Lernkarten

Karten 89 Karten
Lernende 15 Lernende
Sprache Deutsch
Stufe Andere
Erstellt / Aktualisiert 24.08.2016 / 22.09.2020
Lizenzierung Keine Angabe
Weblink
Einbinden
0 Exakte Antworten 0 Text Antworten 89 Multiple Choice Antworten
Fenster schliessen

Welche der folgenden Aussagen bezogen auf die Diagnostik von Regressionsmodellen sind korrekt? 

Das Auslassen relevanter Variablen im Zusammenhang mit der Spezifikation eines Regressionsmodells ist auch als underfitting bekannt.

Ist ein multiples Regressionsmodell nicht korrekt spezifiziert, werden zwar die Standardfehler von Schätzern verzerrt geschätzt, die Regressionskoeffizienten selbst jedoch werden unverzerrt geschätzt.

In der multiplen Regressionsanalyse führt die Messfehlerbehaftetheit eines Prädiktors immer zu einer Unterschätzung des entsprechenden „wahren“ Regressionsgewichts.

Hat man nicht alle relevanten Prädiktoren in einem multiplen Regressionsmodell berücksichtigt, hat dies einen Verlust an Teststärke (power) zur Folge

Ob ein linearer Zusammenhang zwischen Kriterium und Prädiktoren besteht, lässt sich graphisch anhand LOWESS (oder LOESS)- Anpassungslinie untersuchen.

Fenster schliessen

Welche Aussagen bezogen auf den Multiplen Determinationskoeffizienten sind richtig?  

Der multiple Determinationskoeffizient gibt den Anteil der Varianz im Kriterium an, der durch alle Prädiktorvariablen in dem multiplen Regressionsmodell gemeinsam aufgeklärt werden kann.

Der multiple Determinationskoeffizient gibt den Anteil der Varianz im Kriterium an, der durch Hinzunahme eines weiteren Prädiktors in ein multiples Regressionsmodell aufgeklärt werden kann.

Der multiple Determinationskoeffizient entspricht dem Quotienten aus der Varianz der vorhergesagten Werte (im Zähler) und der Varianz der beobachteten Werte (im Nenner).

Der multiple Determinationskoeffizient entspricht dem Quotienten aus der Varianz der vorhergesagten Werte (im Zähler) und der Varianz der Residuen (im Nenner).

Der multiple Determinationskoeffizient entspricht dem Quotient aus der Varianz der Residuen (im Zähler) und der Varianz der vorhergesagten Werte (im Nenner).

Fenster schliessen

Welche der folgenden Aussagen im Zusammenhang mit einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem Faktor sind richtig? 

Die Sphärizitätsannahme ist meist dann verletzt, wenn es differentielle Treatment-Effekte gibt.

Die Sphärizitätsannahme kann mittels des sogenannten Mauchly-Tests inferenzstatistisch überprüft werden.

Die Sphärizitätsannahme kann mittels des sogenannten Mardia-Tests inferenzstatistisch überprüft werden.

Ist Sphärizität nicht gegeben, führt das dazu, dass die verwendeten F-Tests zu konservativ werden, d.h. man verwirft die Nullhypothese zu selten, wenn in Wirklichkeit die Alternativhypothese zutrifft

Ist die Sphärizitätsannahme verletzt, kann der p-value des entsprechenden F-Tests durch Multiplikation mit dem Schätzer für das sogenannte Greenhouse-Geisser Epsilon korrigiert werden, um die Ergebnisse inferenzstatistsich abzusichern.

Fenster schliessen

Welche der folgenden Aussagen zur Kovarianzanalyse sind korrekt?  

Bei einem quasi-experimentellen Design kann bei der Durchführung einer Kovarianzanalyse der Einschluss einer Kovariaten nur dann zu einer Reduzierung der Fehlervarianz führen, wenn die untersuchten Gruppen sich nicht signifikant in den Mittelwerten auf

Bei einem quasi-experimentellen Design sollte bei der Durchführung einer Kovarianzanalyse die Kovariate signifikant mit der experimentellen Bedingung, nicht jedoch mit der abhängigen Variablen korrelieren.

Im Rahmen von randomisierten Experimenten wird oft eine Kovarianzanalyse eingesetzt, um durch den Einschluss der Kovariaten mögliche Alternativerklärungen zum Treatment-Effekt auszuschliessen.

Der Einschluss einer Kovariaten in einem randomisierten Experiment dient dazu, die Power des inferenzstatistischen Tests für den Treatment-Effekt zu erhöhen.

Wenn man bei einem quasi-experimentellen Design, mit starker Konfundierung zwischen der Kovariate und dem Prädiktor für den Gruppeneffekt, die Effekte der Kovariaten (SV) statistisch kontrolliert (auspartialisiert), kann es sein, dass der Prädiktor kein v

Fenster schliessen

Welche der folgenden Aussagen bezogen auf die Parameterschätzung im Rahmen eines SEM sind richtig?

Die Diskrepanz zwischen der empirischen Varianz-Kovarianzmatrix und der modellimplizierten Varianz-Kovarianzmatrix wird minimiert.

Bei Konvergenz der Maximum-Likelihood-Schätzung weist das Modell eine gute Modelgüte auf.

Die Maximum-Likelihood-Schätzung der Modellparameter erfolgt in einem Schritt.

Die Maximum-Likelihood-Schätzung ist nur bei überidentifizierten Modellen (df > 0) möglich.

Die Maximum-Likelihood-Schätzung setzt multivariate Normalverteilung der exogenen Variablen voraus.

Fenster schliessen

Welche der folgenden Aussagen bezogen auf Hierarchische Lineare Modelle sind richtig?

Die Varianz des Level-1 Residuums (Sigma e hoch 2) zeigt an, in welchem Ausmaß Beobachtungen auf Level 1 vom Stichprobenmittelwert im Kriterium abweichen.

Die Varianz der random slopes (Sigma e hoch 2) zeigt an, in welchem Ausmaß der Effekt eines Level 1- Prädiktors auf das Kriterium zwischen den Level 2-Einheiten variiert.

Auf Level 2 können nur Prädiktorvariablen aufgenommen werden, die auf dieser Ebene gemessen wurden.

Die Berechnung des Anteils aufgeklärter Varianz durch die Hinzunahme weiterer fester Effekte ist problematisch.

Bei der Restricted Maximum Likelihood-Schätzung (REML) werden zunächst die zufääligen, dann die festen Effekte geschätzt.

Fenster schliessen

Welche der folgenden Aussagen bezogen auf den Umgang mit fehlenden Werten sind richtig?

Paarweiser Ausschluss setzt voraus, dass das Auftreten fehlender Werte nur von den Ausprägungen in anderen Variablen des Datensatzes abhängt.

Listenweiser Ausschluss setzt voraus, dass das Auftreten fehlender Werte weder von der Ausprägung der Variablen selbst noch von der Ausprägung anderer Variablen abhängt.

Die „Ipsative Mean Imputation“ ist nur gültig, wenn gleiche Itemschwierigkeiten vorliegen.

Die Multiple Imputation basiert auf zwei Schritten: 1) Imputation, 2) Analyse auf Basis der imputierten Datensätzen

Die Verwendung der multiplen Regression zur Imputation fehlender Werte führt zu verzerrten Schätzern der Varianz und Kovarianzen.

Fenster schliessen

Zu den Merkmalen der Evaluationsforschung nach Stockmann (2007) gehören…

eine Bewertung anhand präzise festgelegter, offengelegter Kriterien vorzunehmen.

ein zweckfreies Streben nach Erkenntnissen ohne Orientierung an außerwissenschaftlichen Verwertungskontexten.

objektivierende empirische Datenerhebungsmethoden zur Informationsgenerierung heranzuziehen.

den Prozess der Informationsbewertung zu objektivieren, indem mehrere Evaluierende involviert werden.

die Ergebnisse in einer Fachzeitschrift zu veröffentlichen (z.B. Zeitschrift für Evaluation).