Methodenlehre SS23

mehrere Merkmale (Variablen) werden erfasst und deren Struktur (z.B. Zusammenhänge) analysiert

bestimmte Faktoren manipulieren und erfassen, wie diese Manipulation sich auf das Erleben/Verhalten auswirkt 

randomisierte Zuteilung zu den Ausprägungen der UV

Manipuliertes oder erfasstes Merkmal in einer Untersuchung 

In Experimenten soll die Ausprägung der AV durch die Veränderung/Manipulation der UV erklärt werden, dh direkter Einfluss nur durch die UV

Anzahl der Faktoren (z.B. zweifaktorielles Design)

univariater/multivariater Zugang

verändert den Einfluss der UV auf die AV

vermittelt den Einfluss der UV auf die AV

Einfluss der Moderatorvariable kann störend sein zB wenn unbekannt oder unkontrollierbar

Einfluss von Moderatorvariablen kann kontrolliert werden zB konstant gehalten oder vorsorglich miterhoben

Sind Unterschiede oder Zusammenhänge statistisch bedeutsam / signifikant?

Wie wahrscheinlich ist ein konkretes Ergebnis, wenn es in Wirklichkeit keinen Unterschied/Zusammenhang gibt? --> p-Wert

p < .05 --> statistisch bedeutsamer Befund 

Hypothese keinen Unterschieds, Zusammenhangs, Veränderung 

vs. Alternativhypothese

5%

Ja, wenn eigentlich Nein

Nullhypothese fälschlicherweise verworfen

Nein, wenn eigentlich Ja

Nullhypothese fälschlicherweise beibehalten

1 - beta

je strenger (kleiner) das alpha, desto kleiner die Teststärke

entspricht der Differenz der MW unter H0 und H1

erlauben die gleichzeitige Untersuchung und Analyse mehrerer Variablen

Entdeckung von Zusammenhängen zwischen Variablen

keine Einteilung in UVs und AVs, nur gleichberechtigte Variablen

Überprüfung von Zusammenhängen zwischen Variablen

UVs und AVs

• Datenreduktion
• Hypothesengenerierung 
• Strukturierungsfunktion: Entdeckung von wenigen Beschreibungsvariablen
• Überprüfung der Dimensionalität komplexer Merkmale (z.B. bei Fragebogenkonstruktionen)

• min. intervallskalierte Daten
• normalverteilte Merkmale
• Unabhängigkeit der Beurteilung 
• Relevanz der erhobenen Merkmale 
• homogene Stichprobe
• Güte der FA eird durch die Zuverlässigkeit der Daten bestimmt

Ziel: Gruppierung der Merkmale

Merkmale in den Spalten

Testung der Güte der Korrelationsmatrix für die Berechnung einer FA

HO: Stpr stammt aus einer GG, in der Variablen unkorreliert sind (Korrelationmatrix weicht nur zufällig von Einheitsmatrix ab)

p-Wert sollte < 0.05 sein --> Ablehnung der H0

Güte der Korrelationsmatrix bei der Berechnung einer FA

"measure of sampling adequacy"

zwischen 0 und 1

im welchem Umfang teilen die Ausgangsvariablen Varianz

Wie viel hat ein Faktor mit einer Ausgangsvariablen zu tun?

= Korrelation Faktor und Variable

Welche Ausprägung hat ein Faktor bei einem Objekt / einer Person?

• Ziel: Reproduktion der Datenstruktur
• keine kausale Interpretation; keine Generalisierung 
• Annahme: Faktoren erklären gesamte Varianz

• Ziel: Erklärung der Varianz
• kausale Interpretation; Generalisierung 
• Einzelrestvarianz wird angenommen

Umfang an Varianzaufklärung, den die Faktoren gemeinsam für eine Ausgangsvariable liefern

= Summe der quadrierten Faktorladungen einer Variablen über alle Faktoren

Summe der quadrierten Faktorladungen eines Faktors über alle Variablen

die durch den Faktor erklärte Varianz der Beobachtungswerte 

• keine Multikollinearität
• Fallzahl: pro Ausprägung der Kriteriumsvariablen min. 25 Beobachtungen; min. 100 Beobachtungen pro Gruppe
• alle relevanten Prädiktoren im Modell

Prädiktoren sollen nicht zu stark miteinander korrelieren

Toleranz = 1 - R^2 (1 minus geteilte Varianz) sollte > 0,1 (besser 0,2) sein 

Regressionskonstante und -gewichte werden für z durch die Maximum-Likelihood-Methode geschätzt

--> Maximierung der LogLikelihood-Funktion durch den iterativen Newton-Raphson-Algorithmus

                 p(y = 1)

               -------------

Odds =   1 - p(y = 1)

Odds (y=1) = 4 --> Die Wkt für y=1 ist viermal so hoch wie die Wkt für y=0

ln(Odds) = Logits = z

Odds(y=1) nachdem der Prädiktor um eine Einheit gestiegen ist

----------------------------------------------------------------------------------------

Odds(y=1) vorher

= der Faktor, um den sich die Chance von y=1 ändert, wenn ein Prädiktor um eine Einheit steigt --> e^Regressionskoeffizient

1. Modellgüte insgesamt? Wie gut tragen die Prädiktoren zur Trennung der Kategorien der Kriteriumsvariablen (y=1 und y=0) bei?

2. Ausreißer, die eliminiert werden müssen?