Prüfungsfragen:

1. Erklären Sie Begriffe Messmodell und Strukturmodell im Rahmen des

Strukturgleichungsmodells anhand eines Beispiels

Strukturgleichungsmodelle (SEM) kombinieren die konfirmatorische Faktorenanalyse (CFA)

mit der Pfadanalyse (PA). Strukturmodell beschreibt die Verknüpfung zwischen
unabhängigen und abhängigen latenten Variablen. Messmodell beschreibt die Verknüpfung
einer latenten Variable mit manifesten Variablen (Indikatoren), die zur Operationalisierung
des Konstrukts herangezogen wurden.
Beispiel: Stress und harte körperliche Arbeit verschlechtern den Gesundheitszustand.
à dabei handelt es sich um einen kausalen Zusammenhang zwischen exogenen latenten
Variablen Stress und körperliche Arbeit sowie der endogenen, latenten Variable
Gesundheitsstatus. Um die latenten Variablen zu erfassen braucht man messbare Variablen.
Hier könnte man Stress zB durch Schlafenszeit oder Gewichtsabnahme messen und die
körperliche Arbeit kann man durch die verbrannten Kalorien und Erschöpfungsfälle messen.
Anhand des Pfaddiagramms erkennt man die erwarteten bzw. die vermuteten
Zusammenhänge.

2. Grundprinzip Multivariate Varianzanalyse und skizzieren Sie grob das Vorgehen

bei der Durchführung

Gibt Aufschluss über die hinter den Daten steckenden Gesetzmäßigkeiten,

Verallgemeinerung der Varianzanalyse auf den Fall > 1 AV, ist die Varianz zwischen den
Gruppen größer als innerhalb erfolgt die Einteilung in Gruppen und die Zerlegung der
Gesamtmatrix in die Varianz-Matrix-Komponenten der UV’s und deren Wechselwirkung und
Fehlervarianz. Es gibt vier Arten der MANOVA: Multivariante VA für Inbetween-Subject-
Design, Multivariate VA für Messwiederholungen, Multivariate Kovarianzanalyse für
Inbetween-Subject-Design und Multivariate Kovarianzanalyse für Messwiederholungen.
Die Durchführung geht wie folgt: Modellformulierung à Prüfung der Modellvoraussetzung à
Prüfung des multivariaten Einflusses der UV’s und der Kovariate à Prüfung des Einflusses
der UV’s auf die einzelnen AV‘s

3. Beschreiben Sie die Unterschiede zwischen einer Multiplen Linearen

Regression und einer Logistischen Regression.

Multiple lineare Regressionsanalyse:

Ein Prädiktor sagt den Wert einer Variable vorher, AV hat metrisches Skalenniveau,
Residuen müssen normalverteilt sein, die Interpretation der Regressionskoeffizienten
benötigt keine Odds und es gibt einen linearen Zusammenhang zwischen x und y. Die
globale Prüfung der Regressionsfunktion erfolgt durch R^2 und F-Statistik und die lokale
Prüfung wird anhand des Beta-Wertes und T-Test gemacht.

Logistische Regressionsanalyse:
Ein Prädiktor sagt die Eintrittswahrscheinlichkeit einer Variable vorher (latente Variable Z
wird angenommen), Residuen können nicht normalverteilt sein, AV hat nominales
Skalenniveau, Interpretation der Regressionskoeffizienten über Odds und linearer
Zusammenhang über die Wahrscheinlichkeitsverhältnisse („Odds“) der Zugehörigkeit zu den
Gruppen (also über Linking Funktion der logistischen Funktion). Die globale Prüfung erfolgt
über Likelihood-Ratio-Test, Pseudo R^2, Klassifikationsmatrix und die Beurteilung anhand
von Spezifität und Sensibilität. Die Lokale Prüfung wird anhand der Höhe von b gemacht
(steigt/fällt um x Punkte, Wald-Statistik).

4. Nennen und vergleichen Sie zwei Methoden zur Extraktion der Faktoren im
Rahmen einer Explorativen Faktorenanalyse
Der erste Schritt einer explorativen Faktorenanalyse ist die Identifikation möglicher Faktoren.
Die Hauptachsenmethode ist die bekannteste. Hierbei werden zunächst die Kommunalitäten
geschätzt: entweder als Bestimmtheitsmaß der Regression der zu betrachtenden
Messvariablen auf alle anderen Messvariablen oder als das Maximum der Beträge der
Korrelationen der betrachteten Messvariablen mit allen anderen Messvariablen. Danach wird
ein iteratives Verfahren durchgeführt. Dabei werden die Varianzen der Residuen als
Differenz der Varianz der Messvariablen geschätzt. Das bedeutet, dass ein Anteil der
Varianz einer Messvariable existiert, der nicht durch die Faktoren erklärt werden kann.
Die Maximum-Likelihood-Schätzung

5. Nennen und beschreiben Sie die Vorteile multivariaten Denkens.

Multivariates Denken lässt zu, dass das interessierende Phänomen realitätsnaher untersucht
werden kann, da mehrere Variablen in Abhängigkeit von mehreren Faktoren gleichzeitig
analysiert werden können; die Nachteile von univariater Forschung können vermieden
werden (zB Nichtbeachtung des Zusammenhangs von mehreren AV’s oder Alpha-
Kumulierung), es gibt mehrere Ebenen (Makro-Fit-Maß und Mikro-Fit-Maß) und zudem ist es
viel aussagekräftiger als univariates Denken

6. Nachteile des multivariaten Denkens

Es ist oft eine sehr große Stichprobe (n = 5-10 pro Variable bzw. pro Parameter à
Stichprobenmindestgröße: N = 250-500), sowie strengere Voraussetzungen und
Normalverteilung muss gegeben sein. Es ist auch schwieriger zu interpretieren, da mehrere
Ebenen zu berücksichtigen sind und es ist ein größerer Lernaufwand

1. Nennen und beschreiben Sie die lokalen Modelltests für die Konfirmatorische
Faktorenanalyse (CFA)

Prüfung der Signifikanz der Modellparameter

• Critical Ratio Test prüft ob H0: π= 0
• Interpretation: wenn C.R. > ± 1.96 ist der betreffende Parameter signifikant
• Bei passendem Modell sollten alle spezifischen Parameter signifikant werden

Inspektion & Interpretation der standardisierten Residualmatrix

• Vorzeichen des standardisierten Residuums = Art der Modellabweichung
• Negatives Vorzeichen: Es wird mehr Kovarianz erwartet als vorhanden
• Positives Vorzeichen: Es wird weniger Kovarianz erwartet als vorhanden
• Betrag des standardisierten Residuums = Ausmaß der Modellabweichung
o Faustregel: |zij| < 2.00 ist ok