Methoden der Skalierung

Studie untersucht die gleiche Idee wie das Original, die Implementierung kann sich aber unterscheiden

• Großteil psychologischer Forschung = WEIRD
  • Westlich, educated, industrialized, rich, democratic Menschen
  • von und an WEIRD Menschen
• Replikationen somit nie wirklich generalisierbar

• Spezifikation der Hypothesen, das methodische und statistische Vorgehen vor Durchführung der Studie
• standardisierte Vorlagen 
• aber: wenn Präreg nicht gut ist, bringt das auch nicht viel
  • Vorsicht: viele haben zwar eine Präreg, die ist aber sehr schlecht (missbraucht die Glaubwürdigkeit)

1. Verbessert die Planung des Experiments und der Analysen
2. zeigt, welche Analysen explorativ waren und welche konfirmatorisch
3. Reduziert HARKing (Hypothesizing after results are known)
4. Reduziert df der Forschenden
5. reduziert p-Hacking

• Spezifikation des Intros, der Fragestellung, Hypothesen, methodisches und statistisches Vorgehen vor Durchgührung der Studie und Senden an Zeitschrift
  • nach Reviewprozess kann Zeitschrift Artikel annehmen und erst dann Durchführung der Studie
  • möglicher Game Changer (weniger Notwendigkeit, Ergebnisse zu fälschen)
• zusätzlicher Vorteil zu Präreg
  • Reduziert publicaiton bias, weil Nullbefunde berichtet und publiziert werden

• Forschende senden Intro, Frage, Hypothesen, Methoden der bereits durchgeführten Studie an Zeitschrift
• Reviewer begutachten, ohne Ergebnisse zu kennen (werden so nicht durch Ergebnisse beeinflusst)
• Problem: Editoren sehen Ergebnisse

Geordnete Menge von Begriffen und Aussagen, die ein Phänomen beschreiben und erklären.

Vorläufige und überprüfbare Aussage zu Zusammenhängen, Unterschieden oder Ursache-Wirkungs-Beziehungen

Menge geordneter Schritte zur objektiven Ergebung und Analyse von Daten

Theorie (allgemein) -> Deduktion -> Empirie (speziell) -> Induktion -> Theorie -> ...

1. empirisch untersuchbare reale Sachverhalte
2. allgemeingültig (geht über Einzelfall/singuläres Ereignis hinaus)
3. hat (implizit) die Formalstruktur eines sinnvollen Konditionalsatzes ("wenn-dann", "je-desto")
   impliziert Widerspruchsfreiheit
4. potenziell falsifizierbar

Dunning-Kruger Effekt (je mehr man weiß, desto mehr weiß man, was man nicht weiß)

• VL-Effekt
• durch positive Erwartungen, Einstellungen, Überzeugungen, positive Stereotype des VL -> selffulfilling Prophecy bei Ergebnis des Experiments

1. korrelationale Designs (mehrere Variablen erfasst und deren Struktur analysiert)
2. Experimente (Manipulation von Faktoren)

• W'keit, korrekterweise eine falsche Nullhypothese zurückzuweisen (Beta-Fehler)
• 1-Beta = Teststärke

• Dependenzanalysen
• Überprüfen von Zusammenhängen
• Einteilung in AV und UV

1. UV & AV = nominal: logistische Regression & Kontingenzanalyse
2. UV = nominal
   AV = metrisch: multiple Varianzanalyse
3. UV = metrisch
   AV = nominal: Diskriminanzanalyse & logistische Regression
4. UV & AV = metrisch: multiple Regression

• Gibt es eine begrenzte Anzahl von Dimensionen/Faktoren, auf denen sich Objekte/Personen beschreiben lassen?
  • Abbildung der Persönlichkeit des Menschen aufgrund welcher grundlegender Eigenschaften
  • Zusammenfassung der Aspekte der allgemeinen Intelligenz (z.B. kristallin, fluid)
• Was liegt hinter den manifesten Variablen?
  • latente Variablen (Faktoren)

1. Strukturierungsfunktion: Entdeckung von Beschreibungsvariablen
2. Datenreduktion durch latente Variablen
3. Überprüfung der Dimensionalität komplexer Merkmale (Fragebogenkonstruktion)
4. Hypothesengenerierung

