M6 Grundlagen der Testkonstruktion

Indirekt aus der Kovarianz der Primärfaktoren

• Acht

• Vektoren der Varianzen der Variablenklassen

• Koeffizientenmatrizen

• Pfadkoeffizienten zwischen latenten endogenen Variablen

• Pfadkoeffizienten von exogenen auf endogene Variablen

• Pfadkoeffizienten von latenten endogenen und exogenen Variablen auf die jeweilige Indikatoren

• Beeinhalten die latenten exogenen Variablen und die Residuen

• (vier) werden u.U. ebenfalls für die Modellspezifikation benötigt

• Drei

• Auflösen eines komplexen Gleichungssystems

1. Modellspezifikation

2. Bestimmung der Identifiziertheit des Modells

3. Design und Datenerhebung

4. Durchführung der SEM-Analyse

5. ggf. Modifikation und Respezifikation des Modells

6. Dokumentation

1. Festlegung von Datenmatrix und Schätzalgorithmus

2. Evaluation der Passung zwischen Daten und Modell (fit)

3. Berücksichtigung von und ggf. Vergleich mit alternativen Modellen

4. Interpretation der Parameter

• Zuordnung Indikatoren auf Faktoren

• Beziehungen zwischen den Faktoren

• Korrelationen zwischen den Residuen der Items

• EFA: es werden grundsätzlich alle Koeffizienten der Matrix ALPHA (Faktorladungen) geschätzt

• EFA: Residuen sind grundsätzlich unabhängig voneinander (DELTA ist Diagonalmatrix mit Kovarianzen = Null)

• CFA: Restriktionen und Relaxationen sind flexibler handhabbar und prüfbar

• Modell mit korrelierten Faktoren (oblique Rotation, Matrix Phi ist nicht diagonal)

• Sie fehlen

• Durch das Fehlen von Pfaden

• Items laden auf bestimmte Faktoren, auf andere nicht

• Es existieren präzise theoretische Vorstellungen über die interne Struktur in der Gesamtstruktur der Daten existieren.

• In der theoretischen Intelligenzforschung (Spearman, 1904)

• ableitbar aus dem Allgemeinen Linearen Modell

• rechnerisch verwandt mit anderen multivariaten Verfahren

• Untersuchen der internen Struktur eines Satzes von Variablen auf latente Zusammenhänge zwischen den Variablen (Korrelationsmuster von manifesten Variablen)

• Ziel: Datenstrukturierung, Zusammenfassen vieler manifester Variablen zu wenigen latenten Variablen (zwei Varianzquellen: p Variablen über n Vpn)

• drei Varianzquellen: Variablen, Vpn, Situationen

• sechs mögliche Arten von Korrelationsmatrizen

• „R-Technik“

• Drei Varianzquellen simultan

• Prüfung der Gültigkeit (Validität) theoretischer Modellannahmen („faktorielle Validität“)

• Entwicklung von Theorien über die interne Struktur psychologischer Konstrukte (oder messbarer Manifestationen)

• Datenreduktion bzw. Zusammenfassen

• Entdeckung theoretischer Modellvorstellungen im Rahmen eines theoriebildenden Vorgehens

• Vereinfachung eines Datensatzes

• stellt für induktive Testkonstruktion zentrale empirische Informationen zur Verfügung

• Exploration der internen Struktur eher atheoretisch konstruierter externaler Tests

• Die Ausprägung eines Individuums auf beobachteten Variablen wird ursächlich durch dahinter stehende, latente Konstrukte beeinflusst (Faktoren – ungleich (!) Faktoren der Varianzanalyse)

• Simultaner Einfluss jedes Faktors auf mehrere beobachtete Variablen = „Effektindikatorenmodell“ (Gegensatz – mehrfaktorielle Varianzanalyse und multiple Regression: simultaner Einfluss mehrerer unabhängiger Variablen)

• verwendet bei der Faktorenanalyse

• dem Messmodell der KTT liegt ein faktorenanalytisches Modell zugrunde – unterstellt, dass die Indikatoren (Items) untereinander korrelieren (mindestens zwischen drei, i.d.R. Mehr Variablen / Inidikatoren)

• betrachtet die Ausprägungen auf den Items als lineare Funktion dahinter stehender Faktoren (= Grund für Korrelation)

• Kovarianzen auf manifester Ebene

• Anzahl latenter Konstrukte und inhaltlicher Zusammenhang aus Stärke der Korrelationen

• verwendet bei der Regressionsanalyse / Varianzanalyse

• gilt bei strikter Orientierung am Zusammenhang der Items mit einem Außenkriterium im Rahmen der externealen Testkonstruktion → Homogenität / Korreliertheit der Items kann NICHT unterstellt werden

• EFA: die erhobenen Daten bilden die Grundlage

• vor Beginn der Datenanalyse

• Hauptachsenanalyse (PAF, principal axis factor analysis)

• Hauptkomponentenanalyse (PCA, principal components analysis)

• (sieben Extraktionsmethoden in SPSS) implementiert

• Dient nur der Datenreduktion und Beschreibung

• latente Variablen heißen Komponenten (nicht Faktoren)