Blocktermin 3
Blocktermin 3
Blocktermin 3
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Methodisch fit für die<br />
Abschlussarbeit<br />
<strong>Blocktermin</strong> 3 – 10.12.2011<br />
Fabian Hölzenbein<br />
hoelzenbein@psychologie.uni-freiburg.de
Übersicht – <strong>Blocktermin</strong> 3<br />
• Teil 1: Offene Fragen, Regression<br />
• Teil 2: Faktorenanalyse, AMOS<br />
• Teil 3: Spezielle Fragen / Methoden<br />
• Teil 4: Zusammenfassung Stolpersteine,<br />
Lehrevaluation<br />
12.12.2011 Methodisch Fit 2
Offene Fragen vom letzten Termin?<br />
12.12.2011 Methodisch Fit 3
Regression - Überblick<br />
• Lineare Regression<br />
- Allgemeines<br />
- Regressionseffekt<br />
- Restriction of Range<br />
- (SPSS)<br />
• Multiple Regression<br />
- Allgemeines<br />
- Vorgehensmöglichkeiten zur Prädiktorauswahl<br />
- SPSS<br />
- Übung<br />
• Moderatoranalyse<br />
- Allgemeines<br />
- Vorgehen<br />
- Übung<br />
12.12.2011 Methodisch Fit 4
Regression<br />
• Korrelation: Statistische Beschreibung von<br />
Zusammenhängen zwischen zwei Variablen x und y<br />
- Achtung: Zusammenhang ≠ Kausalität!<br />
• Frage: Gibt es einen inhaltlich begründbaren<br />
kausalen Zusammenhang zwischen den Variablen x<br />
und y? Oder anders: Kann man mit Hilfe von<br />
bekannten Werten in der Variable x die Werte der<br />
Variable y vorhersagen?<br />
• Lösung: Mit der linearen Regression wird versucht,<br />
mit einem Pädikt Prädiktor ein Kit Kriterium i vorherzusagen.<br />
- Vorhersage nur sinnvoll, wenn stochastischer<br />
Zusammenhang zwischen beiden Variablen (Prädiktor und<br />
Kriterium)!<br />
12.12.2011 Methodisch Fit 5
Regression<br />
• Definition:<br />
- Das Ziel einer linearen Regression ist die<br />
Vorhersage einer Variablen y durch eine Variable<br />
x, die mit der Variablen y korreliert<br />
- Vorherzusagende Variable y = Kit Kriteriumsvariablei i - Vorhersagende Variable x = Prädiktorvariable<br />
- Die lineare Regression geht von einem linearen<br />
Zusammenhang zwischen Prädiktor und<br />
Kriterium aus<br />
die vorausgesagten (geschätzten) Werte sind<br />
auf einer Geraden darstellbar<br />
12.12.2011 Methodisch Fit 6
Regression<br />
Beispiel: Vorhersage der Diplomnote<br />
(Kriterium) über die Abinote (Prädiktor)<br />
12.12.2011 Methodisch Fit 7
Güte der Vorhersage<br />
• Ziel: Gerade so bestimmen, dass<br />
Vorhersagefehler minimiert wird<br />
- Methode der kleinsten Quadrate Summe der<br />
quadrierten Vorhersagefehler minimieren!<br />
• Große Abweichungen der tatsächlichen y-Werte<br />
vom vorhergesagten y-Wert fallen stärker ins<br />
Gewicht als kleine Abweichungen<br />
12.12.2011 Methodisch Fit 8
Güte der Vorhersage<br />
12.12.2011 Methodisch Fit 9
Regressionsgleichung<br />
12.12.2011 Methodisch Fit 10
Voraussetzungen<br />
• Voraussetzungen: Eine lineare<br />
Regressionsanalyse darf durchgeführt<br />
werden, wenn<br />
1. Prädiktor und Kriterium intervallskaliert und<br />
normalverteilt sind,<br />
2. die Unabhängigkeit der Regressionsresiduen<br />
gegeben ist,<br />
3. die Regressionsresiduen normalverteilt sind und<br />
4. Homoskedastizität vorliegt (Verteilung der Y-<br />
Werte bei jeweiligem X muss gleiche Varianz<br />
haben oder mind. normalverteilt sein)<br />
12.12.2011 Methodisch Fit 11
Normalverteilte Regressionsresiduen<br />
12.12.2011 Methodisch Fit 12
Homoskedastizität<br />
12.12.2011 Methodisch Fit 13
Heteroskedastizität<br />
12.12.2011 Methodisch Fit 14
Regressionseffekt<br />
Problem:<br />
• Einer Messung mit extrem über- oder<br />
unterdurchschnittlichen Messwerten folgen bei<br />
erneuter Messung mit hoher Wahrscheinlichkeit Werte<br />
mit weniger starker Ausprägung<br />
g<br />
Beispiel<br />
• Spitzensportler zeigen nach einer Bestleistung oft<br />
schlechtere Ergebnisse<br />
- vgl. Bob Beamon (USA): erhöhte 1968 bei Olympischen<br />
Spielen in Mexiko bis dahin gültigen Weltrekord von 8.35<br />
Metern auf 8.90 Meter schaffte ein Vierteljahrhundert lang<br />
kein Springer, auch er selbst nicht mehr<br />
12.12.2011 Methodisch Fit 15
Regressionseffekt<br />
Definition:<br />
• Der Regressionseffekt ist die Tendenz zur Mitte, die<br />
mit großer Wahrscheinlichkeit auftritt, wenn bei<br />
Personen mit extrem hoher oder extrem niedriger<br />
Merkmalsausprägung g in einer ersten Messung eine<br />
zweite Untersuchung durchgeführt wird<br />
• Bei der zweiten Untersuchung liegen die Messwerte<br />
