmung der Anzahl der zu extrahierenden Faktoren in der EFA sollten inhaltliche Überlegungen nur bei der Verwendung der ML-Faktorenanalyse eine Rolle spielen.

7. VL2: Welche Aussagen zur EFA sind richtig? (SS16)

A) Unter Uniqueness versteht man die messfehlerbereinigte Varianz eines Items

B) Nur im Falle korrelierte Faktoren kann auch die Varianz zwischen den Items vollständig aufgeklärt werden

C) Die Kommunalität der manifesten Variablen einer unrotierten Anfangslösung entspricht der Kommunalität der orthogonal rotierten Lösung

D) Ein Kommunalitätenproblem entsteht, wenn der Anteil der Gesamtvarianz... (1H, 6C)

E) Je niedriger die Kommunalität bei gleichbleibender Anzahl von Items pro Faktor, umso größer sollte in der Regel die Stichprobe ausfallen

8. VL2: EFA (2x)

F) Bei Bestimmung der zu extrahierenden Faktoren in der EFA spielen inhaltliche Überlegungen nur bei ML eine Rolle (SS16)
G) Messfehler eines Items darf nicht die Kommunalität übersteigen (SS16)

A) ML im Sinne metrischer manifester Variablen setzt multivariate Normalverteilung voraus

B) In der EFA werden die Faktoren daran bemessen in welchem Maße sie das Muster an Zusammenhängen der manifesten Variablen erklären

C) Bei der PCA wird die höchste bivariate Korrelation der Variablen mit einer anderen Variablen als Schätzer für die Kommunalität der Variablen benutzt

D) Der geeignete Stichprobenumfang bei der EFA hängt von der Kommunalität, Anzahl der Faktoren & Anzahl der manifesten Variablen pro Faktor ab

E) Nach aktuellem Stand der Forschung wird empfohlen je ein Faktor 4 Items zu extrahieren."

9. VL2: EFA

A) Parallelanalyse nach Horn

B) Vorteil der Maximum-Likelihood-FA besteht darin, Stabilität der Ergebnisse im Vergleich zur EFA nicht stark von Kommunalität abhängt

C) Minimum-Averange-Test und oder Parallelanalyse

D) nach MAP-test sollen Faktoren extrahiert werden

E) Eigenwert größer eins-kriterium

10. VL2: Welche Aussagen zur EFA treffen zu?

(A Uneinigkeit)

A. Auch bei der Hauptachsenanalyse können inhaltliche Überlegung die Anzahl der Extraktion beeinflussen

B. Hier stand etwas zum Paralleltest, allerdings mit der Definition von MAP

C. Bei der Extraktion nach dem Eigenwertkriterium kann es sein, dass zu wenige Faktoren extrahiert werden.

D. Bei der ML-Faktorenanalyse werden Faktoren anhand eines Likelihood-Quotienten extrahiert.

E. Hier MAP mit Definition von Paralleltest.

11. VL2: Welche der folgenden Aussagen zur EFA sind richtig? (3x)

A) Sowohl bei der obliquen als auch bei der orthogonalen Rotation einer Anfangslösung ändern sich die Ladungen im Gegensatz zu einer obliquen Rotation ändert sich jedoch bei einer orthogonalen Rotation die erklärte Gesamtvarianz nicht.
B) Das Ziel einer obliquen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die Maximierung der Korrelation zwischen den Faktoren
C) Die sogenannte Varimax-Rotation ist die gebräuchlichste oblique Rotationstechnik einer Anfangslösung in der explorativen Faktorenanalyse.
D) Um einer explorative Faktorenanalyse durchzuführen, sollte eine ausreichende Korrelation der latenten Variablen vorliegen.
E) Ziel einer orthogonalen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die sog. Einfachstruktur.
F) Ladungen ändern sich bei beiden Rotationsverfahren, die Gesamtvarianz nur bei der obliquen Rotation. (1x)
G) Die Kommunalitäten der unrotierten Anfangsmatrix entsprechen den Kommunalitäten der rotierten Matrix. (hier: 1x) (5D)

E) Ziel einer orthogonalen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die sog. Einfachstruktur.

