Methoden der Skalierung
Definitionen u.ä.
Definitionen u.ä.
-
- 1 / 220
-
Cartes-fiches
Psychologie
Die Psychologie ist eine empirische Wissenschaft, die Theorien und daraus abgeleitete Hypothesen mittels wissenschaftlicher Methoden an der Realität misst und prüft. Sie umfasst die systematische Untersuchung des Verhaltens und der mentalen Prozesse von Individuen und Gruppen
Theorie
Eine geordnete Menge von Begriffen und Aussagen, die ein Phänomen beschreiben und erklären. Theorien bieten Rahmenwerke zur Organisation von Wissen und zur Vorhersage von Phänomenen. Sie werden durch empirische Forschung getestet und weiterentwickelt.
Hypothese
Eine vorläufige und überprüfbare Aussage zu Zusammenhängen, Unterschieden oder Ursache-Wirkungs-Beziehungen
Details: Hypothesen müssen vier Kriterien erfüllen:
Beziehen sich auf reale Sachverhalte, die empirisch untersuchbar sind.
Sind allgemeingültig und gehen über Einzelfälle hinaus.
Haben die Formalstruktur eines sinnvollen Konditionalsatzes („wenn-dann“ bzw. „je-desto“).
Müssen potenziell falsifizierbar sein.
Wissenschaftliche Methoden
Eine Menge geordneter Schritte zur objektiven Erhebung und Analyse von Daten
Details: Wissenschaftliche Methoden umfassen experimentelle Designs, korrelative Studien, Befragungen, Beobachtungen und statistische Analysen. Sie zielen darauf ab, Hypothesen zu testen und zuverlässige, valide Erkenntnisse zu gewinnen
Wissenschaftlicher Kreislauf
Der Prozess der wissenschaftlichen Forschung ist zyklisch und iterativ. Er umfasst die Formulierung von Theorien und Hypothesen, die Durchführung von Studien, die Analyse und Interpretation der Daten und die Revision der Theorien basierend auf den Ergebnissen
Korrelative Designs
Untersuchungen, bei denen mehrere Merkmale erfasst und deren Struktur, z.B. Zusammenhänge, analysiert werden
Experimente
Studien, in denen bestimmte Faktoren manipuliert und die Auswirkungen dieser Manipulation auf das Erleben und Verhalten gemessen werden
Unabhängige Variable (UV)
Die Variable, die in einem Experiment manipuliert wird, um ihre Auswirkungen auf die abhängige Variable zu untersuchen. Sie bestimmt die Bedingungen oder Gruppen, die verglichen werden
Beispiel: In einem Experiment zur Untersuchung der Auswirkungen von Schlaf auf die Konzentration wäre die Schlafdauer die unabhängige Variable.
Abhängige Variable (AV)
Die Variable, die gemessen wird, um die Auswirkungen der Manipulation der unabhängigen Variable zu beurteilen. Sie ist das Ergebnis, das durch die UV beeinflusst wird.
Beispiel: In einem Experiment zur Untersuchung der Auswirkungen von Schlaf auf die Konzentration wäre die Konzentrationsfähigkeit die abhängige Variable.
Moderatorvariable
Eine Variable, die die Stärke oder Richtung der Beziehung zwischen der unabhängigen und der abhängigen Variable beeinflusst. Moderatoren können den Effekt der UV auf die AV verstärken, abschwächen oder sogar umkehren.
Beispiel: Geschlecht könnte eine Moderatorvariable sein, die beeinflusst, wie Schlafdauer die Konzentration beeinflusst.
Mediatorvariable
Eine Variable, die den Prozess oder Mechanismus vermittelt, durch den die unabhängige Variable die abhängige Variable beeinflusst. Mediatoren erklären, warum oder wie ein bestimmter Effekt auftritt.
Beispiel: Stress könnte eine Mediatorvariable sein, die erklärt, wie Arbeitsbelastung (UV) die Gesundheit (AV) beeinflusst.
Kontrollvariable
Variablen, die konstant gehalten oder kontrolliert werden, um ihren Einfluss auf die abhängige Variable auszuschließen. Kontrollvariablen sorgen dafür, dass die Ergebnisse nicht durch externe Einflüsse verfälscht werden.
