card2brain.ch

VL 5 Modellgüte

Was wird hier bestimmt und wie?

Die Reliabilität ist die Varianz von Eta geteilt durch den Mittelwert eines beobachteten Wertes

Die Reliabilität ist die Varianz von Eta geteilt durch die Kovarianz eines beobachteten Wertes

Die Reliabilität ist die Varianz von Eta geteilt durch die Varianz eines beobachteten Wertes

Die Reliabilität ist die Varianz von Eta geteilt durch den Erwartungswert eines beobachteten Wertes

Die Reliabilität ist die Kovarianz geteilt durch die Varianz eines beobachteten Wertes

VL 5 Prüfung der Modellgültigkeit

Was ist richtig?

Der Modellgeltungstest überprüft die Nullhypothese, dass sich in der Population die Kovarianzmatrix der beobachteten Variablen nicht von der modellimplizierten Kovarianzmatrix unterscheidet  

Ein signifikantes Ergebnis zeigt an, dass das Modell verworfen werden muss und nicht auf die Daten passt

Die Teststatistik ist χ2-verteilt, wobei sich die Freiheitsgrade aus der Anzahl der verfügbaren Informationen minus der Anzahl der zu schätzenden Parameter ergeben

Ein signifikantes Ergebnis zeigt an, dass das Modell behalten werden muss, weil es auf die Daten passt

Die Teststatistik ist χ2-verteilt, wobei sich die Freiheitsgrade aus der Anzahl der zu schätzenden Parameter ergeben

VL 5 Prüfung der Modellgültigkeit

Was wir hier berechnet?

Mittelwerte

Varianzen VAR(Y1) = VAR (ETA) + VAR(E1)

Kovarianzen VAR(Y1) = VAR (ETA) + VAR(E1)

Varianzen COV(Y1,Y3) = VAR(Eta) = ZAHL

Kovarianzen COV(Y1,Y3) = VAR(Eta) = ZAHL

VL 5 Prüfung der Modellgültigkeit

Was wir hier berechnet?

Mittelwerte

Varianzen VAR(Y1) = VAR (ETA) + VAR(E1)

Kovarianzen VAR(Y1) = VAR (ETA) + VAR(E1)

Varianzen COV(Y1,Y3) = VAR(Eta) = ZAHL

Kovarianzen COV(Y1,Y3) = VAR(Eta) = ZAHL

VL 5 Implementierung in R

Zur Schätzung eines Messmodells kann man die Funktion sem aus dem Paket lavaan verwenden

Ordne richtig zu.

E: Funktion zum Schätzen eines Messmodells

C: Name des R-Objekts, in dem die Daten zu den beobachteten Variablen gespeichert sind

E: Name des R-Objekts, in dem die Ergebnisse der Schätzung gespeichert sind

F: Argument zur Ausgabe standardisierter Parameter

G: Argument zur Berücksichtigung der Mittelwerte

VL 5 Implementierung in R

Zur Schätzung eines Messmodells kann man die Funktion sem aus dem Paket lavaan verwenden

Ordne richtig zu.

A: Funktion zum Schätzen eines Messmodells

B: Name des R-Objekts, in dem die Modellspezifikation gespeichert wurde

G: Name des R-Objekts, in dem die Daten zu den beobachteten Variablen gespeichert sind

D: Funktion zur Ausgabe der Ergebnisse

E: Argument zur Berücksichtigung der Mittelwerte

VL 5 Implementierung in R

Zunächst muss das Modell gemäß bestimmter Konventionen spezifiziert werden

Ordne richtig zu.

B: Name des R-Objekts, in dem die Modellspezifikation gespeichert wird

C: Namen der beobachteten Variablen im Datensatz

A: Name der latenten Variable

D: Mit den Symbolen =~ wird eine latente Variable definiert

E: Mit den Symbolen 1* wird der Einfluss der latenten Variable auf die beobachteten Variablen auf 1 festgelegt

VL 5 Prüfung der Modellgültigkeit

Was ist richtig?

