Übung zur Vorlesung Theorien Psychometrischer Tests I

Slides:



Advertisements
Ähnliche Präsentationen
Übung zur Vorlesung Theorien Psychometrischer Tests I
Advertisements

11. Matrizen. 11. Matrizen Eine mn-Matrix ist ein Raster aus mn Koeffizienten, die in m Zeilen und n Spalten angeordnet sind. = (aij)1  i  m, 1.
Arbeiten mit Mittelwert- und Kovarianzstrukturmodellen
Strukturgleichungsmodell
Titelzeile (Modellname) Observed Variables Covariance Matrix Sample Size:………….. Latent Variables
Theorie psychometrischer Tests, III
Multivariate Analysemethoden Johannes Gutenberg Universität Mainz
Strukturgleichungsmodelle
Gliederung Allgemeine Arten von Zusammenhängen Kovarianzen
Forschungsstatistik II
Übung zur Vorlesung Theorien Psychometrischer Tests I
Reliabilitätsanalysen
Latente Variablen – Kennwerte zur Beurteilung von Modellen
Strukturgleichungsmodelle
zur Vorlesung Neuronale Netzwerke
ISWeb - Information Systems & Semantic Web Marcin Grzegorzek 5.4 Latent Semantic Indexing und Singulärwertzerlegung Zerlegung von.
Typo3für RFB Anmeldung.
Wismar Business School
Tutorium
Unser letztes Tutorium
Unser letztes Tutorium Output – das Modell gut11 gut12 gut21 gut22 gut31 gut32 state1 state2 state3 XI MF
Unser neuntes Tutorium
Unser zehntes Tutorium Materialien unter:
Unser sechstes Tutorium Materialien unter:
Unser schönstes Tutorium Materialien unter:
Rechneraufbau & Rechnerstrukturen, Folie 12.1 © W. Oberschelp, G. Vossen W. Oberschelp G. Vossen Kapitel 12.
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Multikollinearität Wann spricht man von Multikollinearität?
Mittelwertvergleiche (T-Test)
Agenda Motivation Grundlagen der Matrix-Vektor-Multiplikation
Seminar: Datenerhebung
Einführung in SPSS/PASW. Inhaltsübersicht 1. Intro ( ) 2. Deskriptive Statistik ( ) 3. Ausgaben ( ) Wiederholung Tabellen,
Einführung in SPSS/PASW. Eckdaten Ort: ZIP-Pool Zielgruppe: Primär 3. Semester Bachelor, sekundär Diplomstudierende Zeiten: Dienstags: 10:15-11:45 Uhr.
Seminar: Datenerhebung
Kapitel 2 Das klassische Regressionsmodell
Einfache und multiple Regression
Mixture modeling Holger Steinmetz and Peter Schmidt
Theorie psychometrischer Tests, IV
Objekte Objekte sind Elemente, die man mit dem Programm bearbeiten kann. Datei, aufgebaut als Tabelle (Relation) Datensatz, entspricht einer Zeile der.
Theorie psychometrischer Tests, II
Multivariate Statistische Verfahren
Methodeneffekte als individuelle Kausale Effekte am Beispiel GES7
_____________________________________________________________________________________________________________________________________________ Arbeit, Bildung.
Übung 2 - MdMT Methoden der Medizintechnik Übung zur Vorlesung Folge 2 – Basics Vom ersten Befehl zum Plot.
Die einfache/multiple lineare Regression
Excel.
Testtheorie (Vorlesung 6: ) Zusammenfassung: Matrizen
Testtheorie (Vorlesung 7: ) Rekapitulation: Modellierungsansatz
Testtheorie (Vorlesung 4: ) Wiederholung/Zusammenfassung
Einführung / Formalitäten
Testtheorie (Vorlesung 5: ) Wiederholung/Zusammenfassung  Reduktion von Gleichungen:
Tutorium zur Datenanalyse mit SPSS
Die einfache/multiple lineare Regression
Übung zur Vorlesung Theorien Psychometrischer Tests I
Übung zur Vorlesung Theorien Psychometrischer Tests I Ulf Kröhne Norman Rose Session 6.
1 Analyse konstruierter Daten … mit EffectLite Ref.: Marie Grahl, Victoria Paul, Katja Peilke.
Reliabilität.
Übung zur Vorlesung Theorien Psychometrischer Tests I Ulf Kröhne Norman Rose Session 8.
Übung zur Vorlesung Theorien Psychometrischer Tests I Ulf Kröhne Norman Rose Session 8.
Übung zur Vorlesung Theorien Psychometrischer Tests I
Testtheorie (Vorlesung 11: ) Wiederholung: Reliabilität
Testtheorie (Vorlesung 10: ) Wiederholung: Reliabilität
Übung zur Vorlesung Theorien Psychometrischer Tests I
Übung zur Vorlesung Theorien Psychometrischer Tests I
ü Kapitelübersicht Grundfunktionen Berechnungen Layoutfunktionen
PCA Principal Component Analysis. Gliederung PCA – Warum eigentlich? PCA – Was ist zu tun? Was passiert eigentlich? Anwendungen Zusammenfassung.
Testtheorie (Vorlesung 14: ) Testtheorie allgemein:  Ziele und Inhalte der Testtheorie:  Beurteilung der Eigenschaften von Tests  Speziell: Güte.
Reliabilität.
Multivariate Statistische Verfahren
Berechnung des Fixverktors bei stochastischen Matrizen
 Präsentation transkript:

