Set of flashcards Methoden der Unterschiedsprüfung

Flashcards	90
Language	Deutsch
Category	Psychology
Level	University
Created / Updated	25.01.2023 / 03.07.2024
Weblink	https://card2brain.ch/box/20230125_methoden_der_unterschiedspruefung
Embed	<iframe src="https://card2brain.ch/box/20230125_methoden_der_unterschiedspruefung/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Nenne Bedingungen, unter denen eine Variable als KV geeignet ist:

Starker linearer Zusammenhang zwischen AV und KV
KV aus inhaltlichen Gründen nicht interessant
Mittelwerte der KV unterscheiden sich nicht für Gruppen
Zusammenhang zwischen KV und AV ist für alle Gruppen gleich
KV wurde a-priori festgelegt
Nur wenige KV vorhanden

Welche Aussagen sind korrekt?

Die Homogenität der Varianzen bei der ANCOVA überprüfe ich mittels Typ-III-QS

bei univariatem Design und einer metrischen Kovariate = MANCOVA

Die MANCOVA ist between & within berechenbar

Die Roy-Bargmann-Stepdown-Analyse testet die Homogenität der Varianzen in der ANCOVA

Die Homogenität der Varianzen bei der ANCOVA überprüfe ich mittels Typ-III-QS

bei univariatem Design und einer metrischen Kovariate = MANCOVA

Die MANCOVA ist between & within berechenbar

Die Roy-Bargmann-Stepdown-Analyse testet die Homogenität der Varianzen in der ANCOVA

Welche Aussage ist falsch?

Die Kovariaten der ANCOVA sind metrisch

Man berechnet Residuen, um diese als UV in die ANOVA aufzunehmen und damit den Fehler zu maximieren

Mit Kovariate wird die Abweichung der zufälligen Fehler von der Regressionsgerade betrachtet

Es ist kein Problem, wenn die Kovariaten-Mittelwerte der Gruppen stark unterschiedlich sind

Die Kovariaten der ANCOVA sind metrisch

Man berechnet Residuen, um diese als UV in die ANOVA aufzunehmen und damit den Fehler zu maximieren

Mit Kovariate wird die Abweichung der zufälligen Fehler von der Regressionsgerade betrachtet

Es ist kein Problem, wenn die Kovariaten-Mittelwerte der Gruppen stark unterschiedlich sind

Wie sieht im Gegensatz zur Roy-Bargmann Stepdown-Analyse das klassische Vorgehen aus? Probleme?

(so auch in SPSS):

1) Berechnung MANOVA

2) Berechnung univariater ANOVAs auf den einzelnen AVn

Probleme:

viele Einzeltests, alpha-Adjustierung nötig
bei korrelierten AVn (Normalfall!) sind Einzeltests nicht unabhängig voneinander (keine Standardadjustierung vorhanden, man nehme Stepdown-Analyse)

Was sind Vorteile der Stepdown-Analyse ggü. der Post-hoc-Analyse?

- durch Auspartialisieren der bereits getesteten Variablen --> unabhängige Tests (unabhängig von "höheren" Variablen)

- alpha-Adjustierung (da unabhängig nach Bonferroni möglich)

Was ist die zentrale Frage der DKA?

Können wir aus Messwert Gruppenzugehörigkeit vorhersagen?

Was sind Annahmen der DKA und wieso?

- Multivariate Normalverteilung (nicht prüfbar, unkritisch)

- Varianzhomogenität

problematisch bei ungleichen Gruppengrößen
Gruppen mit hoher Varianz sind wie "Magnete"
wichtiger als bei MANOVA

Welche Aussagen zur DKA stimmen?

Ziel ist es, mit einem einzigen Merkmal maximal zwischen Gruppen zu trennen

Es werden Linearkombinationen berechnet

Die max. Funktionsanzahl ist immer die Anzahl der Gruppen -1

Die max. Funktionsanzahl kann der Anzahl an Merkmalen entsprechen

Ziel ist es, mit einem einzigen Merkmal maximal zwischen Gruppen zu trennen

Es werden Linearkombinationen berechnet

Die max. Funktionsanzahl ist immer die Anzahl der Gruppen -1

Die max. Funktionsanzahl kann der Anzahl an Merkmalen entsprechen

Welche Aussagen sind korrekt?

Die standardisierte kanonische Diskriminanzfunktionskoeffizienten zeigen mir die Gewichtung jeder Variable für die Funktionen an

Die Struktur-Matrix zeigt mir die Gewichtung jeder Variable für die Funktionen an

Die Struktur-Matrix zeigt mir an, wie die Merkmale auf den Dimensionen laden

Werte aus der standardisierte kanonische Diskriminanzfunktionskoeffizienten-Tabelle kann ich so in die Gleichung einsetzen

Die standardisierte kanonische Diskriminanzfunktionskoeffizienten zeigen mir die Gewichtung jeder Variable für die Funktionen an

Die Struktur-Matrix zeigt mir die Gewichtung jeder Variable für die Funktionen an

Die Struktur-Matrix zeigt mir an, wie die Merkmale auf den Dimensionen laden

Werte aus der standardisierte kanonische Diskriminanzfunktionskoeffizienten-Tabelle kann ich so in die Gleichung einsetzen

Beschreibe das Modell der multiplen Regression:

Keyboard commands:

= turn,

= for-/backward,

= scroll

k Prädiktoren x, 1 Kriterium y

Beschreibe den Unterschied zwischen b- und beta-Gewichten:

Keyboard commands:

= turn,

= for-/backward,

= scroll

b-Gewichte:

enthalten Einheiten der Prädiktoren
Größe nicht interpretierbar (nur Vorzeichen!)
geschätzte y-Werte daraus direkt berechenbar

beta-Gewichte:

standardisierte b-Gewichte zwischen 1 und -1
zeigen spez. Zusammenhang zwischen einem Prädiktor und dem Kriterium an, der um die anderen Prädiktoren bereinigt ist
Größe interpretierbar
Beispiel für beta =0,8: Ist x-Wert eine SD über dem MW, so ist vorhergesagte y-WErt 0,8 SD über MW."

