Lernkartei Statistik (Seite 1 von 2)

Karten	68
Sprache	Deutsch
Kategorie	Psychologie
Stufe	Universität
Erstellt / Aktualisiert	16.11.2016 / 13.12.2020
Weblink	https://card2brain.ch/box/statistik47
Einbinden	<iframe src="https://card2brain.ch/box/statistik47/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Bei der Pfadanalyse geht man davon aus, dass die ... Variablen fehlerfrei gemessen werden

exogenen

Der indirekte Effekt von x auf y2 entspricht der Summe von py1x und py2y1

falsch; dem Produkt

ein Modell mit korrelierten Messfehlern nennt man

nicht-rekursiv

rekursiv

identifiziert

Endogene Variablen können ... sein

intervallskaliert

ordinalskaliert

nominalskaliert

Wie wird eine Kovarianz zwischen x1 und x2 in R spezifiziert?

x1~~x2

wie wird in R das Modell spezifiziert mit einer exogenen Variable x und einer endogenen Variable y?

y~x

Wenn mit Korrelationsmatrizen gearbeitet wird, müssen diese in R zuerst umgewandelt werden

richtig

falsch

Für die Identifizierung müssen folgende Parameter gezählt werden

Pfade, Varianzen(der exogenen Variablen), Kovarianzen, Fehlervarianzen(der endogenen Variablen)

Wenn die Anzahl zu schätzender Parameter kleiner ist wie n*(n+1)/2, dann ist das Modell...

berechenbar

nicht berechenbar

overidentified

underidentified

just-identified

Der Pfadkoeffizient entspricht

der Steigung bei einer Regression

dem Intercept bei einer Regression

dem Regressionskoeffizienten

wenn man Pfadkoeffizienten innerhalb eines Modells vergleichen will, müssen sie

unstandardisiert sein

standardisiert sein

ein univariater ist ... ein multivariater Ausreisser

nie auch

manchmal auch

immer auch

Welche Aussage ist richtig?

Je schwächer Variablen korrelieren, desto leichter ist es, eine gute Modellanpassung zu erhalten

Je stärker Variablen korrelieren, desto leichter ist es, eine gute Modellanpassung zu erhalten

Je schwächer die Variablen korrelieren, desto grösser ist die Power, ein unpassendes Modell zu identifizieren

Je stärker die Variablen korrelieren, desto grösser ist die Power, ein unpassendes Modell zu identifizieren

In letzter Zeit setzt sich folgende Ansicht durch: Akzeptable Modelle...

sollten einen nicht signifikanten Chi Quadrat Wert und akzeptable standardisierte Reisten haben (<2.0)

sollten einen nicht signifikanten Chi Quadrat Wert und akzeptable standardisierte Reisten haben (<3.0)

sollten einen signifikanten Chi Quadrat Wert haben

Der Chi Quadrat Wert

prüft, ob sich die geschätzte Kovarianzmatrix signifikant von der beobachteten unterscheidet

sollte signifikant sein

Je komplexer ein Modell, desto besser der Fit

Je grösser N, desto eher wird ein Modell verworfen

der relative Chi Quadrat Wert (Chi Quadrat geteilt durch Freiheitsgrade) sollte grösser als 3 sein

Was ist richtig?

RMSEA sollte möglichst klein sein

PCLOSE sollte signifikant sein

NFI heisst non-normed fit index

Der NFI vergleicht den Fit des Zielmodells mit dem des Modells, welches nur Varianzen der beobachteten Variablen schätzt

Ein NFI grösser gleich .9 ist gut

Was ist richtig?

.9<= NFI <=.95 ist akzeptabel

NNFI berücksichtigt die Modellkomplexität

NNFI = .95 ist gut

NNFI >.97 ist gut

Beim NFI wird der Fit bei kleinen Stichproben unterschätzt

Was ist richtig?

CFI vermeidet die Unterschätzung des Fit bei kleinen Stichproben

CFI heisst comparative fit index

Bei einem guten Fit ist CFI gleich .95

CFI = .95 ist akzeptabel

Definiere Faktorenanalyse

Unter dem Begriff werden verschiedene Verfahren zusammengefasst, die dazu dienen, mehrere intervallskalierte Variablen auf eine geringere Anzahl von Faktoren, Komponenten oder Konstruktvariablen zu reduzieren.

Welche 2 Varianten werden bei der explorativen Faktorenanalyse unterschieden?

