Set of flashcards MM1 Altklausurfragen (Page 3 of 4)

Flashcards	125
Students	10
Language	Deutsch
Category	Psychology
Level	Other
Created / Updated	30.08.2019 / 08.08.2022
Weblink	https://card2brain.ch/box/20190830_mm1_altklausurfragen
Embed	<iframe src="https://card2brain.ch/box/20190830_mm1_altklausurfragen/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Eine Forscherin entwickelt eine stationäre Therapie für Anorexia nervosa Patienten. Die Konfrontation der Patienten mit kalorienreichem Essen soll einen Gewöhnungseffekt verursachen, der das Essverhalten normalisiert. Normalisierung tritt nach 2 Wochen auf, bleibt langfristig bestehen, auch außerhalb der Station. Die Normalisierung tritt allerdings nicht bei Patienten auf, die durch den drastischen Gewichtsverlust kognitive Einschränkungen haben. Welche Aussage stimmt?

Das Wirkmodell enthält Annahmen zur Wirksamkeit

Das Wirkmodell enthält Annehmen zur Persistenz

Das Wirkmodell enthält Annahmen zum Transfer

Das Wirkmodell enthält Annahmen zu Moderatoren

Das Wirkmodell enthält Annahmen zur Dynamik

Aufgabe zum Homophobieprogramm/Vorabendsendung:

Durch die Realisierung einer Kontrollgruppe mit einer unspezifischen Maßnahme in anderen vergleichbaren Klassen lässt sich die programmgebundene Wirkung des Programms von der interventionsgebundenen Wirkung trennen.

Wenn sich durch das Programm gleichzeitig zu einer Verminderung von Homophobie auch eine Reduktion von Vorurteilen gegenüber transgender Personen ergeben würde, handelte es sich dabei um eine Nebenwirkung des Programms.

Wenn sich als Folge einer durch das Programm ausgelösten Verminderung von Homophobie ein Anstieg genereller Toleranz einstellen würde, handelte es sich dabei um eine Folgewirkung des Programms.

In welchen der skizzierten Beispiele ist die interne Validität des Evaluationsdesigns gefährdet oder beeinträchtigt?

Aufgrund von praktischen Begebenheiten ist eine randomisierte oder kontrollierte Zuweisung der Teilnehmenden auf Treatment- und Kontrollgruppe nicht möglich.

Die verwendeten Messinstrumente sind wenig reliabel.

Zur Evaluation eines neuen Sozialkompetenz-Trainings werden Interessierte zufällig auf eine Treatment- und eine Kontrollgruppe aufgeteilt. In der KG wird ein anderes Sozialkompetenz-Training durchgeführt. In der Treatment-Gruppe wird das Training von der leitenden Psychologin durchgeführt. Die Durchführung des Trainings in der KG übernimmt ein Praktikant.

Ein neues Anti-Gewalt Training wird mit dem bewährten Programm "NoVio" verglichen. Die Aggressivität wird vor dem Training (T1) und danach (T2) erfasst. Ein Grundsatz von NoVio ist, dass sich die Teilnehmer an ganz klare Regeln halten. Ein paar sehr aggressive Teilnehmer schaffen es nicht, sich an diese Regeln zu halten, wodurch ihre Teilnahme am Programm vor der T2 Messung beendet wird.

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

die Addition der Semipartialdetermination entspricht dem Determinationskoeffizienten

sie die Effekte der Prädiktoren in einer MR additiv, ist das Regressionsgewicht eines Prädiktors davon unabhängig, welche anderen Variablen sich in der Regressionsgleichung befinden

Um bei einer Effektkodierung die Mittelwerte der einzelnen Gruppen herauszufinden muss man:

Mittelwert Basiskategorie: für x1 und x2 jeweils 0 einsetzen

für den Mittelwert von x1: für x1 1 einsetzen, für x2 0 einsetzen

für den Mittelwert von x2: für x1 0 einsetzen, für x2 1 einsetzen

wenne alle 3 Gruppen gleich groß und b2 = - b1 --> gleiche Formel für beide Effekt/Dummykodierung

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

liegt eine hohe Interkorrelation (= Multikollinearität) der Prädiktoren vor, ist eine Konsequenz, dass die Schätzung des Regressionsgewichts ungenau wird, was sich in einer Erhöhung des Standardfehlers des geschätzten Regressionsgewichts ausdrückt

Diagnose von dem Ausmaß an Multikollineartität: Toleranz oder Varianz-Inflations-Faktor

Baron und Kenny haben ein Verfahren vorgeschlagen, um Mediationseffekte zu analysieren, das als causal step approach bekannt geworden ist. Welche der folgenden Aussagen zu diesem Verfahren sind korrekt?

