Partenaire Premium

0 Login S'inscrire

Store 0
Bibliothèque
Info
Abonnements
Partenaire

MM1 Fernuni Hagen

3443, 3444, 3445

D'abord la question
D'abord la réponse
Autotest

165

1.0 (1)

Non visible

Etudier

Non visible

Fichier Détails

Cartes-fiches	165
Utilisateurs	198
Langue	Deutsch
Catégorie	Psychologie
Niveau	Université
Crée / Actualisé	25.05.2015 / 19.02.2024
Attribution de licence	Non précisé
Lien de web	https://card2brain.ch/box/mm1_fernuni_hagen
Intégrer	<iframe src="https://card2brain.ch/box/mm1_fernuni_hagen/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Mode flip

Was stimmt zur Homoskedastizität?

VIF als diagnostisches Mittel

P-P-Plot als diagnostisches Mittel

Mittelwertszentrierung als Reaktion auf Heteroskedastizität

Verzerrung der SE

Heteroskesdastizität als Hinweis auf Ausreißer

Ausreißer verzerren zwangsläufig Regressionskoeffizienten und SE

Ausreißer auf Prädiktor- und Kriteriumsseite möglich

Auf Prädiktorseite Identifizierung durch Residuen

Cooks Distanz als Kennwert der Abweichung vom Mittelwert

Hebelwert als Kennwert, inwieweit sich Regressionskoeffizient bei Ausschluss eines Ausreißers ändert

Frage zur Effektkodierung
Y = 4 - 1 * X1 + 1 * X2
Basiskategorie: Gymnasiallehrer

Mittlere Zufriedenheit der Gymnasiallehrer ist 4.

Wenn man 2 Gruppen tauscht, ändern sich die Regressionskoeffizienten nicht.

welche Aussagen zur Multiplen Regression sind korrekt?

Suppressionseffekt, wenn Effekt von x1 durch x2 verstärkt wird

einschluss von mit kriterium unkorreliertem x2 verstärkt effekt von x1

stepwise -Hinzunahme ist theoriegeeleitet

hierarchische Regregression: der zusätzliche beitrag zur varianzaufklärung, den weitere hinzugenommene prädiktoren oder prädiktorgruppen liefern, kann durch t-test der einzelnen regressionsgewichte bestimmt werden

vorwärtsselektion ermöglicht den vergleich nichtgenesteter modelle

Welche Aussagen bzgl. der Regressionskoeffizienten in einer multiplen unmoderierten Regression mit zwei Prädiktoren sind richtig?

Koeffizient MR = Koeffizient einfache Regression, wenn die beiden Koeffizienten voneinander unabhängig sind

Regressionskoeffizienten ändern sich nicht bei Zentrierung

bei hoher Korrelation standardisierte Koeffizienten gegen die Multikollinearität, da robuster

standardisierte Koeffizienten besser geeignet als unstandardisierte beim Vergleich verschiedener Variablen

Signifikante Abweichung von 0 wird durch F-Test geprüft

Baron & Kenny - Was ist richtig?

Vier Bedingungen müssen erfüllt sein, um von einer Mediation sprechen zu können.

Eine der Bedingungen fordert einen statistisch bedeutsamen Zusammenhang mit dem Kriterium auch bei statistischer Kontrolle des Mediators.

Effekt von Prädiktor auf Mediator muss signifikant größer sein als der direkte Effekt des Prädiktors auf das Kriterium

bei stat. Kontrolle des Prädiktors muss der Mediator das Kriterium signifikant beeinflussen

der indirekte Effekt muss signifikant größer sein als der direkte Effekt vom Prädiktor auf das Kriterium

Einfache Mediation: Ein Forscher will herausfinden, ob der Effekt von Alter (X) auf Vorurteile (Y) durch soziale Dominanzorientierung (sdo = M) mediiert wird. N = 560. Er bekommt nach dem Schema von Baron und Kenny zwei Regressionsgleichungen:
y(Dach) = 1 + 0,18 X
y(Dach) = 1 + 0,14 X + 0,3 sdo
Alle enthaltenen Regressionsgewichte sind signifikant.

X hat einen signifikanten Effekt auf Y.

sdo hat keinen signifikanten Effekt auf Vorurteile.

Der Effekt von X auf Y wird vollständig durch sdo mediiert.

N ist zu klein für eine Überprüfung des indirekten Effekts auf Signifikanz

Es gibt einen signifikanten, von Null abweichenden Effekt von X auf Y.

Welche Aussagen bezüglich Prüfung einer Mediationshypothese (Baron u. Kenny) sind richtig?

eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nicht ermöglicht zu prüfen, ob der Effekt des Prädiktors vollständig über den Mediator mediiert wird.

eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nur bei Vorliegen sehr großer Stichproben exakte Konfidenzintervalle für den indirekte Effekt des Prädiktors auf das Kriterium erstellen kann.

Der sogenannte Sobel-Test macht im Gegensatz zum causal-steps-approach keine Annahme über die Verteilung des indirekten Effekts.

Der sogenannte Sobel-Test zur Überprüfung indirekter Effekte hat in der Regel eine größere Power als Bootstrap

Beim Bootstrapping wird für den indirekten Effekt eine Stichprobenkennwertverteilung empirisch generiert, mittels derer Konfidenzintervalle für den indirekten Effekt gebildet werden können.