Wenn alle Zusammenhänge zwischen Yi ausschließlich durch den Einfluss der gemeinsamen latenten Variable η zustande kommen, dann müssten die Zusammenhänge verschwinden, wenn man η auspartialisiert (Partialkorrelation zwischen den Yi müsste gleich 0 sein)

Die Kovarianzen der beobachteten Variablen müssten alle gleich sein und der Varianz der latenten Variable entsprechen, so dass die obige Gleichung gilt

Zur Prüfung auf Gültigkeit dieser Implikation in der Population wird die empirisch beobachtete Kovarianzstruktur mit einer Kovarianzstruktur verglichen, die sowohl modellkonform als auch optimal an die die beobachteten Daten angepasst ist

Zur Prüfung auf Gültigkeit dieser Implikation in der Population wird die empirisch beobachtete Kovarianzstruktur mit einer sog. „modelltheoretisch implizierten Kovarianzmatrix“ verglichen

Zur Prüfung auf Gültigkeit dieser Implikation in der Population wird anhand eines statistischen Tests geprüft, ob der Unterschied zwischen der empirischen und der modelltheoretisch implizierten Kovarianzmatrix statistisch bedeutsam ist

VL 5 Unkorrelierte Messfehlervariablen

Was ist richtig?

Eine pfadanalytische Darstellung macht eine Grundannahme von Messmodellen deutlich: Die Messfehler, die auf die beobachteten Variablen Yi einwirken, sind untereinander unkorreliert.

Es gilt COV (ei,ej) = 0; i≠j

Dass die beobachteten Variablen Yi miteinander korrelieren, darf nur daran liegen, dass sie das gleiche Merkmal messen

Dass die beobachteten Variablen Yi miteinander korrelieren kann daran liegen, dass es gemeinsame Messfehlereinflüsse gibt.

Es gilt COV (ei,ej) = 0; i=j

VL 5 Normierung der latenten Variable

Was ist richtig?

Die Metrik von Eta ist beliebig und muss in der konkreten Anwendung festgelegt werden.

Zur Normierung kann man den Erwartungswert von Eta auf einen beliebigen Wert fixieren.

Zur Normierung kann man einen Parameter ai auf einen beliebigen Wert fixieren.

Häufig wird der Erwartungswert von Eta auf 0 fixiert, was zur Folge hat, dass die Parameter ai den jeweiligen Erwartungswerten (Mittelwerten) der beobachteten Variable Yi entsprechen.

Legt man ai = 0 fest, dann entspricht der Erwartungswert von Eta dem Erwartungswert der ersten beobachteten Variablen Y1.

VL 5 Unterschiede zwischen eindimensionalen Messmodellen

Welche Zuordnung der Fragen zu den Messmodellen sind richtig?

Äquivalent: Bilden die beobachteten Variablen Unterschiede auf der latenten Variable gleich gut ab?

Parallel: Sind die Messfehlereinflüsse bei den beobachteten Variablen gleich groß ?

Essentiell: Sind die beobachteten Variablen gleich leicht bzw. schwierig ?

Parallel: Sind die beobachteten Variablen gleich leicht bzw. schwierig ?

Die Bestimmung der Reliabilität (der einzelnen Subskalen und der Gesamtskala) hängt davon ab, welches Messmodell gilt.

VL 5 Grundannahmen bwz. Anforderungen eindimensionaler Messmodelle

Was ist richtig?

Die Zusammenhänge (Kovarianzen) zwischen den beobachteten Variablen (Subskalen) lassen sich darauf zurückführen, dass diese die gleiche latente Variable erfassen

Die Zusammenhänge (Kovarianzen) zwischen den beobachteten Variablen (Subskalen) lassen sich darauf zurückführen, dass die True-Score-Variablen perfekt korreliert sind

Beim Zustandekommen dieser Zusammenhänge kann der Einfluss von gemeinsamen Messfehlern ausgeschlossen werden

Beim Zustandekommen dieser Zusammenhänge kann der Einfluss von Störvariablen ausgeschlossen werden

Die Zusammenhänge (Varianzen) zwischen den beobachteten Variablen (Subskalen) lassen sich darauf zurückführen, dass die True-Score-Variablen perfekt korreliert sind

VL 5 Messmodelle

Was ist richtig?

Hat man ein Merkmal mehrmals gemessen, müssen die beobachteten Variablen gewisse Homogenitätsanforderungen erfüllen, um die Reliabilität bestimmen zu können

Messmodelle sind dazu da, um die Homogenitätsanforderungen zu formalisieren und dadurch prüfbar zu machen

Eine Information zur Prüfung ist der Mittelwert der Subskalen (oder Items)

Eine Information zur Prüfung ist die Varianz der Subskalen (oder Items)

Eine Information zur Prüfung ist die Kovarianz der Subskalen (oder Items)

VL 5 Empirische Bestimmung der Reliabilität

Was ist richtig?