Baron und Kenny zufolge: 3 Regressionsanalysen mit denen geprüft werden kann ob 4 Bedingungen erfüllt sind, die nach diesem Schema notwendig sind, um von einer Mediation sprechen zu können

bei statistischer Kontrolle des Prädiktors, muss der Mediator das Kriterium signifikant beeinflussen

partielle Mediation: direkter Effekt < totaler Effekt (totaler= direkt + indirekt)

vollständige Mediation: kein direkter Effekt aber ein totaler Effekt

Zusammenhang von Messinvarianz und Vergleichbarkeit

Liegt metrische Messinvarianz vor, kann nicht von Vergleichbarkeit der latenten Variablen ausgegangen werden

Liegt keine metrische Messinvarianz vor, kann auch nicht von einer Vergleichbarkeit der Bedeutung einer latenten Variable ausgegangen werden (weil metrische MI Voraussetzung für skalare)

metrische Messinvarianz: Vergleichbarkeit v. Zusammenhängen/Bedeutung der Variablen

skalare Messinvarianz: Vergleichbarkeit v. Ausprägungen der Variablen

Aussagen zur Mediation. Was ist korrekt?

der Sobel-Test setzt Normalverteilung voraus

ein signifikanter indirekter Effekt der Mediation ist nicht zwangsläufig ein Beleg für dessen (M) Gültigkeit, da er auch ein Korrelat der AV sein kann

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

Bootstrapping hat größere Power als Sobel-Test

Welche Aussagen zu einer moderierten Regression sind korrekt?

Varianzanalysen mit Mediansplit haben gegenüber der moderierten Regression zwar immer eine höhere Teststärke, dafür besteht dabei die Gefahr, dass der reale Effekt unter- oder überschätzt wird

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 Prodoukttermin (Interaktionsterm) nur dann den reinen Interaktionseffekt, wenn die Haupteffekte der interagierende Prädiktoren mit in die Regressionsgleichung eingeschlossen werden

Was versteht man unter Aggregation und Disaggregation? (Thema: HLM)

Aggregation:

Variablen werden für jede übergeordnete Analyseeinheit zusammengefasst
Analysen auf der übergeordneten Ebene
Folge: Verlust an Power + Verlust an Information

Disaggregation:

Gegenteil von Aggregation
Eigenschaften der Analyseeinheiten der übergeordneten Ebene werden den Analyseeinheiten der unteren Ebene zugeordnet
Analyse auf der untergeordneten Ebene
Überschätzung der statistischen Power

Was ist der Unterschied zwischen MR und HLM bezogen auf die Modellparameter-Schätzung?

MR: Kleinste-Quadrate-Kriterium --> innerhalb jeder Gruppe soll die Summe der Abweichungen minimal sein

HLM: Wahrscheinlichkeit der beobachteten Daten unter dem gegebenen Modell soll maximiert sein --> interatives Verfahren --> FML oder REML

FML: Full Maximum Likelihood: simultane Schätzung aller festen + zufälligen Parameter

REML: Restricted Maximum Likelihood: erst Schätzung zufällige Effekte, dann feste Effekte --> bessere Schätzung

Welche Aussagen in Bezug auf HLM sind richtig?

Der Patrameter uoj gibt die spezifischen Abweichungen der übergeordneten Analyseeinheiten (z. B. Schule) vom vorhergesagten durchschnittlichen Intercept an.

Eine Intraklassenkorrelation von 0 deutet auf KEINEN starken Einfluss des Kontextes hin.

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

Intraklassenkorrelation zeigt das Verhältnis zwischen der Varianz auf der höheren Analyseebene zur Gesamtvarianz.

ICC: Wenn Kennwert +1 ist, dann ist die gesamte Varianz auf Unterschiede zwischen Level-2 Einheiten zurück zu führen.

