Testtheorie und Testkonstruktion (Subject) / Erweiterungen der KTT zur Validitätsprüfung Explorative & konfirmato (Lesson)
There are 23 cards in this lesson
explorativ und konfirmatorisch
This lesson was created by makem.
This lesson is not released for learning.
- Validität Ausmaß, in dem ein Test misst, was er zu messen vorgibt bzw. messen soll verschiedene Anwendungs- und Interpretationsmöglichkeiten Gültigkeit verschiedener möglicher Interpretationen von Testergebnissen Validierung läuft nicht immer gleich ab: abhängig von Inhalten der Testplanung
- verschiedene Anwendungs- und Interpretationsmöglichkeiten von Testergebnissen: Bewerten Verallgemeinern Extrapolieren (kausal) Erklären Entscheiden
- Extrapolieren das Verhalten in der Testsituation kann auf ein Verhalten außerhalb der Testsituation übertragen werden zB: Kriteriumsvalidität: von IQ-Leistung auf Schulerfolg schließen können
- Arten der Validität Inhaltsvalidität Konstruktvalidität Kriteriumsvalidität
- Inhaltsvalidität Verhältnis zwischen Merkmal und Test-/Iteminhalten
- Konstruktvalidität Testergebnis ist hinsichtlich theoretischem Konstrukt interpretierbar Konvergente Validität Diskriminante/divergente Validität Gruppenunterscheidung Faktorstruktur (faktorielle Validität) Veränderung über die Zeit Veränderung durch experimentelle Intervention/Manipulation
- Kriteriumsvalidität liegt vor, wenn die Messungen mit einer anderen konstruktvaliden Messung (dem Kriterium) hoch korrelieren. Formen: Konkurrente Validität (Übereinstimmungsvalidität) Prädiktive/prognostische Validität (Vorhersagevalidität) Inkrementelle Validität
- Faktorladung Kann als Korrelation zwischen Variable und Faktor interpretiert werden Wertebereich üblicherweise zwischen -1 und 1 Hauptladung mind. .30 (besser .50, vorallendingen für konfimatorische)
- Kommunalität Anteil der Varianz einer Variablen, der durch die Gesamtheit der Faktoren aufgeklärt wird Kann bei z-standardisierten Variablen nicht größer 1 sein Mind. .50
- Eigenwert Gibt an, welcher Anteil der Gesamtvarianz aller Variablen durch diesen Faktor Fk aufgeklärt wird Klärt ein Faktor weniger Varianz als 1 auf, wird er für unbedeutend gehalten Mind. 1
- Faktorwert Ausprägungsgrad einer Person v auf einem Faktor Fk Gibt an, wie stark die in einem Faktor zusammengefassten Merkmale bei einer Person ausgeprägt sind z-standardisierte Variable (M = 0, SD = 1)
- Welche zentralen Begriffe für FA haben sie kennengelernt und wie werden diese definiert? Die zentralen Begriffe der FA sind die Faktorladung, der Eigenwert, die Kommunalität und der Faktorwert.
- Wann wende ich EFA an? bildet Datensatz Modell gut ab? wenn die Anzahl der einem Datensatz zugrunde liegenden Faktoren analysiert werden soll aber keine konkreten Hypothesen über die Zuordnung der beobachteten Variablen zu den Faktoren vorhanden sind (bzw. modelliert werden sollen)
- EFA Ablauf Variablenauswahl und Berechnung der Korrelationsmatrix Faktorenextraktion (Bestimmung der Kommunalitäten; Zahl der Faktoren) Faktorinterpretation Bestimmung der Faktorwerte
- Kommunalitätenproblem: Vor der Extraktion der Faktoren müssen die Kommunalitäten geschätzt werden, deren Werte man aber noch nicht kennt Unterschiedliche Techniken der FA verwenden unterschiedliche Methoden der Kommunalitätenschätzung
- Hauptkomponentenanalyse (PCA) Principal Components Analysis - Ziel : Möglichst viel Varianz der beobachteten Variablen aufklären durch Hauptkomponenten - Implizite Annahme: Messfehlerfreie Erfassung der beobachteten Variablen
-
- Hauptkomponentenanalyse (PCA) Principal Components Analysis Gesamte Varianz der Variablen ist wahre Varianz, die durch gemeinsame Hauptkomponenten erklärt werden kann - In Hauptkomponenten sind daher auch Messfehler enthalten -> Hauptkomponenten im strengen Sinne keine latenten Variablen, können nichts „erklären“ - Kommunalität wird auf 1 gesetzt
- Hauptachsenanalyse (PFA) Principal Axes Factor Analysis - Ziel: Aufdeckung von latenten Faktoren, mit denen das Beziehungsmuster zwischen manifesten Variablen erklärt werden kann
- Hauptachsenanalyse (PFA) Principal Axes Factor Analysis Annahme, dass beobachtete Variablen neben wahrer Varianz auch Messfehlervarianz aufweisen - Wahre Varianzanteile der Variablen (Reliabilität) werden daher zunächst geschätzt (quadrierte multiple Korrelation jeder einzelnen Variablen mit allen anderen) und in die Hauptdiagonalen der Korrelationsmatrix eingetragen - Kommunalität < 1 (= Reliabilitäten: quadrierte multiple Korrelation jeder einzelnen Variablen mit allen anderen)
- Faktorenextraktion - Anzahl der Faktoren Verfahren Scree-Plot Kaiser-Kriterium Parallelanalyse Basis: Eigenwerte
- Scree-Plot: Relevante Faktoren liegen vor Knick
- Parallelanalyse Faktoren extrahieren, deren Eigenwerte größer sind, als die des Zufallsgraphen
- Warum nutzt man die Faktorenrotation? Ohne Rotation werden Eigenwerte maximiert Entstehender Faktorraum hinsichtlich Ladungsmuster meist wenig interpretierbar Rotation, um Einfachstruktur zu erreichen: Hohe (Primär)Ladung auf einem Faktor Geringe (Sekundär)Ladungen auf anderen