Psychologie (Fach) / Diagnostik - Vertiefung (Lektion)

Diese Lektion wurde von derloda erstellt.

Lektion lernen

zurück  |  weiter 1 / 1

• Was ist ein Merkmal? Merkmale können... Psychische Eigenschaften (z.B. Neurotizismus)Psychische Zustände (z.B. Angst)Direkt messbare Merkmale (z.B. Geschlecht, Alter)Fähigkeiten (Konzentration)Fertigkeiten (Schreibmaschinenschreiben) ...sein
• Wie unterscheiden sich die KTT und die IRT bei der Schätzung des zu messenden Merkmals in ihrem Umgang mit den Antworten auf einzelnen Testitems? In der KTT bildet der Testwert einer Person ihre Ausprägung im zu testenden Konstrukt ab. Der Testwert ergibt sich aus der Summe der Antworten auf den verschiedenen Items. In der KTT wird dieser Testwert mit dem zu messenden Merkmal inklusive Messfehler gleichgesetzt. Testwert= Wahrer Wert + Messfehler. Im Gegensatz dazu wird bei der IRT ausdrücklich eine latente, nicht direkt beobachtbare Persönlichkeitsvariablen angenommen, welche den Testwert beeinflusst, aber nicht direkt mit diesem gleichgesetzt wird. Die latente Variable wird aus dem Antwortmuster einer Person geschätzt, wobei die Charakteristiken der Items kontrolliert werden.
• Im Unterschied zur KTT verändert sich der Standardfehler für Messwerte in der IRT in Abhängigkeit von der Merkmalsausprägung. Wovon hängt die Größe dieser Messungenauigkeit im IRT-Modellen ab? Die Größe dieser Messungenauigkeit hängt in den IRT-Modellen von der Merkmalsausprägung (Personenfähigkeit/Personenparameter) einer Person und den Itemparametern ab. Der Standardfehler ist gering, wenn die Itemschwierigkeit und die Fähigkeit der Person gut zueinander passen und die Itemdiskrimination hoch ist.
• In der IRT kann auch ein Test mit wenigen Items eine gute Reliabilität erreichen. Wovon hängt die Reliabilität von IRT-skalierten Tests ab? Die Reliabilität von IRT-skalierten Tests von dem Standardmessfehler ab. Ein Test ist umso reliabler je geringer der Standardmessfehler ist. Dieser ist am geringsten, wenn die Schwierigkeit der Items auf die Merkmalsausprägung einer Person abgestimmt sind. Bei sehr leichten oder sehr schweren Items wird der Standardmessfehler größer und die reliabilität nimmt ab.
• In der KTT gibt es einen klaren Zusammenhang zwischen Reliabilität und Testlänge. Welche Änderungen ergeben sich hinsichtlich dieses Zusammenhangs bei Anwendung der IRT? In der KTT ist ein längerer Test reliabler, wenn er mit parallelen Testteilen verlängert wurde (Spearman Brown Formel). In der IRT ist es im Gegensatz dazu auch möglich, dass kürzere Tests reliabler sind als längere Tests. Ein Test ist in der IRT umso reliabler, je geringer der Standardmessfehler ist. Der Standardmessfehler wird klein, wenn die Itemschwierigkeit optimal an die Merkmalsausprägung einer Person angepasst ist. Bei sehr leichten oder sehr schweren Items wird der Standardmessfehler größer. Da man durch das adaptive Testen nur Items gibt, die nicht zu schwer und nicht zu leicht für die Merkmalsausprägung der Person sind, kann man mit weniger Items (geringerer Länge) ein reliables Ergebnis erlangen.
• Was beschreibt die Itemcharakteristische Funktion eines IRT-Modells? Die Itemcharakteristische Funktion beschreibt den Zusammenhang zwischen der Wahrscheinlichkeit für eine bestimmte Antwort und der Ausprägung des latenten Merkmals. Ihr ist zu entnehmen, wie Veränderungen im Trait-Level mit Veränderungen der Wahrscheinlichkeit einer bestimmten Antwort in Verbindung steht.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Anzeige
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Welche Art der Testwertinterpretation, die auf Basis der KTT nicht möglich ist, wird durch Anwendung der IRT möglich? Da in der IRT Personenfähigkeiten und Itemschwierigkeiten auf einer Skala abgetragen werden, wird ein direkter Vergleich von Itemschwierigkeit und Personenfähigkeit ermöglicht. Dadurch ist eine kriteriumsorientierte Interpretation möglich. Aussagen wie: „Eine Person ist fähiger als ein Item schwierig“ werden möglich.
