Forschungsmethoden der Psychologie (Fach) / ALM mit metrischen Prädiktoren (Lektion)
In dieser Lektion befinden sich 8 Karteikarten
Modellgewichte, Modelltestung
Diese Lektion wurde von Jewelzy erstellt.
Diese Lektion ist leider nicht zum lernen freigegeben.
- Wie errechnet sich das Modellgewicht bei einem ALM mit metrischen Prädiktoren? bei einem Prädiktor: durch die Kovarianz (unstandardisiert) oder durch die Korrelation und die Standardabweichung des Kriteriums, relativiert an der des Prädiktors (standardisiert) bei mehrerern Prädiktoren: bei korrelierten Prädiktoren ist der Einfluss der übrigen Prädiktoren herauszurechnen: Semipartialkorrelation
- Was ist Kovarianz? = nicht standardisiertes Zusammenhangsmaß zum modellieren linearer Zusammenhänge die Größe der Kovarianz ist abhängig vom Maßstab
- Was ist der Intercept? = Achsenabschnitt, also die Schnittstelle mit der y-Achse ergibt sich aus dem Mittelwert des Kriteriums abzüglich der Mittelwerte der Prädiktoren
- Wie teste ich auf statistische Bedeutsamkeit einzelner Prädiktoren? wird über die Modellgewichte geprüft für jeden der Prädiktoren wird jeweils der Standardfehler geschätzt das Modellgewicht wird an diesem relativiert es ergibt sich Prüfgröße T (t-verteilt), mit df = n-k-1 Prüfgröße wird mit kritischem Wert verglichen Hypothesen, Ho: Das Modellgewicht ist 0
- Welche verschiedenen Modelle gibt es? Nullmodell: Es gibt keine Prädiktoren, die einen Einfluss haben Unrestringiertes Modell: Alle Prädiktoren, die relevant sein können, werden in dem Modell aufgenommen Restringiertes Modell: Nur einige Prädiktoren werden in dem Modell aufgenommen
- Modelltestung im ALM: verschiedene Strategien Oft werden mehrere Modelle gegeneinander getestet um zu sehen, wie viele Prädiktoren bedeutsam sind Hierfür gibt es verschiedene Herangehensweisen: Forward Selection: Ausgehend vom Nullmodell wird immer ein Prädiktor mehr hinzugefügt Backward Selection: Ausgehend vom unrestringierten Modell wird immer ein Prädiktor weggenommen Stepwise Selection: Kombination aus beiden Verfahren --> in jedem Schritt können Prädiktoren aufgenommen oder entfernt werden
- Wie gut passt mein Modell? Betrachtung von R² als Maß zur Beurteilung der Modellgüte R² ist der Prozentsatz der Variablilität in den y-Werten, die von dem Modell erklärt wird die aufgeklärte Varianz (= aufgeklärte Quadratsumme) wird hierfür durch die Gesamtvarianz (= addierte aufgeklärte Quadratsumme und Fehlerquadratsumme) geteilt Möchte man Modell vergleichen, schaut man sich die Veränderungen in R² an
- Genestete Modelle = Modelle, die sich durch das Nullsetzen bestimmter Modellgewichte eines anderen beschreiben lassen