c2b_default

Kapitel 4 Ergänzungen

Ergänzungen

Ergänzungen

53
0.0 (0)
D. P.
Study
D. P.
Diese Lernkarten behandeln fortgeschrittene statistische Methoden der Psychologie auf Universitätsniveau, mit Fokus auf Faktorenanalyse, Modellentwicklung und Testinterpretation. Sie decken Themen wie PCA, Korrelationsmatrizen, Faktorenrotation und Modellvergleiche ab, wobei auch praktische Anwendungen wie Testkonstruktion und Datenanalyse behandelt werden. Ideal für Studierende und Forscher, die komplexe statistische Verfahren in der psychologischen Forschung verstehen und anwenden möchten.
Flashcards
53
Students
1
Language
German
Category
Psychology
Level
University
Created / Updated
23.02.2016 / 07.02.2024
  • 1  / 53

Flashcards

saturierte Modelle

gerade identifizierte Modelle

wodurch wird die beste Lösung überidentifizierter Modelle angenähert?

kleinste quadrierte Abweichung

Alternative zu Referenzvariablen

Residuen oder Varianzen der latenten Variablen auf Wert 1 fixieren

MERKE: keine zusätzliche Maßnahme zu Referenzvariablen, sondern ALternative

es sollte so immer eine mögliche Quelle der Nicht-Identifizierbarkeit ausgeschsaltet werden

Faktorenanalyse 2. Ordnung mit 2 Primärfaktoren

-man hat nur eine empirische Info (Kovarianz der Primärfaktoren) für zwei zu schätzende Ladungen eines höheren Faktors

empirische Unteridentifikation

-extrem hohe Interkorrelationen zwischen eigentlich unabhängigen Faktoren

-Redundanzen verhindern genaue Schätzung

-vgl. mit Multikollinearität in der multiplen Regression

Kovarianzmatrix vs. Korrelationsmatrix

-(CFA)Kovarinazmatrix= Varianzen in Diagonale & Kovarianzen außerhalb= unstandardisierte Kovarianzmatrix

-(EFA)Korrelationsmatrix= Korrelationen= standardisierte Kovarianzmatrix (meist Produkt-Moment-Korrelation)

ungünstige Verteilungseigenschaften + große Stichprobe

ADF mit tetra-/ polychorischer Korrelationsmatrix

ungünstige Verteilungseigenschaften + kleine Stichprobe

ML-Algorithmus für Kovarianzmatrix nach parcelling

Chi-Quadrat-Differenzen Test

-nur bei genesteten Modellen

-arithmetische Differenz der Chi-Quadrat werte und der jeweiligen anzahl der df der beiden zu vergleichenden Modelle

Resultat chi² Differenzen Test

Parsimonität des Modells (ANzahl der df) wird relativiert

Vergleich nicht genesteter Modelle

-modellvergleichende Indizes

-ermitteln Passung in Relation zur Parsimonität

-ermitteln nur Rangordnung der Modelle

Umgang mit nicht-normalverteilten Daten bei Normierung

-Flächentransformation (nicht-lineare Transformation)

-Normwerte werden wieder normalverteilt (%-Zahlen unter Kurve wiederhergestellt)

-aber Maßstab verzerrt

Schwellenwertbestimmung bei kriterienorientiertet Testwerinterpretation

ROC-Analyse

Summe aus Sensitiviität & Spezifität am größten

Lernen