Set of flashcards Klausur SS16 (Page 1 of 3)

Flashcards	89
Students	16
Language	Deutsch
Category	Quizzie
Level	Other
Created / Updated	24.08.2016 / 25.02.2023
Weblink	https://card2brain.ch/box/klausur_ss16
Embed	<iframe src="https://card2brain.ch/box/klausur_ss16/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Welche der folgenden Aussagen bezogen auf die Diagnostik von Regressionsmodellen sind korrekt?

Das Auslassen relevanter Variablen im Zusammenhang mit der Spezifikation eines Regressionsmodells ist auch als underfitting bekannt.

Ist ein multiples Regressionsmodell nicht korrekt spezifiziert, werden zwar die Standardfehler von Schätzern verzerrt geschätzt, die Regressionskoeffizienten selbst jedoch werden unverzerrt geschätzt.

In der multiplen Regressionsanalyse führt die Messfehlerbehaftetheit eines Prädiktors immer zu einer Unterschätzung des entsprechenden „wahren“ Regressionsgewichts.

Hat man nicht alle relevanten Prädiktoren in einem multiplen Regressionsmodell berücksichtigt, hat dies einen Verlust an Teststärke (power) zur Folge

Ob ein linearer Zusammenhang zwischen Kriterium und Prädiktoren besteht, lässt sich graphisch anhand LOWESS (oder LOESS)- Anpassungslinie untersuchen.

Welche Aussagen bezogen auf den Multiplen Determinationskoeffizienten sind richtig?

Der multiple Determinationskoeffizient gibt den Anteil der Varianz im Kriterium an, der durch alle Prädiktorvariablen in dem multiplen Regressionsmodell gemeinsam aufgeklärt werden kann.

Der multiple Determinationskoeffizient gibt den Anteil der Varianz im Kriterium an, der durch Hinzunahme eines weiteren Prädiktors in ein multiples Regressionsmodell aufgeklärt werden kann.

Der multiple Determinationskoeffizient entspricht dem Quotienten aus der Varianz der vorhergesagten Werte (im Zähler) und der Varianz der beobachteten Werte (im Nenner).

Der multiple Determinationskoeffizient entspricht dem Quotienten aus der Varianz der vorhergesagten Werte (im Zähler) und der Varianz der Residuen (im Nenner).

Der multiple Determinationskoeffizient entspricht dem Quotient aus der Varianz der Residuen (im Zähler) und der Varianz der vorhergesagten Werte (im Nenner).

Welche der folgenden Aussagen im Zusammenhang mit einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem Faktor sind richtig?

Die Sphärizitätsannahme ist meist dann verletzt, wenn es differentielle Treatment-Effekte gibt.

Die Sphärizitätsannahme kann mittels des sogenannten Mauchly-Tests inferenzstatistisch überprüft werden.

Die Sphärizitätsannahme kann mittels des sogenannten Mardia-Tests inferenzstatistisch überprüft werden.

Ist Sphärizität nicht gegeben, führt das dazu, dass die verwendeten F-Tests zu konservativ werden, d.h. man verwirft die Nullhypothese zu selten, wenn in Wirklichkeit die Alternativhypothese zutrifft

Ist die Sphärizitätsannahme verletzt, kann der p-value des entsprechenden F-Tests durch Multiplikation mit dem Schätzer für das sogenannte Greenhouse-Geisser Epsilon korrigiert werden, um die Ergebnisse inferenzstatistsich abzusichern.

Welche der folgenden Aussagen zur Kovarianzanalyse sind korrekt?

Bei einem quasi-experimentellen Design kann bei der Durchführung einer Kovarianzanalyse der Einschluss einer Kovariaten nur dann zu einer Reduzierung der Fehlervarianz führen, wenn die untersuchten Gruppen sich nicht signifikant in den Mittelwerten auf

Bei einem quasi-experimentellen Design sollte bei der Durchführung einer Kovarianzanalyse die Kovariate signifikant mit der experimentellen Bedingung, nicht jedoch mit der abhängigen Variablen korrelieren.

Im Rahmen von randomisierten Experimenten wird oft eine Kovarianzanalyse eingesetzt, um durch den Einschluss der Kovariaten mögliche Alternativerklärungen zum Treatment-Effekt auszuschliessen.

