Set of flashcards Statistik (Page 8 of 10)

Flashcards	387
Language	Deutsch
Category	Psychology
Level	University
Created / Updated	08.07.2023 / 20.07.2023
Weblink	https://card2brain.ch/box/20230708_methoden_statistik
Embed	<iframe src="https://card2brain.ch/box/20230708_methoden_statistik/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Welche Schritte sind typischerweise in der Analyse von Mehrebenenmodellen enthalten?

Datenvorbereitung und -exploration

Schätzung des Modells durch maximale Likelihood

Überprüfung der Modellannahmen

Interpretation der Modellparameter

Welche Art von Studien sind besonders gut geeignet für die Anwendung von Mehrebenenmodellen?

Bildungsforschung mit Schülern in verschiedenen Schulen

Gesundheitsstudien mit Patienten in verschiedenen Kliniken

Umfragen zu politischen Einstellungen in einem Land

Experimente mit Teilnehmern in einem Labor

Welche Annahmen werden häufig in Mehrebenenmodellen gemacht? 2

Unabhängigkeit der Residuen auf jeder Ebene

Homogenität der Varianzen auf jeder Ebene

Lineare Beziehungen zwischen den Prädiktoren und der abhängigen Variable

Welche Kriterien werden zur Modellselektion in Mehrebenenmodellen verwendet?

AIC (Akaike Information Criterion)

BIC (Bayesian Information Criterion)

Log-Likelihood-Wert

R-Quadrat-Wert

Welche Methode wird verwendet, um die Varianz zwischen den Gruppen in Mehrebenenmodellen zu schätzen?

Intraklassen-Korrelation (ICC)

F-Test

Bootstrap-Methode

Wald-Test

Welche Möglichkeiten gibt es, um fehlende Daten in Mehrebenenmodellen zu behandeln? 3

Kompletten Fallanalyse (Complete Case Analysis)

Multiple Imputation

Maximum-Likelihood-Schätzung mit fehlenden Daten

Entfernen aller Fälle mit fehlenden Daten

Welche Aussage ist falsch?

Die meisten statistischen Verfahren setzen Unabhängigkeit der Daten bzw. deren Residuen voraus.

Kontextuelle Variablen erhöhen Dependenz zwischen Residuen.

I.d.R. lässt sich die Unabhängigkeit von Daten sehr simpel herstellen.

Daten bei Untersuchung von Geschwistern oder Schülern einer Klasse sind nicht unabhängig.

Welche Aussage zu Mehrebenenmodellen ist falsch?

Mehrebenenmodelle sind eine besondere Art der logistischen Regression.

Mehrebenenmodelle können bei hierarchischen Daten eingesetzt werden.

Mehrebenenmodelle berücksichtigen die Abhängigkeit von Residuen.

Weitere Bezeichnungen sind: Multilevel-Modelle, Random Koeffizienten Modelle, Lineare Gemischte Modelle, Hierarchische Lineare Modelle.

Mehrebenenmodelle schätzen nicht nur Regressionsparameter, sondern auch deren Variabilität.

Hierarchische Daten: Welches Beispiel ist richtig?

Level 1: Firma, Schule

Level 2: Mitarbeiter, Schüler

Level 1: Probandin

Level 1: Messzeitpunkt, experimentelle Bedingung

Welche Aussage zur Interclass Correlation ist falsch?

Der Interclass Correlation Coefficient (ICC) hilft bei der Entscheidung, ob ein Mehrebenenmodell genutzt werden soll.

Der ICC gibt an, wie ähnlich sich zwei Werte aus der gleichen Level-1-Einheit sind.

Ab etwa .1 mittlere und ab etwa .2 hohe Interclass-Korrelation.

ICC berechnet sich folgendermaßen: Gruppenvarianz Level 2 / Gesamtvarianz.

Was ist kein Vorteil von Mehrebenenmodellen?

Weniger Anforderungen: Abhängigkeiten durch höhere Levels und Sphärizität bei Repeated Measures können modelliert werden.

Entspannter Umgang mit Missing Data: Drop Out und ungleiche Zellenbesetzungen können ignoriert werden, Parameter werden auf Basis verfügbarer Daten geschätzt.

Sehr flexibel und mächtig: Prädiktoren verschiedener Skalenniveau sowie deren Interaktionen können einbezogen werden.

Entspannt hinsichtlich der Stichproben: Kleine Stichproben genügen, Normalverteilung von Daten bzw. deren Residuen ist nicht erforderlich.

Was ist keine Voraussetzung von Mehrebenenmodellen?

AV bzw. Kriterium ist mindestens intervallskaliert.

Linearität von Zusammenhängen, also keine Multikollinearität (zentrieren hilft).

Abhängigkeit jenseits der modellierten Level.

Große Stichproben und Normalverteilung der Residuen.

Was trifft auf Fixed und Random Effects zu?

Bei fixed effects sind die Bedingungen des Experiments nur eine Auswahl.

Bei fixed effects ist eine Generalisierung nicht über die getesteten Bedingungen hinaus möglich.

Bei random effects kommen alle relevanten Bedingungen im Experiment vor.

Bei random effects ist eine Generalisierung jenseits der getesteten Bedingungen nicht möglich.

Was trifft auf die Fixed und Random Coefficients in Mehrebenenmodellen nicht zu?

Fixed Coefficients: Intercept und slope sind für alle Level 1 Daten gleich.

Random Coefficients: Koeffizienten können je nach Level 2 Kontext variieren.

Random Intercepts: Ausgangspunkte können sich je nach Level 1 Gruppe unterscheiden.

Random Slopes: Stärke des Zusammenhangs der Prädiktoren mit dem Kriterium kann sich je nach Level 2 Gruppe unterscheiden.

Welche Aussage zur Kovarianz-Struktur bzw. Varianz-Kovarianz-Matrix stimmt nicht?

Für die Random Effects- und Repeated Measures-Variablen sollte eine Kovarianz-Struktur spezifiziert werden.

Die Kovarianz-Struktur macht Annahmen über die Varianz-Kovarianz-Matrix der Variablen.

Klassische Kovarianz-Strukturen sind „Variance Cmponents“, „AR(1)“ und „Unstructured“.

Die Begriffe „Kovarianz“ und „Korrelation“ bedeuten dasselbe, deshalb wird die Varianz-Kovarianz- Matrix manchmal auch Varianz-Korrelation-Matrix genannt.

Welche Aussage zur Kovarianz-Struktur „Variance Components“ ist falsch?

Alle Ausprägungen sind unabhängig voneinander.

Varianzen sind bei allen Ausprägungen gleich („1“).

Kovarianzen haben einen Wertebereich von - ∞ bis 1.

Das kann z.B. bei Random Intercepts angenommen werden.

Welche Aussage zur Kovarianz-Struktur „AR(1)“ ist falsch?

Ausprägungen korrelieren miteinander in aufsteigender Form.

Varianzen sind bei allen Ausprägungen gleich („1“).

Das kann z.B. bei Repeated Measures im Längsschnitt verwendet werden.

Nah aneinander liegende Erfassungen hängen oft stärker zusammen und es gibt eine Abnahme von Korrelationen im Laufe der Zeit.

Welche Aussage zur Kovarianz-Struktur „Unstructured“ ist falsch?

Keine Annahmen über Varianzen.

Keine Annahmen über Kovarianzen.

Häufig für random slopes gewählt.

Varianzen sind bei allen Ausprägungen gleich („1“).

Welche Aussage zum allgemeinen Vorgehen bei Mehrebenenmodellen stimmt nicht?

MEM werden oft schrittweise von komplex bis einfach gerechnet.

Es wird stets ein komplexeres Modell mit dem simpleren Modell verglichen.

Anfangs wird ein leeres Modell (nur mit intercept, ohne Prädiktor) getestet.

Es werden schrittweise Level 1- und Level 2-Prädiktoren sowie zufällige Effekte hinzugefügt.

Es werden die Fit-Indizes betrachtet und Modellvergleiche gemacht.

Was ist kein Parameter für die Modellgüte bei MEM?

Hosmer-Lomonosow-Test

Pseudo-R2-Statistiken

Devianz (-2LL)

AIC, AICC, CAIC, BIC

Welche Aussage zu Parametern der Modellgüte bei MEM stimmt nicht?

a) Pseudo-R2-Statistiken betrachten den Zuwachs an aufgeklärter Varianz.
b) Devianz betrachtet die Passung des Modells auf die Daten.
c) Bei der AIC wird die Devianz speziell gewichtet durch die Anzahl der Parameter.
d) AICC ist eine Version des AIC für große Stichproben.
e) CAIC korrigiert für Anzahl der Parameter und SP-Größe.
f) BIC basiert auf der Devianz.
g) Absolute Werte der Devianz und Informationskriterien werden nicht interpretiert, denn sie dienen
dem Vergleich zwischen Modellen: Je kleiner die Werte, desto besser.

d) AICC ist eine Version des AIC für große Stichproben. --> nein für kleine!

Welche Aussage zu Modellvergleichen stimmt nicht?

Zwei Modelle können anhand der Devianz verglichen werden.

Beim Chi2-Test wird die Devianz des alten Modells minus die des neuen Modells gerechnet.

Eine Voraussetzung des Vergleichs ist, dass das neue Modell alle Effekte des alten enthält.

Eine Voraussetzung des Vergleichs ist, dass eine Kleinste-Quadrate-Schätzung genutzt wird.

Was trifft auf die Maximum-Likelihood-Methode nicht zu?

Es handelt sich um eine schrittweise Schätzung der Parameter.

Ziel ist, dass die Wahrscheinlichkeit der beobachteten Parameter maximal ist.

Likelihood = „Wie wahrscheinlich sind beobachtete Daten, wenn geschätzte Parameter gelten?“

Ziel ist, dass die Residuen der beobachteten Daten minimal sind.

Was trifft auf die Restricted-Maximum-Likelihood-Methode nicht zu?

Schätzt erst nur zufällige Effekte und erst wenn diese Schätzung konvergiert ist, werden fixed effects geschätzt.

Gilt als zuverlässigerer Schätzer für random effects.

Gilt als zuverlässigerer Schätzer für fixed effects.

Modellvergleiche nur möglich, wenn sich die Modelle nur in den random effects unterscheiden.

Welche Aussage zur Zentrierung von Prädiktoren ist falsch?

Zweck ist Erhöhung der Interpretierbarkeit.

Zweck ist Reduktion der Multikollinearität.

Grant-Mean-Zentrierung: Der Mittelwert von x (bzw. z) wird von allen Einzelwerten von x (bzw. z) abgezogen, sodass x im Mittel Null wird.

Group-Mean-Zentrierung ist ein anderer Begriff für Grand-Mean-Zentrierung.

Welche Aussage zur Grand Mean- bzw. Group Mean-Zentrierung ist richtig?

Grand Mean-Zentrierung: Zentrierung der Variablen am Gesamtmittelwert.

Group Mean-Zentrierung: Zentrierung der Variablen am Gruppenmittelwert, getrennt für alle Level 1-Ausprägungen.

Grand Mean-Zentrierung: Fokus auf den Einfluss des L1-Prädiktors auf Y und/oder auf die Cross- Level-Interaction.

Group-Mean-Zentrierung: Fokus auf den Einfluss des L2-Prädiktors auf Y.

Warum ist ein optimaler Funnel-Plot (= ohne Pulbikationsverzerrung) trichterförmig?

Da kleine Studien (kleine SP-Größe -> hoher Standardfehler) normalerweise eine größere Spannweite von Effektstärken aufweisen, da sie weniger zuverlässig sind und große Studien (große SP-Größe -> geringer Standardfehler) eine geringe Spannweite von Effektstärken aufweisen, da sie sehr zuverlässig sind.
um mittlere ES herum

Was ist die Besonderheit und gleichzeitig der Hauptvorteil von Metaanalysen?

Der Einsatz von einheitlichen Effektstärken, was eine Integration von verschiedenen Studienergebnissen und einen Vergleich von Effekten trotz verschiedener Messmethoden erlaubt (einheitliche Effektstärken sind btw geradlinig interpretierbar).

Welcher Schritt ist NICHT Teil des Ablaufs bei einer Metaanalyse?

Forschungsfrage herausarbeiten

Datenerhebung

Replikation von gesammelten Ergebnissen

Datenintegration

Was ist KEINE Herausforderung bei der Metaanalyse?

Das Finden fremdsprachiger und nicht-publizierter Artikel

Uneinheitlich verwendete Begriffe und Konstrukte

Das Äpfel-Bananen-Problem

Die Variabilität der methodischen Qualität

Was stimmt zum d-Index (Cohen’s d)?

Es handelt sich dabei um einen nicht-standardisierten Mittelwertsunterschied.

Ein d = 1 bedeutet, dass die Experimentalgruppe eine Standardabweichung unter der Kontrollgruppe liegt.

Der Wertebereich liegt zwischen -1 und 1.

Bei d = 0.3 handelt es sich um einen kleinen Effekt.

Was für ein Ergebnis erhoffen wir uns bei der Q-Statistik im Rahmen der Homogenitätsanalyse und wieso?

Ein nicht-signifikantes Ergebnis, da die H₀ besagt, dass eine Homogenität der Effektstärken vorliegt (was wiederum gut wäre).

Was wäre eine Möglichkeit, um das garbage-in-garbage-out-Problem zu lösen?

Klare Auswahlkriterien bei den Primärstudien

Eine präzise Kodierung der methodischen Qualität

Das Testen von Moderatorvariablen.

Eine klare Dokumentation und Begründung aller Schritte.

Alle genannten Antworten sind richtig.

Was stimmt zur Literaturrecherche bei der Metaanalyse?

Man sollte sich nicht an vorliegende Reviews und Metaanalysen bedienen.

Es reicht in der Regel, eine große Literaturdatenbank nach dem Suchbegriff zu durchforsten.

c.Auch Monografien wie Dissertationen und Masterarbeiten können herangezogen werden.

Die Kontaktaufnahme zu Wissenschaftler*innen und das Fragen nach nicht-publizierten Artikeln ist nicht zulässig.

Was ist der gesamtwissenschaftliche Hintergrund dafür, dass es immer mehr (Nachfrage nach) Metaanalysen gibt?

Durch die steigenden Publikationszahlen verlieren Einzelergebnisse an Aussagekraft. Außerdem liegen mittlerweile immer mehr widersprüchliche Befunde zu einem Thema vor. Metaanalysen können die Einzelergebnisse integrieren und ein Gesamtbild zur Forschungslage zu diesem Thema darbieten.

Was stimmt NICHT zur Kodierung der methodischen Qualität von Einzelstudien?

Zur Methodischen Globalbewertung kann die Maryland Scale herangezogen werden.

Bei so einer Kodierung könnten qualitativ hochwertigere Studien (z.B. mit randomisierter Kontrollgruppe) eine höhere Punktzahl erreichen als qualitativ niedrigere Studien (z.B. nur ein Post-Design ohne Kontrollgruppe).

Jede Person kann das Kodieren übernehmen.

Es sollte ein detaillierter Kodierplan erstellt werden.

Die Berechnung von Summenscores methodischer Einzelkriterien kann zur Bewertung der methodischen Qualität herangezogen werden.

Was trifft nicht auf integrative Forschung und Metaanalysen zu?

Sekundärforschung sind die systematischen Anstrengungen, Erkenntnisse aus Primärstudien zu integrieren.

Metaanalysen sind ein Spezialfall der integrativen Forschung.

Eine Besonderheit von Metaanalysen ist die Berechnung einheitlicher Signifikanzen zur Integration und zum Vergleich der Ergebnisse über und zwischen Primärstudien.

Ziel von Metanalysen ist es, den wissenschaftlichen Kenntnisstand zu einer Fragestellung möglichst systematisch, nachvollziehbar und unter Verwendung statistischer Verfahren zu integrieren.

Fülle die Abbildung zur integrativen Forschung aus.

Narrative Reviews Metaanalysen

2 Boxen und darunter 4 Boxen

Korrelative Zusammenhänge: Testvalidierung und Merkmalskovariation

Gruppenkontraste: Grupendifferenzen und Interventionswirkungen

Was ist kein Grund für die große Bedeutung von Metaanalysen.

Unverständlichkeit vieler Primärstudien

Explosion der Publikationszahlen

Eingeschränkte Aussagekraft von Einzelergebnissen

Vielzahl sich widersprechender Befunde

Bedarf an integrativen Zusammenfassungen für Wissenschaft, Praxis, Öffentlichkeit

Was sind die fünf Schritte bei Metanalysen?

5 Forschungsphasen:

1. Forschungsfrage/Problemstellung

2. Datenerhebung

3. Datenstrukturierung und -evaluation

4. Datenanalyse und -integration

5. Datenpräsentation

Statistik

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