• Was bedeutet die Annahme der lokalen stochastischen Unabhängigkeit in IRT-Modellen? Lokale stochastische Unabhängigkeit bedeutet, dass die Wahrscheinlichkeit ein Item zu lösen unabhängig von dem Ergebnis eines anderen Items ist. Ebenso, dass die Items untereinander unkorreliert sind, wenn der Einfluss der latenten Variable auf die beobachtete Variable auspartialisiert wird. Die Items sind unter Berücksichtigung der latenten Variable voneinander unabhängig. Das heißt auch, dass in einer Gruppe von personen mit derselben Merkmalsausprägung die Items nicht miteinander korreliert sind.
• Worin unterscheiden sich logistische und normal-ogive IRT-Modelle? Im Gegensatz zu logistischen IRT Modellen basieren Normal-Ogive-Modelle auf der kumulativen Normalverteilung. In der Praxis herrschen logistische Modelle derzeit vor, da sie mathematisch weniger komplex sind. Bei logistischen Modellen ist der Bezug zu den „Wettquotienten“ interessant, bei normal-ogiven Modellen der Bezug zu klassischen Itemkennwerten. Die Modelle führen zu praktisch nicht unterscheidbaren IC-Funktionen.
• Was gibt die Testinformationskurve inhaltlich an? Die Testinformationskurve ist die Summe der Iteminformationskurven und kennzeichnet die Menge an psychometrischen Informationen, die alle Items des Tests über alle Punkte des Kontinuums der latenten Variable liefern. Mit der Testinformation lässt sich die Messgenauigkeit des Tests über eine Skala hinweg darstellen. Sie zeigt wie präzise ein Test verschiedene Ausprägungen des latenten Traits misst. Man sieht für welche Traitausprägung der Test am besten misst, bzw. am meisten Testinformation liefert.
• Warum muss eine von einer Normalverteilung abweichende Testinformationskurve nicht notwendigerweise schlecht sein. Wenn man einen spezifischen Merkmalsbereich (bspw: Hochbegabte differenzieren/ Minderbegabte Differenzieren) erfassen möchte, ist es am sinnvollsten, wenn die Testinformationskurve nicht die Form einer Normalverteilung, sondern einen Peak an der Stelle des zu messenden Merkmalsbereichs aufweist. Das bedeutet, dass der Test in diesem Bereich besonders gut diskriminiert.
• Warum bezeichnet man die IRT auch als eine Methode für modellbasiertes Messen? Das IRT Modell ist eine Methode für modellbasiertes Messen, weil sie die Skala der latenten Variable und der Antworten auf den Testitems sowie den Zusammenhang zwischen der latenten Variable und den Antworten in den Items spezifiziert. Es werden Modelle für die Zusammenhänge zwischen der latenten Variable und der Wahrscheinlichkeit für eine bestimmte Antwort formuliert und durch die Itemcharakteristische Funktion beschrieben. Verschiedene Modelle der IRT gehen von verschiedenen und unterschiedlich komplexen IC-Funktionen aus.
• Von welchen beiden Größen hängt die Lösungswahrscheinlichkeit eines Testitems im Raschmodell ab? Die Lösungswahrscheinlichkeit eines Testitems im Raschmodell der individuelle Merkmalsausprägung und der Schwierigkeit des Items ab.
• Wie ist die Itemschwierigkeit im Raschmodell definiert? Die Itemschwierigkeit im Raschmodell ist definiert als der Punkt, an dem die Chance das Item zu lösen 50% beträgt. Dies entspricht dem Wendepunkt der logistrischen IC-Funktion.
• Wie ist die Itemschwierigkeit im 2PL definiert? Im 2PL Modell ist die Itemschwierigkeit genauso definiert wie im Raschmodell, als der Punkt, an dem die Chance das Item zu lösen 50% beträgt. Dies entspricht dem Wendepunkt der logistrischen IC-Funktion.
• Wie lässt sich der zentrale Unterschied zwischen dem Raschmodell und dem 2PL bezogen auf die Eigenschaften der Testitems inhaltlich beschreiben? Im Unterschied zum Raschmodell enthält das 2PL-Modell zusätzlich einen Diskriminationsparameter, welcher beschreibt, wie gut Items zwischen mehr oder weniger fähigen Testpersonen differenzieren. Dieser bestimmt die Steigung der IC-Funktion am Wendepunkt und gibt so an wie stark sich die Lösungswahrscheinlichkeit in Abhängigkeit der Merkmalsausprägung verändert.