Beispiel: In einem Experiment zur Untersuchung der Auswirkungen von Schlaf auf die Konzentration könnte das Alter der Teilnehmer eine Kontrollvariable sein.
Inferenzstatistik
Inferenzstatistik umfasst statistische Methoden, die verwendet werden, um Schlussfolgerungen von einer Stichprobe auf die zugrunde liegende Population zu ziehen.
Sie umfasst Techniken wie Hypothesentests, Konfidenzintervalle und Regressionsanalysen, um auf Basis der Stichprobendaten Aussagen über die Population zu treffen. Es wird untersucht, ob beobachtete Effekte in der Stichprobe auf Zufall beruhen oder tatsächlich in der Population existieren
Nullhypothese (H0)
Eine Hypothese, die besagt, dass es keinen Effekt oder Unterschied gibt, oder dass ein beobachteter Effekt oder Unterschied nur durch Zufall zustande gekommen ist. Sie dient als Ausgangspunkt für den statistischen Test und wird abgelehnt, wenn die Wahrscheinlichkeit, dass der beobachtete Effekt zufällig ist, sehr gering ist.
Beispiel: H0 könnte lauten, dass es keinen Unterschied in der Konzentrationsfähigkeit zwischen Personen mit 6 Stunden Schlaf und Personen mit 8 Stunden Schlaf gibt.
Alternativhypothese (H1)
Eine Hypothese, die besagt, dass es einen echten Effekt oder Unterschied gibt. Sie stellt die Gegenthese zur Nullhypothese dar und wird angenommen, wenn die Nullhypothese abgelehnt wird.
Beispiel: H1 könnte lauten, dass Personen mit 8 Stunden Schlaf eine bessere Konzentrationsfähigkeit haben als Personen mit 6 Stunden Schlaf.
p-Wert
Der p-Wert ist die Wahrscheinlichkeit, dass ein beobachteter Effekt oder ein extremerer Effekt unter der Annahme der Nullhypothese auftritt.
Ein niedriger p-Wert (typischerweise < 0.05) deutet darauf hin, dass der beobachtete Effekt statistisch signifikant ist und die Nullhypothese abgelehnt werden sollte. Ein p-Wert von 0.01 bedeutet beispielsweise, dass die Wahrscheinlichkeit, ein solches Ergebnis zu erhalten, wenn die Nullhypothese wahr ist, 1 % beträgt
Fehler 1. Art (α-Fehler)
Ein Fehler, der auftritt, wenn die Nullhypothese fälschlicherweise abgelehnt wird (ein falsch positiver Befund).
Beispiel: Angenommen, es gibt keinen Unterschied in der Konzentrationsfähigkeit zwischen den Gruppen, aber die Analyse zeigt fälschlicherweise einen signifikanten Unterschied. Die Wahrscheinlichkeit für einen Fehler 1. Art wird durch das Signifikanzniveau (α) bestimmt, typischerweise 0.05.
Fehler 2. Art (β-Fehler)
Ein Fehler, der auftritt, wenn die Nullhypothese fälschlicherweise beibehalten wird (ein falsch negativer Befund).
Beispiel: Angenommen, es gibt tatsächlich einen Unterschied in der Konzentrationsfähigkeit zwischen den Gruppen, aber die Analyse erkennt diesen Unterschied nicht. Die Wahrscheinlichkeit für einen Fehler 2. Art wird durch die statistische Power der Studie beeinflusst.
Dunning-Kruger-Effekt
Ein kognitiver Bias, bei dem inkompetente Personen dazu neigen, ihre Fähigkeiten zu überschätzen und die Leistungen kompetenterer Personen zu unterschätzen
Faktorenanalyse
Ein multivariates Verfahren, das mehrere Variablen zueinander in Beziehung setzt, um diese Variablen so zusammenzufassen, dass sie auf wenige Faktoren reduziert werden, die möglichst wenig miteinander korrelieren. Die Ziele sind die Entdeckung von Strukturen (Strukturierungsfunktion), Datenreduktion, Überprüfung der Dimensionalität komplexer Merkmale und Hypothesengenerierung
Korrelationsmatrix
Eine Tabelle, die die Korrelationen zwischen allen Paaren der Variablen in einer Faktorenanalyse anzeigt.