dieser Personen zumeist wesentlich näher am<br />
Mittelwert<br />
• Die wiederholte Messung zeigt eine Tendenz zur Mitte<br />
der Verteilung.<br />
12.12.2011 Methodisch Fit 16
Regressionseffekt<br />
Erklärung:<br />
• Ausprägungen um den Mittelwert einer Verteilung sind<br />
wahrscheinlicher als Extremwerte<br />
• Die Tendenz zur Mitte, zu einem „durchschnittlichen”<br />
Wert, ist viel stärker als zu noch extremeren Werten<br />
• Regressionseffekt muss bei der Ergebnisinterpretation<br />
einer Untersuchung mit Messwiederholung oder einer<br />
Studie mit Extremgruppen berücksichtigt werden!<br />
12.12.2011 Methodisch Fit 17
Stolperstein Regressionseffekt<br />
• Regressionseffekt taucht eventuell auch während<br />
einer Psychotherapie auf<br />
• Da hauptsächlich akut stark belastete Personen<br />
die Hilfe eines Therapeuten suchen, ist die<br />
Wahrscheinlichkeit h hk it hoch, h dass es ihnen nach der<br />
Therapie besser geht<br />
• Ob es ihnen aufgrund des Regressionseffekts<br />
(Tendenz zur Mitte) oder durch die therapeutische<br />
Maßnahme besser geht, kann nur schwer<br />
getrennt werden<br />
12.12.2011 Methodisch Fit 18
Einengung der Streubreite<br />
Problem:<br />
• Wird bei der Messung die Streuung eines<br />
untersuchten Merkmals eingeschränkt (“Restriction<br />
of Range”), sinkt zumeist die Korrelation zwischen<br />
zwei Merkmalen in der Stichprobe<br />
Beispiel:<br />
• Zusammenhang zwischen Intelligenz und Einkommen<br />
in einer Gruppe ehemaliger Hochschulabsolventen ist<br />
vermutlich geringer als bei einer Untersuchung der<br />
Gesamtbevölkerung mit Absolventen aller Schultypen<br />
und verschiedener beziehungsweise auch keiner<br />
Berufsausbildung.<br />
12.12.2011 Methodisch Fit 19
Einengung der Streubreite<br />
12.12.2011 Methodisch Fit 20
Einengung der Streubreite<br />
Definition<br />
• Variationsbeschränkung (“Restriction of Range”)<br />
schränkt Streuung eines Merkmals in der Stichprobe<br />
künstlich ein<br />
- Berechnete Korrelation in Stichprobe ist kleiner, unterschätzt<br />
Korrelation in der Population<br />
• Streuungen der beiden Merkmale berücksichtigen!<br />
- Hat eines der beiden Merkmale eine geringe Streuung,<br />
besteht die Gefahr, dass die Populationskorrelation durch die<br />
Stichprobenkorrelation unterschätzt wird<br />
- Möglicherweise liegt auch eine Verletzung der<br />
Normalverteilungsannahme vor<br />
12.12.2011 Methodisch Fit 21
Zusammenfassung<br />
• Die einfache lineare Regression dient zur Vorhersage<br />
der Ausprägung einer Variablen x über die Ausprägung<br />
einer Variablen y (Prädiktor, Kriterium)<br />
• Diese Schätzung unterliegt dem Kriterium der kleinsten<br />
Quadrate<br />
• Mit dem Regressionseffekt wird eine Tendenz von<br />
Extremwerten zur Mitte beschrieben.<br />
• Die Einschränkung der Varianz (“Restriction of Range”)<br />
einer Variablen führt zur Unterschätzung der<br />
Populationskorrelation durch eine Stichprobenkorrelation<br />
12.12.2011 Methodisch Fit 22
SPSS<br />
Gegeben sei der folgende Datensatz:<br />
• aV:<br />
- Zeugnisnote<br />
• uVs:<br />
- Maschineschreiben<br />
- Stenoschreiben<br />
- Computerkenntnisse<br />
- Umgangsformen<br />
• Zunächst Fragestellung: Sagt<br />
Maschineschreiben Zeugnisnote vorher?<br />
12.12.2011 Methodisch Fit 23
SPSS<br />
• R = multipler Korrelationskoeffizient<br />
• R-Quadrat = Anteil der durch die Prädiktoren<br />
aufgeklärten Varianz (Bestimmtheitsmaß)<br />
• Korrigiertes R-Quadrat = Bestimmtheitsmaß korrigiert<br />
für Anzahl der Prädiktoren und Stichprobengröße<br />
12.12.2011 Methodisch Fit 24
SPSS<br />
• B = unstandardisierter Regressionskoeffizient<br />
• β = standardisierter Regressionskoeffizient (bereinigt<br />
um Einfluss mgl. anderer Prädiktoren, vgl. multiple<br />
Regressionsanalyse)<br />
• Wie lautet die Regressionsgleichung?<br />
12.12.2011 Methodisch Fit 25
Multiple Regression<br />
Anwendung:<br />
• Die meisten Kriteriumsvariablen hängen nicht nur von<br />
einem Prädiktor, sondern von vielen Prädiktoren ab<br />
• Eine einfache Regression erscheint hier nicht sinnvoll<br />
Grundlegende Ziele:<br />
• Möglichst viel Varianz am Kriterium erklären!<br />
• Möglichst wenige Prädiktoren verwenden!<br />
12.12.2011 Methodisch Fit 26
Multiple Regression<br />
Die Multiple lineare Regression dient zur<br />
• Vorhersage eines intervallskalierten Kriteriums,<br />