G) Die Kommunalitäten der unrotierten Anfangsmatrix entsprechen den Kommunalitäten der rotierten Matrix. (hier: 1x) (5D)

12. VL3: Vorteile Strukturgleichungsmodelle (SEM) im Vergleich zu MRA (5x)

F) Abhängigkeit der Beobachtungen kann berücksichtigt werden
G) Multiple Mediatormodelle können überprüft werden

A) Messfehler kann berücksichtig werden

B) Kausalhypothese können überprüft werden

C) Model-Fit kann überprüft werden

D) SEM basiert auf weniger strengen Voraussetzungen

E) Aufnahme von mehr als einer abhängigen Variablen möglich

13. VL3: Welche Aussagen treffen im Kontext linearer SEM zu ? (3x)

A) Endogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von mindestens einer der im Modell thematisierten Größen beeinflusst werden.

B) Für die Identifizierung eines Messmodells sind drei manifeste Indikatoren ausreichend.

C) CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem model chi square.

D) Strukturmodelle beinhalten immer auch Messmodelle.

E) In Messmodellen sind die beobachteten Indikatoren immer endogene Variablen. (Gutschrift)

14. VL3: Ein Forscher rechnet ein komplexes SEM mit gerichteten Beziehungen, N = 500 (???) Aussagen zur Modellgüte Chi-quadrat = 455.87, df = 133, p <.001, CFI .95, RMSEA .024, SRMR .043 (2x)

A) Der Modell-Fit deutet darauf hin, dass die Modellgüte angemessen ist

B) Der Modell-Fit deutet daraufhin, dass es keine vergleichbar guten Alternativen gibt

C) Kausalität ist belegt

D) Modell-Fit deutet darauf hin, dass sich auch unabhängige Stichproben mit dem Modell bestätigen lassen

E) Der Forscher sollte auch plausible äquivalente Modelle diskutieren

15. VL3: Welche der folgen. Aussagen bezogen auf die Identifikation von SEM sind richtig? (3x)

F) Notwendige Bedingung ist, dass die Anzahl der Freiheitsgrade positiv ist
G) Notwendige Bedingung ist die Verwendung von mehr als einer lat. Variablen in einem

A) Durch die Einführung von Restriktionen (Fixierung von Modellparametern) lässt sich Modellidentifikation herstellen

B) Eine notwendige Bedingung für Modellidentifikation ist eine mindestens gleiche Anzahl an Informationen wie an zu schätzenden Parametern

C) Eine notwendige Bedingung für Modellidentifikation ist die Skalierung der lat. Variablen

D) Notwendige Bedingung für die Modellidentifikation ist die Verwendung von mind. 4 Indikatoren für jede latente Variable

E) Zur Identifikation eines Modells werden die Residualvarianzen auf 1 fixiert

16. VL3: Eine Forscherin hat eine englischsprachige Fragebogen-Messung "Hexaco der Persönlichkeit" ins Deutsche (mit 6 grundlegenden Persönlichkeitsfaktoren - waren hier nun aufgelistet - ) mit je 10 Items erfasst. Sie hat mittels des Fragebogens N=500 Männer und Frauen befragt und möchte mit einer Maximum-Likelihood Faktorenanalyse die faktorielle Struktur des Fragebogens prüfen. Welche Aussagen sind korrekt? (SS16)

A) ML lässt sich durch den relativen Fit Wert (Vergleich mit alternativen Modellen im Hinblick auf die Faktorenanzahl) abschätzen

B) ML lässt den absoluten Fit des angegebenen Modells (6 Faktoren) abschätzen.

C) Die Stichprobengröße ist angemessen für ML

D) Eine konfirmatorische Prüfung der faktoriellen Struktur mittels CFA kann bei guter Modellpassung X² Test des angenommenen Modells (6 Faktoren) in ML verzichtet werden

E) Eine angemessenen Modellpassung ( nicht signifikanter X² Test) basierend auf Daten der Gesamtstichprobe zeigt eine Passung der angenommenen faktoriellen Struktur (6 Faktoren) sowohl bei den Frauen wie auch bei den Männern.

17. VL3: Eine Forscherin möchte ein Messmodell mit zwei latenten Variablen mit je zwei Indikatoren mit einer konfirmatorischen Faktorenanalyse prüfen. Welche der folgenden aufgelisteten Modellspezifikationen sind für die Modellidentifikation notwendig?"