Übung zur Vorlesung Theorien Psychometrischer Tests I Ulf Kröhne Norman Rose Session 4

Agenda Lösung der Aufgaben Fragen zur Vorlesung Üben zu Mplus Matrizen von Mplus Aufgabe

Bildung von Testwertvariablen GES7 Erstellung von 4 Indikatoren für eine gemeinsame Skala „Gute-Schlechte Stimmung“:

Daten für Mplus vorbereiten GES7 Datei als Tabulator getrennt (*.dat) abspeichern. Nur die Variablen auswählen, die in Mplus analysiert werden sollen. Variablennamen löschen (1. Zeile).

Übung „Datensatz“ GES7 http://www.metheval.uni-jena.de/ GES7 herunterladen GES7.sav in SPSS öffnen Summenscores berechnen: GS_Y1 = t1st09 + t1st32 + t1st29. GS_Y2 = t1st05 + t1st39 + t1st45. GS_Y3 = t1st17 + t1st13 + t1st20. GS_Y4 = t1st62 + t1st36 + t1st25. Summenscores als Tab-File speichern Variablennamen entfernen (Reihenfolge prüfen!) in Mplus verwenden (Modell: vl4_ges7_gs_4ind_kongenerisch.inp)

Übung „Modell“ GES7 vl4_ges7_gs_4ind_kongenerisch.inp herunterladen in Mplus öffnen Nachvollziehen: Modell essentiell tau-äquivalenter Tests Nachvollziehen: Modell paralleler Tests

Matrizen von Mplus Motivation: Warum Mplus Matrizen? Prüfung der Modellspezifikation!!! Erste Analyse des Mplus Outputs (tieferes Verständnis der Methode)

Übung „StateAnxiety“ http://www.metheval.uni-jena.de/ session04_ausgangspunkt.inp herunterladen session04_stateanxiety.cov

Übersicht

Grundlegende Matrizen LAMBDA (): Ladungen der latenten Faktoren auf die manifesten Variablen (vgl. 11, 21, … 93) THETA (): Varianzen und Kovarianzen der Residuen manifester Variablen (vgl. 11, … 93) PSI (): Varianzen und Kovarianzen exogener latenter Variablen bzw. der Residuen endogener latenter Variablen (vgl.  11, … 93) BETA (): Regressionskoeffizienten / Ladungen latenter auf latente Variablen (vgl.  31, 32)

Weitere Matrizen und Vektoren GAMMA (): Regressionskoeffizienten von latenten auf unabhängige manifeste Variablen NU (): Mittelwerte/Intercepts manifester Variablen ALPHA (): Mittelwerte/Intercepts latenter Variablen (TAU (): Schwellenparameter kategorialer manifester Variablen) (DELTA (): Vektor von Skalierungen manifester abhängiger Variablen)

Aufgabe Aufschrieben, wie folgende Matrizen für die Modelle aus der Vorlesung aussehen:  (Lambda)  (Theta)  (Psi) Modelle:  - kongenerisch, essentiell  - äquvalent, parallel Befindlichkeitsmessung (1. Zeitpunkt) Datensatz: GES7 (4 Indikatoren) ges7_GS_4Ind.dat

Lösungsansatz 1. Modell aus Vorlesung nachrechnen 2. Tech1 ansehen 3. Matrix aufschreiben Hinweis: Elemente der Matrix immer [Zeile,Spalte] benennen.