Sie ist die Grundlage für die Bestimmung der Faktoren und zeigt, wie stark die Variablen miteinander zusammenhängen
Eigenwert (Eigenvalue)
Die Summe der quadrierten Faktorladungen eines Faktors über alle Variablen, die die durch den Faktor erklärte Varianz der Beobachtungswerte angibt.
Der Eigenwert gibt an, wie viel Information in einem Faktor gebündelt ist und wie bedeutsam dieser Faktor ist. Ein Eigenwert größer als 1 ist oft ein Kriterium, um Faktoren auszuwählen (Kaiser-Kriterium)
Kommunalität (Communality)
Der Umfang der Varianzaufklärung, den die Faktoren gemeinsam für eine Ausgangsvariable liefern.
Sie zeigt, wie gut die Information einer Variable in den Faktoren insgesamt erhalten bleibt und kann Werte zwischen 0 und 1 annehmen, wobei höhere Werte eine bessere Repräsentation bedeuten
Faktorladung (Factor Loading)
Die Korrelation zwischen einer Variable und einem Faktor.
Sie gibt an, wie stark eine Variable mit einem Faktor zusammenhängt und kann Werte zwischen -1 und 1 annehmen. Höhere absolute Werte bedeuten eine stärkere Korrelation .
Faktorwert (Factor Score)
Die Ausprägung eines Faktors bei einem Individuum.
Faktorwerte sind standardnormal verteilt und geben an, wie stark eine Person auf den entsprechenden Faktor ausgeprägt ist. Sie werden als Linearkombination der Faktorladungen und der individuellen Ausprägungen der manifesten Variablen berechnet
Fundamentaltheorem der Faktorenanalyse
Besagt, dass sich die Korrelationsmatrix in einen durch die gemeinsamen Faktoren erklärten Teil und einen durch Einzelrestfaktoren erklärten Teil zerlegen lässt.
Der durch die gemeinsamen Faktoren erklärte Teil enthält Kommunalitäten und substanziellen Korrelationen zwischen den Variablen, während der Teil der Einzelrestfaktoren merkmalsspezifische Varianzen enthält
Hauptkomponentenanalyse (Principal Component Analysis)
Ein Verfahren zur Faktorenanalyse, das die umfassende Reproduktion der Datenstruktur durch möglichst wenige Faktoren zum Ziel hat.
Es nimmt keine kausale Interpretation der Faktoren vor und geht davon aus, dass die gesamte Varianz der Ausgangsvariablen durch die Faktoren erklärt werden kann
Hauptachsenanalyse (Principal Axis Factoring)
Ein Verfahren zur Faktorenanalyse, das die Erklärung der Varianz in den Ausgangsvariablen durch hypothetische Größen (Faktoren als latente Variablen) zum Ziel hat.
Es interpretiert Korrelationen kausal und generalisiert Aussagen auf die Grundgesamtheit. Es berücksichtigt auch Einzelrestvarianz in den Ausgangsvariablen
Kaiser-Kriterium
Ein Kriterium zur Bestimmung der Anzahl der zu extrahierenden Faktoren, wobei nur Faktoren mit einem Eigenwert größer als 1 ausgewählt werden.
Es wird verwendet, um die Faktorenanzahl zu bestimmen, insbesondere bei weniger als 30 Variablen und bestimmten Bedingungen zur Stichprobengröße und Kommunalität
Scree-Plot
Ein Diagramm, das die Eigenwerte der Faktoren in absteigender Reihenfolge darstellt, um die Anzahl der zu extrahierenden Faktoren zu bestimmen.
Der Knick im Scree-Plot zeigt den Punkt an, nach dem die restlichen Faktoren wenig Varianz erklären. Faktoren links vom Knick werden typischerweise extrahiert
Rotation der Faktoren
Eine Methode, um die Interpretation der Faktoren zu erleichtern, indem die Faktorladungen verschoben werden.