A) Die Kovarianz zwischen den beiden latenten Variablen muss als freier Parameter geschätzt werden.

B) Die Ladung der Indikatoren auf den Residuen muss auf 1 fixiert werden, wenn gleichzeitig die Varianzen der Residuen geschätzt werden (sollen).

C) Die Varianz der beiden latenten Variablen und jeweils die Ladung eines Indikators muss auf 1 fixiert werden.

D) Eine Überidentifizierung des Modells unter Verwendung der üblichen Modellfixierungen ist nicht möglich.

E) Die Varianz der beiden latenten Variablen oder jeweils die Ladung eines Indikators muss auf 1 fixiert werden.

18. VL4: Welche der folgenden Aussagen bezogen auf den multiplen Gruppenvergleich sind richtig? (2x) (SS16)

A) Invarianz ist eine notwendige Voraussetzung für eine Überprüfung von Unterschieden in den Zusammenhängen der latenten Variablen.

B) Siehe oben

C) Liegt keine metrische Messinvarianz vor, kann auch nicht von einer Vergleichbarkeit der Bedeutung einer latenten Variable ausgegangen werden.

D) Der multiple Gruppenvergleich ist auf den Vergleich von zwei Gruppen beschränkt.

E) Im Step-Up-Ansatz werden ausgehend vom restriktivsten Modell sukzessiv Modellparameter freigesetzt, um die unterschiedlichen Formen von Messinvarianz und Populationsheterogenität zu prüfen. (müsste Step-down heißen, dann richtig) F) Liegt metrische Mes

19. VL4: Welcher der folgenden Aussagen bezogen auf den Vergleich genesteter Modelle im Rahmen von SEM sind richtig? (5x) (SS16)

E) Beim Vergleich von genesteten Modellen kann die statistische Bedeutsamkeit von spez. Modellparametern überprüft werden. (Gutschrift)

A) Ein signifikanter Chi-Quadrat-Differenzentest spricht für das weniger restriktive Modell.

B) Werden Modelle mit einer unterschiedlichen Anzahl an Variablen verglichen, handelt es sich nicht um einen genesteten Modellvergleich.

C) Der Chi-Quadrat-Differenzentest kann nur bei genesteten Modellen verwendet werden.

D) Genestete Modelle ergeben sich durch Respezifikationen von Modellparametern.

F) Genestete Modelle ergeben sich, indem die Richtung von gerichteten Beziehungen umgekehrt wird (SS16 neues, richtiges E: Mit dem Vergleich von genesteten Modellen kann die statistische Bedeutsamkeit von spezifischen Modellparametern geprüft werden)

20. VL5: Studie von Bub, McCartney, Willet (2007)S. 659 (Fig.1), S. 661, 663 (Tab. 3 & 4) : siehe Anhang. Veränderungen im Problemverhalten (gemessen an internali. und externalis. Verhalten von Kindern) und dessen Konsequenz für die kognitive Fähigkeit und Schulleistung nach 1. Schuljahr. Längsschnitt, N=882. Für Auswertung und Beantwortung, wurde latentes Wachstums.modell verwendet. Was ist korrekt?

A) Es gibt im Durchschnitt keine Veränderung in internalisierten und externalisierten Problemverhalten

B) Es gibt signifikante interindividuelle Unterschiede in der Veränderung im internalisierenden und externalisierenden Problemverhalten

C) Es gibt KEINE interindividuelle Veränderungen im internalisierenden und externalisierenden Problemverhalten zum ersten Messzeitpunkt

D) Veränderung im internal. Problemverhalten hat einen signifikanten Einfluss auf kognitiven Fähigkeiten nach dem 1. Schuljahr.

E) Veränderung im internal. Problemverhalten hat signifikanten Einfluss auf die Schulleistung nach dem 1. Schuljahr.

21. VL5: Latentes Wachstumskurvenmodell

(C= ?)

A) Bedeutsame Varianz in dem Latenten Slope-Faktor zeigt interindividuelle Unterschiede in der Veränderung im Wohlbefinden.

B) Bedeutsame Varianz in dem latenten Intercept-Faktor zeigt interindividuelle Unterschiede im mittleren Ausmaß an Wohlbefinden über die Studienzeit hinweg.

