Unser letztes Tutorium

1. Output – das Modell gut11 gut12 gut21 gut22 gut31 gut32 state1 state2 state3 XI MF

1. Aufgabe - Statements Belegen von situativen Einflüssen möglich? Ja – Aber nicht Beweisen!!! (kein Test dafür) - Man braucht für jedes Item ein latent-Residual um Situationsspezifität zu prüfen - einfacher ist es sich dessen Varianz anzuschauen (ist hinreichend) - Wenn diese nicht 0 ist nicht alles an Item durch Trait erklärt Modell spricht nicht gegen situative Einflüsse

1. Aufgabe - Statements Erwartungswerte für 3 State Variablen identisch? EW sind nicht 0 gesetzt Nur Intercept, & Ladungen, sind fixiert Alle haben den selben EW den von Xi

Aufgabe 1 - Statements Die Testhälfte t1 hat über Messzeitpunkte höheren EW als t2 Auf die 2. Testhälfte lädt der Methodenfaktor(E(MF)= ) - Intercepts & Ladungen der Items fixiert EW unterscheiden sich nur um Methodenfaktor - 1. Testhälfte hat höhere Werte

1. Aufgabe - Statements Geringe Konsistenz der Testhälften ( Fragebogen ist geeignet) - Konsistenz: Wie viel Varianz eines Items wird durch den Trait vorhergesagt? Soll zwischen Testhälften nicht hoch sein Ist hier kein Maß für die Güte der Messung dafür besser Reliabilität betrachten:

Aufgabe 1 - Statements MF vernachlässigbar, da kein sig. linearer Zusammenhang zu Trait & States?! Keine Kor zu Trait ist aber auch nicht unser Ziel! Und zu States unkor. Modellimpliziert Wenn State und Trait nicht reichen um die Var & Cov der manifesten Variablen zu erklären, dann MF (Auch eine Cov-quelle)

Aufgabe 2 Messmodel (Regression von manifesten auf latente state Variablen) Die Lambda-Parameter sind im Modell alle auf 1 fixiert, die Nu´s alle auf 0!

Aufgabe 2 Strukturmodel Alle 0en im Betavektor zeigen Restriktionen an (außer Diagonale)

Aufgabe 3 Wann nehmen wir expl. Faktorenanalyse? Zur Datenreduktion Ohne Annahmen über die zugrunde liegende Struktur Achtung genügt nicht den Kriterien eines Tests! Ich nehme vorher an was ich finden will, dann schaut man mal, ob man es findet & dann definiert man das und nimmt es an (oder nicht)

Aufgabe 4 Kommunalität : Wieviel Varianz von einer Ausgangsvariablen wird durch die extrahierten Faktoren erklärt? j quadrierte Faktorladungen über Faktoren aufsummiert Eigenwert: Die aufgeklärte Varianz von einem Faktor an der Gesamtvarianz erklärt i quadrierte Faktorladungen über Variablen aufsummiert

Aufgabe 5 Screenplot: Alle Eigenwerte oberhalb des Knickes im Eigenwertverlauf werden als bedeutsam erachtet Problem: subjektiv wo ist Knick? & Verlauf kann keinen oder mehrere Knicks zeigen

Aufgabe 5 Kaiser-Guttman-Kriterium: Alle Faktoren die einen Eigenwert größer 1 zeigen werden als bedeutsam erachtet, da sie mehr Varianz erklären als eine der Ursprungsvariablen Beispiel Interpretation Eigenwert: Bei 6 Ausgangsvariablen hat Faktor Eigenwert von 2 (somit klärt er 33% der Gesamtvarianz auf) Bei 100 Ausgangsvariablen hat Faktor Eigenwert von 2 (somit klärt er 2% der Gesamtvarianz auf) Kriterium wird nicht in Beziehung zur Anzahl der Variablen gesetzt!