Der Einschluss einer Kovariaten in einem randomisierten Experiment dient dazu, die Power des inferenzstatistischen Tests für den Treatment-Effekt zu erhöhen.

Wenn man bei einem quasi-experimentellen Design, mit starker Konfundierung zwischen der Kovariate und dem Prädiktor für den Gruppeneffekt, die Effekte der Kovariaten (SV) statistisch kontrolliert (auspartialisiert), kann es sein, dass der Prädiktor kein v

Welche der folgenden Aussagen bezogen auf die Parameterschätzung im Rahmen eines SEM sind richtig?

Die Diskrepanz zwischen der empirischen Varianz-Kovarianzmatrix und der modellimplizierten Varianz-Kovarianzmatrix wird minimiert.

Bei Konvergenz der Maximum-Likelihood-Schätzung weist das Modell eine gute Modelgüte auf.

Die Maximum-Likelihood-Schätzung der Modellparameter erfolgt in einem Schritt.

Die Maximum-Likelihood-Schätzung ist nur bei überidentifizierten Modellen (df > 0) möglich.

Die Maximum-Likelihood-Schätzung setzt multivariate Normalverteilung der exogenen Variablen voraus.

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

Die Varianz des Level-1 Residuums (Sigma e hoch 2) zeigt an, in welchem Ausmaß Beobachtungen auf Level 1 vom Stichprobenmittelwert im Kriterium abweichen.

Die Varianz der random slopes (Sigma e hoch 2) zeigt an, in welchem Ausmaß der Effekt eines Level 1- Prädiktors auf das Kriterium zwischen den Level 2-Einheiten variiert.

Auf Level 2 können nur Prädiktorvariablen aufgenommen werden, die auf dieser Ebene gemessen wurden.

Die Berechnung des Anteils aufgeklärter Varianz durch die Hinzunahme weiterer fester Effekte ist problematisch.

Bei der Restricted Maximum Likelihood-Schätzung (REML) werden zunächst die zufääligen, dann die festen Effekte geschätzt.

Welche der folgenden Aussagen bezogen auf den Umgang mit fehlenden Werten sind richtig?

Paarweiser Ausschluss setzt voraus, dass das Auftreten fehlender Werte nur von den Ausprägungen in anderen Variablen des Datensatzes abhängt.

Listenweiser Ausschluss setzt voraus, dass das Auftreten fehlender Werte weder von der Ausprägung der Variablen selbst noch von der Ausprägung anderer Variablen abhängt.

Die „Ipsative Mean Imputation“ ist nur gültig, wenn gleiche Itemschwierigkeiten vorliegen.

Die Multiple Imputation basiert auf zwei Schritten: 1) Imputation, 2) Analyse auf Basis der imputierten Datensätzen

Die Verwendung der multiplen Regression zur Imputation fehlender Werte führt zu verzerrten Schätzern der Varianz und Kovarianzen.

Zu den Merkmalen der Evaluationsforschung nach Stockmann (2007) gehören…

eine Bewertung anhand präzise festgelegter, offengelegter Kriterien vorzunehmen.

ein zweckfreies Streben nach Erkenntnissen ohne Orientierung an außerwissenschaftlichen Verwertungskontexten.

objektivierende empirische Datenerhebungsmethoden zur Informationsgenerierung heranzuziehen.

den Prozess der Informationsbewertung zu objektivieren, indem mehrere Evaluierende involviert werden.

die Ergebnisse in einer Fachzeitschrift zu veröffentlichen (z.B. Zeitschrift für Evaluation).

Was sind Evaluationsansätze, klassifiziert nach Fitzpatrick, Sanders und Worthen (2004)?

Partizipativer Ansatz: Bedürfnisse, Werte und Perspektiven der Stakeholder werden in die Planung einbezogen.

Verbraucherorientierter Ansatz: Programme werden verbraucherfreundlich und bedürfnisorientiert gestaltet.

Managementorientierter Ansatz: Informationen über Programmablauf, Input, Output und Outcome werden für Entscheidungsträger bereitgestellt

Zielorientierter Ansatz: Programme und Maßnahmen werden auf deren Zielerreichung hin untersucht oder Ziele ggf. modifiziert.

Expertenorientierter Ansatz: Expertengremien leiten Evaluierende bei der Maßnahmengestaltung methodisch an.

Gollwitzer und Jäger (2014) führen die Verhaltensbeobachtung als eine Methode in Evaluationen auf. Welche Aussagen treffen zu?