Da die True-Score-Varianz und die Messfehlervarianz einer Variablen unbekannt sind, kann die Reliabilität der Variablen nicht ohne weitere Zusatzannahmen bestimmt werden

Zur Bestimmung der Reliabilität muss das Merkmal mindestens zweimal gemessen werden

Zur Bestimmung der Reliabilität werden verschiedene Tests zur Messung desselben Merkmals eingesetzt (Paralleltestmethode)  

Ein Test zur Messung eines Merkmals wird in zwei oder mehrere unterschiedliche Subtests aufgeteilt (Testhalbierungsmethode)  

Das Merkmal wird wiederholt mit demselben Test gemessen (Testwiederholungsmethode)  

VL 5 Reliabilität als differentialpsychologisches Maß

Was ist richtig?

Reliabilität ist ein Kennwert dafür, inwieweit beobachtbare interindividuelle Unterschiede durch wahre Merkmalsunterschiede bedingt sind

Reliabilität ist ein Kennwert dafür wie zuverlässig interindividuelle Unterschiede erfasst werden können

Reliabilität hängt nicht nur von der Messfehlervarianz, sondern auch vom Ausmaß wahrer Unterschiede zwischen Personen ab  

In homogenen Stichproben (mit geringer Varianz der wahren Werte) ist die geschätzte Reliabilität bei gleichem Fehlereinfluss geringer als in heterogenen Stichproben  

Wenn es keine wahren Unterschiede gibt, ist die Reliabilität immer 0! 

VL 5 Klassische Testtheorie und Regressionsanalyse

Welche Aussagen sind korrekt?

Die Grundgleichung der Klassischen Testtheorie kann auch als einfaches regressionsanalytisches Modell verstanden werden

Die beobachtete Variable Yi ist die UV

Die True-Score-Variable Tau i ist die AV

Der Reliabilitätskoeffizient ist der Determinationskoeffizient

Die Formel links ist korrekt.

VL 5 Theoretische Konzeption der Reliabilität

Welche Aussagen sind korrekt?

Die additive Varianzzerlegung ist Grundlage für die Definition der Reliabilität Rel(Yi) einer beobachteten Variable als Anteil der wahren Varianz an der Gesamtvarianz

Die Reliabilität kann Werte zwischen 0 und 1 annehmen

0 bedeutet, dass alle beobachteten Unterschiede messfehlerbedingt sind

1 bedeutet, dass alle beobachteten Unterschiede auf wahre Unterschiede zurückgeführt werden können

Die Reliabilität sollte .60 nicht unterschreiten.

VL 5 Eigenschaften der Messfehler- und der True-Score-Variablen

Welche Aussagen sind korrekt?

Der Erwartungswert einer Messfehlervariablen ist für jede Ausprägung der True-Score-Variablen = 0

Der unbedingte Erwartungswert einer Messfehlervariablen ist gleich 0

Messfehler und True-Score sind unkorreliert.

Die Varianz einer beobachteten Variable lässt sich zerlegen in die Varianz der True-Score-Variablen und der Varianz der Messfehlervariablen.

Der bedingte Erwartungswert einer Messfehlervariablen ist gleich 1

VL 5 Grundgleichung der Klassischen Testtheorie

Was ist richtig?

Die moderne Klassische Testtheorie basiert auf einer regressionsanalytischen Definition des wahren Werts.

Die Grundgleichung der Klassischen Testtheorie Yi = τi + εi lässt sich als ein einfaches regressionsanalytisches Modell interpretieren.

In einer Regressionsgleichung wäre die abhängige Variable die beobachtete Variable Yi

In einer Regressionsgleichung wäre die unabhängige Variable die True-Score-Variable τi.

Der Reliabilitätskoeffizient wäre in einer Regressionsgleichung dann nichts anderes als ein Determinationskoeffizient

VL 5 Klassische Testtheorie

Welche Aussagen sind korrekt?

Die Klassische Testtheorie ist eine Messfehlertheorie, die für metrische Variablen entwickelt wurde  

Die Grundidee besagt, es gibt einen wahren Wert („true score“), der die vom Messfehler bereinigte Merkmalsausprägung repräsentiert  

Der wahre Wert wird als Erwartungswert einer intraindividuellen, d.h. personenspezifischen Verteilung eines Merkmals definiert

Der wahre Wert ist ein mathematisches Konstrukt und sollte nicht im Sinne einer physikalischen Eigenschaft missverstanden werden.

Messfehler repräsentieren die Merkmalsausprägung  als Abweichung vom wahren Wert.

VL 5 Einfluss von Messfehler auf die Power eines statistischen Tests

Was ist richtig?

Die Power hängt von der Effektgröße ab

Daher verringert sich mit zunehmender Messfehlerbehaftetheit der gemessenen Variablen die Teststärke des jeweiligen statistischen Tests

In der Population vorhandene wahre Zusammenhänge zwischen Merkmalen bleiben unentdeckt

Wir brauchen statistische Modelle, die zwischen wahrer Merkmalsvariabilität und Messfehler trennen!

