MM1 FUH WS18/19

Statistik und Evaluation Fernuni Hagen WS18/19

0.0 (0)

J. S.

Study

J. S.

About these flashcards

Diese Lernkarten bieten einen umfassenden Überblick über psychologische Evaluationsmethoden und statistische Verfahren auf Universitätsniveau. Sie behandeln Themen wie Faktorenanalyse, Regression, Varianzanalyse und Evaluationsdesigns, wobei der Fokus auf der Analyse von Aussagen, Variablen und Modellen liegt. Besonders nützlich sind sie für Studierende und Forscher, die sich mit der Bewertung von Veränderungen, der Messung von Effekten und der Anwendung statistischer Verfahren in der Psychologie beschäftigen.

Flashcards

Students

Language

German

Lernkarten

Welche Aussagen zu quasi-experimentellen Evaluationsdesigns sind richtig?

In quasi-experimentellen Evaluationsdesigns haben Forschende die vollständige Kontrolle uber mögliche Konfundierungen

Quasi-Experimente sind in der Regel intern valider als echte Experimente

In quasi-experimentellen Evaluationsdesigns spielen personenbezogene Störvariablen keine Rolle

Die interne Validität quasi-experimentellen Evaluationsdesigns lässt sich durch die Messung und statistische Kontrolle (Auspartialisierung) von Störvariablen erhöhen.

Nur wenn Treatment- und Kontrollgruppe aus der gleichen Population stammen, können sie im Rahmen einer Evaluation verglichen werden

In welchen der skizzierten Beispiele ist die interne Validität des Evaluationsdesigns
gefährdet oder beeinträchtigt?

Auf Grund von praktischen Begebenheiten sit eine randomisierte oder kontrollierte Zuweisung der Teilnehmenden auf Treatment- und Kontrollgruppe nicht möglich

Die Ergebnisse zur Wirksamkeit eines Streitschlichter-Programms an Gymnasien lassen sich nicht auf die Hauptschulen ubertragen.

Die verwendeten Messinstrumente sind wenig reliabel

Zur Evaluarion eines neuen Sozialkompetenz-Trainings werden Interessierte zufällig auf eine Treatment- und eine Kontrollgruppe aufgeteilt. In der Kontrollgruppe wird ein anderes Spzialkompetenztraining-Training druchgefuhrt. In der Treatmentgruppe wird das Training von der leitenden Psychologin durchgefuhrt. Die Durchfuhrung des Trainings in der Kontrollgruppe übernimmt ein Praktikant

Eine im Labor erprobte Suchttherapie wird in eienr stationären Suchteinrichtung durchgefuhrt und hat dort keinen Einfluss auf das Suchtverhalten der Patient*innen.

Welche Aussagen zur Parallelisierung ("Matching") von Stichproben in unterschiedlichen
Bedingungen sind richtig?

Das Ziel einer Parallelisierung ist eine möglichst hohe Korrelation zwischen Störvariablen und unabhängigen Variable.

Ein Vorteil der Parallelisierung ist, dass die Störvariable nicht bekannt sein muss.

Die Gleichverteilung einer Störvariablen durch Parallelisierung ist eine hinreichende Bedingung fur die Äquivalenz der Gruppen in den unterschiedlichen experimentellen Bedingungen.

Gerade bei Designs, die Veränderungen uber die Zeit in nur einer Gruppe messen, ist eine Parallelisierung wichtig.

alle falsch

Welche statistischen Verfahren eignen sich zur Testung von Veränderungshypothesen bei
Kontrollgruppendesigns mit drei Messzeitpunkten?

Analyse von Marcus-Koeffizienten

Variainzanalyse mit Messwiederholung

Wachstumskurvenmodel

T-Test fur abhängige Daten

Box-Whisker-Diagramm

Welche Aussagen zur Sphärizitätsannahme sind richtig?

Die Sphärizitätsannahme ist dann verletzt, wenn das Greenhouse- Geiser-Epsilon gleich 1 ist.

Eine Verletzung der Sphärizitätsannahme fuhrt dazu, dass der Alpha-Fehler niedriger ist als das festgesetzte Alpha.

Die Sphärizitätsannahme ist in den meisten Fällen unabhängig von differentiellen Treatment-Effekten.

Greenhaus-Geiser-Epsilon kann zur Korrektur der Freieitsgrade des F-Tests einer Varianzanalyse mit Messwiederholung genutzt werden.

DIe Sphärizitätsannahme ist immer dann verletzt, wenn die Varianzen aller möglichen Differenzvariablen homogen sind.

Welche Aussagen zu Evaluation von Veränderungen sind richtig?

Potentielle Übungseffekte bei Befragten durch wiederholte Konfrontation mit einem Messinstrumenten mussen bei der Evaluation von Veränderungen nicht bedacht werden.

Qualitative Veränderungen eines Kriteriums sind bei der Evaluation von Veränderungen relevant.

Durch eine direkte Veränderungsmessung können Konfirmationseffekte ausgeschlossen werden

Bei Evaluation von Veränderungen spielt die interne Validität des Evaluationsdesigns keine Rolle.

Zur Analyse von Daten, die durch eine einmalige direkte Veränderungsmessung gewonnen wurden, können neben anderen Methoden auch Wachstumskurvenmodelle zur Anwendung kommen.

Welche der folgenden Aussagen bezogen auf den multiplen Gruppenvergleich sind richtig (SEM)?

Liegt metrische Messinvarianz vor, kann von einer Vergleichbarkeit der Bedeutung einer latenten Variable ausgegangen werden.

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

Wenn keine skalare Messinvarianz vorliegt, kann auch keine metrische Messinvarianz vorliegen.

Der multiple Gruppenvergleich ist nicht auf den Vergleich von zwei Gruppen (Populationen) beschränkt.

Im Step-down-Ansatz werden ausgehend von dem restriktivsten Modell sukzessiv Modellparameter freigesetzt, um die unterschiedlichen Formen von Messinvarianz und Populationsheterogenität zu überprüfen.

Was ist vereinbar mit den Standards der DeGEval?

Die Evaluation sollte abgeschlossen sein, bevor Entscheidungsprozesse über den Entscheidungs-Gegenstand getroffen werden.

Der Evaluations-Bericht muss immer auch personenbezogene Daten wie Alter, Geschlecht, usw. der Personen beinhalten.

Neben über- bzw. unparteiischen Evaluation sind für besondere Fragestellungen auch parteiliche Evaluationen geeignet.

Eine Evaluation sollte immer auch den Kontext berücksichtigen

Die Qualität einer Evaluation sollte einen Nutzen für die beteiligten Parteien haben

Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?

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

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.

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[rden].

Auch bei der Hauptachsenanalyse können inhaltliche Überlegungen die Anzahl der extrahierten Faktoren beeinflussen.

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

Welche Aussagen zur EFA treffen zu?

ML im Sinne metrischer manifester Variablen setzt multivariate Normalverteilung voraus

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

Messfehler eines Items darf nicht die Kommunalität übersteigen

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

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

EFA - was ist richtig?

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

Mit dem Bartlett-Test kann die H_0 überprüft werden, dass alle Variablen unkorreliert sind

D) Faktorwerte sind Ausprägungen einer Person auf latenten Variablen

E) Nach einer EFA laden die Items häufig hoch auf dem 1. Faktor und niedrig auf allen anderen

Lernen

MM1 FUH WS18/19

Create or copy sets of flashcards

Lernkarten

Bitte melde dich an

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog