Korrelationsforschung & korrelative Designs, M1 3401

Mediatoren werden dann analysiert, wenn deutliche und gesicherte Zusammenhänge zwischen zwei Variablen bestehen.

nicht direkt beobachtbare Variablen, in der Faktorenanalyse auch als Faktoren bezeichnet, die Korrelation zwischen Variablen beeinflusst

Wenn statistisch festgestellt werden soll, welche Items (Fragebogen) miteinander korellieren. Also welche Items "irgendwie das gleiche" meinen.

Zur Reduktion einer grossen Datenmenge.

Voneinander unabhängige Faktoren

1. Wenige Dimensionen/Faktoren können leichter weiterverarbeitet und kommuniziert werden

2. Messungen lassen sich aggregieren, also zusammenfassen - Aggregationsprinzip

Mehrer Messungen sind genauer als eine Einzelne. Einzelne Messungen sind immer fehlberhaftet. Ausweg: Mittelwertsbildung mehrerer Messungen

Extreme optimierung der Messgenauigkeit kann zur Homogenisierung eines Messinstruments führen, es kann dann nur ein sehr schmaler Merkmalsbereich erfasst werden.

In einer Faktorenanalyse wird mittels Indexzahlen angegeben wie gut eine Variable zu einer bestimmten Variablengruppe bzw. einem Faktor passt. Diese Indexzahlen werden "Ladungen" genannt.

Markiervariablen

Partialkorrelationen geben an, inwieweit die Korrelation zwischen zwei Variablen durch eine dritte gestiftet wird.

Wenn sich nach dem Herauspartialisieren die Korrelation der beiden Variablen praktisch gleich null, also unbedeutend ist.

Faktor: Ausgehend von gemessenen Korrelationen zwischen den Variablen wird eine synthetische, latente Variable konstruiert, die mit allen Variablen so hoch wie möglich korrelliert.

Wechselseitig voneinander unabhängige Faktoren, die die Zusammenhänge zwischen den jeweiligen Variablen erklären

Eine explorative Faktorenanalyse unterlegt einer Vielzahl von Variablem, einem Variablengeflecht, eine gewisse Ordnung. Mit dieser Ordnung lassen sich die Variableninterkorrelationen erklären. Es geht insbesondere um die Ermittlung der Anzahl an Faktoren.

Es gibt aber nicht "die" Ordnung! Die Ordnung muss sich nicht nur statistisch sondern auch theoretisch beweisen!

Hier kommt die konfirmatorische Faktorenanalyse zum Zuge: Lässt sich die gefunden Faktorenstruktur auch in anderen statistischen Stichproben replizieren?

Das Design bietet eine Möglichkeit unterschiedliche Kausalmodelle in korrelativen Längsschnittstudien auszuschliessen. Das Design besteht aus jeweils 2 Autokorrelationen, Kreuzkorrelationen und synchronen Korrelationen. In diesem Bedingungen müssen mindestens 2 Variablen zu 2 unterschiedlichen Messzeitpunkten gemessen werden

Es sind drei Regressionsgleichungen nötig

In einem theoretischen Modell werden in der Regel Zusammenhänge zwischen mehr als 2 oder 3 Variablen postuliert und es werden auch Annahmen über deren Kausalbeziehungen gemacht.

Diese Zusammenhänge wiederum können in einem Pfadmodell grafisch dargestellt werden und mittels einer Pfadanalyse statistisch berechnet werden

Direkte Effekte: Unmittelbare Zusammenhänge zwischen AV und UV

Indirekte Effekte: Zusammenhänge zwischen AV und UV die durch dritte Variable mediiert werden

Wenn zwischen zwei Variablen eine nur korrelative aber keine kausale Beziehung besteht, bzw. keine nachgewiesen werden konnte.

Pfadanalyse ist ein statistisches Verfahren mit dem lediglich manifeste, also beobachtbare Variablen erhoben werden können. Im Prinzip ist das eine mehrfache Regressionsanalyse. Es ist kein Modell zur Messung latenter Variablen integrierbar

Das Pfadmodell ist ein weiter fassbarer Begriff: Schliesst grafische Darstellungen von Strukturgleichungsmodellen (auch von Faktorenanalysen) mit ein.

Ein Strukturgleichungsmodell ist ein Pfadmodell, dass ein Messmodell enthält. Es kann im Gegensatz zu reinen Pfadmodellen ohne Messmodell können in einem Strukturgleichungsmodell auch latente Variablen enthalten sein.

Ein Strukturgleichungsmodell besteht also immer aus Struktur- und Messmodell.

Vorteil: Fehler bei der Messung beobachteter Variablen können explizit berücksichtigt werden. Deswegen können die Zusammenhänge zwischen den latenten Variablen genauer geschätzt werden

Persönlichkeitsmerkmale wie z.B. Extraversion, Gewissenhaftigkeit etc. Oder andere Eigenschaften wie das Geschlecht etc. Können nicht willkürlich variiert werden (wie es im Experiment nötig sein muss)

Es ist lediglich möglich die Anzahl kausaler Erklärungsalternativen einzuschränken bzw. zu falsifizieren. Korrelative Zusammenhänge sind nicht deterministisch! Sie sind lediglich stochastisch (zufallsabhängig) und damit nur mit einer gewissen Wahrscheinlichkeit zutreffend.

Diese betreffen vermutete Hypothesen zwischen zwei Merkmalen. bivariat = abhängend von zwei Variablen.

(Univariat = Funktion abhängig von nur einer Variablen

Multivariat = Funktion abhängig von mehreren Variablen)

Ungerichtete Zusammenhangshypothese: Nimmt lediglich an, dass eine Assoziation zwischen zwei Merkmalen besteht und gibt nicht an ob es sich um einen negativen oder positiven Zusammenhang handelt.

Gerichtete Zusammenhangshypothese: Gibt zusätzlich an ob es sich um einen positiven oder negativen Zusammenhang handelt.

Das Yerkes-Dodson Gesetz beschreibt einen nicht-linearen Zusammenhang zwischen Effektivität/Produktivität und dem Erregungsniveau/Anspannung/Aktivierung. Die Produktivität steigt bis zu einem mittleren Erregungsniveau an, sinkt dann aber bei höheren Erregnungsniveaus ab (umgekehrt U-förmiger Zusammenhang)

Korrelationskoeffizient.

Werte zwischen +1 und -1

+/- .10 schwacher Zusammenhang

+/- .30 mittlerer Zusammenhang

+/- .50 starker Zusammenhang

Bezeichnet die zeitliche Stabilität interindividueller Unterschiede. Das "Verharren" von Personen auf denselben relativen Positionen innerhalb einer Gruppe über die Zeit.

Auf sich oder jemanden bezogen, auf einer Person

Es geht dabei um die Stabilität bzw. Veränderung der relativen Positionen von Merkmalen innerhalb eines individuellen Variablen-Profils.

Ipsativ: Es geht um die Stabilität bei einer Person.

Differentiell: Weil das Verharren von Merkmalen auf denselben Positionen über die Zeit bestimmt wird.

Gegenteil: Differentielle Stabiltität, im vergleich zu anderen Personen

Vorhersage-Variablen, sollen bestimmte Kriterien vorhersagen

Mit einer multiplen Regressionsrechnung

Die Validität der Regressionsanalyse ist gefährdet, wenn Prädiktoren zu hoch interkorrelieren (Multikollinearität)

1. Es lassen sich aus einer Vielzahl von Prädiktoren diejenigen bestimmten, die zur Vorhersage des Beitrags einen substantiellen Beitrag leisten.

2. Es können Interaktionseffekte bestimmt werden - also das gemeinsame Zusammenwirken zweier Merkmale auf das Kriterium - wird in sogenannten Moderator-Hypothesen geprüft

3. In einer multiplen Regressionsanalyse können manchmal sogenannte Suppressionseffekte auftreten

Ein Suppressor ist eine Prädiktorvariable, die den Vorhersagebeitrag einer (oder auch mehrerer) anderer Variablen erhöht, in dem sie für die Vorhersage irrelevanten Varianzanteile unterdrückt.

Ein Moderator ist eine qualitative oder quantitative Variable, die die Richtung und/oder Enge des Zusammenhangs zwischen einer Prädiktor-Variable und einer Kriteriumsvariable beeinflusst.

Ein Moderatoreffekt liegt dann vor, wenn die Beziehung zwischen zwei Variablen von der Ausprägung einer dritten Variable abhängt.

Eine Mediatorvariable erklärt den Prozess oder den "Mechanismus" durch den eine Prädiktorvariable eine Kriteriumsvariable beeinflusst - er klärt warum ein Zusammenhang zwischen zwei anderen Variablen besteht

Durch die Mediation wird der Zusammenhang zwischen Prädiktor und Kriterium erklärt.

Moderator: Soziale Unterstützung

bei geringer sozialer Unterstützung Zusammenhang mit Depression hoch