• wobei mehrere intervallskalierte oder<br />
• dichotome beziehungsweise dichotomisierte<br />
Prädiktoren vorliegen müssen<br />
Beispiel<br />
• Hängt der Erfolg in der Klausur von den<br />
mathematischen Fähigkeiten, der Anzahl der<br />
Vorlesungsbesuche, der Anzahl der Arbeitsstunden zu<br />
Hause und dem allgemeinen IQ ab?<br />
12.12.2011 Methodisch Fit 27
Voraussetzungen<br />
• Eine multiple Regressionsanalyse darf<br />
durchgeführt werden, wenn<br />
1. Prädiktor und Kriterium intervallskaliert und<br />
normalverteilt sind,<br />
2. die Unabhängigkeit gg der Regressionsresiduen gegeben g<br />
ist,<br />
3. die Regressionsresiduen normalverteilt sind und<br />
4. Homoskedastizität vorliegt<br />
5. Multikollinearität nicht zu hoch ist (Interkorrelation der<br />
Prädiktoren; zstzl. mgl. Problem von<br />
Suppressionseffekten).<br />
12.12.2011 Methodisch Fit 28
Tipps<br />
Beachten:<br />
• Ausreichende Stichprobengröße (pro<br />
Prädiktor N = 15-20)<br />
• Unkorrelierte (Faktorenanalyse?) bzw. nur<br />
relevante Prädiktoren<br />
• Evtl. Kreuzvalidierung<br />
12.12.2011 Methodisch Fit 29
Strategien zur Prädiktorauswahl<br />
Problem:<br />
• Wie werden bei einer Multiplen Regression die<br />
„richtigen richtigen” Prädiktoren bestimmt?<br />
Lösungsansätze:<br />
1. Die aprioriAuswahl:<br />
Theorie- und evidenzgeleitet werden inhaltlich bedeutsame<br />
Prädiktoren aufgenommen<br />
2. Die a posteriori Auswahl:<br />
Die Prädiktorenauswahl über mehrere Regressionsanalysen<br />
mit verschiedenen Prädiktorensätzen aus der Menge der<br />
möglichen Prädiktoren werden die (empirisch) sinnvollen<br />
Prädiktoren ausgewählt<br />
12.12.2011 Methodisch Fit 30
Strategien zur Prädiktorauswahl<br />
• Inhaltliche Auswahl:<br />
- Vorteil:<br />
• Keine Erhöhung des α-Fehlers durch eine Vielzahl von<br />
berechneten Regressionsanalysen<br />
- Nachteile:<br />
• Evtl. Aufnahme von Prädiktoren in die<br />
Regressionsgleichung, die keinen signifikanten Beitrag<br />
liefern<br />
• Liegt Multikollinearität vor, werden eventuell mehr<br />
Prädiktoren aufgenommen, als unbedingt für eine valide<br />
Vorhersage erforderlich sind<br />
• Evtl. werden wichtige Prädiktoren übersehen<br />
- Fazit:<br />
• Nur sinnvoll, wenn die Auswahl der Prädiktoren auf einer<br />
breiten und empirisch gesicherten Basis beruht<br />
12.12.2011 Methodisch Fit 31
Strategien zur Prädiktorauswahl<br />
• Empirische Auswahl:<br />
- Vorteile:<br />
• Nur Aufnahme der (empirisch) bedeutsamen Prädiktoren<br />
• Ökonomisch<br />
- Nachteile:<br />
• Inflationierung des α-Fehlers<br />
• Gefahr der Überschätzung der einzelnen R 2 -Werte (für<br />
diese Stichprobe „perfekte“ Auswahl passt vermutlich für<br />
andere Stichproben deutlich schlechter)<br />
- Fazit:<br />
• Eher exploratives Vorgehen, im Zweifel durch<br />
Kreuzvalidierung überprüfen<br />
12.12.2011 Methodisch Fit 32
SPSS<br />
12.12.2011 Methodisch Fit 33
SPSS<br />
12.12.2011 Methodisch Fit 34
SPSS<br />
• Unter dem Button „Statistik Statistik“ kann noch ein Häkchen<br />
bei „Änderung in R-Quadrat“ gemacht werden, so<br />
dass man nachvollziehen kann, ob die Hinzunahme<br />
weiterer Prädiktoren einen signifikanten Zuwachs an<br />
Varianz bringt (inkrementelle Validität)<br />
12.12.2011 Methodisch Fit 35
SPSS<br />
• Wie lautet die Regressionsgleichung?<br />
• Welche Kennwerte würden Sie im Rahmen<br />
des Ergebnisteils berichten?<br />
12.12.2011 Methodisch Fit 36
SPSS<br />
12.12.2011 Methodisch Fit 37
Übung: Multiple Regression<br />
Öffnet die Datei berufserfolg.savsav<br />
• Prüft mittels multipler Regressionsanalyse, ob<br />
Berufserfolg durch die drei potentiellen Prädiktoren<br />
Überstunden, Motivation aus Angestelltensicht und<br />
Motivation aus Vorgesetztensicht vorhergesagt wird<br />
• Entscheidet euch für eine Strategie zur Auswahl der<br />
Prädiktoren<br />
• Interpretiert die Ausgabe und schreibt eure<br />
Ergebnisse im Rahmen eines fiktiven Ergebnisteils<br />
nieder!<br />
12.12.2011 Methodisch Fit 38
• (kurze) Pause!<br />
12.12.2011 Methodisch Fit 39
Moderatoranalyse<br />
Bis hier:<br />
• Testung additiver Effekte mehrerer Prädiktoren auf die<br />
Vorhersage eines Kriteriums<br />
Fragestellung bei Moderatoranalysen:<br />
• Wird der Zusammenhang zwischen X und Y durch eine weitere<br />
Variable M moderiert?<br />
Beispiel:<br />
• Wird der Zusammenhang von Lerndauer und Note durch<br />