1. Variablenauswahl und Errechnung der Korrelationsmatrix
   • Voraussetzungen
   • Korrelationskoeffizienz, Bartlett-Test, Kaiser-Meyer-Olkin Kriterium (KMO)
2. Extraktion der Faktoren
   • Fundamentaltheorem
   • Hauptkomponentenanalyse vs. Faktorenanalyse
3. Bestimmung der Kommunalitäten
4. Zahl der Faktoren
   • Kaiser-Kriterium (Eigenwert), Scree-Kriterium, Parallelanalyse nach Horn
5. Faktoreninterpretation
   • orthogonale oder oblique Rotation
6. Bestimmung Faktorenwerte

1. Zuverlässigkeit/Reliabilität der Ausgangsdaten beeinflussen Güte der Ergebnisse der FA
2. Relevanz der erhobenen Merkmale für Untersuchungsgegenstand
3. homogene Stichprobe (bzgl. Kriterium)
4. Unabhängigkeit der Beurteilung
5. Normalverteilung der Merkmale (Residuen)
6. intervallskalierte Daten
7. Stichprobengröße ausreichend

1. Backhaus:
   1. Anzahl Fälle ≥ Anzahl Variablen
      Anzahl Fälle ≥ 3* Anzahl Variablen
2. Nunally: 10-15 Fälle pro Variable
3. Tabachnik & Fidell: mind. 300 Fälle
4. Comrey & Lee: 
   1. 100 = armselig
   2. 300 = gut
   3. 1000 = exzellent
5. Guadagnoli und Velicer 
   1. Abhängigkeit der Faktorladungsgröße
   2. Faktoren ≥ 4 Ladungen, die > .6 sind: Stichprobengröße egal
   3. Faktoren mit ≥ 10 Ladungen mit > .4: mind. 150 Fälle
   4. wenige, geringe Ladungen: mind. 300 Fälle
6. MacCallum:
   1. Kommunalitäten
   2. alle Kommunalitäten > 0.6: < 100 
   3. Komunalitäten ± 0.5: 100-200 Fälle
   4. Kommunalitäten < 0.5 und viele Faktoren: > 500 Fälle

• Personen/Objekte in Zeilen, Merkmale in Spalten
• Ziel: Gruppierung der Merkmale (= Variablen)
  • Frage: Welche Merkmale sind sich ähnlich?
• Über die VP hinweg Mittelwerte bilden und so eine Objekt x Merkmale - Matrix erstellen

• Zusammenhänge der Variablen in der Korrelationsmatrix erkennbar
• Prüfkriterien basieren auf Korrekationsmatrix
  1. Korrelationskoeffizienzen
  2. Bartlett-Test/Test of Sphericity
  3. Kaiser-Meyer-Olkin-Kriterium (KMO)
• wichtig: betrachten von mehr als einem Prüfkriterium

• Wertebereich: -1 bis 1
• nicht nur kleine Korrelationen (r < .2)
• nicht zu viele große Korrelationen (r > .8), sonst Konglomerat
• Lösung: Variablen eliminieren

• H0: Korrelationsmatrix weicht nur zufällig von der Einheitsmatrix ab
  • Stichprobe stammt aus Grundgesamtheit, wo Variablen unkorreliert sind
  • signifikant = es gibt Korrelationen zwischen den Ausgangsvariablen
• Voraussetzng: Normalverteilung der Variablen
• p-Wert < 0.05

• Zeigt Umfang der Varianz an, den die Variablen teilen
• Wertebereich: 0-1
• KMO ≥ 0.9 = erstaunlich
• KMO ≥ 0.8 = verdienstvoll
• ...
• KMO ≥ 0.5 = kläglich
• KMO < 0.5 = untragbar

• Beobachtete Werte der Personen/Objekte in den Variablen lassen sich als lineare Kombinationen der dahinterliegenden Faktoren beschreiben
  • Annahme: additives Modell der Messwerte

• x_ik = a_i1p_1k + a_i2p_2k + ... + a_iqp_qk + (Rest)
  • mit k Personen, i Merkmalen, q Faktoren
  • Beobachtungswert: x
• Gewichtung ist abhängig von:
  • Wie hoch Merkmale mit entsprechenden Faktoren korreliert sind (a) = Faktorladung
  • WIe hoch Faktoren bei Objekt/Person ausgeprägt sind (p) = Faktowert

• a_iq = Korrelation Faktor und Variable
  • wie viel hat Merkmal/Item mit Faktor zu tun?

• p_qk = Ausprägung des Faktors bei einem Objekt/Person k
• Die Faktorwerte eines Objekts/Person sind die lineare Kombination der Variablenausprägung dieser Person/Objekt
  • p_k1 = a₁x_1i + a₂x_2i + ... + (Rest)
  • Wert von Person (p) auf allen Merkmalen (i), gewichtet durch Ladungen der Merkmale auf Faktor (a)