• Erläutern Sie warum man das Raschmodell als Spezialfall des 2PL und umgekehrt das 2PL als Verallgemeinerung des Raschmodell bezeichnen kann? Das Raschmodell enthält nur einen Itemparameter, nämlich die Itemschwierigkeit. 2PL-Modelle enthalten zusätzlich die Itemdiskrimination, welche Itemspezifisch ist, als weiteren Itemparameter. Das Raschmodell lässt sich auch beschreiben als ein 2PL Modell bei dem die Itemdiskrimination konstant gehalten wird . Sie wurde für das Raschmodell willkürlich bei 1 festgelegt, Die Steigungen der IC-Funktionen am Wendepunkt als immer gleich sind. .
• Inwieweit entsprechen die Itemparameter im zweiparametrigen normal-ogiven Modell den Itemparametern im 2PL? Wie auch das 2PL Modell, beinhaltet das zweiparametrige normal-ogiven Modell die Itemschwierigkeit und der Itemdiskrimination ab. Diese Parameter sind in beiden Modellen gleich definiert. Itemschwierigkeit: Der Punkt an dem die Chance das Items zu lösen 50% beträgt. Itemdiskrimination: Ist die Steigung der Funktion am Wendepunkt . Der einzige Unterschied ist, dass der Einfluss der Itemparameter auf die zu errechnende Antwortwahrscheinlichkeit durch eine andere mathematische Funktion ausgedrückt wird.
• Inwieweit entsprechen die Itemparameter im dreiparametrigen normal-ogiven Modell den Itemparametern im 3PL? Im 3PL Modell sind die Itemparameter die Itemschwierigkeit, die Itemdiskrimination und ein Rateparameter als Konstante, welcher die asymptotische minimale Wahrscheinlichkeit einer richtigen Antwort bei einer niedrigen Fähigkeit beschreibt. Diese Itemparameter kommen auch im dreiparametrigen normal-ogiven Modell vor und sind in beiden Modellen gleich definiert.
• Das dreiparametrige logistische Modell enthält drei Itemparameter. Nennen Sie diese und definieren Sie kurz deren inhaltliche Bedeutung. Was sagen sie jeweils über die Eigenschaften eines Items aus? Die Itemschwierigkeit ist definiert als der Wendepunkt der logistischen IC-Funktion. Die Itemschwierigkeit definiert die Lage der Items auf der Skala der gemessenen Fähigkeiten und gibt die Chance mit der das Item gelöst werden kann an. Der Diskriminationsparameter gibt an, wie gut ein Item zwischen mehr oder weniger fähigen Testpersonen unterscheidet (Maß der Sensitivität für Merkmalsunterschiede). Er bestimmt die Steigung der IC-Funktion an ihrem Wendepunkt. Gibt an wie stark sich die Lösungswahrscheinlichkeit in Abhängigkeit der Merkmalsausprägung verändert. Der Rateparameter ist eine Konstante, welche die asymptotische minimale Wahrscheinlichkeit einer richtigen Antwort bei einer niedrigen Fähigkeit beschreibt. Gibt den Schnittpunkt des Items mit der Y-Achse an.
• Anzeige
• Nennen Sie zwei inhaltliche Beispiele für Testitems, für deren Auswertung sich das Graded Response Model eignet. Um mich morgens wach zu fühlen brauche ich Kaffe. Nie, Kaum, manchmal, häufig, immer. Ich fühle mich an meiner Arbeit wohl. Nie, kaum, häufig, immer. Ich mag es mathematische Probleme zu lösen. Ich lese mehr als andere.
• Nennen Sie zwei inhaltliche Beispiele für Testitems, für deren Auswertung sich das Partial Credit Model eignet. Das Partial Credit Model wurde für Leistungstest-Items konzipiert, in denen „teilweise richtige“ Lösungen möglich sind. 1)Zeichne ein Dreieck: 0= keine Antwort, 1= Gekrizel, keine Ähnlichkeit mit einem Dreieck, 2= Nicht geschlossen, große Überlappungen, mehr als 1/3 der Figut deformiert, 3= Geschlossen, nicht mehr als 1/8 Überlapung, 2/3 der Figur gerade Linien. 2) Wurzel aus (25/5-1): 0= keine Antwort, 1: 25/5= 5, 2: 5-1=4, 3: Wurzel aus 4=2.
• Welche Bedeutung haben die kategorienspezifischen Parameter Betaij zur Modellierung der Antwortwahrscheinlichkeiten für die einzelnen Antwortkategorien eines mehrstufigen Items im Graded Response Model, und welche die kategorienspezifischen Parameter sigmaij im Partial Credit Modell? Der Schwellenparameter im Graded Response Modell gibt die Lage der Schwellen zwischen den Antwortkategorien an. Die Schwellen sind im Graded-Response Modell definiert als die Punkte, an dem die WK des Erreichens der nächst höheren Kategorie 50% beträgt. Der Schwellenparameter im Partial Credit Modell repräsentiert die relative Schwierigkeit der Schritte von einer Antwortkategorie zur nächsten. Dieser stellt den Punkt dar, an denen sich die Funktionen zweier benachbarter Antwortkategorien schneiden.
• Graded Response Model- Modifiziertes Graded Response Modell: Welches der beiden Modelle ist das jeweils sparsamere Modell? Begründen Sie Ihre Entscheidung! Das modifizierte Graded Response Modell ist sparsamer, d.h. strenger als das GRM. Es stellt eine Restriktion gegenüber dem GRM dar, weil es davon ausgeht, dass die Abstände der Schwellen für alle Items gleich sind, und jedes Item hat eine spezifische „Gesamtlage“ auf dem Kontinuum der Merkmalsausprägung.
• Partial Credit Model-generalisiertes Partial Credit Modell: Welches der beiden Modelle ist das jeweils sparsamere Modell? Begründen Sie Ihre Entscheidung! Das Partial Credit Modell ist das sparsamere Modell, d.h. das strengere, denn es ist eine Restriktion des generalisierten Partial Credit Modells. Das G-PCM wird um einen Itemdiskriminationsparameter erweitert. Das PCM enthält keinen Diskriminationsparameter und ist somit das sparsamere.
• Mit welchem Wert für eine zu messende Fähigkeit würde die Likelihood für das Antwortmuster einer Person maximiert, die keines der von ihr bearbeiteten Items gelöst hat? Für Antwortmuster mit 0%, wie in diesem Fall oder 100% gelöster Items sind die ML-Schätzer minus unendlich bei 0% gelöster Items oder plus unendlich bei 100% gelöster Items. Nach dem Maximum Likelihood Prinzip kann also keine genaue Schätzung durchgeführt werden.
• Wieso ist die Annahme der lokalen stochastischen Unabhängigkeit zentral für die Parameterschätzung in IRT-Modellen? Die lokale stochastische Unabhängigkeit ist zentral für die Parameterschätzung in IRT Modellen, da sie die Voraussetzung dafür ist, dass sich die WK eines Antwortmusters als Produkt der bedingten WK für die einzelnen Items ergibt. Somit können wie die WK eines Antwortmusters durch einfaches multiplizieren der bedingten WK für die einzelnen Items bestimmen.
• Verschiedene Maximum-Likelihood Verfahren zur Schätzung der Itemparameter gehen auf unterschiedliche Weise mit dem Umstand um, dass sowohl Personen- als auch Itemparameter unbekannt sind. Beschreiben Sie kurz, wie diesbezüglich bei der Parameterschätzung mit Joint Maximum Likelihood (JML) vorgegangen wird. Bei der JML-Methode wird in zwei Schritten vorgegangen, zunächst werden provisorische Schätzungen für die Personenparameter verwendet, um die Likelihood bezogen auf die Itemparameter zu optimieren. Dann werden neue Personenparameter unter Verwendung der geschätzten Itemparameter geschätzt. Mit den neuen Personenparameter werden wieder die Itemparameter optimiert usw., bis Konvergenz ( nur noch geringfügige Änderungen der Parameter) eintritt.
• Verschiedene Maximum-Likelihood Verfahren zur Schätzung der Itemparameter gehen auf unterschiedliche Weise mit dem Umstand um, dass sowohl Personen- als auch Itemparameter unbekannt sind. Beschreiben Sie kurz, wie diesbezüglich bei der Parameterschätzung mit Marginal Maximum Likellihood (MML) vorgegangen wird. Bei der MML-Methode wird von einer parametrisierten Populationsverteilung des Merkmals ( z.B. einer Normalverteilung) ausgegangen und die beobachteten Daten als Zufallsstichprobe aus dieser Population behandelt. Modelliert wird die WK der Beobachtungen von Antwortmustern bei gegebener Populationsverteilung. Bei MML werden in einem iterativen Verfahren die Itemparameter und die Verteilungsparameter für die Merkmalsverteilung geschätzt. Es müssen nicht die Merkmalsausprägungen von Personen in der Stichprobe geschätzt werden.
• Verschiedene Maximum-Likelihood Verfahren zur Schätzung der Itemparameter gehen auf unterschiedliche Weise mit dem Umstand um, dass sowohl Personen- als auch Itemparameter unbekannt sind. Beschreiben Sie kurz, wie diesbezüglich bei der Parameterschätzung mit Conditional Maximum Likelihood (CML) vorgegangen wird. Bei der CML‐Methode wird die Wahrscheinlichkeit der Antwortmuster ohne die Personenparameter (also nur mit Bezug auf die Itemparameter)ausgedrückt. Dies ist nur im Raschmodell möglich, in dem die Lösungshäufigkeiten für ein Item erschöpfende Statistiken für die Parameterschätzung darstellen (vgl. spezifische Objektivität). Schätzung der Parameter ist direkt durch Optimierung der Likelihood per Newton‐Raphson möglich.
• Nennen Sie jeweils kurz einen Nachteil für die Zwei Verfahren zur Parameterschätzung Marginal Maximum Likelihood (MML) und Conditional Maximum Likelihood (CML). Nachteile für MML: MML Setzt die Annahme einer Verteilung der Personenparameter voraus, von der Korrektheit dieser Annahme hängt auch die Güte der Parameterschätzung ab. Wenn das Merkmal jedoch in Wirklichkeit z.B. schief verteilt ist, schätze ich falsch. Man benötigt also Hinweise darauf, wie sich das Merkmal in der Population verteilt. Nachteil CML: Das CML lässt sich nur für das Raschmodell und seine Verallgemeinerungen (z.B. PCL) anwenden.
• Maximum Likelihood Verfahren zur Schätzung der Itemparameter sind sogenannte iterative Schätzverfahren. Was bedeutet iterativ? Beschreiben Sie den iterativen Prozess am Beispiel der Newton-Raphson Methode. Iterativ bedeutet Schrittweise. Vorgehen der iterativen Newton‐Raphson‐Methode am Beispiel eines einzelnen Modellparameters: (1) Berechnen der Likelihood mit einem Startwert für den Parameter. (2) Bilden von 1. und 2. Ableitung der Likelihood‐Funktion und Berechnen eines verbesserten Parameters.besser = aktuell – (–1 * erste Ableitung / 2. Ableitung) (3) Prüfen, ob Konvergenzkriterien erfüllt sind: Nur noch sehr geringfügige Veränderungen in Parameter und /oder Likelihood? Falls nein (2), falls ja Parameterschätzung beendet. 1. Ableitung soll 0 werden und zweite Ableitung negativ.
• Welche Kategorien von Merkmalen gibt es (3)? Stelle sie sinnvoll gegenüber! quantitative vs. qualitative MerkmaleI Extraversion vs. Geschlecht unidimensionale vs. multidimensionale MerkmaleI Gewissenhaftigkeit vs. Intelligenz (fluide & kristalline Intelligenz) zeitlich stabile vs. zeitlich veränderbare Merkmale (traits vs. states)I Ängstlichkeit vs. Angst
• Was ist ein psychologisches Konstrukt? Konstrukte in der Psychologie sind theoretisch angenommene Eigenschaften (Merkmale) von Personen, die sich nicht direkt beobachten lassen und zur Erklärung und Beschreibung von spezifischen Verhaltensweisen dienen, mit dennen sie über Korrespondenzregeln in Verbindung gebracht werden.
• Was ist ein Test? Moosbrugger & Kelava (2011, S. 2):"Ein Test ist ein wissenschaftliches Routineverfahren zur Erfassungeines oder mehrerer empirisch abgrenzbarer psychologischer Merkmalemit dem Ziel einer möglichst genauen quantitativen Aussage über den Gradder individuellen Merkmalsausprägung." wissenschaftlich: objektiv, nach wissenschaftlichen Kriterien konstruiert Routineverfahren: immer gleich
• Welche Testarten gibt es (grob)? 1. Leistungstests 2. Persönlichkeitstests 3. Objektive Persönlichkeitstests 4. Projektive Verfahren 5. Apparative Verfahren
• Nenne die 4 Konstruktionsstrategien für psychologische Tests und beschreibe sie kurz! 1 Intuitive Konstruktion - rein intuitiv - sinnvoll bei neuen Forschungszweigen 2 Rationale Konstruktion - deduktive Vorgehensweise 3 Kriteriumsorientierte Konstruktion (externale Konstruktion) - Auswahl von Items, die zwischen zwei Gruppen optimal trennen 4 Faktorenanalytische Konstruktion (internale Konstruktion) - Es wird angenommen, dassItems, die zu einem Faktor zusammengefasst werden können ein spezifisches Konstrukt messen

zurück  |  weiter 1 / 1