Unser letztes Tutorium

Präsentation zum Thema: "Unser letztes Tutorium"—  Präsentation transkript:

1 Unser letztes Tutorium
… und mein allerletztes … 

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

3 1. Aufgabe - Statements Belegen von situativen Einflüssen möglich?
 Ja – Aber nicht Beweisen!!! (kein Test dafür) Man braucht für jede Person ein latent-state-Residual um den Einfluss der Situation auf eine Person zu zeigen 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

4 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

5 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

6 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:

7 Aufgabe 1 - Statements MF vernachlässigbar, da kein sig. linearer Zusammenhang zu Trait & States?! Keine Kor zu Trait  darum geht es aber auch gar nicht. Der Methodenfaktor ist schließlich eine Eigenschaft der Methode, gegeben die Person. Lineare Zusammenhänge zum Trait sind möglich, aber nicht nötig. Und zu States unkor.  Annahme, dass Fehler nicht korrelieren. Der Methodenfaktor ist eine zusätzliche Varianzquelle. Erkennbar, wenn gleiche Methoden über Zeitpunkte höher kovarieren als unterschiedliche Methoden(Testhälften).

8 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!

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

10 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)

11 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

12 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   

13 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!