C) Für die Ladungen der Indikatoren auf dem latenten Slope-Faktor wählt die Forscherin die Werte 0 für den Indikator zum ersten Messzeitpunkt, 1 für den Indikator zum zweiten Messzeitpunkt, 2 für den Indikator zum zweiten Messzeitpunkt und 3 für den Indik

D) Die Ergebnisse ergeben einen signifikant von Null abweichenden positiven Wert (latenter Mittelwert) für den Slope-Faktor. Auch die Varianz in dem Slope-Faktor weicht signifikant von Null ab. Somit zeigt sich bei einigen Studierenden eine stärkere Zunah

E) Kovarianz zwischen Intercept und Slope-Faktor ist Null. Wird die in der Antwortoption C verwendete Parametrisierung für den Slope-Faktor verwendet, zeigt diese Kovarianz an, dass die Veränderung im Wohlbefinden unabhängig von dem Ausmaß an Wohlbefinden

22. VL5: Welche der Aussagen in Bezug auf längsschnittliche SEM sind richtig? (4x)

E) Für die Identifikation von LCM sind mindestens drei Messzeitpunkte notwendig (F)

A) CLM eignen sich besonders gut für die Untersuchung der zeitlichen Beziehungen zwischen Variablen.

B) Absolute Veränderungen in den Variablen werden in CLM nicht berücksichtigt.

C) LWM und LCM eignen sich besonders gut für die Untersuchung interindividueller Unterschiede in Veränderungen in einer Variablen.

D) Im Rahmen von LCM können keine Aussagen über die genaue Form der Veränderung getroffen werden.

F) LW & LC berücksichtigen individuelle Unterschiede in Veränderung der Variablen (nur 1x) G) LW hat mindestens 3 Messzeitpunkte (nur 1x)

23. VL6: Umgang mit fehlenden Werten (3x)

A) Bei einem kleinen Anteil (Kleiner 5%) ist listenweiser Ausschluss akzeptabel

B) Das Ersetzen fehlender Werte durch den Stichprobenmittelwert führt zu einer Vergrößerung der Varianz in der Variablen

C) Single Imputatiosverfahren berücksichtigen nicht die Unsicherheit in der Schätzung fehlender Werte

D) Bei FIML werden fehlende Werte durch ML

E) MI erfordert sehr große Stichproben

24. VL6: Welche Aussagen in Bezug auf Verfahren zum Umgang mit fehlenden Werten sind richtig? (3x)

A) MAR bedeutet, dass nach Kontrolle von zusätzlichen beobachteten Variablen das Auftreten von fehlenden Werten weder von der Ausprägung der Variablen selbst noch der Ausprägung anderer Variablen im Datensatz abhängt. (MAR heißt, dass der Fehlende Wert ni

B) Fehlende Werte alleine führen zu einer verzerrten Schätzung der Standardfehler.

C) Von den klassischen Verfahren zur Behandlung fehlender Werte sollte allein der paarweise Ausschluss zur Anwendung kommen.

D) Imputationsbasierte Verfahren zur Behandlung fehlender Werte sind generell zu empfehlen.

E) Fallweiser und paarweiser Ausschluss setzen MCAR voraus.

25. VL7: Welche Aussagen in Bezug auf den Bayesianischen Ansatz sind richtig? (4x) (ähnlich SS16)

A) Der BA ermöglicht die Wahrscheinlichkeit eines Stichprobenergebnisses …

B) Der BA ermöglicht die Wahrscheinlichkeit einer Hypothese zu ermitteln.

C) Die Priorverteilung ist immer festgelegt und kann nicht durch den Forscher beeinflusst werden.

D) Der BA erfordert (meist) kleinere Stichproben als der FA.

E) Die Populationsparameter werden im B.A. immer als variabel (random) angesehen. F) Vorwissen kann berücksichtigt werden

26. VL7: Bayes Was ist richtig? (2x)

(A = Übertragungsfehler?)

A) Sowohl im Bayesianischen Ansatz als auch im Frequentistischen Ansatz kann Vorwissen bei der Parameterschätzung berücksichtigt werden.

B) Innerhalb eines Glaubwürdigkeitsintervalls liegt mit einer festgelegten Wahrscheinlichkeit (i.d.R. 95%) der Populationswert.

C) Die Ungewissheit über den tatsächlichen Wert eines Populationsparameters wird über die Wahrscheinlichkeitsverteilung des Populationsparameters definiert.