Welche Aussagen sind in Bezug auf HLM richtig?

betrachtet man die hierarchische Struktur in den Daten nicht, besteht die Gefahr falscher Schlüsse (z.B. ökologischer Fehlschluss)

im Rahmen hierarchischer Modelle können Prädiktorvariablen auf unterschiedlichen Analyseebenen simultan berücksichtigt werden

Hierarchische Datenstrukturen sind solche, bei denen untere Einheiten in übergeordnete Einheiten verschachtelt sind

Eine Cross-Level bezeichnet eine Interaktion zwischen Prädiktoren auf unterschiedlichen Ebenen

HLM sind Regressionsmodelle, die eine hierarchische Datenstruktur berücksichtigen

In hierarchisch linearen Modellen ist Zentrierung insbesondere von Level-1- Variablen von großer Bedeutung. Was ist richtig?

Bei der Zentrierung am Gesamtmittelwert (CGM) entspricht "y00" dem "average adjusted mean"

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

die Zentrierung am Gesamtmittelwert (CGM) erhält die Rangreihen in der Beobachtung

Zentrierung am Gruppenmittelwert (CWC) bei cross-level-Interaktionen empfohlen

Hierarchisch lineare Modelle können zur Auswertung von Längsschnittdaten verwendet werden. Was ist richtig?

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

bei Annahme der Zeit als kontinuierlicher Prädiktor kann dem ersten Messzeitpunkt der Wert 0 zugeordnet werden

die Varianz im Slope für den kontinuierlichen Prädiktor Zeit weist auf Unterschiede in der Veränderung im Kriterium zwischen den Level-2-Bedingungen (hier Personen bei Längsschnitt!) hin

Kovarianzstruktur für die Wiederholugnsmaße kann vorgegeben werden

Anzahl an Wiederholungsmessungen + Zeitintervallen können variieren

Welche Aussagen in Bezug auf Kennwerte der EFA sind richtig?

Faktorwerte: Messwerte der Personen auf den latenten Variablen (geschätzer Wert)
Faktorladung
- unkorreliert: Korrelation einer Variablen und einem Faktor (manifeste Variablen und latente Variablen)
- korreliert: semipartielles standardisiertes Regressionsgewicht
Kommunalität
- unkorreliert: Summe der quadrierten Ladungen (eines Items auf alle Faktoren)
- korreliert: schwer zu berechnen
Eigenwert: gibt an wie viel von der Varianz aller Variablen durch diesen einen Faktor erfasst wird
- unkorreliert: Summe der quadrierten Faktorladungen (der Ladungen aller Items auf einen Faktor)

Welche Aussagen in Bezug auf EFA sind richtig?

die Kommunalitäten ändern sich nicht egal wie rotiert wird

Items sollen auf einen Faktor hoch laden und auf die anderen gering

PAF (Hauptachsenanalyse): faktorisiert wird die gemeinsame Varianz. (Gesamtvarianz wird zerlegt in gemeinsame + spezifische Varianz und Fehlervarianz; auch genannt: systemische Varianz und Zufallsvarianz)

Welche Aussagen in Bezug auf EFA sind korrekt?

(PCA= Hauptkomponentenanalyse; PAF= Hauptachsenanalyse)

Ziel der PCA ist Datenreduktion (und max. Varianzaufklärung)

PCA: sukzessive Varianzaufklärung und unabhängige Komponenten

PAF: sukzessive Varianzaufklärung und unabhängige Komponenten

EFA (PAF + ML Faktoranalyse): Ziel Identifizierung interpretierbarer Konstrukte, die die Korrelation zw. manifesten Variablen erkären

Was sind die Voraussetzungen einer EFA?

Intervallskallenniveau

ausreichende Interkorrelation der beobachteten Variablen (Prüfung: Bartlett-Test auf Sphärizität, auch Kaiser-Meyer-Olkin-Kriterium aber dieses nicht empfohlen)

bei ML-Faktorenanalyse: multivariate Normalverteilung

Welche 2 Aspekte umfasst die prospektive Evaluation?

Bedarfsanalyse: besteht Bedarf?

Konzeptionsanalyse: Wird eine konkrete Intervention diesem Bedarf gerecht?

Prospektive Evaluation und Maßnahmenplanung

Welche Zielgruppen können spezifiziert werden?

universeller Ansatz: gesamte Population

indizierter Ansatz: Personen mit Problemverhalten

selektiver Ansatz: Personen der Risikopopulation

Welche 3 Wirkungen unterscheidet Hager & Hasselhorn (2000)?

programmgebundene Wirkungen (auf spezifische Charakteristika zurückzuführen)

interventionsgebundene Wirkungen (Veränderung durch Tatsache, dass irgendeine Maßnahme durchgeführt wurde)

interventionsUNabhängige bzw. externe Wirkungen (weder programm- noch interventionsgebunden)

Evalutation: welche Kostenarten unterscheidet man?

manifeste (direkte) Kosten: in Geldeinheiten, z.B. Zeitaufwand, Material, Ausfallkosten etc

latente (indirekte) Kosten: nicht direkt belegbar, z.B. Schaden für die Wirtschaft

Opportunitätskosten: entscheidet man sich für Maßnahme A nimmt man deren Nachteile in Kauf und verzichtet gleichzeitig auf Vorteile von Maßnahme B

Evaluation: Modelle der Effizienzanalyse

Kosten-Nutzen-Analyse: wenn sich Kosten & Nutzen in Geldwerte umrechnen lassen

Kosten-Effektivitäts-Analyse: Wirkung wird in eine sinnvolle Einheit transferiert und die Kosten pro Einheit werden berechnet --> Nutzenschwelle (break-even-point) wird berechnet

Was beinhaltet die prospektive Evaluation?

Bedarfsanalyse: besteht Bedarf?
- Bestimmung von Problem
- Bestimmung von Zielgruppe
  - universeller, indizierter (Problemverhalten), selektiver (Risikogruppe) Ansatz
  - Overinclusion: zu viele "Falsch Positive"
  - Underinclusion: zu viele "falsch Negative"
- Bestimmung von Ziel: Zielhierarchien
  - Arbeitsschritthierarchien (welche Schritte zur Zielerreichung nötig)
  - Bedingungshierarchien (welche Bedingungen müssen erfüllt sein)
  - Konkretheitshierarchien (wie wird Zielerreichung gemessen? --> Kirkpatrick: Reaktion, Lernerfolg, Verhalten, Ergebnisebene)
Konzeptionsanalyse
- Analyse + Bewertung der Maßnahmenkonzeption

Was versteht man unter formativer Evaluation?

Ziel: Programmdurchführung optimieren

nicht hypothesentestend!

Programmoptimierung: Probedurchlauf oder Prozessevaluation --> erste Daten bzgl. Wirksamkeit --> Bedingungen optimieren

Implementationskontrolle: geht um Umsetzung (Drop-Out? Akzeptanz? Leitlinien erfüllt?)

Was versteht man unter Konfundierung?

--> Störvariable ist sowohl mit UV als auch mit AV korreliert --> beeinträchtigt die interne Validität

gleichsinnige Konfundierung: Hypothese wird artifiziell bestätigt

gegensinnige Konfundierung: Hypothese wird artifiziell widerlegt

Kapitel 9: Designfragen - Planung von Evaluationsuntersuchungen

manipulierte Versuchsbedingungen bzgl interne Validität (in wiefern kausale Interpretation möglich?)

--> schwache Kausalitätsbedingungen:

Randomisierte Designs: mögliche Störvariablen sollten gleichmäßig auf Versuchsbedingungen verteilt sein daher zufällige Zuweiseung von Personen

Quasi-experimentelle Designs: ohne randomisierte Bedingungszuweisung --> Gefahr für interne Validität

Regressions-Diskontinuitäts-Design: Zuweisung zu einer Therapiebedingung wird aus Basis einer Kontrollvariablen vorgenommen (Cut-Off-Wert; Regressionsgerade sollte am Cut-Off einen Sprung haben wenn Therapie wirksamer)

Interne Validität

inwiefern lässt das Untersuchungsdesign eine kausale Interpretation zu?

.

Strategien zur Erhöhung der internen Validität (Kontrolle von Konfundierungen)

Randomisierung: Zufallszuweisung, Annahme alle Variablen verteilen sich gleichmäßig --> Problem: bei kleiner Stichprobe, ethische Bedenken
Konstanthaltung personengebundener Störvariablen: Einfluss Störvariablen nicht ausschaltbar aber "gleich machen" für alle Gruppen --> Problem: externe Validität (zB nur Leute über 100 IQ)
Ausbalancierung: Verteilung Ausprägungen von Störvariablen in allen Gruppen gleich (Verhältnis weibl./männl.)
Parallelisierung (Matching): Ziel: Gleichverteilung der Störvariablen in allen Bedingungen (z.B. Personen mit identischen Pre-Test-Werten in eine Gruppe)
statistische Kontrolle: Auspartialisierung: Einfluss von Störvariablen auf AV statistisch kontrollieren
intraindividuelle Veränderungsmessung:intraindividuelle Veränderung zw. Pre- und Posttest: unterschiedliche Ausgangswerte egal, EInflüsse zw. Personen egal

Was ist ein Quasi-Experiment?

Gruppenzugehörigkeit per Selbstselektion (z.B. wegen ethischer Bedenken) oder Gruppenzugehörigkeit ist bereits festgelegt, kann nachträglich nicht geändert werden

.

Was ist das Simpson-Paradox?

besonderer Fall der Konfundierung: ein beobachteter Effekt der Maßnahme ist innerhalb jeder Subgruppe der Störvariablen hypothesenkonform, über die Subgruppen hinweg jedoch umgekehrt und hypothesenwidrig (z.B. Geschlecht ungleich über Gruppen verteilt und Geschlecht hat Haupteffekt auf AV)

2 Bedingungen: Störvariable ist hoch mit der UV korreliert + gegenseitige Konfundierung

Evaluation:

In welchen 3 Schritten sollten Datenauswertungen vorgenommen werden?

explorativ
- Häufigkeitsverteilung prüfen (Normalverteilung, Ausreißer, auffällige Muster)
deskriptiv
- Beschreibung der Stichprobenzusammensetzung + Messeigenschaften der Instrumente
inferenzstatistisch
- Überprüfung der statistischen Bedeutsamkeit eines beobachteten Effekts --> inwiefern kann man von einem in der Stichprobe gefundenen Effekt auf die Population schließen

Evaluation: Auswertung

Was sind Ausreißerwerte?

grafischer Test: Box-Whisker-Diagramm: werte weit außerhalb des Interquartilabstandes

Standardwerte: alle mehr als 3 Standardabweichungen (bei annähernder Normalverteilung)

Mahalanobis-Distanz: zentrierte Werte werden quadriert + an Varianz dividiert --> extreme Abweichungen vom Mittelwert stärkeres Gewicht als geringe Abweichungen

Hebelwerte: 5% extremste Hebelwerte entfernen (bei Normalverteilung)

Residualwerte: bei multupler Regression weitere Möglichkeiten

Welche 2 Tests auf Normalverteilung gibt es?

Kolmogorov-Smirnov-Test

Shapiro-Wilk-Test

Trick 1: Rohwerte können durch Transformation (Logarithmustransfusion) der NV angepasst werden

Trick 2: Ausreißer/Extremwerte eliminieren

Welche non-parametrischen Verfahren gibt es?

(non-parametrische Tests machen keine Verteilungsannahmen wie zb NV)

Abweichung von einem fixen Wert: Vorzeichentest

Unterschied zw. 2 Gruppen (unabhängige Stichproben): Mann-Whitney-U-Test

Intraindividuelle Veränderung (2 abhängige Stichproben): Wilcoxon-Vorzeichen-Rangtest

Wann verwendet man z-Test bzw t-Test (es gibt jeweils unterschiedliche Arten, nur grob) ?

Parametrisches Verfahren: Populationsvarianz bekannt: z-Test

Parametrisches Verfahren: Populationsvarianz unbekannt und nur geschätzt: t-Test

Evaluation: Datenauswertung:

Wie prüft man die Varianzhomogenitätsannahme in der Stichprobe?

Levene Test

bei Vergleich zweier Mittelwerte aus unabhängigen Stichproben: Welch-Test

Was versteht man unter der Teststärke?

Teststärke (= Power) eines statistischen Tests ist definiert als die Wahrscheinlichkeit, mit der der Test bei gegebenem Signifikanzniveau und gegebener Stichprobengröße in der Lage ist, einen definierten Populationseffekt (einer bestimmten Größe) zu finden, falls dieser tatsächlich existiert.

--> Wahrscheinlichkeit, mit der ein statistischer Test ein signifikantes Ergebnis produziert, wenn in der Population ein Effekt der spezifizierten Größe tatsächlich existiert.

MM1 Altklausurfragen

Create or copy sets of flashcards

Create or copy sets of flashcards

Log in to see all the cards.

SWITCHaai

Office 365

Edulog

Apple ID

Google