Lernkarten

Karten 68 Karten
Lernende 6 Lernende
Sprache Deutsch
Stufe Universität
Erstellt / Aktualisiert 01.02.2020 / 12.08.2020
Lizenzierung Keine Angabe
Weblink
Einbinden
0 Exakte Antworten 0 Text Antworten 68 Multiple Choice Antworten
Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    A wurde diskutiert- können wir noch klären
    (VL2, Folien: 5, 6, 7, 8, 9, 10, 11; Bühner, S. 326, 327, 348 - 350)
1

9.) Welche Aussagen zur EFA treffen zu?

a) 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-Tests berechnet.

e) Hier MAP mit Definition von Paralleltest.

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    A D (VL1, Folien: 15, 16, 17; VL2, Folie: 6, 24; Bühner, S. 300, 310, 311, 321)
1

10.) Welche der Aussagen zu Kennwerten in der explorativen Faktorenanalyse sind richtig?

a) Bei unkorrelierten Faktoren entspricht die Kommunalität dem Ausmaß, in dem Varianz einer Variablen durch die Faktoren aufgeklärt wird.

b) Bei korrelierten Faktoren enthält die Mustermatrix die Korrelationen zwischen Faktoren und Items

c) Unter Uniqueness (Einzigartigkeit) wird die um den Messfehler bereinigte Varianz eines Items verstanden

d) Faktorwerte sind die Ausprägung einer Person auf der latenten Variablen (Faktor).

e) Bei korrelierten Faktoren entspricht der Eigenwert dem Ausmaß, in dem die Varianz einer Variablen durch Faktoren aufgeklärt wird.

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    B (VL1, Folie: 27, 29; Bühner, S. 310, 313, 314
1

11.) Welche der folgenden Aussagen zu Verfahren in der EFA sind korrekt?

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 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

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    E (VL2, Folie: 21, 24, 27, 29)
1

12.) Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?

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."

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    B D (VL1, Folie: 16, 17; VL2, Folien: 27, 33, 34; Bühner, S. 310)
1

13.) 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 Anteile 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."

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    (VL EFA1 Folien: 5, 32; VL EFA2, Folie: 33; VLSEM1, Folie: 32)
1

14.) EFA:

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

Fenster schliessen
1

1 Kommentare

  • 10.02.2020
    Ich habe die Antworten mir jetzt selbst mal ausgedacht. Die aus den Gedächtnisklausuren waren eher dürftig
1

15.) Welche Aussage zu den Extraktionskriterien bei der EFA sind richtig?

a) Bei der Parallelanalyse nach Horn werden substantielle Faktoren extrahiert, deren Eigenwerte sich deutlich von denen der anderen unterscheiden

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

c) Am aussagekräftigsten sind Minimum-Averange-Test und/oder Parallelanalyse nach Horn

d) Der MAP-test orientiert sich am Eigenwertkriterium größer Eins

e) Scree-Test nach Catell: Nach Durchführung einer PCA wird die erste Hauptkomponente herausparialisiert und die mittleren quadrierte Partialkorrelationen errechnet. Danach gleicher Vorgang wieder, bis die mittlere quatrierte PArtialkorrelation ein Minimum erreicht hat

Fenster schliessen
1

1 Kommentare

  • 01.02.2020
    (VL SEM1, Folie: 5, 6)
1

16.) Vorteile von SEM im Vergleich zu multipler Regression

a) Abhängigkeit der Beobachtungen kann berücksichtigt werden

b) Kausalhypothesen können überprüft werden

c) Modellfit kann überprüft werden

d) Multiple Mediatormodelle können überprüft werden

e) SEM haben weniger strenge Voraussetzungen