D) Der Frequentistische Ansatz und der Bayesianische Ansatz führen zu gleichen Ergebnissen, wenn uninformative Priorverteilungen verwendet werden.

E) Die Wahl der Priorverteilung (informative Prior) hat keinen Einfluss auf die Posteriorverteilung.

27.
WS16_17_Frage 1

A) Im Fall unkorrelierter Faktoren kennzeichnet die Kommunalität das Ausmaß, in dem die Varianz einer Variabeln durch die Faktoren aufgeklärt wird

B) Im Falle korrelierter Faktoren enthält die Mustermatrix die Korrelation zwischen Faktoren und Items

C) Unter Uniqueness versteht man die messfehlerbereinigte Varianz eines Items

D) Faktorwerte sind Ausprä gungen einer Person auf latenten Variablen

E) Im Falle korrelierter Faktoren kennzeichnet der Eigenwert das Ausmaß in dem die Varianz einer Variablen durch die Faktoren aufgeklä rt wird

28.
/WS16_17_Frage 2

Aussagen zu Verfahren der EFA

A) Die PCA versucht auf der Grundlage eines Faktormodells Zusammenhänge zwischen einer Reihe von beobachteten (manifesten) Variablen mit einer möglichst kleinen Anzahl an Faktoren (latenten Variablen) zu erklären.

B) Die PAF ist ein iteratives Verfahren, das endet, wenn der Unterschied in den Kommunalitätsschätzungen zwischen zwei aufeinanderfolgenden Iterationsschritten kleiner als ein Konvergenzkriterium ist.

C) Bei der PCA wird die Gesamtvarianz zerlegt in a) einen varianzteil, den sich die manifesten Variablen teilen, b) die spezifische Varianz und c) die Fehlervarianz.

D) Bei einer Maximum-Likelihood Faktoranalyse sind im Gegensatz zu einer PCA die Ladung der Faktoren auf den Items eindeutig bestimmt.

E) Bei der PAF werden die Faktoren so bestimmt, dass sie sukzessiv maximal Varianz erklären und unabhängig sind.

29.

WS16_17 Frage 3

EFA

A) Sowohl bei der obliquen als auch bei der orthogonalen Rotation einer Anfangslösung ändern sich die Ladungen.

B) Das Ziel einer obliquen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die Maximierung der Korrelation zwischen den Faktoren.

C) Die sogenannte Varimax-Rotation ist die gebräuchlichste oblique Rotationstechnik einer Anfangslösung in der explorativen Faktorenanaylse.

D) Um eine explorative Faktorenanalyse durchzuführen, sollte eine ausreichende Interkorrelation der latenten Variablen vorliegen.

E) Das Ziel einer orthogonalen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die sogenannte Einfachstruktur (die Ladungen einer Variablen sollten auf einem Faktor entweder hoch oder nahezu Null sein).

30.

WS16_17 Frage 4

Welche der folgenden Aussagen zur explorativen
Faktorenanalyse sind richtig?

A) Werden im Falle korrelierter Faktoren die Quadrierten Korrelationen eines Items mit den Faktoren aufsummiert, erhält man die Kommunalität des Items.

B) Bei der Bestimmung der Anzahl der zu extrahierenden Faktoren in der explorativen Faktorenanalyse sollten inhaltliche Überlegungen nur bei der Verwendung der Maximum-Likelihood-Faktorenanalyse eine Rolle spielen.

C) Die Kommunalitäten der manifesten Variablen (Items) in der unrotierten Anfangslösung sind identisch mit den Kommunalitäten der manifesten Variablen (Items) in der orthogonal rotierten Lösung.

D) Das sogenannte Kommunalitätenschätzproblem entsteht, wenn der Anteil an der Gesamtvarianz aller manifesten Variablen, der durch die latenten Faktoren aufgeklärt wird, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifesten V

E) Je niedriger die Kommunalitäten bei gleichbleibender Anzahl von Items pro Faktor sind, um

31.

WS16_17 Frage 5

Welche der folgenden Aussagen zur explorativen
Faktorenanalyse sind richtig?

A) Die Maximum-Likelihood-Faktorenanalyse im Zusammenhang mit metrischen manifesten Variablen setzt unter anderem voraus, dass die manifesten Variablen einer multivariaten Normalverteilung folgen.

