Lernkartei Strukturgleichungsmodelle (STATISTIK) (Seite 1 von 2)

Karten	47
Sprache	Deutsch
Kategorie	Psychologie
Stufe	Universität
Erstellt / Aktualisiert	09.12.2018 / 13.12.2020
Weblink	https://card2brain.ch/box/20181209_strukturgleichungsmodelle
Einbinden	<iframe src="https://card2brain.ch/box/20181209_strukturgleichungsmodelle/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Pfadanalyse

Was untersucht die Pfadanalyse?

Untersucht direkte und indirekte Effekte von gemessenen Variablen.

Keine Kausalität, jedoch können damit theoretisch begründete kausale Beziehungen überprüft werden.

Pfadanalyse

Welches sind die Voraussetzungen für Kausalität?

3Pt.

X geht Y zeitlich voraus
eindeutige Kausalrichtung (X->Y), Keine Wechselwirkung
Beziehung ändert nicht, wenn eine gemeinsame Ursache (externe Variable) konstant gehalten wird.

Pfadanalyse

Welche Vorteile für Pfadanalysen gibt es? (Mit Programmen gerechnet)

3 Pt.

Enthält Angaben zu indirekten Effekten / Modellfit
Modellvergleiche möglich (mit/ohne Parameter X, Gruppenvergleiche)
Nichtrekursive Modelle sind berechenbar (mit korrelierten Messfehlern / Wechselwirkungen). Ist nicht mit Regressionsgleichungen spezifizierbar

Pfadanalyse

Was sind exogene Variablen?

Was sind ihre Eigenschaften?

4 Pt.

Sind Prädiktoren / Indikatoren
werden fehlerfrei gemessen
Auf sie zeigen keine einseitigen Pfeile (Ursachen liegen ausserhalb des Modells)
Geschätzt werden: Varianzen, Kovarianzen und Mittelwerte (bei hybriden Modellen mit Mittelwertstruktur)

Pfadanalyse

Was sind enogene Variablen?

Was sind ihre Eigenschaften?

5Pt.

Ist die Zielvariable
Repräsentiert die Wirkung anderer modellierter Variablen (exogenen/endogenen)
auf sie zeigen einseitige Pfeile
Haben einen Fehlerterm
Geschätzt werden: Fehlervarianzen (= nicht im Modell spezifizierte Ursachen) und Intercepts (bei Hybriden Modellen mit Mittelwertsstruktur)

Pfadanalyse

Welche Effekte ergeben sich bei einem Mediationsmodell?

Wie werden diese berechnet?

direkter Effekt x -> y
(Korrelation zwischen Prädiktor und Zielvariable)
indirekter Effekt x -> M -> y
Interaktion (Produkt) der Pfadkoeffizienten (des Mediators): a * b
totaler Effekt (x -> y) + (x -> M -> y)
Summe aller direkten und indirekten Effekte

Zusatzinfo: Bei Modell mit 2 Mediatoren, ist der totale Indirekte Effekt die Summe der beiden indirekten Effekte.

Pfadanalyse

Was sind rekursive Modelle?

Modelle ohne Wechselwirkung (Feedback-Effekt / Rückkoppelung) zwischen endogenen Variablen
Modelle ohne korrelierte Fehlerterme

Pfadanalyse

Was sind nicht-rekursive Modelle?

Modelle mit Wechselwirkung (Feedback-Effekt / Rückkoppelung) zwischen endogenen Variablen
--> mathematisch / inhaltlich ist Wechselwirkung ≠ Korrelation
Modelle mit korrelierten Fehlertermen

Pfadanalyse

Was ist die Grenze der Modellkomplexität?

Anzahl Parameter muss < oder = der Anzahl Elemente in der Kovarianzmatrix sein (Varianzen + Kovarianzen)

Pfadanalyse

Ist die Grenze der Modellkomplexität eine notwendige und hinreichende Bedingung für die Identifikation eines Modells?

für rekursive Modelle?
für nichtrekursive Modelle?

für rekursive Modelle notwendige UND hinreichende Bedingung
für nicht-rekursive Modelle notwendige aber nicht hinreichende Bedingung

Pfadanalyse

Was bedeutet Modell-Identifikation?

Wann ist ein Modell identifizierbar?

Berechenbarkeit der Parameter
Identifizierbar, wenn für jeden Parameter ein Schätzer berechnet werden kann

Pfadanalyse

Wann ist ein Modell under-identified?

Gibt es eine Lösung?

Wenn die Anzahl zu schätzender Parameter grösser ist als p_max

_{--> keine Lösung}

Pfadanalyse

Wann ist ein Modell just-identified?

Gibt es eine Lösung?

Wenn die Anzahl der zu schätzender Parameter ist gleich p_max

_{--> Lösung JA; erklärt die gesamte Varianz}

Pfadanalyse

Wann ist ein Modell over-identified?

Gibt es eine Lösung?

Wenn Anzahl zu schätzender Parameter kleiner ist als p_max

_{Lösung JA -> erklärt nicht die gesamte Varianz}

Pfadanalyse

Was bedeutet es für Chi, p-Wert und RMSEA, wenn das Modell...

a. just identified ist?

b. over identified ist?

Wird man in R Modellfitangaben erhalten?

a. just identified --> Chi = 0 / p-Wert = 1 / RMSEA = 0 / Modelfitangaben: NEIN

b. over identified --> Chi > 0 / p-Wert < 1 / RMSEA > 0 / Modelfitangaben: JA

Welche Aussagen zu Freiheitsgraden sind richtig?

Freiheitsgrade = Anzahl Parameter in der Kovarianzmatrix MINUS Anzahl zu schätzender Parameter

Durch Restriktionen (bspw. Gleichsetzung / Nullsetzung) erhält man mehr Freiheitsgrade

pro geschätztem Parameter mehr, gibt es einen Freiheitsgrad mehr

Durch Restriktionen (bspw. Gleichsetzung / Nullsetzung) verliert man an Freiheitsgraden

pro geschätztem Parameter mehr, gibt es einen Freiheitsgrad weniger

Pfadanalysen

Welche Aussagen zu FIT, Modellkomplexität und geschätzten Parametern ist richtig?

geringe Anzahl zu schätzender Parameter = einfaches Modell = geringer Fit

hohe Anzahl zu schätzender Parameter = einfaches Modell = hoher Fit

geringe Anzahl zu schätzender Parameter = komplexes Modell = geringer Fit

hohe Anzahl zu schätzender Parameter = komplexes Modell = geringer Fit

hohe Anzahl zu schätzender Parameter = komplexes Modell = hoher Fit

Ein Modell ist maximal komplex, wenn es ...

just-identified ist

over-identified ist

under-identified

0 Freiheitsgrade hat

.97 Freiheitsgrade hat

Welche Aussagen zu korrelierende (kovariierende) Messfehlern ist richtig?

Kovarianz zwischen Messfehlern cov(ey1, ey2) hat KEINE Auswirkungen auf die Parameter-Schätzung

Die Hinzunahme von korrelierenden Messfehlern ins Model verbessert den Fit

Die Hinzunahme von korrelierenden Messfehlern ins Modell bedeutet einen Wechsel von einem rekursiven zu einem nicht-rekursiven Modell

Die Messfehler der endogenen Variablen korrelieren mit den Messfehlern der exogenen Variablen

Messfehler können nie korreliert sein

Modelle mit den selben Variablen mit demselben Modellfit heissen...

Äquivalente Modelle

Pfadanalyse

Was zeichnet äquivalente Modelle aus?

Was ist die Erkenntnis, die aus äquivalenten Modellen gewonnen wird?

sind Modelle mit gleichen Variablen und gleichem Fit
mit den gleichen Variablen sind verschiedene Modellvarianten möglich
jedes just-identified Modell ist äquivalent zu anderen just-identified Modell

Folge:

guter Fit ≠ Evidenz für postulierte Beziehung zwischen Variablen
Modelle müssen vor Datenerhebung theoretisch begründet sein

Pfadanalyse

Welche sind Voraussetzungen für eine Pfadanalyse?

7 Pt.

Modellspezifikation Modell muss alle wichtigen Variablen enthalten
Linearität lineare Beziehung zwischen Variablen
Additivität Modell enthält keine nicht-modellierten Interaktionen
Intervallskalenniveau der endogenen Variablen (Dichotom für exogene Variablen)
Unkorreliertheit der Fehler mit den endogenen Variablen
Multivariate Normalverteilung der Variablen (Voraussetzung für ML-Schätzung)
Stichprobenumfang: für jeden Parameter ca. 10 Probanden

Pfadanalysen

Nenne das Vorgehen (4Schritte) bei Pfadanalysen:

theoretisch begründete Hypothesen in Form von Pfadmodellen spezifizieren
Identifizierbarkeit vor Datenerhebung prüfen
Modell Beurteilen auf Grund der Schätzergebnisse (Fitmasse): Erklärt Modell die Daten ausreichend gut?
Modifikation der Modellstruktur mit Hilfe von standardisierten Residuen / ModIndices (sollten theoretisch sinnvoll sein)

Pfadanalyse

Was zeigt diese Syntax in R:

lat.var =~ ind_1 + ind_2 + ind_p

Latente Variable

Pfadanalyse

Was zeigt diese Syntax in R:

y ~ x1 + x2 + x3

Regression

Pfadanalyse

Was zeigt diese Syntax in R:

y1 ~~ y1

Varianz

Pfadanalyse

Was zeigt diese Syntax in R:

x4 ~~ x1 + x2 + x3

und

y1 ~~ 0*y2)

Kovarianzen (x: exogene Variablen)
auf 0 gesetzte Kovarianz

Pfadanalyse

Was zeigt diese Syntax in R:

y4~~y1 + y2 + y3

Korrelierte Messfehler (y: endogene Variablen)

Pfadanalyse

Was zeigt diese Syntax in R:

y ~ label("p1") * x1 + label("p2")*x2 + x3
constraits <- p1==p2

Labels für Parameter
Einschränkungen (Bedingung für Parameter, die mit Hilfe von Labels formuliert wurden)

Pfadanalyse

Was zeigt diese Syntax in R:

y1 ~ 1
y1 ~ 0.5*1
y ~ 0

Intercept
auf Wert 0.5 gesetzter Intercept
auf 0 gesetzter Intercept

Pfadanalysen

Welche Aussagen zu Modifikations-Indices sind richtig?

Chi wird sich etwa um den mi-Wert in R verändern (reduzieren), wenn der Parameter freigesetzt wird

wenn Pfade bereits frei geschätzt werden, enthalten diese Spalten in R ein NA oder keinen Wert

mi-Werte größer 4 sind auffällig (=schlecht)

es werden nur Modifikationen angezeigt, die inhaltlich auch sinnvoll sind

mi-Wert = estimate / std.err

Pfadanalyse

Welche Parameter sind in einem Pfadmodell zu schätzen?

Varianzen der exogenen Variablen

Fehlervarianzen der endogenen Variablen

Nicht-erklärte Varianzen der exogenen Variablen

Fehlervarianzen der exogenen Variablen

Pfadkoeffizienten

Pfadanalyse

Wenn überprüft wird, ob sich de Pfade zwischen den Gruppen unterscheiden, dann wird nach welchem Effekt gesucht?

Moderator-Effekt

Pfadanalysen

Gruppenvergleiche: Wenn sich der Fit nach Wieder-Freisetzung eines Pfades signifikant verbessert, dann ist das ein Beleg für einen...

Moderator-Effekt der Gruppenvariable ist

Pfadanalysen

Wann sollen standardisierte Parameter miteinander verglichen werden?

Bei Vergleichen innerhalb einer Gruppe

Pfadanalysen

Wann sollen unstandardisierte Parameter miteinander verglichen werden?

Bei Vergleichen zwischen Gruppen

Pfadanalyse

Moderation vs. Mediation. Welche Aussagen sind richtig?

Moderatoreffekt = Interaktion zwischen einer Gruppenvariable und Kovariable

Mediatoreffekt = Produkt von Pfadkoeffizienten

Moderation: Steigung / Pfad- / Regressionskoeffizient (= die Stärke des Zusammenhangs von X auf Y) verschieden für die Gruppen

Es kann eine vollständige oder partielle Moderation geben

Es kann eine vollständige oder partielle Mediation geben

Pfadanalyse

X -> Y₁ -> Y₂

_{Was geschieht mit dem Zusammenhang zwischen}X und Y₂= cov(X,Y₂) nach Konstanthaltung von Y_{1 bei}

_{a. einer partiellen Mediation?}

_{b. einer vollständigen Mediation?}

a. Bei partieller Mediation: der Zusammenhang zwischen X und Y₂wird kleiner als wenn Y₁ nicht konstant gehalten wird

b. Bei vollständiger Mediation: der Zusammenhang zwischen X und Y_{2 wird = 0}

Pfadanalyse

Welche Aussagen zum Modellfit sind korrekt?

ein guter Fit ist ein Indikator für starke Beziehungen zwischen den Variablen

je geringer der Zusammenhang zwischen Variablen, desto leichter erhält man einen guten Fit

je geringer der Zusammenhang zwischen Variablen, desto schwerer erhält man einen guten Fit

je stärker der Zusammenhang zwischen Variablen, desto höher ist statistische Power ein unpassendes Modell zu identifizieren

je geringer der Zusammenhang zwischen Variablen, desto höher ist statistische Power ein unpassendes Modell zu identifizieren

Pfadanalyse

Ein Modell ist akzeptabel, wenn...

sich ein nicht-signifikantes Chi-Quadrat ergibt

Standardisierte Residuen < 2 sind

sich ein signifikantes Chi-Quadrat ergibt

ModIndicis < 4 sind

RMSEA < .05

Strukturgleichungsmodelle (STATISTIK)

Lernkarteien erstellen oder kopieren

Lernkarteien erstellen oder kopieren

Melde dich an, um alle Karten zu sehen.

SWITCHaai

Office 365

Edulog

Apple ID

Google