Orthogonalität von zwei Vektoren: genau dann wenn
a x b = 0
Skalar:
Matrix mit einer Zeile und einer Spalte (d.h. eine Zahl ai)
Diagonalmatrix:
quadratische Matrix,alle nicht-diagonale Elemente gleich Null
Einheitsmatrix
Diagonalmatrix, alle Elemente gleich 1Beispiel: Korrelationsmatrix zwischen Faktoren
Suppressorvariable
= Prädiktor (UV) Xj,der zur Vorhersage des Kriteriums Y beiträgt, indemer irrelevante Varianz anderer Prädiktoren Xi unterdrückt. -> bedeutsames β-Gewicht, aber:kleinere oder andersgerichtete Korrelation mit dem Kriterium
Klassische Suppression:
Prädiktor Xj korreliertgering mit Y, aber hoch mit anderem Prädiktor Xi -> Gewicht βj und Semi-Partialkorrelation srj (relativ) hoch
Reziproke Suppression:
Xj und Xi korrelierenpositiv mit Y, aber negativ miteinander (oder umgekehrt)
Negative (Netto-) Suppression:
Xj erhält Gewicht βjmit anderem Vorzeichen als Korrelation mit Y
Konvention: f ²
klein: 0,02 mittel: 0,15 groß:0,35
Effektgrößen
Größe der Abweichung der empirischen Daten von der Situation, die bei Gültigkeit der exakten H0 zu erwarten ist. Maß für die statistische Assoziation zwischen zwei Variablen
Wann sind latente Variablen "exogen"?
wenn sie ausschließlich UV sind
Wann sind latente Variablen im SEM endogene Variablen?
wenn die mindestens einmal auch AV sind
disturbances im SEM
andere Einflüsse auf Faktoren (modellextern)
Strukturgleichungsmodelle: Ablauf
1. wiss. Hypothesen über Zusammenhänge– latente Variablen (exogen und endogen) – latente Variablen und Indikatoren2. Spezifikation und Identifikation der Modellstruktur3. Datenerhebung: Werte auf Indikatorvariablen4. Schätzung der Parameter (insb. Pfadkoeffizienten)5. statistische Beurteilung des Modells:Reliabilitäten, Signifikanztests, Anpassungsmaße6. Beurteilung der wissenschaftlichen Hypothesen7. evtl. Modifikation des Modells
