Kapitel 4 Ergänzungen
Ergänzungen
Ergänzungen
Fichier Détails
| Cartes-fiches | 53 |
|---|---|
| Langue | Deutsch |
| Catégorie | Psychologie |
| Niveau | Université |
| Crée / Actualisé | 23.02.2016 / 07.02.2024 |
| Lien de web |
https://card2brain.ch/box/kapitel_4_ergaenzungen
|
| Intégrer |
<iframe src="https://card2brain.ch/box/kapitel_4_ergaenzungen/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
saturierte Modelle
gerade identifizierte Modelle
wodurch wird die beste Lösung überidentifizierter Modelle angenähert?
kleinste quadrierte Abweichung
Alternative zu Referenzvariablen
Residuen oder Varianzen der latenten Variablen auf Wert 1 fixieren
MERKE: keine zusätzliche Maßnahme zu Referenzvariablen, sondern ALternative
es sollte so immer eine mögliche Quelle der Nicht-Identifizierbarkeit ausgeschsaltet werden
Faktorenanalyse 2. Ordnung mit 2 Primärfaktoren
-man hat nur eine empirische Info (Kovarianz der Primärfaktoren) für zwei zu schätzende Ladungen eines höheren Faktors
empirische Unteridentifikation
-extrem hohe Interkorrelationen zwischen eigentlich unabhängigen Faktoren
-Redundanzen verhindern genaue Schätzung
-vgl. mit Multikollinearität in der multiplen Regression
Kovarianzmatrix vs. Korrelationsmatrix
-(CFA)Kovarinazmatrix= Varianzen in Diagonale & Kovarianzen außerhalb= unstandardisierte Kovarianzmatrix
-(EFA)Korrelationsmatrix= Korrelationen= standardisierte Kovarianzmatrix (meist Produkt-Moment-Korrelation)
ungünstige Verteilungseigenschaften + große Stichprobe
ADF mit tetra-/ polychorischer Korrelationsmatrix
ungünstige Verteilungseigenschaften + kleine Stichprobe
ML-Algorithmus für Kovarianzmatrix nach parcelling
Chi-Quadrat-Differenzen Test
-nur bei genesteten Modellen
-arithmetische Differenz der Chi-Quadrat werte und der jeweiligen anzahl der df der beiden zu vergleichenden Modelle
Resultat chi² Differenzen Test
Parsimonität des Modells (ANzahl der df) wird relativiert
Vergleich nicht genesteter Modelle
-modellvergleichende Indizes
-ermitteln Passung in Relation zur Parsimonität
-ermitteln nur Rangordnung der Modelle
Umgang mit nicht-normalverteilten Daten bei Normierung
-Flächentransformation (nicht-lineare Transformation)
-Normwerte werden wieder normalverteilt (%-Zahlen unter Kurve wiederhergestellt)
-aber Maßstab verzerrt
Schwellenwertbestimmung bei kriterienorientiertet Testwerinterpretation
ROC-Analyse
Summe aus Sensitiviität & Spezifität am größten