Hauptkompoentenanalyse, Faktorenanalyse im engeren Sinn ( zB Hauptachsenfaktorisierung)

Hauptkomponentenanalyse: Jede Komponente xi lässt sich als... der gemessenen Variable xj darstellen

Linearkombination

Xi = Summe wij * xj

wij sind Komponentenkoeffizienten

wij sind Gewichtskoeffizienten

Anhand der Eigenwerte (lambda) kann man..

die Wichtigkeit der Faktoren beurteilen

aij ist..

die Komponentenladung

Je tiefer Air, desto wichtiger diese Variable für Komponente Xi

Korrelation zwischen Komponente xi und Variable xj

Der gemeinsame Varianzanteil von Variable xj und Komponente xi..

entspricht der Komponentenladung

entspricht aji im Quadrat

entspricht der Summe von aji im Quadrat

Kommunalität ist die Summe..

der quadrierten Komponentenladungen einer Variablen

Eigenwert ist die Summe..

der quadrierten Komponentenladungen einer Komponente

aji = (Formel)

wij * Wurzel von lambda i

Richtig oder falsch?

Die Kommunitäten sind in R unter "h Quadrat" zu finden

Die Eigenwerte sind unter "Proportion Var" zu finden

SS loadings bezeichnet die Eigenwert der jeweiligen Komponente

Richtig oder falsch?

bei Berechnung der Faktorenanalyse über die Korrelatioxsmatrix werden untersuch. Varianzen der Variablen vernachlässigt

R rechnet automatisch (default) mit der Kovarianzmatrix

spezifiziert man 'covar=TRUE', sind in der Spalte 'PCI' Klovarianzen zu finden (statt Korrelationen)

Proportion Var der durch die Variablen durch die Hauptkomponente erklärte Varianzanteil

Welche Kriterien gibt es zur Beurteilung der Wichtigkeit von Faktoren mittels Scree Plot?

1. Faktoren < 1 sind unwichtig

2. Dort, wo der Plot ein Knick hat, wird die Grenze zwischen wichtigen und unwichtigen Faktoren bzw Eigenwerten gesetzt

Wenn 'SS loadings' für PCI = 3.37 und 'Proportion Var' = 0.56 gibt es ... Variablen

3.37/0.56 = 6

Richtig oder falsch?

Eine Varimax Rotation hat zur Folge, dass hohe Ladungen kleiner und tiefe Ladungen grösser werden

Die Rotation hat keinen Einfluss auf die insgesamt erklärte Varianz

Nach der Rotation sind die Komponenten etwa gleich wichtig

Bei einer Varimax Rotation sind die SS loadings miteinander konfundiert

Richtig oder falsch?

bei der Faktorenanalyse im engeren Sinn werden die Items von den Faktoren vorhergesagt

Vom Konstrukt zeigen Pfeile zu allen Variablen (explorative)

Bei der PAF sind die Eigenwerte in der Tendenz kleiner als in der PC (es kann generell weniger erklärt werden)

bei einer oblimin Rotation sind die Faktoren orthogonal

Welches sind die Voraussetzungen für PC und PAF?

1. kein Selektions Bias

2. Keine Ausreisser

3. Intervalldaten

4. Linearität (linearer Zusammenhang zw Variablen)

5. Dimensionen (Gruppen von Variablen müssen miteinander korrelieren)

6. Probandenanzahl (Faustregel: 10 pro Variable)

konfirmatorische Faktorenanalyse

von jedem Konstrukt zeigen Pfeile zu allen Faktoren

pro Faktor wird ein Pfad auf 1 gesetzt

Pfade zwischen Messfehler und Indikatoren werden auf 1 gesetzt

bei einfaktoriellen Modellen: mind 2 Indikatorvariablen

bei mehrfaktoriellen Modellen: mind 2 Indikatoren

bei der standardisierten Lösung der konf. Faktorenanalyse..

werden Varianzen der Indikator- und Konstruktvariablen auf 1 gesetzt

Spezifiziere für R:

Z, H, V : Indikatorvariablen; U: latente Variable

und gib an, welcher Pfad auf 1 gesetzt wird

U=~Z+H+V, Pfad zwischen U und Z

konf. Faktorenanalyse: Die Reliabilitäten der Indikatoren entsprechen..

den quadrierten standardisierten Faktorladungen

Die Konstruktreliabilität für Faktor i berechnet sich..

sie sollte grösser sein als..

aus der quadrierten Summe aller Pfade, die auf i zeigen geteilt durch (dieselbe plus die nicht erklärten Varianzanteile der Indikatorvariable)

> .7

Der durch Faktor i erklärte Varianzanteil berechnet sich aus.. und sollte grösser als ... sein

(Bsp: 3 Indikatorvariablen)

quadrierter Pfad 1 plus quadrierter Pfad 2 plus quadr. Pfad 3 geteilt durch 3.

>.5

Statistik

Lernkarteien erstellen oder kopieren

Lernkarteien erstellen oder kopieren

Melde dich an, um alle Karten zu sehen.

SWITCHaai

Office 365

Edulog

Apple ID

Google