mathematische Intelligenz beeinflusst?<br />
• Wird der Zusammenhang von indirekten Einstellungsmaßen und<br />
direkten Einstellungsmaßen durch Motivation zur<br />
Vorurteilskontrolle beeinflusst?<br />
12.12.2011 Methodisch Fit 40
Moderatoranalyse<br />
• Grundidee: Die Moderatorvariable wirkt nicht direkt<br />
auf die Note, sondern auf den Zusammenhang, d.h.<br />
auf das b-Gewicht der Regression<br />
12.12.2011 Methodisch Fit 41
Moderatoranalyse<br />
12.12.2011 Methodisch Fit 42
Vorgehen<br />
1. Z-Transformation aller Variablen<br />
- Syntax: descriptives x, m, y /save.<br />
2. Berechnung des Interaktionsterms t als<br />
Produkt der z-transformierten Prädiktor- und<br />
Moderatorvariable<br />
- Syntax: compute P = Zx*Zm.<br />
3. Berechnung der Regression von Zy auf Zx,<br />
Zm und Zx*Zm<br />
12.12.2011 Methodisch Fit 43
Vorgehen<br />
Interpretation:<br />
• b > 0 (sig): Je größer M, desto höher (positiver) die<br />
Steigung der ursprünglichen Regressionsgeraden<br />
• b < 0 (sig) : Je größer M, desto geringer (negativer) die<br />
Steigung der ursprünglichen Regressionsgeraden<br />
• b=0(n (n.s.): s): Keine Moderation des Zusammenhangs durch<br />
Moderatorvariable M.<br />
Wichtiger Hinweis:<br />
• Bei intervallskalierten Moderatorvariablen ist die<br />
Moderatoranalyse immer dem Mediansplit (und anschl.<br />
ANOVA) vorzuziehen!<br />
- Stichprobenabhängigkeit von Median-Splits<br />
- Dateninformation bleibt ungenutzt, Powerverlust<br />
12.12.2011 Methodisch Fit 44
Beispieloutput<br />
• Interpretiert das Ergebnis!<br />
12.12.2011 Methodisch Fit 45
Übung: Moderatoranalyse<br />
Öffnet erneut die Datei berufserfolg .sav<br />
• Prüft mittels Moderatoranalyse, ob Motivation aus<br />
Vorgesetztensicht den Zusammenhang zwischen<br />
Überstunden und Berufserfolg moderiert<br />
• Arbeitet auch hier wieder mit der Syntax<br />
• Interpretiert ti t die Ausgabe und schreibt die<br />
Ergebnisse im Rahmen eines fiktiven<br />
Ergebnisteils nieder!<br />
12.12.2011 Methodisch Fit 46
Übersicht – <strong>Blocktermin</strong> 3<br />
• Teil 1: Offene Fragen, Regression<br />
• Teil 2: Faktorenanalyse, AMOS<br />
• Teil 3: Spezielle Fragen / Methoden<br />
• Teil 4: Zusammenfassung Stolpersteine,<br />
Lehrevaluation<br />
12.12.2011 Methodisch Fit 1
Faktorenanalyse<br />
Ziel:<br />
• Aus einer (großen) Anzahl von Variablen soll eine<br />
kleinere Anzahl von zugrunde liegenden<br />
(latenten) Faktoren extrahiert werden<br />
• Hierbei soll möglichst viel Information (Varianz)<br />
der ursprünglichen Variablen erhalten bleiben<br />
• Beispiel: Bei der Entwicklung eines Fragebogens<br />
zur Zufriedenheit mit der Rehabilitation können<br />
verschieden Faktoren (Organisation, Personal,<br />
etc.) bestätigt werden<br />
12.12.2011 Methodisch Fit 2
Faktorenanalyse<br />
Untersuchungsfrage:<br />
Bestätigung von Strukturen<br />
oder<br />
Suche nach Strukturen<br />
Bestätigung:<br />
konfirmatorische<br />
Faktorenanalyse<br />
Suche:<br />
explorative<br />
Faktorenanalyse<br />
Berechnung mit<br />
AMOS<br />
Berechnung mit<br />
SPSS<br />
12.12.2011 Methodisch Fit 3
Faktorenanalyse<br />
• Die konfirmatorische Faktorenanalyse testet,<br />
ob ein aus der Theorie abgeleitetes Modell<br />
durch empirisch erhobene Daten bestätigt<br />
werden kann<br />
• Die explorative Faktorenanalyse versucht in<br />
vielen Iterationen (Schleifen) eine<br />
bestmögliche Lösung für vorhandene<br />
empirische Daten zu finden<br />
12.12.2011 Methodisch Fit 4
(explorative) Faktorenanalyse<br />
Voraussetzungen:<br />
• Intervallskalierte Variablen<br />
• n pro Variable mindestens 5<br />
• dichotome Variablen (0/1) können eventuell<br />
ebenfalls in die Berechnung eingehen (kann<br />
aber zu Schwierigkeiten führen, besonders bei<br />
starken Decken- oder Bodeneffekten)<br />
12.12.2011 Methodisch Fit 5
Bildhafte Beschreibung<br />
• Anmerkung: Faktorenanalysen werden in so<br />
genannten mehrdimensionalen Vektorräumen<br />
berechnet. Da der Mensch sich im<br />
Allgemeinen nicht mehr als drei räumliche<br />
Dimensionen vorstellen kann, basieren die<br />
folgenden Erläuterungen auf einer<br />
Faktorenanalyse mit nur drei Variablen.<br />
12.12.2011 Methodisch Fit 6
Bildhafte Beschreibung<br />
• durch die<br />
Ausprägungen der<br />
verschiedenen<br />
Personen in den drei<br />
Variablen wird eine<br />
dreidimensionale<br />
Punktewolke<br />
aufgespannt<br />
12.12.2011 Methodisch Fit 7