Die Teststärke hängt von vom Determinationskoeffizienten ab

VL 5 Einfluss von Messfehler auf Determinationskoeffizient

Was ist richtig?

Bei AVs wird der Messfehlereinfluss in Regressionsanalysen bereits implizit berücksichtigt.

Das Residuum (d.h. der nicht durch die UVs erklärte Anteil der AV) kann auch Messfehler umfassen

Je stärker die Messungen der AV messfehlerbehaftet sind, desto geringer ist der Determinationskoeffizient

Je stärker die Messungen der AV messfehlerbehaftet sind, desto größer ist der Determinationskoeffizient

Je stärker die Messungen der UV messfehlerbehaftet sind, desto geringer ist der Determinationskoeffizient

VL 5 Einfluss von Messfehler auf Regressionsgewichte

Multiple Regression / Was ist richtig?

Je stärker die Messungen der UV messfehlerbehaftet sind und je höher die UVs korreliert sind, desto stärker werden die wahren Zusammenhänge zwischen UVs und AV unterschätzt oder überschätzt

Je stärker die Messungen der UV messfehlerbehaftet sind und je höher die UVs korreliert sind, desto stärker werden die wahren Zusammenhänge zwischen UVs und AV unterschätzt.

Je stärker die Messungen der UV messfehlerbehaftet sind und je höher die UVs korreliert sind, desto stärker werden die wahren Zusammenhänge zwischen UVs und AV überschätzt.

VL 5 Einfluss von Messfehler auf Regressionsgewichte

Einfache Regression / Was ist richtig?

Je stärker die Messungen der UV messfehlerbehaftet sind, desto stärker wird der wahre Zusammenhang zwischen UV und AV unterschätzt

Je stärker die Messungen der UV messfehlerbehaftet sind, desto stärker wird der wahre Zusammenhang zwischen UV und AV überschätzt

VL 5 Einfluss von Messfehler auf Korrelation

Was ist richtig?

Je stärker die Messungen messfehlerbehaftet sind, desto stärker unterschätzt die Korrelation zwischen beobachteten Werten den wahren Zusammenhang der Merkmale

Je stärker die Messungen messfehlerbehaftet sind, desto stärker überschätzt die Korrelation zwischen beobachteten Werten den wahren Zusammenhang der Merkmale

VL 5 Alternative Problemstellung

Wenn Personen mit zwei Testverfahren untersucht werden, die dasselbe Merkmal erfassen sollen, korrelieren die Testwerte häufig nicht perfekt miteinander.

Welche Aussagen sind korrekt?

Es könnte „mangelnde Homogenität“ vorliegen

Die beiden Testverfahren messen unterschiedliche, aber eng zusammenhängende Merkmale

Die beiden Testverfahren können die Merkmale nicht genau erfassen (Auf beide Tests wirken unterschiedliche Messfehler ein)

Die Tests sind nicht normalverteilt.

Die Messungen könnten mit unsystematischen Messfehlern behaftet sein.

VL 5 Systematische vs. Unsystematische Einflüsse

Merkmalsveränderungen stellen systematische Einflüsse dar, die oft von großem Forschungsinteresse sind

Welche Einflüsse sind unsystematisch?

Technische Fehler

Missverständnisse bei der Instruktion

Tagesschwankungen

Verwechslung von Antwortoptionen

Fehler bei der Dateneingabe

VL 5 Systematische vs. Unsystematische Einflüsse

Merkmalsveränderungen stellen systematische Einflüsse dar, die oft von großem Forschungsinteresse sind

Welche Einflüsse sind systematisch?

Jahreszeitliche Rhythmen

Situationsanforderungen

Lernprozesse oder Reifung

Psychologische Intervention

Missverständnisse bei der Instruktion

VL 5 Problemstellung

Welche Aussagen sind korrekt?

Wenn eine Person mit demselben Testverfahren mehrmals untersucht wird, schwanken die Werte häufig über die verschiedenen Messungen hinweg

Psychologische Merkmale können permanenten Schwankungen unterliegen

Messfehler stellen unsystematische Einflüsse dar, die unabhängig von den Merkmalsausprägungen der Personen sind und Forschungsergebnisse verzerren können

Psychologische Messungen können die Merkmale nicht genau erfassen

Es gibt Messfehler.

Modul 2 - VL 5

Lernkarten

Modul 2 - VL 5

Lernkarteien erstellen oder kopieren

Lernkarten

Bitte melde dich an

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog