Cartes mémoires MM1 FUH WS18/19 (Seite 1 von 2)

Cartes-fiches	51
Utilisateurs	25
Langue	Deutsch
Catégorie	Psychologie
Niveau	Université
Crée / Actualisé	04.03.2019 / 27.12.2022
Lien de web	https://card2brain.ch/box/20190304_mm1_fuh_ws1819
Intégrer	<iframe src="https://card2brain.ch/box/20190304_mm1_fuh_ws1819/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Was versteht man unter gleichsinniger
Konfundierung?

Parallelisierung in einem quasi-experimentellen Design

Eine oder mehrere Störvariablen ist sowohl mit der UV als auch mit der AV korreliert und damit wird die Hypothese artifiziell bestätigt.

Wenn z.B. in einer Mädchenschule ein Schlagfertigkeitstraining durchgeführt wurde und dieses zur Evaluation eine Kontrollgruppe mit TN aus einem Kreativitätstrainig unterläuft

Wenn z.B. bei einer Maßnahme zur Erhöhung der Lebenszufriedenheit sowohl in der KG als auch in der EG die Lebenszufriedenheit höher bei der 2. Erhebung ist als bei der ersten Erhebung

Wenn z.B. TN d. Trainings zur Steigerung der kognitiven Leistungsfähigkeit zu Beginn des Trainings einen höheren IQ als die KG hatte

Welche Aussagen im Rahmen der Diagnostik und des Umgangs mit problematischen
Datenkonstellationen in der multiplen Regression sind richtig?

Ob die Annahme der Unabhängigkeit der Residuen verletzt ist, lässt sich graphisch anhand eines Histogramms der Residuen untersuchen.

Das Vorliegen von Hetereoskedastizität in den Daten ist immer auch ein Hinweis auf Ausreißer auf Seiten der Prädiktoren

Nicht normal-verteilte Residuen können unter Umständen ein Hinweis auf fehlspezifiszierte Modelle sein.

Fehlspezifikationen eines Modells äußern sich unter anderem darin, dass die bedingten Mittelwerte der Residuen von Null abweichen

Wenn die Annahme der Normalverteilung der Residualvariablen nicht zutrifft, werden sowohl die Punktschätzer der Regressionskoefffizienten als auch die Standardfehler der Schätzer fur die Poulationsparameter verzerrt geschätzt.

Welche Aussagen im Rahmen der Diagnostik und des Umgangs mit problematischen
Datenkonstellationen in der multiplen Regression sind richtig?

Der Variance-Inflation-Factor (VIF) ist auch ein diagnostisches Mittel, um zu erkennen, ob Homoskedastizität in den Daten vorliegt.

Nach einer in der Praxis oft angewandten Faustregel gelten zentrierte Hebelwerte, die kleiner als 3*k/n sind (wobei k die Anzahl der verwendeten Prädiktoren und n die Stichprobengröße bezeichnet), als auffällig.

Der sog. Probability-Probability-Plot (P-P-Plot), in dem zwei kumulierte Wahrscheinlichkeiten gegeneinander abgeragen werden, ist ein diagnostisches Mittel, um zu erkennen , ob Homoskedastizität in den Daten vorliegt.

Sind die unabängigen Variablen nicht messfehlerfrei gemessen, können zwar die Regresionskoeffizienten unverzerrt geschätzt werden, aber die geschätzten Standardfehler sind stark verzerrt.

Das sogenannte Lowess-Verfahren ist ein Verfahren, das angewandt wird, um zu uberprufen, ob die Linearitätsannahme des Regressionsmodells zutrifft

Bei Verletzung welcher Voraussetzung der MR werden sowohl Regressionskoeffizienten als auch Standardfehler verzerrt geschätzt?

Korrekte Spezifikation des Modells

Messfehlerfreiheit der unabhängigen Variablen

Homoskedastizität

Unabhängigkeit der Residuen

Normalverteilung der Residuen

Welche der folgenden Aussagen im Kontext der multiplen Regression sind richtig?

Wenn man den Effekt eines Prädiktors auf die abhängige Variable uber verschiedene Grupen von Personen vergleichen möchte, eignen sich zur Interpretation standardisierte Regressionskoeffizienten besser als unstandardisierte Regressionskoeffizienten.

Die Auswahlstrategie der Vorwärtsselektion unterscheidet sich von anderen Selektionsverfahren dadurch, dass bei diesem auch nicht in einander genestete Modelle verglichen werden.

Wenn die Prädiktorvariablen untereinander och korreliert sind, empfiehlt es sich, standardisierte Regressionskoeffizienten zu verwenden, da die inferenzstatistischen Tests fur diese robuster gegen Multikollinearität sind als diejenigen fur unstandarisierte Regressionsgewichte.

Ob ein bestimmtes geschätztes Regressionsgewicht nicht signifikant von Null abweicht (und der entsprehende Prädiktor nicht im Modell benötigt wird), kann mittels eines F-Tests inferenzstatistisch uberpruft werden

Fur die Semipartialdetermination eines Prädiktors spielt die Reihenfolge, in der die Prädiktoren in das Modell aufgenomen werden, keine Rolle

Welche der folgenden Aussagen im Kontext der multiplen Regression sind richtig?

Die Auswahlstrategie der Ruckwärtsselektoin hat anderen Selektionsverfahren gegenuber den Vorteil, dass bei diesem Verfahren mehrere Prädiktoren gleichzeitig in einem Selektionsschritt auf ihre gemeinsame Signifikanz hin uberpruft und gegebenenfalls eliminiert werden.

Das Regressionsgewicht einer Variablen in einer nicht moderierten multiplen Regression ändert sich nicht, wenn man die Variable um ihren Mittelwert zentriert.

Von einer negativen Suppression spricht man, wenn der Effekt eines Prädiktors aus der einfachen Regression zusätzlich verstärkt wird in der multiplen Regression durch die Hereinnahme eines weiteren Prädiktors, der negativ mit diesem anderen Prädiktor korreliert

Der multiple Determinationskoeffizient entsprich dem Quadrat der multiplen Korrelation zwischen den vorhergesagten Werden (Y Dach) und den beobachteten Wert (Y).

Sind die Effekte der Prädiktoren in einer multiplen Regression additiv, ist das Regressionsgewicht eines Prädiktors davon unabhängig, welche anderen Variablen sich in der Regressionsgleichung befinden.

Um Mediationseffekte zu ermitteln, haben Baron und Kenny (1986) ein Verfahren
vorgeschlagen, das als causal step approach bekannt geworden ist. Welche der folgenden
Aussagen zu diesem Verfahren sind korrekt?

Baron und Kenny zufolge sind in einer einfachen Mediation drei Regressionsanalysen durchzufuhren, mit denen uberpruft werden kann, ob vier Bedingungen erfullt sind, die nach diesem Schema notwendig sind, um von einer Mediation sprechen zu können.

Eine der Bedingungen, die nach dem Schema von Baron und Kenny fur das Vorliegen eines Mediationseffektes erfullt sein muss, ist, dass der Prädiktor bei statistischer Kontrolle des Mediators das Kriterium signifikant beeinflusst.

Dem causal step approach zufolge muss der Effekt des Prädiktors auf den Mediator signifikant größer sein als der direkte Effekte des Prädiktors auf das Kriterium.

Eine Voraussetzung, die nach dem Schema von Baron und Kenny fur das Vorliegen eines Mediationseffekts erullt sein muss, ist, dass bei statistischer Kontrolle des Einflusses des Prädiktors der Mediator das Kriterium signifikant beeinflussen muss.

Eine wesentliche Kritik an dem Schema von Baron und Kenny besteht darin, dass es nicht ermöglicht, zu uberprufen, ob der Effekt des Prädiktors vollständig uber den Mediator mediiert wird.

Welche der folgenden Aussagen zur Überprufung einfacher Mediationshypothesen sind
richtig?

Der sog. Sobel-Test zur Überprufung indirekter Effekte macht im Gegensatz zu dem causal step approach keine Annahme uber die Verteilung des indirekten Effekts

Ein statistisch signifikanter indirekter Effekt in der Mediationsanalyse ist nicht zwangsläufig ein Beleg fur die Gultigkeit des getesteten Mediatormodells, da der statistische Test zur Absicherung des indirekten Effekts eventuell eine zu geringe Power hatte

Ein statistisch signifikanter indirekter Effekt in der Mediationsanalyse ist nicht zwangsläufig ein Beleg fur die Gultigkeit des getesteten Mediatormodells, da der getestete Mediator womöglich nur ein Korrelat der abhängigen Variablen ist

Der sog. Sobel-Test zur Überprufung indirekter Effekte hat in der Regel eine größere Teststärke (Power) als das Bootstrapping-Verfahren zur Überprufung indirekter Effekte.

In dem Bootstrapping-Verfahren wird fur den indirekten Effekt eine Stichporbenkennwerteverteilung "empirisch generiert", mittels derer Konfidenzintervalle fur den indirekten Effekt gebildet werden können.

Welche der folgenden Aussagen zur Analyse multipler Mediationsmodelle sind richtig?

Wenn die Mediatoren in einem multiplen Mediationsmoell untereinander korreliert sind, ist die sukzessive Prufung von mehreren Mediatoren mit einfachen Mediationsmodellen problematisch, da hierbeit die Korrelation der Mediatoren untereinander nicht berucksichtigt wird.

Wenn die Mediatoren in einem multiplen Mediationsmodell untereinander korreliert sind, können indirekte Effekte zwar berechnet aber nicht mehr auf Signifikanz hin uberpruft werden.

In einem multiplen Mediationsmodell wird zwischen spezifischen indirekten Effekten und totalem indirekten Effekt unterschieden.

Wenn die Mediatoren in einem multiplen Mediationsmodell untereinander korreliert sind, erfolgt die Überprufung des direkten Effektes in der Regel uber das Bootstrapping-Verfahren

Wenn die Mediatoren in einem multiplen Mediationsmodell untereinander korreliert sind, erfolgt die Überprufung des totalen Effektes bei ausreichend großer Stichprobe in der Regel uber den Sobel-Test.

Ein Psychologe untersucht im Rahmen einer einfachen linearen Regressionsanalyse den Zusammenhang zwischen Lebenszufriedenheit (Kriterium Y) und der Größe des Wohnortes einer Person. Der kategoriale Prädiktor Größe des Wohnortes hat drei Ausprägungen: Kleinstadt, Mittelstadt und Großstadt. Der Prädiktor wird mittels einer Effekt-Kodierung in das Regressionsmodell aufgenommen. Als Basiskategorie wird die Kategorie Großstadt gewählt; die erste Kodiervariable X1 bezieht sich auf Mittelstadt, d.h. Personen aus einer Mittelstadt erhalten auf dieser Variablen eine 1 in der Kodierung. In der Stichprobe sind alle untersuchten Gruppen gleich groß. Die Regressionsanalyse ermittelt folgende Regressionsgleichung:
YDach=5-1 X1 +1 X2
Welche der folgenden Aussagen in diesem Kontext sind korrekt?

Die geschätzte mittlere Lebenszufriedenheit von Personen aus der Großstadt beträgt 5.

Die geschätzte mittlere Lebenszufriedenheit von allen Personen (aus allen Städten zusammen) beträgt 5

Hätte der Forscher in der Effekt-Kodierung als Basiskategorie Kleinstadt anstatt Großstadt gewählt und die Kodiervariable X1 fur Mittelstadt beibehalten, hätte sich der Wert des Intercepts in der Regressionsgleichung verändert

Wurde der Forscher anstelle einer Effekt-Kodierung eine Dummy- Kodierung mit Referenzkategorie Großstadt verwenden und X1 als Kodiervariable fu Mittelstadt wählen, wurde die Regressionsanalyse unter Verwendung der Dummy-Kodierung genau die gleiche Regressionsgleichung ermitteln wie unter Verwendung der Effekt-Kodierung (s.o.).

Der Unterschied in der geschätzten mittleren Lebenszufriedenheit zwischen Personen aus der Kleinstadt und Personen aus der Großstadt ist geringer als der Unterschied in der geschätzten mittleren Lebenszufriedenheit zwischen Personen aus der Kleinstadt und Personen aus der Mittelstadt

Welche der folgenden Aussagen zu einer moderierten Regression sind korrekt?

Wenn in einer moderierten Regression mit zwei kondimuierlichen Prädiktoren diese um den Mittelwert zentriert werden, fällt der Standardfehler fur das geschätzte Regressionsgewicht der Interaktion erheblich geringer aus als in der entsprechenden moderierten Regression ohne Zentrierung der Prädiktoren.

Varianzanalysen mit Mediansplit haben gegenuber einer moderierten Regression zwar immer eine höhere Teststärke, dafur besteht aber bei einer Varianzanalyse mit Mediansplit die Gefahr, dass der reale Effekt unter- oder uberschätzt wird.

Sind kontinuierliche Prädiktoren in einer moderierten Regression um ihren Mittelwert zentriert, nimmt der Intercet stets den Wert Null an.

Durch die Bildung eines Produktterms (Interaktion) in einer moderierten Regression mit zwei unzentrierten kontinuierlichen Prädiktoren besteht die Gefahr der erhöhten Multikollinearität.

Bei einer moderierten Regression beinhaltet der Produktterm (Interaktionsterm) nur dann den reinen Interaktionseffekt, wenn die “Haupteffekte“ der interagierenden Prädiktoren mit in die Regressionsgleichung eingeschlossen werden.

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

Die Modellparameter werden mit der Methode der kleinsten Quadrate geschätzt.

Der Parameter u0j gibt die spezifischen Abweichungen der ubergeordneten Analyseeinheiten (z.B. Schule) vom vorhergesagten, durchschnittlichen Intercept an.

Ist die Varianz in dem Parameter uj1 signifikant, spricht man von einer Cross-Level- Interaktion.

Die Devianz D = -2*log(L) kann fur den Vergleich geschachtelter Modelle verwendet werden.

Hierarchische Lineare Modelle setzen keine Normverteilung der Residuen voraus.

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

Beachtet man die hierarchische Struktur in den Daten nicht, besteht die Gefahr falscher Schlusse (z.B. des ökologischer Fehlschlusses)

Im Rahmen hierarschischer linearer Modelle können auf allen Ebenen Prädiktorvariabelen berucksichtigt werden.

Hierarchische Datenstrukturen sind solche, bei denen untere Einheiten in ubergeordneten Einheiten verschachtelt sind.

Eine Cross-Level-Interaktion bezeichnet eine Interaktion zwischen Prädiktorvariablen auf unterschiedlichen Ebenen.

HLM sind Regressionsmodelle, die eine hierarchische Datenstruktur berucksichtigen.

Welche Aussagen treffen zur Intraklassen- Korrelation zu?

Der Kennwert kann zwischen -1 und +1 variieren.

Eine Intraklassenkorrelation von 1 deutet auf einen starken Einfluss des Kontexts hin.

Im Falle von Längsschnittdaten zeigt eine Intraklassenkorrelation von 0 an, dass es keine Variabilität in dem Kriterium zwischen den Personen gibt.

Die Intraklassen -Korrelation zeigt das Verhältnis zwischen der Varianz auf der niedrigeren Analyseebene zur Gesamtvarianz an

Wenn der Kennwert 0 beträgt, dann ist die gesamte Varianz auf Unterscheide zwischen Level-1-Einheiten zuruckzufuhren

Eine Forscherin möchte ein 1-1-1 Mediationsmodell im Rahmen eines hierarchisch linearen Modells prufen (X=Prädiktor, M=Mediator, Y=Kriterium). Welche der folgend aufgefuhrten Modelle sind Bestandteil des von Zhang, Zyphur und Preacher (2009) empfohlenen, mehrschrittigen Vorgehens (nach Baron & Kenny, 1986) zu Prufung solcher Modelle?

Schritt 1: yij = ßoj+rij und ßoj = y00 + y01 Xj + uoj

Schritt 2: Mij = ßoj + rij und ßoj = Y00 + Y01 Xj + uoj

Schritt 3: Yij = ßoj + ß1j (Xij – Xj) + ß2j (Mij – Mj) + rij und ßoj = Y00 + Y01Xj + Y02 Mj + uoj und ß1j = y10 und ß2j = y20

Schritt 2: Mj = Yoo + Y01 Xj + uoj

Schritt 2: Mij = ßoj + ß1j (Xij – X.j) + rij und ßoj = Y00 + Y01 X.j + uoj und ß1j = y10

In Hierarchischen Linearen Modelle ist die Zentrierung insbesondere von Level-1-Variablen
von großer Bedeutung. Welche der folgenden Aussagen sind richtig?

Bei Zentrierung am Gruppenmittelwert (CWC) entspricht Y00 dem "average adjusted mean".

Bei der Zentrierung am Gruppenmittelwert (CWC) wird die Level-2-Varianz in dem Level-1- Merkmal "herausgerechnet".

Bei Zentrierung am Gesamtmittelwert (CGM) entspricht die Varianz in Y00 der Varianz der adjustierten Cluster-Mittelwerten.

Die Zentrierung am Gesamtmittelwert (CGM) erhält die Rangreihen in den Beobachtungen

Eine Zentrierung am Gruppenmittelwert (CWC) bietet sich an, wenn die eine Cross-Level- Interaktion uberpruft werden soll

Hierarchisch Lineare Modelle können auch zur Auswertung von Längsschnittdaten
herangezogen werden. Welche der folgenden Aussagen sind richtig?

Die Anzahl an Wiederholungsmessungen und die Zeitintervalle zwischen den Wiederholungsmessungen mussen fur alle Beobachtungen (Personen) dieselben sein

Die Messzeitpunkte sind innerhalb der Personen genestet.

Es können im Vergleich zur Varianzanalyse mit Messwiederholungen weniger restriktive Kovarianzstrukturen auf Level-1 verwendet werden.

Bei Aufnahme der Zeit als kontinuierlichen Prädiktor kann dem ersten Messzeitpunkt ein beliebiger Wert zugewiesen werden

Die Varianz in dem slope fur den kontinuierlichen Prädiktor Zeit weist auf Unterschiede in der Veränderung in dem Kriterium zwischen den Level-2 Beobachtungen (i.d.R. Personen) hin

Welche der folgenden Aussagen zu den Kennwerten einer explorativen Faktorenanalyse sind korrekt?

Im Falle unkorrelierter Faktoren entsprechen Faktorladungen Korrelationen zwischen den jeweiligen manifesten Variablen und den jeweiligen latenten Faktoren.

Im Falle unkorrelierter Faktoren kennzeichnet die Kommunalität das Ausmaß, in dem die Varianz einer Variablen durch die Faktoren aufgeklärt wird

Im Falle korrelierter Faktoren kennzeichnet der Eigenwert das Ausmaß, in dem die Varianz einer Variablen durch die Faktoren aufgeklärt wird

Im Falle korrelierter Faktoren handelt es sich bei den Faktorladungen um semipartielle standardisierte Regressionsgewichte

Summiert man im Falle korrelierter Faktoren die quadrierten Ladungen pro Faktor auf, erhält man die durch den Faktor erkärte Varianz.

Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind korrekt?

Faktorwerte sind Ausprägungen einer Person auf den latenten Variablen (Faktor).

Bei einer Faktorenanalyse, in der die extrahierten Faktoren sukzessive maximale Varianz aufklären sollen, kann es oft vorkommen, dass in der Anfangslösung viele Items hoch auf dem ersten Faktor laden und niedriger auf allen anderen Faktoren.

Bei einer EFA werden die Faktoren nicht nur daran bemessen, wieviel Varianz sie erklären, sondern auch daran, in welchem Maße sie beitragen, das Muster an Zusammenhängen zwischen den manifesten Variablen zu erklären

Nur im Falle korrelierter Faktoren kann auch die Korrelation zwischen den Items vollständig erklärt werden.

Unter der Uniqueness (Einzigartigkeit) wird die mesfehlerbereinigte Varianz eines Items verstanden, die auf die Faktoren im Modell zuruckgeht

Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?

Die Maximum-Likelihood-Faktorenanalyse im Zusammenhang mit metrischen manifesten Variablen setzt voraus, dass die manifesten Variablen einer multivariaten Normalverteilung folgen.

In einer Maximum-Likelihood-Faktorenanalyse darf der Messfehler eines Items nicht dich Kommunalität eines Items ubersteigen

Ein Vorteil der Maximum-Likelihood-Faktorenanalyse besteht darin, dass die Stabilität ihrer Ergebnisse im Vergleich zu anderen Verfahren der explorativen Faktorenanalyse nicht stark von der Kommunalität der Items abhängt

Bei einer Maximum-Likelihood Faktorenanalyse sind im Gegensatz zu einer Hauptkomponentenanalyse die Ladungen der Faktoren auf den Items eindeutig bestimmt

Bei der Maximum-Likelihood-Faktorenanalyse kann die Anzahl der zu extrahierenden Faktoren mittels eines Likelihood-Quotienten-Tests bestimmt werden

Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?

Das sog. Kommunalitätenproblem entsteht, wenn der Anteil der Gesamtvarianz aller manifesten Variablen, der durch die latenten Faktoren aufgeklärt wird, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifesten Variablen

Als Anfangsschätzer fur die Kommunalitäten bei der Durchfuhrung einer Hauptachsenanalyse (PAF) unter anderem das Quadrat der multiplen Korrelation der Variablen mit allen anderen Variablen eingesetzt

Die PAF ist ein iteratives Verfahren, das endet, wenn die Unterschiede in den Kommunalitätenschätzungen zwischen zwei aufeinanderfolgenden Iterationsschritten kleiner als ein Konvergenzkriterium sind.

Kommunalität stellt eien Mindestschätzung fur die Reabilität eines Items dar

Bei der PCA wird die höchste bivariate Korrelation der Variablen mit einer anderen Variablen als Schätzer fur die Kommunalitäten der Variablen benutzt

Welche der folgenden Aussagen zur Hauptkomponentenanalyse und zur Hauptachsenanalyse sind richtig?

Ein Ziel der Hauptkomponentenanalyse ist die Datenreduktion

Bei der Hauptkomponentenanalyse wird nur die gemeinsame Varianz (d.h. der Teil der Varianz, den die Variablen aufgrund der (unbekannten) zugrundeliegenden latenten Struktur miteinander teilen) faktorisiert.

Bei der Hauptkomponentenanalyse werden die Hauptkomponenten so bestimmt, dass sie sukzessive maximal Varianz erklären und unabhängig voneinander sind

Bei der Hauptachsenanalyse werden die Faktoren so bestimmt, dass sie sukzessive maximal Varianz erklären und unabhängig voneinander sind.

Bei der Hauptachsenanalyse wird die Gesamtvarianz zerlegt in zwei Komponenten a) einen Varianzanteil, den sich die manifesten Variablen teilen, und b) eine Fehlervarianz

Welche Vorteile weisen SEM im Vergleich zur multiplen Regressionsanalyse auf?

Der Messfehler kann berucksichtig werden

Kausalhypothesen können uberpruft werden

Der Model-Fit kann uberpruft werden

SEM basiert auf weniger strengen Voraussetzungen

Es kann in einem Schritt ein multiples Meditationsmodell gepruft werden.

Welche Aussagen treffen im Kontext linearer Strukturgleichungsmodelle zu?

Endogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von keiner der im Modell thematisierten Größen beeinflusst werden.

Fur die Identifizierung eines Messmodells sind vier manifeste Indikatoren ausreichend

CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem model chi square

Als Datengrundlage wird in der Regel eine Kovarianzmatrix verwendet

In (reflexiven) Messmodellen sind die beobachteten Indikatoren immer endogene Variablen

Welche der folgenden Aussagen bezogen auf die Identifikation eines SEM sind richtig?

Durch die Einfuhrung von Restriktionen (Fixierung von Modellparametern auf bestimmte Werte) kann im Falle eines unteridentifizierten Modells Modellidentifikation hergestellt werden

Eine notwendige Bedingung fur Modellidentifikation ist eine mindestens gleiche Anzahl an Informationen wie an frei zu schätzenden Parameter

Eine notwendige Bedingung fur Modellidentifikation ist die Vorgabe einer Skalierung fur alle latenten Variablen

Eine notwendige Bedingung fur die Modellidentifikation ist die Verwendung von mind. 4 Indikatoren fur jede latente Variable

Zur Identifikation eines Modells werden die Residualvarianzen in der Regel auf 1 fixiert

Welcher der folgenden Aussagen bezogen auf den Vergleich genesteter Modelle im Rahmen von SEM sind richtig?

Ein signifikanter Chi-Quadrat-Differenzentest spricht fur das weniger restriktive Modell.

Werden Modelle mit einer unterschiedlichen Anzahl an Variablen verglichen, handelt es sich nicht um einen genesteten Modellvergleich.

Der Chi-Quadrat-Differenzentest kann nur bei genesteten Modellvegleichen verwendet werden.

Genestete Modelle ergeben sich durch Respezifikationen von Modellparametern.

Mit einem Vergleich von genesteten Modellen kann die (statistische) Bedeutsamkeit von spezifischen Modellparametern gepruft werden.

Welche der folgenden Aussagen bezogen auf den multiplen Gruppenvergleich sind richtig?

Skalare Invarianz ist eine notwendige Voraussetzung fur eine Überprufung von Unterschieden in den Ausprägungen der latenten Variablen

Wenn keine metrische Messinvarianz vorliegt, kann auch keine skalare Messinvarianz vorliegen

Liegt metrische Messinvarianz vor, kann von einer Vergleihbarkeit des Bedeutung einer latenten Variablen ausgegangen werden

Der multiple Gruppenvergleich ist nicht auf den Vergleich von zwei Gruppen (Populartionen) beschränkt

In dem bottom-up-Ansatz werden ausgehend von dem restriktiven Modell sukzessive Modellparamter freigesetzt, um die unterschiedlichen Formen von Messinvarianz und Poulationshetereogenität zu prufen.

Eine Forscherin möchte ein Messmodell mit zwei latenten Variablen mit je zwei Indikatoren
mit einer konfirmatorischen Faktorenanalyse prufen. Welche der folgend aufgelisteten
Modellspezifikationen sind fur die Modellidentifikation notwendig?

Die Kovarianz zwischen den beiden latenten Variablen muss als freier Parameter geschätzt werden

Die Ladung der Indikatoren auf den Residuen muss auf 1 (oder einen anderen beliebigen Wert) fixiert werden, wenn gleichzeitig die Varianzen der Residuen geschätzt werden sollen

Die Varianz der beiden latenten Variablen und jeweils die Ladung eines Indikators muss auf 1 (oder einen anderen beliebigen Wert) fixiert werden

Eine Überidentifiziertheit des Modells ist unter Verwendung der ublichen Modellfixierungen nicht herstellbar

Die Varianz der beiden latenten Variablen oder jeweils die Ladung eines Indikators muss auf 1 (oder einen anderen beliebigen Wert) fixiert werden.

Ein Forscher interessiert sich fur ein komplexes SEM mit einer Reihe gerichteter
Beziehungen zwischen einer Reihe von latenten Variablen, von denen er annimmt, dass sie alle bedeutsam sind. Er uberpruft das Model auf Basis von querschnittlichen Umfragedaten und erhält folgende Fit-Maße: X2=455.87, df= 133, p<.001, CFI=.95; RMSEA=.024; SRMR= .043.
Welche der folgend aufgelistetetn Aussagen sind richtig?

Die kausalen Annahmen können als belegt gelten.

Der Modell-Fit deutet darauf hin, dass es keine vergleihbar guten Alternativmodelle (im Sinne genesteter Modelle) gibt

Der Modell-Fit kann insgesamt als zufriedenstellend bezeichnet werden, wenn man die ublichen Kriterien zur Bewertung des Modell-Fits heranzieht

Der Modell-Fit deutet darauf hin, dass auch in weiteren, unabhängigen Stichproben das Modell bestätigen lassen wird

Der Forscher sollte auch plausible äquivalente Modelle diskutieren

Welche der folgenden Aussagen bezogen auf unterschiedliche Varianten längsschnittlicher
SEM sind richtig?

Cross-lagged-Modelle eignen sich besonders fur die Untersuchung der Veränderung von Variablen.

Mit latenten Wachstumskurvenmodellen lassen sich auch Ausagen uber die zeitliche Beziehungen zwischen Variablen treffen.

Latente Wachstumskurvenmodelle und Latent-Change-Modelle eignen sich besonders fur die Untersuchung interindividueller Unterschiede in der Veränderung von Merkmalen

Im Rahmen von Latent-Change-Modellen können keine Aussagen uber die genaue Form der Veränderungen getroffen werden

Fur die Identifikation von Latent-Change-Modellen sind mindestens drei Messzeitpunkte notwendig

Eine Forscherin interessiert sich fur die Veränderung im Wohlbefinden (gemessen mit einer Skala, die 10 Items umfasst) im Verlauf des Studiengangs M. Sc. Psychologie an der Fernuni Hagen. Hierzu befragt sie eine Stichprobe von N=2000 Studierenden jeweils am Ende des Semesters uber die Studienzeit (Vollzeit) hinweg (insgesamt 4 MZP). Sie wendet ein latentes Wachstumskurvenmodell bei der Datenanalyse an. Welche der folgenden Aussagen sind richtig? (Bei den Aufgaben A, C und E ist nur der Wahrheitsgehalt des letzten Satzes zu
beurteilen).

Die Ergebnisse ergeben einen signifikanten von 0 abweichenden positiven Wert (latenter Mittelwert) fur den Slope-Faktor. Auch die Varianz in dem Slope-Faktor weicht signifikant von Null ab. Somit nimmt bei einigen Studierenden das Wohlbefinden im Laufe des Studiums zu, bei einigen anderen hingegen ab.

Bedeutsame Varianz in dem latenten Intercept-Faktor zeigt interindividuelle Unterschiede im mittleren Ausmaß an Wohlbefinden uber die Studienzeit hinweg an.

Fur die Ladungen der Indikatoren auf dem latenten Slope-Faktor wählt die Forscherin die Werte 0 fur Indikator (I) zum 1. MZP, 1 fur den I zum 2. MZP, 2 fur den I zum 3. MZP und 3 fur den I zum 4. MZP. Sie hat somit ein lineares Wachstum spezifiziert

Bedeutsame (sig. von 0 abweichende) Varianzen in dem latenten Slope-Faktor zeigt interindividuelle Unterschiede in der Veränderung im Wohlbefinden an.

Die Kovarianz zwischen dem Intercept- und dem Slope-Faktor ist 0. Wird die in Antwortoption C verwendete Parametrisierung fur den Slope-Faktor verwendet, zeigt diese Kovarianz an, dass die Veränderung im Wohlbefinden unabhängig von dem Ausmaß an Wohlbefinden zum ersten MZP ist.

Welche Aussagen in Bezug auf Verfahren zum Umgang mit fehlenden Werten sind richtig?

Missing at Random (MAR) bedeutet, dass nach Kontrolle von zusätzlichen beobachteten Variablen das Auftreten von fehlenden Werten weder von der Ausprägung der Variablen selbst noch der Ausprägung anderer Variablen im Datensatz abhängt

Fehlende Werte fuhren alleine zu einer verzerrten Schätzung der Standardfehler.

Von den klassischen Verfahren zur Behandlung fehlender Werte sollte alleine der paarweise Ausschluss zur Anwendung kommen

Imputationsbasierte Verfahren zur Behandlung fehlender Werte sind generell zu empfehlen.

Fallweiser und paarweiser Ausschluss setzen Missingf Completely at Random (MCAR) voraus.

Welche Aussagen in Bezug auf Verfahren zum Umgang mit fehlenden Werten sind richtig?

Bei einem kleinen Anteil an fehlenden Werten (<5%) ist der listenweise Fallausschluss akzeptabel.

Single-Imputation-Verfahren berucksichtigen die Unsicherheit in den Schätzungen fehlender Werte

Single-Imputation-Verfahren berucksichtigen nicht die Unsicherheit in den Schätzungen fehlender Werte.

Bei der Full-Information-Maximum-Likelihood-Methode werden die fehlenden Werte durch einen Maximum-Likelihood-Schätzer ersetzt

Die Multiple Imputation erfordert sehr große Stichproben

Welche der folgenden Aussagen uber Gutekriterien der Evaluationsforschung sind richtig?

Eine hohe Objektivität ist dann gegeben, wenn der erfasste Gegenstand der Evaluation unabhängig ist von Randbedingungen (z. B. davon, wer eine Erhebung durchfuhrt, auswertet oder interpretiert).

Die Fairness ist hoch, wenn alle Kriterien die zur Beurteilung eines Evaluationsgegenstandes angewandt werden, bekannt sind.

Das Vorhandensein von manifesten Indikatoren, die Auskunfte uber einen Evalutationsgegenstand ermöglichen, ist eine Voraussetzung fur Objektivierbarkeit

Die Validität eine Evalutionsinstruments bezieht sich auf die Messgenauigkeit, mit der ein Merkmal erfasst wird

Skalierung spielt bei der Evaluationsforschung keine Rolle

Das Qualitätsmanagement-Team eines Krankenhaus hat vor einem Jahr ein Programm zur
Prävention von Infektionen durch Krankenhauskeime eingefHauptachsenanalyseine Evaluation des Programmes durchfuhren. Welche Aussagen sind richtig?

Es handelt sich um eine Selbstevaluation

Die Bewertung einer nicht-psychologisch-orientierten Maßnahme in einem KH ist keine Evaluation.

Der Gegenstand der Evaluation ist der Krankenhausbetreiber

Eine Compliance-Evaluation ist im geschilderten Zusammenhang nicht sinnvoll

Der Gegenstand der Evaluation ist das Präventionsprogramm

In einigen Klassen einer Gesamtschule wird ein Programm zur Verminderung von
Homophobie (Feindseligkeit ggu. Homosexuellen) durchgefuhrt. Gleichzeitig wird in der bei
Schuler*innen sehr beliebten ARD-Vorabendsendung "Große Gefuhle" erstmalig die Geschichte eines schwulen Paares erzählt. Welche Aussagen sind richtig?

Eine Wirkung des Programms ist dann gegeben, wenn sich eine Verbesserung der Einstellung ggu. Homosexuellen in den Klassen zeigt, die das Programm durchlaufen haben

Ein möglicher Einfluss der Vorabendsendung auf die Einstellungen der Schuler*innen ggu. Homosexuellen kann als maßnahmenunspezifische Wirkung bezeichnet werden

Ein naturlicher Reifungsprozess der Schuler*innen (sprich: die Schuler*innen werden älter und vernunftiger), der zu einer Verbesserung der Einstellungen ggu. Homosexuellen fuhrt, kann als maßnahmenspezifische Wirkung bezeichnet werden.

Die Analyse von Wirkmechanismen hat keine Relevanz fur Modifikation des Programms

Durch die Realisierung einer Kontrollgruppe mit einer unspezifischen Maßnahme in anderen, vergleichbaren Schulklassen lässt sich die Nettowirkung des Programms von seiner Bruttowirkung trennen.

Welche diagnostischen Entscheidungsstrategien gibt es?

Social Judgement Technique

CaSPEr-Diagnostik

Test auf Spärizität

Goal-Attainment-Scaling

Delphi-Methode

Welche Aussage zur Bedarfsanalyse bei der prospektiven Evaluation sind richtig?

Die Wirksamkeit einer Maßnahme ist unabhängig von der Ausprägung und Verteilung des Problems

Die Ausschöpfungsquote beschreibt das Ausmaß, in dem richtige Positive und richtig Negative korrekt differenziert und falsch Positive bzw. falsch Negative vermieden wurden

Die Problemdefinition sollte erst nach Zielgruppenbestimmung erfolgen

Die Hierarchisierung von Zielen ist grundsätzlich nicht zu empfehlen

Bei der Zielgruppenbestimmung unterscheidet man im Hinblick auf die Spezifität der Zielgruppe zwischen manifesten und latenten Ansätzen

Welche Aussagen zur formativen Evalutation sind richtig?

Der Einsatz qualitativer Methoden ist bei der formativen Evaluation nicht zu empfehlen.

Das Ziel der formativen Evaluation ist die Optimierung eines Programms unter gegebenen Praxisbedingungen.

Die Programmoptimierung ist kein Bestandteil der formativen Evaluation

Die Implementationskontrolle ist kein Bestandteil der formativen Evaluation

Bei einem Probedurchlauf kann anhand einer kleinen Stichprobe uberpruft werden, ob eine Umsetzung eines Programms unter den gegebenen Bedingungen uberhaupt möglich ist.

Ein Psychologe bietet ein Stressmanagement-Training an. Er möchte wissen, ob sich das
Wohlbefinden der Teilnehmenden nach dem
zweiwöchigen Training verbessert hat. Welche Aussagen zur Veränderungsmessung sind
richtig?

Bei einer direkten Veränderungsmessung fragt der Psychologe die Telnehmenden einmal am Ende des Trainings, ob sie sich besser fuhlen als vor dem Training.

Bei einer quasi-indirekten Veränderungsmessung fragt der Psychologe die Telnehmenden zu Beginn sowie am Ende des Trainings nach ihrem Wohlbefinden und vergleicht die Angaben

Die indirekte Veränderungsmessung ist unabhängig von der Änderungssensitivität eines Messinstruments

Die ausschließliche Verwendung von Items mit sehr niedriger Schwierigkeit macht eine indirekte Veränderungsmessung unmöglich.

Wenn die Teilnehmenden durch das Training gelernt haben, potentiell belastenden Situationen anders zu interpretieren und schneller zu erkennen, kann das im Sinne eines Response Shifts die Veränderungsmessung des Wohlbefindens beeinflussen

MM1 FUH WS18/19

Créer ou copier des fichiers d'apprentissage

Créer ou copier des fichiers d'apprentissage

Connecte-toi pour voir toutes les cartes.

SWITCHaai

Office 365

Edulog

Apple ID

Google