B) Bei einer explorativen Faktorenanalyse werden die Faktoren unter anderem daran bemessen, in welchem Maße sie beitragen, das Muster an Zusammenhängen zwischen den manifesten Variablen zu erklären.

C) Bei einer Hauptkomponentenanalyse wird die höchste bivariate Korrelation der Variablen mit einer anderen Variablen als Schätzer für die Kommunalitäten der Variablen benutzt.

D) Der geeignete Stichprobenumfang bei einer explorativen Faktorenanalyse hängt unter anderem von den Kommunalitäten, der Anzahl der Faktoren und der Anzahl der manifesten Variablen pro Faktor ab.

E) Nach dem aktuellen Stand der Forschung wird empfohlen, je einen Faktor für vier Items (manifeste Variablen) zu extrahieren.

32.

WS16_17 Frage 6

Welche der folgenden Aussagen zur explorativen
Faktorenanalyse sind richtig?

A) Die Parallelanalyse nach Horn berechnet
Partialkorrelationen, die sich sukzessive aus dem
Herauspartialisieren von Hauptkomponenten ergeben, und
vergleicht diese mit Partialkorrelationen, die sich aus der
maximalen Varianzaufklärung unkorrelierter
Hauptkomponenten ergeben.
nicht stark von der Kommunalität der
Items abhängt.

B) Ein Vorteil der Maximum-Likelihood-Faktorenanalyse besteht darin, dass die Stabilität ihrer Ergebnisse im Vergleich zu anderen Verfahren der explorativen Faktorenanalyse

C) Der Minimum-Average-Partial-Test (MAP-Test) und/oder die Parallelanalyse nach Horn sind bei der Bestimmung der Anzahl der zu extrahierenden Faktoren dem sogenannten Eigenwerte größer eins - Kriterium (Kaiser-Guttmann-Kriterium) vorzuziehen.

D) Nach dem Minimum-Average-Partial-Test (MAP-Test) sollen diejenigen Faktoren extrahiert werden, deren Eigenwerte größer sind als entsprechende Zufallseigenwerte, die anhand von Zufallsstichproben aus einer Population unkorrelierter Variablen gewonnen we

E) Das sogenannten Eigenwerte größer eins - Kriterium (Kaiser-Guttmann-Kriterium) führt bei Vorliegen einer großen Anzahl von manifesten Variablen oft dazu, dass zu wenige Faktoren extrahiert werden.

33.

WS16_17 Frage 7

Eine Forscherin hat eine englischsprachige
Fragebogen-Messung "Hexaco der Persönlichkeit"
ins Deutsche übertragen (mit 6 grundlegenden
Persönlichkeitsfaktoren - waren hier nun aufgelistet - )
mit je 10 Items erfasst.
Sie hat mittels des Fragebogens je N=500 Männer
und Frauen befragt und möchte mit einer
Maximum-Likelihood Faktorenanalyse die
faktorielle Struktur des Fragebogens prüfen.
Welche Aussagen sind korrekt?

A) Bei der ML-Faktorenanalyse lässt sich der relative Fit (durch Vergleich mit alternativen Modellen) abschätzen

B) Bei der ML-Faktorenanalyse lässt sich der absolute Fit des Modells abschätzen.

C) Die Stichprobengröße ist angemessen für die verwendete ML-Faktorenanalyse.

D) Auf eine konfirmatorische Prüfung der faktoriellen Struktur mittels CFA kann bei guter Modellpassung X² Test des angenommenen Modells (6 Faktoren) in ML verzichtet werden

E) Eine angemessene Modellpassung ( nicht signifikanter X² Test) basierend auf Daten der Gesamtstichprobe zeigt eine Passung der angenommenen faktoriellen Struktur (6 Faktoren) sowohl bei den Frauen wie auch bei den Männern.

34.

WS16_17 Frage 8

Vorteile von SEM ggü. MR

F) Abhängigkeit der Beobachtungen kann berücksichtigt
werden (F)
G) Multiple MediatorC) Model-Fit kann überprüft werden (F)
modelle können überprüft werden

A) Messfehler kann berücksichtigt werden

B) Kausalhypothesen können überprüft werden

C) Model-Fit kann überprüft werden

D) SEM basiert auf weniger strengen Voraussetzungen

E) Aufnahme von mehr als einer abhängigen Variablen möglich

35.