Bildhafte Beschreibung<br />
• diese Punktewolke soll<br />
nun mit möglichst<br />
wenigen Faktoren<br />
(Vektoren) beschrieben<br />
werden<br />
• der erste Faktor (lambda<br />
1) wird so definiert, dass<br />
er die längstmögliche<br />
Strecke durch die<br />
Punktewolke geht<br />
(größtmögliche<br />
Varianzaufklärung)<br />
12.12.2011 Methodisch Fit 8
Bildhafte Beschreibung<br />
• der zweite Faktor wird so<br />
bestimmt, dass er von der<br />
verbleibenden Varianz<br />
möglichst viel erklärt<br />
• Bedingung:<br />
Unabhängigkeit vom<br />
ersten Faktor<br />
(Orthogonalität)<br />
• Anschließend<br />
entsprechend für Faktor 3<br />
12.12.2011 Methodisch Fit 9
Bildhafte Beschreibung<br />
• Folge: Die Ausprägung der einzelnen<br />
Personen kann über drei Faktoren<br />
beschrieben werden<br />
• Aber: Drei Variablen = drei Faktoren?<br />
• Fazit: Da die Anzahl der Faktoren immer<br />
möglichst klein sein sollte, kommt es bei der<br />
Faktorenanalyse immer zu einem<br />
Informationsverlust.<br />
12.12.2011 Methodisch Fit 10
Ablauf<br />
• Bei der Berechnung einer Faktorenanalyse<br />
treten vier Probleme/Fragen auf, welche der<br />
Anwender lösen muss:<br />
1.Kommunalitätenproblem<br />
2.Extraktionsproblem<br />
3.Rotationsproblem<br />
4.Faktorwerteproblem<br />
t 12.12.2011 Methodisch Fit 11
Kommunalitätsproblem<br />
• Kommunalität: Jener Varianzanteil einer<br />
Variablen, welcher durch alle<br />
aufgenommenen Faktoren erklärt werden<br />
kann.<br />
• Kommunalität 1 = 100% Varianzaufklärung<br />
• Kommunalität 0 = 0% Varianzaufklärung<br />
• Problem: Wie werden die Startwerte gesetzt?<br />
12.12.2011 Methodisch Fit 12
Kommunalitätsproblem<br />
Ziel der Analyse:<br />
Möglichst viel Varianz der Variablen erklären oder<br />
möglichst viel Varianz durch gemeinsame Faktoren erklären<br />
viel allg. Varianz:<br />
viel gemeinsame Varianz:<br />
Hauptkomponentenanalyse<br />
Hauptachsenanalyse<br />
Frage:<br />
Wie wird die Anzahl der Faktoren bestimmt?<br />
12.12.2011 Methodisch Fit 13
Extraktionsproblem<br />
Frage:<br />
Wie wird die Anzahl der Faktoren bestimmt?<br />
Kaiser-Gutman-Regel<br />
(Eigenwertkriterium)<br />
Kriterium der<br />
extrahierten Varianz<br />
Scree-<br />
Test<br />
12.12.2011 Methodisch Fit 14
Extraktionsproblem<br />
• Der Eigenwert eines Faktors gibt an, wie viel<br />
Varianz im Verhältnis zu einer Variablen ein<br />
Faktor erklärt.<br />
- Hat ein Faktor einen Eigenwert von 5, so erklärt er<br />
so viel Varianz wie 5 Variablen (an allen<br />
eingehenden Variablen).<br />
- Hat ein Faktor einen Eigenwert von 1, so erklärt er<br />
so viel Varianz wie 1 Variablen.<br />
12.12.2011 Methodisch Fit 15
Extraktionsproblem<br />
• Kaiser-Gutman-Regel (Eigenwertkriterium)<br />
- Alle Faktoren mit einem Eigenwert größer 1<br />
werden aufgenommen.<br />
- Somit erklärt ein Faktor immer mehr Varianz als<br />
eine ursprüngliche Variable.<br />
- Sinnvoll bei wenig Variablen.<br />
12.12.2011 Methodisch Fit 16
Extraktionsproblem<br />
• Kriterium der extrahierten Varianz<br />
- Durch Vorüberlegungen kann festgelegt werden,<br />
wie groß der Anteil der extrahierten Varianz durch<br />
die aufgenommenen Faktoren sein soll. Die<br />
Faktorenanalyse wird so lange durchgeführt, bis<br />
dieser Wert überschritten wurde<br />
- Bsp.: 60% erklärte Varianz<br />
12.12.2011 Methodisch Fit 17
Extraktionsproblem<br />
• Scree-Plot<br />
- Über den „Knick“ im<br />
Verlauf der Eigenwerte<br />
wird entschieden, wie<br />
viele Faktoren<br />
extrahiert werden.<br />
- Im Beispiel würde man<br />
sich für 2 Faktoren<br />
entscheiden.<br />
- Sinnvoll bei sehr vielen<br />
Variablen<br />
Eig genwert<br />
Screeplot<br />
4<br />
3<br />
2<br />
1<br />
0<br />
1 2 3 4<br />
Faktor<br />
5<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
12.12.2011 Methodisch Fit 18
Extraktionsproblem<br />
Frage:<br />
Wie wird die Anzahl der Faktoren bestimmt?<br />
Kaiser-Gutman-Regel<br />
(Eigenwertkriterium)<br />
Kriterium der<br />
extrahierten Varianz<br />
Scree-<br />
Test<br />
Rotation ti der Lösung:<br />
Wie kann die Lösung der Faktorenanalyse<br />
noch besser in die Punktewolke gelegt werden?<br />
12.12.2011 Methodisch Fit 19
Rotationsproblem<br />
• Nach der Rotation soll eine klare Zuordnung<br />
von der Variablen zu einem Faktor möglich<br />
sein.<br />
• Lösung: Einfachstruktur anhand der<br />
Faktorladungen<br />
12.12.2011 Methodisch Fit 20
Rotationsproblem<br />
• Faktorladung: Maß für den Zusammenhang<br />
zwischen Variable und Faktor<br />
• Werte zwischen 0 und 1<br />
• Die Einfachstruktur der Lösung wird erreicht,<br />
wenn die Variable auf einem Faktor sehr hoch<br />
(nahe 1) und auf allen anderen Faktoren sehr<br />
niedrig (nahe 0) lagert.<br />
12.12.2011 Methodisch Fit 21
Rotationsproblem<br />
Orthogonale Rotation:<br />
• Die Faktoren werden rechtwinklig rotiert<br />
• Vorteil: Faktoren sind voneinander<br />
unabhängig<br />
• Nachteil: Eventuell liegen die Faktoren nicht<br />
optimal in der Punktewolke. Beispielsweise<br />
bei inhaltlich abhängigen Faktoren<br />
- z.B. Persönlichkeitsvariablen<br />
12.12.2011 Methodisch Fit 22
Rotationsproblem<br />
Oblique Rotation:<br />
• Die Faktoren werden schiefwinklig rotiert<br />
• Vorteil: Bessere Passung der Faktoren<br />
- Bsp.: Die Faktoren Ängstlichkeit und Depressivität<br />
sind sicherlich nicht unabhängig<br />
• Weiterer Vorteil: Über die Faktoren kann eine<br />
Faktorenanalyse zweiter Ordnung berechnet<br />
werden<br />
- Bsp.: Generalfaktor bei Intelligenz<br />
12.12.2011 Methodisch Fit 23
Rotationsproblem<br />
Rotation der Lösung:<br />
Wie kann die Lösung der Faktorenanalyse<br />
noch besser in die Punktewolke gelegt werden?<br />
Orthogonale (rechtwinklige)<br />
Rotationsarten:<br />
Varimax, Equimax, Quartimax<br />
Oblique (schiefwinklige)<br />
Rotationsarten:<br />
Oblimin, Promax, Orthoblique<br />
Frage: Wie interpretiert man die Lösung<br />
der Faktorenanalyse ?<br />
12.12.2011 Methodisch Fit 24
Faktorwerteproblem<br />
• Die berechneten Faktoren müssen inhaltlich<br />
interpretiert werden.<br />
• Die Faktorenanalyse bietet t die<br />
Faktorladungen der Variablen an, kann<br />
Faktoren aber nicht benennen oder<br />
interpretieren.<br />
12.12.2011 Methodisch Fit 25
Voraussetzungen<br />
• Testung der Voraussetzungen über:<br />
- Bartlett-Test<br />
Vergleich der Korrelationsmatrix mit der<br />
Einheitsmatrix = „Globaler“ Test, ob es<br />
Zusammenhänge zwischen den Variablen gibt<br />
- Kaiser-Mayer-Olkin-Prüfgröße (KMO-Test)<br />
„measure of sampling adequacy“, beruht auf den<br />
Determinationskoeffizienten<br />
ti i t<br />
• KMO > 0.9 erstaunlich<br />
• KMO > 0.8 verdienstvoll<br />
• KMO > 0.7 ziemlich gut<br />
• KMO > 0.6 mittelmäßig<br />
• KMO > 0.5 kläglich<br />
• KMO < 0.5 untragbar<br />
12.12.2011 Methodisch Fit 26
Durchführung in SPSS<br />
12.12.2011 Methodisch Fit 27
Durchführung in SPSS<br />
12.12.2011 Methodisch Fit 28
Durchführung in SPSS<br />
12.12.2011 Methodisch Fit 29
Durchführung in SPSS<br />
12.12.2011 Methodisch Fit 30
Durchführung in SPSS<br />
12.12.2011 Methodisch Fit 31
Durchführung in SPSS<br />
KMO- und Bartlett-Test<br />
Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin. ,829<br />
Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 1824,321<br />
df 78<br />
Signifikanz nach Bartlett ,000<br />
Kaiser-Meyer-Olkin-Wert ist größer 0,8 und der Bartlett-Test<br />
wird signifikant<br />
Berechung einer Faktorenanalyse ist sinnvoll<br />
12.12.2011 Methodisch Fit 32
Durchführung in SPSS<br />
Hauptkomponentenanalyse<br />
(Kommunalitäten zu<br />
beginn auf 1 gesetzt).<br />
Kommunalitäten<br />
Anfänglich Extraktion<br />
Psi 1,000 ,724<br />
Astrologie 1,000 ,453<br />
Hexen 1,000 ,648<br />
Spiritismus 1,000 ,671<br />
traditionell religioes 1,000 ,467<br />
alternativ religioes 1,000 ,137<br />
PSI kann sehr gut,<br />
Offenheit 1,000 ,502<br />
alternativ religiös nur<br />
Neurotizismus 1,000 ,654<br />
sehr schlecht ht durch die Lebenszufriedenheit 1,000 ,628<br />
Faktoren beschrieben Leistungsbereitschaft 1,000 ,523<br />
werden.<br />
Sensation seeking 1,000 ,663<br />
Wissen um Okkultismus 1,000 ,296<br />
praktiziert Okkultismus 1,000 ,301<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
12.12.2011 Methodisch Fit 33
Durchführung in SPSS<br />
Erklärte Gesamtvarianz<br />
Summen von quadrierten Faktorladungen für<br />
Anfängliche Eigenwerte Extraktion Rotierte Summe der quadrierten Ladungen<br />
Komponente<br />
Gesamt % der Varianz Kumulierte % Gesamt % der Varianz Kumulierte % Gesamt % der Varianz Kumulierte %<br />
1 3,873 29,791 29,791 3,873 29,791 29,791 3,103 23,869 23,869<br />
2 1,523 11,716 41,507 1,523 11,716 41,507 1,966 15,125 38,994<br />
3 1,272 9,783 51,290 1,272 9,783 51,290 1,598 12,296 51,290<br />
4 1,000 7,691 58,981<br />
5 ,925 7,112 66,093<br />
6 ,775 5,959 72,052<br />
7 ,744 5,724 77,776<br />
8 ,654 5,034 82,810<br />
9 ,631 4,855 87,665<br />
10 ,462 3,556 91,221<br />
11 ,459 3,533 94,754<br />
12 ,394 3,027 97,781<br />
13 ,288 2,219 100,000<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
12.12.2011 Methodisch Fit 34
Durchführung in SPSS<br />
•Theoretisch kann<br />
100% der Varianz<br />
durch 11 Faktoren<br />
beschrieben<br />
werden<br />
•(11 Faktoren = 11<br />
Variablen)<br />
•Nach dem<br />
Eigenwertkriterium<br />
entstehen 3<br />
Faktoren<br />
Anfängliche Eigenwerte<br />
Komponente Gesamt % der Varianz Kumulierte %<br />
1 3,873 29,791 29,791<br />
2 1,523 11,716 41,507<br />
3 1,272 9,783 51,290<br />
4 1,000 7,691 58,981<br />
5 ,925 7,112 66,093<br />
6 ,775 5,959 72,052<br />
7 ,744 5,724 77,776<br />
8 ,654 5,034 82,810<br />
9 ,631 4,855 87,665<br />
10 ,462 3,556 91,221<br />
11 ,459 3,533 94,754<br />
12 ,394 3,027 97,781<br />
13 ,288 2,219 100,000<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
12.12.2011 Methodisch Fit 35
Durchführung in SPSS<br />
• Mit 3 Faktoren kann<br />
51.29% der Varianz<br />
erklärt werden.<br />
• Kennwerte werden<br />
vor der Rotation<br />
ti<br />
angegeben.<br />
Erklärte Gesamtvarianz<br />
Summen von quadrierten Faktorladungen für<br />
Extraktion<br />
Gesamt % der Varianz Kumulierte %<br />
3,873 29,791 29,791<br />
1,523 11,716 41,507<br />
1272 1,272 9,783 51,290<br />
12.12.2011 Methodisch Fit 36
Durchführung in SPSS<br />
• Nach der Rotation<br />
liegen die Faktoren<br />
„günstiger“ g in der<br />
Variablenwolke<br />
• Der Anteil der durch alle<br />
Faktoren erklärten<br />
Varianz an der<br />
Gesamtvarianz ändert<br />
sich nicht<br />
Rotierte Summe der quadrierten Ladungen<br />
Gesamt % der Varianz Kumulierte %<br />
1 3,103 23,869 23,869<br />
7 1,966 15,125 38,994<br />
0 1,598 12,296 51,290<br />
12.12.2011 Methodisch Fit 37
Durchführung in SPSS<br />
• Nach dem<br />
Screeplot würden<br />
nur 2 Faktoren<br />
entstehen<br />
• Allerdings ist die<br />
Suche nach dem<br />
Knick im Screeplot<br />
oft der Anlass für<br />
Diskussionen<br />
12.12.2011 Methodisch Fit 38
Durchführung in SPSS<br />
• Faktorladungen vor<br />
der Rotation<br />
• Variablen sind nur<br />
schwer zuzuordnen<br />
Komponentenmatrix t a<br />
Komponente<br />
1 2 3<br />
Psi ,794<br />
Astrologie ,645<br />
Hexen ,778<br />
Spiritismus ,767<br />
traditionell religioes ,347 ,577<br />
alternativ religioes ,366<br />
Offenheit ,374 -,571<br />
Neurotizismus ,633 -,476<br />
Lebenszufriedenheit -,474 ,623<br />
Leistungsbereitschaft -,410 ,585<br />
Sensation seeking ,520 -,619<br />
Wissen um Okkultismus -,311 -,387<br />
praktiziert Okkultismus -,483<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
p a. 3 Komponenten extrahiert<br />
12.12.2011 Methodisch Fit 39
Durchführung in SPSS<br />
• Faktorladungen<br />
nach der Rotation<br />
• Probleme nur noch<br />
bei Sensation<br />
Seeking und<br />
praktiziertem<br />
Okkultismus<br />
Rotierte Komponentenmatrix a<br />
Komponente<br />
1 2 3<br />
Psi ,823<br />
Astrologie ,624<br />
Hexen ,748<br />
Spiritismus ,794<br />
traditionell religioes ,620<br />
alternativ religioes ,316<br />
Offenheit ,620 ,341<br />
Neurotizismus ,355 ,725<br />
Okkultismus<br />
Lebenszufriedenheit -,727<br />
Leistungsbereitschaft ,711<br />
Sensation seeking ,521 ,617<br />
Wissen um Okkultismus -,508<br />
praktiziert Okkultismus -,366 -,382<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
Rotationsmethode: Varimax mit Kaiser-Normalisierung.<br />
a. Die Rotation ist in 5 Iterationen konvergiert.<br />
12.12.2011 Methodisch Fit 40
Stolperstein<br />
7. Durch Ausprobieren wird eine Lösung<br />
gefunden<br />
Die Festlegung der Vorgehensweise sollte<br />
auch hbei ider explorativen Faktorenanalyse<br />
immer theoriegeleitet erfolgen<br />
12.12.2011 Methodisch Fit 41
Übung<br />
• Öffnet die Datei FA.sav<br />
• Rechnet eine explorative Faktorenanalyse<br />
• ca. 30 Min<br />
12.12.2011 Methodisch Fit 42
Konfirmatorische FA<br />
• Die konfirmatorische Faktorenanalyse testet,<br />
ob ein aus der Theorie abgeleitetes Modell<br />
durch empirisch erhobene Daten bestätigt<br />
werden kann<br />
Das Modell wird „nachgebaut“ und<br />
anschließend empirisch überprüft<br />
12.12.2011 Methodisch Fit 43
AMOS<br />
• Programm zur grafischen Erstellung und<br />