Nenne und beschreibe drei Parameter für die Qualität der Schätzung (multiple Regression):

Keyboard commands:

= turn,

= for-/backward,

= scroll

multiple Korrelation R (Korrel der wahren & geschätzten y-Werte)

multipler Determinationskoeffizient R^2 (Anteil aufgeklärter Kriteriumsvarianz; überschätzt wahren Wert systematisch --> korrigiertes R^2 verwenden!)

F-Test (Ob Zusammenhang zwischen Prädiktoren & Kriterium?; besonders beim Vergleich verschiedener Modelle --> ist delta R^2 signifikant?)

Zähle die Voraussetzungen der multiplen Regression auf:

Keyboard commands:

= turn,

= for-/backward,

= scroll

Normalverteilte Fehler
Varianzhomogenität
(keine Multikollinearität)
(genug Fälle = "unter 100 VPn braucht man nicht anfangen")
schwierig zu prüfen: exakt gemessene Prädiktoren & alle relevanten Prädiktoren berücksichtigt

Welche Aussage stimmt?

Auf nichtlineare Verteilung der Residuen reagiert man mit Transformation der Daten.

Kann man bei fehlender Varianzhomogenität über Transformation sowie einen fehlenden Prädiktor nachdenken.

Gibt es keine Lösung für eine negativ schiefe Verteilung der Residuen.

Unkorrelierte Prädiktoren sind eine Voraussetzung der multiplen Regression

Keyboard commands:

= turn,

= for-/backward,

= scroll

Auf nichtlineare Verteilung der Residuen reagiert man mit Transformation der Daten.

Kann man bei fehlender Varianzhomogenität über Transformation sowie einen fehlenden Prädiktor nachdenken.

Gibt es keine Lösung für eine negativ schiefe Verteilung der Residuen.

Unkorrelierte Prädiktoren sind eine Voraussetzung der multiplen Regression

Was ist Multikollinearität & wie überprüft man sie?

Keyboard commands:

= turn,

= for-/backward,

= scroll

= lineare Abhängigkeit der Prädiktoren

Überprüfung durch Toleranzwert = 1-R^2 (<.1/.2 kritisch)

Lösung: Zentrieren der Variablen

Prädiktor - multiple Regression:

darf immer nur einer sein

quantitativ

stetig

es liegen mindestens 2 vor

Keyboard commands:

= turn,

= for-/backward,

= scroll

darf immer nur einer sein

quantitativ

stetig

es liegen mindestens 2 vor

Der Fehler ist...

Keyboard commands:

= turn,

= for-/backward,

= scroll

additiv, normalverteilt und unabhängig

Homoskedastizität bedeutet...

Keyboard commands:

= turn,

= for-/backward,

= scroll

, dass die Varianz mehrerer Gruppen gleich ist

Wann wende ich eine ANOVA an?

Commandes clavier:

= tourner,

= avant/arrière,

= faire défiler

Wenn ich wissen will, ob die Mittelwerte zwischen mehreren Stichproben verschieden sind.

Wie viele Varianzschätzer werden in der ANOVA berechnet?

So viele wie Stichproben

zwei (sh. F-Bruch)

k-1

Die Hälfte der Anzahl der Stichproben

So viele wie Stichproben

zwei (sh. F-Bruch)

k-1

Die Hälfte der Anzahl der Stichproben

Was bedeuten jeweil MS_errorund MS_treat?

MS_error: Mittelwert der Varianzen innerhalb der Stichproben

MS_treat: Varianz der Stichprobenmittelwerte

Welche Aussagen stimmen, wenn man die Varianzschätzer im F-Bruch vergleichen will?

MSerror sollte möglichst groß sein

MStreat sollte möglichst groß sein

Wenn F<1, dann MStreat > MSerror

Wir finden einen kleinen MSerror gut

MSerror sollte möglichst groß sein

MStreat sollte möglichst groß sein

Wenn F<1, dann MStreat > MSerror

Wir finden einen kleinen MSerror gut

Was bedeutet ein kleiner MS_error?

Die Gruppen unterscheiden sich stark

Die VPn über alle Gruppen haben alle ähnliche Ergebnisse.

Die Gruppen unterscheiden sich kaum.

Die VPn innerhalb einer Gruppe haben alle ähnliche Ergebnisse.

Die Gruppen unterscheiden sich stark

Die VPn über alle Gruppen haben alle ähnliche Ergebnisse.

Die Gruppen unterscheiden sich kaum.

Die VPn innerhalb einer Gruppe haben alle ähnliche Ergebnisse.

Du bist für einen F-Bruch, was Cohen´s d für einen t-Test ist <3...

eta-Quadrat

= SS_treat/SS_total

_{Bedeutet: Prozent der Messwertvarianz, die durch Kenntnis der Faktorstufe aufgeklärt werden kann}

Methoden der Unterschiedsprüfung

Create or copy sets of flashcards

Create or copy sets of flashcards

Log in to see all the cards.

SWITCHaai

Office 365

Edulog

Apple ID

Google