WS16_17 Frage 9

Was trifft im Kontext von SEM zu?

A) Exogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von keiner der im Modell thematisierten Größen beeinflusst werden.

B) Für die Identifizierung eines Messmodells sind drei manifeste Indikatoren ausreichend.

C) CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem model chi square.

D) Strukturmodelle beinhalten immer auch Messmodelle

E) In (reflexiven) Messmodellen sind die beobachteten Indikatoren immer endogene Variablen.

36.

WS16_17 Frage 10

Welche Aussagen zur Identifikation von SEM sind richtig?

A) Durch Einführung von Restriktionen (Fixierung von Modellparametern auf bestimmte Werte) kann Modellidentifikation hergestellt werden

B) notwendige Bedingung: mindestens gleiche Anzahl an Informationen und frei zu schätzenden Parametern

C) notwendige Bedingung: Vorgabe einer Skalierung für alle latenten Variablen

D) notwendige Bedingung: Verwendung von mindesten 4 Indikatoren

E) Zur Identifikation eines Modells werden die Residualvarianzen auf 1 fixiert, soll parallel auch die Residualvarianz geschätzt werden

37.

WS16_17 Frage 11

Frage?

A) Signifikanter Chi-Quadrat-Differenzen-Test spricht für das weniger restriktives Modell

B) Werden Modelle mit unterschiedlicher Anzahl an Variablen verglichen stellt dies keinen genesteten Modellvergleich dar st nur bei genesteten Modellvergleichen möglich

C) Chi-Quadrat-Differenzen-Test i

D) Genestete Modelle ergeben sich durch Respezifikationen von Modellparametern

E) Mit einem Vergleich von genesteten Modellen kann (statistische) Bedeutsamkeit von spezifischen Modellparametern geprüft werden

38.

WS16_17 Frage 12

Frage?

A) Fehlt

B) Fehlt

C) Fehlt

D) Fehlt

E) Step down Ansatz: Ausgehend vom restriktivsten Modell sukkzessive Modellparameter freisetzen.

39.

WS16_17 Frage 13

Eine Forscherin möchte ein Messmodell mit zwei latenten
Variablen mit je zwei Indikatoren mit einer
konfirmatorischen Faktorenanalyse prüfen. Welche der
folgenden aufgelisteten Modellspezifikationen sind für die
Modellidentifikation notwendig?"

A) Die Kovarianz zwischen den beiden latenten Variablen muss als freier Parameter geschätzt werden.

B) Die Ladung der Indikatoren auf den Residuen muss auf 1 fixiert werden, wenn gleichzeitig die Varianzen der Residuen geschätzt werden (sollen).

C) Die Varianz der beiden latenten Variablen und jeweils die Ladung eines Indikators müssen auf 1 fixiert werden.

D) Eine Überidentifizierung des Modells unter Verwendung der üblichen Modellfixierungen ist nicht möglich.

E) Die Varianz der beiden latenten Variablen oder jeweils die Ladung eines Indikators muss auf 1 fixiert werden.

40.

WS16_17 Frage 14

Ein Forscher interessiert sich für ein komplexe SEM mit einer
Reihe von gerichteten Beziehungen zwischen einer Reihe
von latenten Variablen, von denen er annimmt, dass sie alle
bedeutsam sind. Er überprüft das Modell auf Basis
querschnittlicher Daten und erhält folgende Fit Maße:
Chi quadrat= 455,87 p > 0.001 CFA= 0,95 RMSEA = 0,024
SRMR = 0,43

A) Kausale Annahmen können als belegt gelten.

B) Fit Maße deuten darauf hin, dass es keine vergleichbar guten Alternativmodelle gibt.

C) Fit Maße können insgesamt als zufrieden bezeichnet werden.

D) Fit Maße deuten darauf hin, dass sich auch in weiteren unabhängigen Stichproben das Modell bestätigen lassen wird

E) Der Forscher sollte plausible äquivalente Modelle diskutieren.

MM1 3444 Fernuni Hagen by AHA

Lernkarten

MM1 3444 Fernuni Hagen by AHA

Lernkarteien erstellen oder kopieren

Lernkarten

Veuillez vous connecter

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog