Methodeneffekte als individuelle Kausale Effekte am Beispiel GES7

Präsentation zum Thema: "Methodeneffekte als individuelle Kausale Effekte am Beispiel GES7"—  Präsentation transkript:

1 Methodeneffekte als individuelle Kausale Effekte am Beispiel GES7
Uta Tittelbach, Marcel Franz, Karl Georg Pfleger

2 Agenda 1. Theorie 2. der Datensatz 3. Aufgabenstellung
4. Modelle mit Methodenfaktor

3 1. Theorie Was ist ein Methodeneffekt als individueller kausaler Effekt? Warum individuelle Effekt? Individuelle kausaler Effekt bei der jeweiligen Person entsteht, wenn anstatt mit Methode B, Methode A für Erhebung eines Traits genutzt wird.

4 1. Theorie Der individuelle Methodeneffekt:
Differenz der Truescores einer Person bei der mit zwei Methoden dieselbe Variable gemessen wurde. MEjl= τjl – τjk Y11 = τ ε 11 Y12 = τ ε 12 (Referenzmethode 1) Y12 = τ11 + (τ 12 - τ11) + ε 12 Y12 = τ 11 + ME ε 12 Y12 = τ 12 + ε 12 (Trait 1 mit Methode 2 gemessen)

5 1. Theorie Y12 = τ 12 + ε 12 (Referenzmethode 1)
Y12 = τ 11 + ME ε 12

6 1. Theorie Effekt bei jeder Person u unterschiedlich
MEjl (u) = τjl(u) – τjk(u) Methoden als Treatment Methodeneffekte sind nicht Residuum einer Regression, sondern individueller Treatmenteffekt Über verschiedene Traits invariant: E(Y22) - E(Y21) = E (Y12) – E(Y11) = E(M2) Der durchschnittliche Treatmenteffekt ist definiert als das Mittel der individuellen Treatmenteffekte

7 1. Theorie Annahme: die Methodeneffekte sind für jeden Trait gleich.
M ist nach KTT Trait  mit dem Fehler unkorreliert. M darf mit allen anderen Traits ohne Einschränkungen korrelieren. Das Modell ist invariant gegenüber der Wahl der Referenzmethode, da implizierte Varianz, Kovarianz, Mittelwertsstruktur invariant ebenso Werte der Truescorevariable M12 sind die traitspezifischen Methodeneffekte für Trait 1 verglichen Methode 2 mit Referenzmethode 1 Das Modell ist invariant gegenüber der Wahl der Referenzmethode, da sich dadurch die implizierte Varianz, Kovarianz und Mittelwertsstruktur nicht ändert ebenso wenig wie die Werte der Truescorevar

8 2. der Datensatz Befindlichkeitsmessung und Latent-State-Trait-Modelle
(Steyer, R., Schwenkmezger, P., Eid, M. & Notz, P.) Ziel: Erprobung testtheoretischer Modelle im Bereich der Messung emotionaler Befindlichkeiten

9 2. der Datensatz längsschnittliche Erhebung über 4 Zeitpunkte (April-September 1991) N=503 58% Frauen, 42% Männer 17-77 Jahre, MW=31,19 Jahre, SD=13,85

10 2. der Datensatz verwendete Skalen: MDBF – 3 Subskalen:
gute vs. schlechte Stimmung Ruhe vs. Unruhe Wachheit vs. Müdigkeit situative Einflüsse: körperliche Beschwerden – FBL „daily hassles & uplifts“ Wetter u.a. (Schlaf, Alkohol, Aktivität,...) personale Einflüsse: FPI (Freiburger Persönlichkeitsinventar) dispositionale Selbstaufmerksamkeit überdauernde Stimmung (Bohner et. al)

11 3. Aufgabe „Methodeneffekte als individuelle kausale Effekte“
von uns ausgewählt: MDBF-Skala „gute vs. schlechte Stimmung“ 8 Items, davon 4 positiv, 4 negativ formuliert Testhälften gebildet: positiv vs. negativ formulierte Items – t1pos, t1neg usw. Bsp: „zufrieden, gut, wohl, glücklich“ vs. „schlecht, unwohl, unglücklich, unzufrieden“

12 4.1 Modell ohne MF

13 4.2 Modell mit MF

14 4.3 Modell mit MF + Prädiktor
Prädiktor: Faktor „Emotionalität“ aus FPI hohe Werte: emotional labil, empfindlich ängstlich, bedrückt viele Probleme und körperliche Beschwerden niedrige Werte: emotional stabil, gelassen Selbstvertrauend lebenszufrieden

15 4.3a Modell mit MF + Prädiktor

16 4.3a Modell mit MF + Prädiktor
deutliche Verschlechterung des Modellfits! – Warum? schlechter Fit des Messmodells für den FPI-Faktor! offenbar starke situative Einflüsse auf Messung des Persönlichkeitsfaktors Lösung: Bildung von Testhälften zu jedem Zeitpunkt, Mittelung dieser Werte über alle 4 Zeitpunkte

17 4.3b Modell mit MF + Prädiktor (unstandardisierte Lösung)

18 4.3b Modell mit MF + Prädiktor (standardisierte Lösung)

19 Modell 4.3b - Interpretation
Der FPI-Faktor „Emotionaliät“ sagt mäßig gut das Befinden zu t1-t4 vorher ( ) ebenso die individuellen Unterschiede auf dem Methodenfaktor (.28), d.h. die interindividuellen Unterschiede in Antworttendenzen Das Gesamtmodell hat einen sehr guten Modellfit (RMSEA=0,038), wir sollten es beibehalten

20 Habt ihr Fragen? Danke für eure Aufmerksamkeit!

21 Literatur Steyer, R., Schwenkmezger, P., Notz, P., Eid, M.: Der mehrdimensionale Befindlichkeitsfragebogen (MDBF). Handanweisung. Göttingen. Hogrefe, 1997. Pohl, S., Steyer, R.(2006) Modelling Method Effects as Individual Treatment Effects. (in press)

22 Anhang Syntax Modell 1 ohne MF DA NI = 12 NO = 503 MA=CM
CM FI = modell2.cov ME FI = modell2.means LA t1pos t1neg t2pos t2neg t3pos t3neg t4pos t4neg emofpit1 emofpit2 emofpit3 emofpit4 SE / MO NY=8 NE=4 LY=FU,FI TE=DI,FR PS=SY,FR LE Bef_t1 Bef_t2 Bef_t3 Bef_t4 VA 1.0 LY(1,1) LY(2,1) VA 1.0 LY(3,2) LY(4,2) VA 1.0 LY(5,3) LY(6,3) VA 1.0 LY(7,4) LY(8,4) ! VA 1.0 LY(2,5) LY(4,5) LY(6,5) LY(8,5) FR PS(1,2) PS(2,3) PS(1,3) PS(1,4) PS(2,4) PS(3,4) PD OU ND=3 WP AD=OFF

23 Anhang Syntax Modell 2 mit MF DA NI = 12 NO = 503 MA=CM
CM FI = modell2.cov ME FI = modell2.means LA t1pos t1neg t2pos t2neg t3pos t3neg t4pos t4neg emofpit1 emofpit2 emofpit3 emofpit4 SE / MO NY=8 NE=5 LY=FU,FI TE=DI,FR PS=SY,FR LE Bef_t1 Bef_t2 Bef_t3 Bef_t4 METH VA 1.0 LY(1,1) LY(2,1) VA 1.0 LY(3,2) LY(4,2) VA 1.0 LY(5,3) LY(6,3) VA 1.0 LY(7,4) LY(8,4) VA 1.0 LY(2,5) LY(4,5) LY(6,5) LY(8,5) FR PS(1,2) PS(2,3) PS(1,3) PS(1,4) PS(2,4) PS(3,4) PD OU ND=3 WP AD=OFF

24 Anhang Syntax Modell 3a mit MF und Prädiktor DA NI = 12 NO = 503 MA=CM
CM FI = modell2.cov ME FI = modell2.means LA t1pos t1neg t2pos t2neg t3pos t3neg t4pos t4neg emofpit1 emofpit2 emofpit3 emofpit4 !SE ! / MO NY=8 NX=4 NK=1 NE=5 LY=FU,FI TE=DI,FR GA=FU,FI PS=SY,FR PH=SY,FR LE Bef_t1 Bef_t2 Bef_t3 Bef_t4 METH LK Emo VA 1.0 LY(1,1) LY(2,1) VA 1.0 LY(3,2) LY(4,2) VA 1.0 LY(5,3) LY(6,3) VA 1.0 LY(7,4) LY(8,4) VA 1.0 LY(2,5) LY(4,5) LY(6,5) LY(8,5) VA 1 LX(1,1) FR LX(2,1) LX(3,1) LX(4,1) FR GA(5,1) GA(4,1) GA(3,1) GA(2,1) GA(1,1) PD OU ND=3 WP AD=OFF

25 Anhang Syntax Modell 3b mit MF und Prädiktor DA NI = 10 NO = 503 MA=CM
CM FI = modell6.cov LA t1pos t1neg t2pos t2neg t3pos t3neg t4pos t4neg emofpi1 emofpi2 !SE ! / MO NY=8 NX=2 NK=1 NE=5 LY=FU,FI TE=DI,FR GA=FU,FI PS=SY,FR PH=SY,FR LE Bef_t1 Bef_t2 Bef_t3 Bef_t4 METH LK Emo VA 1.0 LY(1,1) LY(3,2) LY(5,3) LY(7,4) VA 1 LY(2,1) LY(4,2) LY(6,3) LY(8,4) VA 1.0 LY(2,5) LY(4,5) LY(6,5) LY(8,5) VA 1 LX(1,1) FR LX(2,1) FR GA(5,1) GA(4,1) GA(3,1) GA(2,1) GA(1,1) PD OU ND=3 WP AD=OFF