Es gibt orthogonale (rechtwinklige) Rotation, bei der die Faktoren als unabhängig betrachtet werden (z.B. Varimax), und oblique (schiefwinklige) Rotation, bei der die Faktoren miteinander korrelieren können
Logistische Regression
Ein statistisches Verfahren zur Vorhersage einer dichotomen abhängigen Variable basierend auf einer oder mehreren unabhängigen Variablen.
Sie modelliert die Wahrscheinlichkeit, dass ein bestimmtes Ereignis eintritt (z.B. Ja/Nein, Erfolg/Misserfolg), indem sie eine logistische Funktion verwendet, die das Ergebnis in Wahrscheinlichkeiten zwischen 0 und 1 transformiert.
Odds
Das Verhältnis der Wahrscheinlichkeit, dass ein Ereignis eintritt, zu der Wahrscheinlichkeit, dass es nicht eintritt.
Beispiel: Wenn die Wahrscheinlichkeit, dass ein Ereignis eintritt, 0.8 (80%) ist, dann sind die Odds 0.8 / 0.2 = 4, was bedeutet, dass das Ereignis viermal so wahrscheinlich ist, wie nicht einzutreten
Odds Ratio (OR)
Ein Maß für die Stärke des Zusammenhangs zwischen zwei Ereignissen oder Merkmalen.
Es ist das Verhältnis der Odds für das Eintreten eines Ereignisses in einer Gruppe zu den Odds in einer anderen Gruppe. Beispiel: Eine Odds Ratio von 2 bedeutet, dass das Ereignis in der einen Gruppe doppelt so häufig eintritt wie in der Vergleichsgruppe
Logit-Funktion
Eine Funktion, die die logarithmierte Odds einer binären abhängigen Variable als lineare Kombination der unabhängigen Variablen darstellt.
Die Logit-Funktion ermöglicht es, die Ergebnisse der logistischen Regression auf einer Skala von -∞ bis +∞ zu interpretieren und die Wahrscheinlichkeit zu berechnen, dass das Ergebnis in eine bestimmte Kategorie fällt.
Maximum-Likelihood-Methode (ML)
Ein Verfahren zur Schätzung der Modellparameter, das die Wahrscheinlichkeit der beobachteten Daten maximiert.
Die Parameter werden iterativ angepasst, bis die Wahrscheinlichkeit der beobachteten Daten am größten ist. Dies wird oft durch Algorithmen wie den Newton-Raphson-Algorithmus erreicht
Likelihood Ratio Test (LRT)
Ein Test zur Bewertung der Modellgüte, der die Passung eines Modells mit und ohne Prädiktoren vergleicht.
Der LRT vergleicht die Log-Likelihood-Werte eines Nullmodells (nur Intercept) mit einem vollständigen Modell (alle Prädiktoren). Ein signifikanter p-Wert deutet darauf hin, dass das vollständige Modell eine bessere Passung bietet als das Nullmodell
Hosmer-Lemeshow-Test
Ein Test zur Bewertung der Modellgüte, der die beobachteten und vorhergesagten Wahrscheinlichkeiten in Subgruppen vergleicht.
Ein nicht signifikanter p-Wert deutet darauf hin, dass das Modell gut zu den Daten passt und die vorhergesagten Werte den beobachteten Werten ähnlich sind
Pseudo-R²-Statistiken
Maße zur Bewertung der erklärten Varianz eines logistischen Regressionsmodells.
Beispiele sind McFadden's R², Cox and Snell R² und Nagelkerke R². Diese Werte liegen zwischen 0 und 1, wobei höhere Werte eine bessere Modellgüte anzeigen. Werte größer als 0.2 gelten als akzeptabel, Werte größer als 0.4 als gut
Multikollinearität
Ein Zustand, bei dem zwei oder mehr unabhängige Variablen in einem Regressionsmodell stark korrelieren.
Multikollinearität kann die Stabilität und Interpretation der Regressionskoeffizienten beeinträchtigen. Sie wird oft durch Toleranzwerte oder den Varianzinflationsfaktor (VIF) beurteilt