Verhaltensbeobachtungen können nur qualitativ ausgewertet werden.

Verhaltensbeobachtungen können systematisch oder unsystematisch erfolgen.

Von passiver Beobachtung wird gesprochen, wenn die Beobachtenden ein Geschehen hinter einer Einwegscheibe oder über Videoaufzeichnungen beobachten.

In der teilnehmenden Beobachtung interagiert die beobachtende Person mit den Personen, die beobachtet werden.

Eine Beobachtung unter natürlichen Bedingungen ist einer Beobachtung unter Laborbedingungen stets vorzuziehen.

Sie wollen die Effekte eines Programms untersuchen und erstellen dazu zunächst ein Wirkmodell sowie die sich daraus ergebenden Wirksamkeitskriterien (Gollwitzer & Jäger, 2014). Welche Bereiche beachten Sie bei der Erstellung Ihrer Wirksamkeitskriterien nach Gollwitzer und Jäger (2014)?

Veränderungen auf der kognitiven Ebene

Entwicklungen des Outputs eines Programms

Veränderungen im emotionalen Bereich

Eventuelle moderierende Randbedingungen

Das vermutliche Ausmaß einer Wirkung

Strategische Fragen zur Dissemination von Evaluationsergebnissen könnten lauten:

Wer sind die Adressatinnen und Adressaten der Informationen?

Was sind geeignete Informationskanäle, bzw. Präsentationstechniken für die verschiedenen Kreise von Adressatinnen und Adressaten?

Welche Informationen sollten bestimmten Personen vorenthalten werden, um Konflikte zu vermeiden?

Welche Informationen sind von Bedeutung für einen bestimmten Kreis von Adressatinnen und Adressaten?

Zu welchen Zeitpunkten sollen Informationen an welche Adressatinnen und Adressaten vermittelt werden?

Welche der folgenden statistischen Verfahren gehören zu den nicht-parametrischen Verfahren?

Rangvarianzanalyse

t-Test für unverbundene Stichproben

Multivariate Varianzanalyse

U-Test von Mann-Whitney

Cronbachs Alpha

Problematische Datenkonstellation Multiple Regression

Annahme der Unabhängigkeit der Residuen ist verletzt, dann schaue ich mir das Histogramm der Residuen an

Heterokesdastizitaet ist ein Hinweis auf Ausreisser auf der Praediktorseite

Nicht normalverteilte Residuen sind ein Hinweis auf eine Fehlspezifikation des Modells

Bei Fehlspezifikation des Modells in Residuenplot weichen die Mittelwerte von 0 ab

Annahme Normalverteilung der Residuen : Punktschaetzer der Regressionskoeffizienten und Standardfehler der Schaetzer der Populationsparameter verzerrt

Problematische Datenkonstellation Multiple Regression

VIF Diagnostik fuer Homokesdastizitaet

Faustregel Hebelwerte groesser als 3xk/n sind auffaellig

Cook Distanz: wie stark Mittelwert der UV abweicht mit der Folge, dass die Regression verzerrt

UV messfehlerfrei, Regressionskoeffizient unverzerrt, aber Standardfehler verzerrt

Heterokesdastizitaet: AV um Mittelwert zentriert mit der Folge weniger Verzerrung im interferenzstatistischen Ergebnis

richtige Aussagen zur MR

Bei Vergleich von Effekt eines Prädiktors über verschiedene Gruppe sind standardisierte Koeffizienten besser als unstandardisierte

Auswahlstrategie Vorwährtselektion vergleicht im Gegensatz zu den anderen auch nicht genestete Modelle

schrittweise Regr. ist theoriegesteuert

ob ein Regr. gewicht nicht sig. von Null abweicht und daher nicht im Modell benötigt wird kann mit FTest inferenzstat. überprüft werden

bei Semipartialregr. ist Reihenfolge egal

Welche der folgenden Aussagen im Kontext der multiplen Regression mit zwei Prädiktoren sind richtig?

Von einer negativen Suppression spricht man, wenn sich der Effekt einer Variablen bei Aufnahme eines weiteren Prädikors der negativ mit dieser Variablen korreliert, verstärkt wird.

Suppression liegt vor, wenn der Einschluss einer Variable X2, die mit dem Kriterium unkorreliert ist, dazu führt, dass der Effekt einer anderen Variablen X1 auf das Kriterium verstärkt wird.

Die inferenzstatistische Absicherung standardisierter Regressionsgewichte ist bei Vorliegen von Multikollinearität weniger verzerrt im Vergleich zu unstandardisierten Regressionsgewichten.

Das Regressionsgewicht mit einer Variablen in der multiplen Regression ändert sich für diese Variable, wenn man sie um den Mittelwert zentriert.

Eine reziproke Suppression setzt voraus, dass zwei unabhängige Variablen sowohl positiv mit dem Kriterium korrelieren, als auch untereinander eine positive Korrelation aufweisen.

Welche Aussagen bzgl. Der Regressionskoeffizienten in einer multiplen unmoderierten Regression mit zwei Prädiktoren sind richtig?

(Frage aus letzten Semester)

Koeffizient MR = Koeffizient einfache Regression, wenn die beiden Koeffizienten voneinander unabhängig sind

Regressionskoeffizienten ändern sich nicht bei Zentrierung

bei hoher Korrelation standardisierte Koeffizienten gegen die Multikollinearität, da robuster

standardisierte Koeffizienten besser geeignet als unstandardisierte beim Vergleich verschiedener Variablen

Signifikante Abweichung von 0 wird durch FTest geprüft

Welche der folgenden Aussagen im Kontext einer multiplen Regression mit 2 kontinuierlichen Prädiktoren (ohne Interaktion) sind richtig?

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

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

Wenn die beiden Prädiktorvariab. untereinander hoch korreliert sind, empfiehlt es sich, stand. Regressionskoeffizienten zu verwenden, da die inferenzstatistischen Tests f. diese robuster gegen Multikollin. sind als diejenigen f. unstandard. Regressionsgew

Das Regressionsgewicht einer Variablen in der multiplen Regression entspricht dem Regressionsgewicht dieser Variablen in einer einfachen Regression, wenn die beiden Prädiktorvariablen untereinander unkorreliert sind.

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

Welche Aussagen zur Multiplen Regression sind korrekt?

Suppressionseffekt, wenn Effekt von X1 durch X2 verstärkt wird.

Einschluss einer Suppressorvariablen (X2), welche mit Kriterium unkorreliert ist, verstärkt Effekt von X1 (hohes b-Gewicht) auf Kriterium.

stepwise - Hinzunahme ist theoriegeleitet

hierarchische Regression: der zusätzliche Beitrag zur Varianzaufklärung, den weitere hinzugenommene Prädiktoren oder Prädiktorgruppen liefern, kann durch T-Test der einzelnen Regressionsgewichte bestimmt werden.

Vorwärtsselektion ermöglicht den vergleich nichtgenesteter Modelle

richtige Aussagen zur MR

Bei Vergleich von Effekt eines Prädiktors über verschiedene Gruppe sind standardisierte Koeffizienten besser als unstandardisierte.

Auswahlstrategie Vorwärtselektion vergleicht im Gegensatz zu den anderen auch nicht genestete Modelle.

Schrittweise Regression ist theoriegesteuert

Ob ein Regressionsgewicht nicht signifikant von Null abweicht und daher nicht im Modell benötigt wird, kann mit dem F-Test inferenzstatistisch überprüft werden.

Bei Semipartialdetermination spielt die Reihenfolge keine Rolle.

Welche Aussagen bezüglich der Regressionskoeffizienten in einer multiplen unmoderierten Regression mit zwei Prädikatoren sind richtig?

(Ob ein Beta signifikant von 0 abweicht kann per F-Test geprüft werden. richtig?)

Der Regressionskoeffizienten einer Variablen in der Multiplen Regression entspricht dem Regressionskoeffizienten der Variablen in der einfachen Regression, wenn beide Prädiktoren unkorreliert sind.

Regressionskoeffizienten in der Multiplen Regression ändern sich nicht, wenn man die Variablen am Mittelwert zentriert.

Wenn beide Prädiktoren hoch korrelieren, sollte man einen standardisierten Regressionskoeffizienten verwenden, da der inferenzstatistische Test dann robuster gegen Multikollinearität ist als bei unstandandardisiertem Beta

Standardisierte Regressionskoeffizienten eignen sich besser als unstandardisierten Beta zur Interpretation in der Multiplen Regression, da verschiedene Variablen in eine Metrik zusammengefasst werden.

Ob ein Beta signifikant von 0 abweicht kann per F-Test geprüft werden.

Welche der folgenden Aussagen im Kontext der multiplen Regression mit zwei Prädiktoren sind richtig?

Von einer negativen Suppression spricht man, wenn sich der Effekt einer Variablen bei Aufnahme eines weiteren Prädiktors der negativ mit dieser Variablen korreliert, verstärkt wird.

Suppression liegt vor, wenn der Einschluss einer Variable X2, die mit dem Kriterium unkorreliert ist, dazu führt, dass der Effekt einer anderen Variablen X1 auf das Kriterium verstärkt wird.

Die inferenzstatistische Absicherung standardisierter Regressionsgewichte ist bei Vorliegen von Multikollinearität weniger verzerrt im Vergleich zu unstandardisierten Regressionsgewichten.

Das Regressionsgewicht einer Variablen in der multiplen Regression ändert sich für diese Variable, wenn man sie um den Mittelwert zentriert.

Eine reziproke Suppression setzt voraus, dass zwei unabhängige Variablen sowohl positiv mit dem Kriterium korrelieren, als auch untereinander eine positive Korrelation aufweisen.

Welche Aussagen bzgl. der Regressionskoeffizienten in einer multiplen unmoderierten Regression mit zwei Prädiktoren sind richtig?

(Regressionskoeffizienten ändern sich nicht bei Zentrierung, richtig?)

Koeffizient der Multiplen Regression entsprechen dem Koeffizient der einfachen Regression, wenn die beiden Koeffizienten voneinander unabhängig sind

Regressionskoeffizienten ändern sich nicht bei Zentrierung

Bei hoher Interkorrelation der Prädiktoren sollten standardisierte Koeffizienten gegen die Multikollinearität eingesetzt werden, da dadurch robuster.

Standardisierte Koeffizienten sind besser geeignet als unstandardisierte beim Vergleich verschiedener Variablen.

Signifikante Abweichung von 0 wird durch F-Test geprüft

Baron + Kenny causal step approach – was ist richtig?

Baron und Kenny es gibt drei Regressionsanalysen um 4 Bedingungen zu überprüfen.

Eine Bedingung ist, dass der Prädiktor bei statistischer Kontrolle des Mediators das Kriterium signifikant beeinflusst.

Der Effekt des Prädiktors auf den Mediator muss signifikant größer sein als der Effekt des Prädiktors auf das Kriterium.

Bei statistischer Kontrolle des Prädiktors muss der Mediator das Kriterium signifikant beeinflussen.

Der indirekte Effekt des Prädiktors auf das Kriterium muss signifikant größer sein als der von Prädiktor auf Moderator.

Baron & Kenny - Was ist richtig?

Vier Bedingungen müssen erfüllt sein, um von einer Mediation sprechen zu können.

Eine der Bedingungen fordert einen statistisch bedeutsamen Zusammenhang mit dem Kriterium auch bei statistischer Kontrolle des Mediators.

Effekt von Prädiktor auf Mediator muss signifikant größer sein als der direkte Effekt des Prädiktors auf das Kriterium.

Bei statistischer Kontrolle des Prädiktors muss der Mediator das Kriterium signifikant beeinflussen

Der indirekte Effekt muss signifikant größer sein als der direkte Effekt vom Prädiktor auf das Kriterium

Einfache Mediation: Ein Forscher will herausfinden, ob der Effekt von Alter (X) auf Vorurteile (Y) durch soziale Dominanzorientierung (sdo = M) mediiert wird. N = 560. Er bekommt nach dem Schema von Baron und Kenny zwei Regressionsgleichungen:

y(Dach) = 1 + 0,18 X

y(Dach) = 1 + 0,14 X + 0,3 sdo

Alle enthaltenen Regressionsgewichte sind signifikant.

X hat einen signifikanten Effekt auf Y.

sdo hat keinen signifikanten Effekt auf Vorurteile.

Der Effekt von X auf Y wird vollständig durch sdo mediiert.

N ist zu klein für eine Überprüfung des indirekten Effekts auf Signifikanz.

Es gibt einen signifikanten, von Null abweichenden Effekt von X auf Y.

Welche Aussagen bezüglich Prüfung einer Mediationshypothese (Baron u. Kenny) sind richtig?

Eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nicht ermöglicht zu prüfen, ob der Effekt des Prädiktors vollständig über den Mediator mediiert wird.

Eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nur bei Vorliegen sehr großer Stichproben exakte Konfidenzintervalle für den indirekten Effekt des Prädiktors auf das Kriterium erstellen kann.

Der sogenannte Sobel-Test macht im Gegensatz zum causal-steps-approach keine Annahme über die Verteilung des indirekten Effekts.

Der sogenannte Sobel-Test zur Überprüfung indirekter Effekte hat in der Regel eine größere Power als Bootstrap.

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

einfache Mediation - was stimmt?

Kritik an Baron + Kenny ist, dass der indirekte Effekt nicht inferenzstatitisch abgesichert wird.

Kritik an Baron + Kenny ist, dass nur bei extrem großen N ein Konfidenzintervall berechnet werden kann.

Sobel Test macht keine Verteilungsannahmen.

Sobel Test hat höhere Power als Bootstrapping.

Bootstrapping hat geringere Anforderungen an die Stichprobenverteilung und bietet Konfidenzintervall für die indirekten Effekte.

Welche Aussagen zur Analyse von multiplen Mediationsmodellen sind richtig?

Wenn d. Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, ist d. sukzessive Prüfung v. mehreren Mediatoren mit einfachen Mediationsmodellen problem., da hierbei d. Korrelation d. Mediatoren untereinander nicht berücksichtigt wird

Wenn die Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, können die indirekten Effekte zwar berechnet, aber nicht mehr auf Signifikanz hin überprüft werden.

Es wird bei einer multiplen Mediation zwischen spezifischen indirekten Effekten und totalem indirektem Effekt unterschieden.

Wenn die Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, erfolgt die Überprüfung der direkten Effekte in der Regel über Bootstrapping

Der Sobel-Test sollte bei multiplen Mediationen nicht verwendet werden.

Analyse multipler Mediationsmodelle

Wenn Mediatoren untereinander korrelieren ist sukzessive Prüfung problematisch, weil Korrelation dabei nicht berücksichtig.

Wenn Mediatoren untereinander korrelieren sind indirekte Effekte zwar berechenbar, aber nicht auf Signifikanz überprüfbar.

Multiple Mediation unterscheidet zwischen spezifischen indirekten Effekten und totalen indirekten Effekten.

Wenn Mediatoren korreliert, erfolgt Überprüfung indirekte Effekte i.d.R. über Bootstrap

Wenn Mediatoren korrelieren, erfolgt Überprüfung totaler Effekte bei ausreichend großer Stichprobe über Sobel

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?

E. Voraussetzung, d. nach dem Schema von Baron/Kenny für das Vorliegen eines Mediationseffekts erfüllt sein muss, ist, dass der indirekte Effekt des Prädiktors auf das Kriterium signifikant größer ist als der direkte Effekt des Prädiktors auf den Mediator

Dem Causal Step Approach zufolge muss der Effekt des Prädiktors auf den Mediator signifikant größer sein als der direkte Effekt des Prädiktors auf das Kriterium

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

Eine wesentliche Kritik an dem Schema von Baron und Kenny besteht darin, dass es nicht möglich ist, den indirekten Effekt des Prädiktors auf das Kriterium inferenzstatistisch zu testen.

Der sogenannte Sobel-Test macht im Gegensatz zu dem causal step approach keine Annahme über die Verteilung des indirekten Effekts.

hier war eine Frage über SDO, divbel und Vorurteile (SuN)

(Regressionsformeln fehlen)

Effekt SDO auf Vorurteile wird signifikante durch divbel moderiert.

Ähnlich wie C

Personen mit mittlerer Ausprägung in divbel und unterdurschnitt. in SDO haben mehr Vorurteile

für Personen mit mittleren Ausprägung divbel und unterdurchschnitt. SDO ist Anzahl an Vorurteile größer als 2,33

für Personen mit mittleren Ausprägung divbel und durchschnitt. SDO ist Anzahl an Vorurteilen gleich 2,33

Was ist korrekt? Aussagen zur Mediation

Ein statistischer indirekter Effekt ist nicht zwangsläufig gültig

Ein statistischer indirekter Effekt ist nicht zwangsläufig gültig, es kann auch ein Korrelat im Mediationsprozess sein

Ein statistischer Effekt ist nicht zwangsläufig gültig, der Mediator kann auch ein Korrelat der abhängigen Variablen sein

In einer moderierten Mediation kann der Prädiktor außer Prädiktor zugleich auch Moderator sein

Konditionale indirekte Effekte können nur bei dichotomen Moderator mittels Bootstrap inferenzstatistisch abgesichert werden

Was stimmt zur Homoskedastizität?

VIF als diagnostisches Mittel

P-P-Plot als diagnostisches Mittel

Mittelwertszentrierung bei Heteroskedastizität

Verzerrung von SE bei Heteroskedastizität

Heteroskedastizität als Hinweis auf Ausreißer

Problematische Datenkonstellationen Multiple Regression

Annahme der Unabhängigkeit der Residuen ist verletzt, dann schaue ich mir das Histogramm der Residuen an

Heteroskedastizität ist ein Hinweis auf Ausreißer auf der Prädiktorseite Nicht normalverteilte Residuen sind ein Hinweis auf eine Fehlspezifikation des Modells

Bei Fehlspezifikation des Modells in Residuenplot weichen die Mittelwerte von 0 ab

Annahme Normalverteilung der Residuen : Punktschätzer der Regressionskoeffizienten und Standardfehler der Schätzer der

Populationsparameter verzerrt

Problematische Datenkonstellationen Multiple Regression

VIF Diagnostik für Homoskedastizität

Faustregel Hebelwerte größer als 3xk/n sind auffällig

Cook Distanz: wie stark Mittelwert der UV abweicht mit der Folge, dass die Regression verzerrt

UV messfehlerfrei, Regressionskoeffizient unverzerrt, aber Standardfehler verzerrt

Heteroskedastizität: AV um Mittelwert zentriert mit der Folge weniger Verzerrung im interferenzstatistischen Ergebnis

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

Nicht normal-verteilte Residuen können unter Umständen ein Hinweis auf fehlspezifizierte Modelle sein?

Das Vorliegen von Heteroskedastizität in den Daten ist immer auch ein Hinweis auf Ausreißer auf Seiten der Prädikatoren

Ist die Annahme der Unabhängigkeit der Residuen verletzt, werden sowohl die Prädikatoren als auch die abhängigen Variablen standardisiert, um die Verzerrung der Schätzung der Regressionskoeffizienten abzumildern.

Der sogenannte P-P-Plot, in dem 2 kumulierte Wahrscheinlichkeiten gegeneinander abgetragen werden, ist ein diagnostisches Mittel, um zu erkennen, ob Homoskedastizität in den Daten vorliegt

Nicht normal-verteilte Residuen können unter Umstände ein Hinweis auf fehlspezifizierte Modelle sein.

Welche Aussagen bezüglich der Anwendung einer klassischen Kovarianzanalyse im Rahmen von Gruppenvergleichen sind richtig?

Die Durchführung einer klassischen Kovarianzanalyse (KVA) im Rahmen experimenteller, randomisierter Designs setzt voraus, dass homogene Fehlervarianzen (Homoskedastizität) vorliegen.

Die Durchführung einer klass. KVA setzt voraus, dass die Experimentalgruppe, die gleich Anzahl an Versuchspersonen wie die Kontrollgruppe hat.

Die Durchführung einer klass. KVA. im Rahmen experimenteller, randomisierter Designs setzt voraus, dass sich die Mittelwerte auf der Kovariaten in den experimentellen Gruppen?

Die Durchführung einer klass. KVA im Rahmen experimenteller Designs setzt voraus, dass sich die Mittelwerte auf der Kovariaten in den experimentellen Gruppen nicht signifikant unterscheiden.

Ggü. d. Anwendung einer klass. KVA im Rahmen random. experimenteller Designs weist d. Anwendung e. klass. VA im Rahmen random. experimenteller Designs d. höh. Teststärke auf, da sie im Gegensatz zur erst genannten d. Messfehler d. Kovariaten berücksichtig

KVA Voraussetzungen

Homoskedastizität muss gegeben sein.

Es darf keine Interaktion zwischen der Kovariaten und der differentielle Treatment-Effekten geben.

Wenn die Interaktion nicht signifikant ist, ist dies ein Beleg für Unabhängigkeit.

Randomisiertes experimentelles Design hat eine höhere Teststärke, da Messfehler der Kovariaten berücksichtigt werden kann ist.

Klausur SS16

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