Berechnung von Strukturgleichungsmodellen<br />
• Dem Ganzen liegt wieder eine<br />
Korrelationsmatrix aller Variablen zugrunde<br />
• Zusätzlich können hier latente Variablen<br />
(„Faktoren“) modelliert werden<br />
12.12.2011 Methodisch Fit 44
AMOS<br />
• Manifeste Variable<br />
• Latente Variable<br />
• Fehlerterm<br />
• Faktorladung<br />
• Korrelation<br />
12.12.2011 Methodisch Fit 45
AMOS<br />
Beispiel:<br />
• 12 Items (z.B. eines<br />
Intelligenztests)<br />
• Jedes Item lädt auf einem<br />
Faktor und hat einen<br />
Fehlerterm<br />
• 3 Latente Faktoren (z.B.<br />
verbale, mathematische und<br />
visuell-rämliche Intelligenz)<br />
• Die Faktoren sind<br />
untereinander korreliert<br />
12.12.2011 Methodisch Fit 46
AMOS<br />
12.12.2011 Methodisch Fit 47
AMOS<br />
• Zeichnen von manifesten und latenten<br />
Variablen, Ladungen und Korrelationen<br />
• Markieren und bewegen von<br />
Gegenständen<br />
• Datensatz öffnen und Berechnungen<br />
duchführen<br />
12.12.2011 Methodisch Fit 48
AMOS<br />
• Nachdem das Modell „gebaut gebaut“ ist, öffnet man<br />
den entsprechenden SPSS-Datensatz mit<br />
12.12.2011 Methodisch Fit 49
AMOS<br />
• Jetzt werden die manifesten Items mit<br />
Variablen aus dem Datensatz „befüllt“:<br />
Klick auf „Variablen im Datensatz“<br />
12.12.2011 Methodisch Fit 50
AMOS<br />
12.12.2011 Methodisch Fit 51
AMOS<br />
• Anschließend müssen noch die latenten<br />
Faktoren benannt werden:<br />
Doppelklick auf einen Faktor Variablenname<br />
(+ Label) vergeben<br />
ACHTUNG: Wie bei SPSS ist der Name Pflicht, das<br />
Label optional<br />
• Jeder Faktor muss ein Pfadgewicht von 1 haben<br />
(und jeder Fehler):<br />
Doppelklick auf die entsprechende<br />
Ladung „Parameters“<br />
„Regression Weight“ auf 1 setzen<br />
12.12.2011 Methodisch Fit 52
AMOS<br />
• Zuletzt müssen noch die<br />
Fehler benannt werden:<br />
entweder von Hand, oder<br />
über „Plugins“ „Name<br />
unobserved Variables“<br />
• Das Modell abspeichern<br />
nicht vergessen<br />
12.12.2011 Methodisch Fit 53
AMOS<br />
• Beinhaltet der Datensatz<br />
fehlende Werte, muss AMOS<br />
noch angewiesen werden,<br />
damit umzugehen: „View“<br />
„Analysis Properties“<br />
„Estimate t means and<br />
intercepts“<br />
• Zusätzlich sollte (immer) unter<br />
„Output“ noch „Standardized<br />
Estimates“ ausgewählt<br />
werden<br />
12.12.2011 Methodisch Fit 54
AMOS<br />
• Das Modell ist bereit zur<br />
Berechnung Klick auf<br />
„calculate estimates“<br />
• AMOS versucht jetzt, das<br />
Modell an die Daten<br />
anzupassen, was bei Erfolg<br />
die Meldung „Minimum was<br />
achieved“ anzeigt<br />
12.12.2011 Methodisch Fit 55
AMOS<br />
• Mit Klick auf „View Output“ werden<br />
die Ergebnisse in Form von Faktor-<br />
ladungen und Korrelationen angezeigt<br />
• Zusätzlich stellt sich die Frage, ob das Modell<br />
insgesamt passt. Dazu werden eine Reihe von<br />
„Model fit“ – Kennwerten berechnet. Klick auf<br />
„View Text“<br />
12.12.2011 Methodisch Fit 56
Model Fit<br />
12.12.2011 Methodisch Fit 57
Model Fit<br />
• Vielzahl an relevanten Kennwerten<br />
- p-Wert: passt das Modell schlechter als das<br />
gesättigte Modell? Sollte nicht signifikant sein<br />
(schwierig bei großen Datensätzen)<br />
- χ 2/ df – Verhältnis: weniger anfällig für<br />
Stichprobengröße möglichst klein (Richtwert:<br />
< 2)<br />
- NFI, RFI, TLI, CFI: keine Einigkeit, welcher dieser<br />
Kennwerte der „beste“ ist sollten alle möglichst<br />
nah an 1 sein (manche können auch > 1 werden)<br />
Für alle Kennwerte gibt AMOS eine Beschreibung<br />
und Interpretationshilfe aus<br />
12.12.2011 Methodisch Fit 58
Model Fit<br />
• Was tun, wenn das Modell nicht passt?<br />
- Einzelne Items auf mehrere Faktoren laden lassen<br />
(vgl. explorative FA)<br />
- Einzelne Items entfernen<br />
- Latenter Faktor 2. Ordnung<br />
- Bestimmte Faktorladungen testweise gleichsetzen /<br />
auf Null setzen<br />
- Gruppenweise Analyse (bsp. nur Frauen/Männer)<br />
- Literatur zu Rate ziehen<br />
12.12.2011 Methodisch Fit 59
Übung<br />
• Rechnet eine konfirmatorische<br />
Faktorenanalyse über die Ergebnisse der<br />
explorativen FA mit der Datei FA.sav<br />
• Wie bewertet Ihr die Model-Fit-Kennwerte?<br />
• ca. 30 Min<br />
12.12.2011 Methodisch Fit 60
Übersicht – <strong>Blocktermin</strong> 3<br />
• Teil 1: Offene Fragen, Regression<br />
• Teil 2: Faktorenanalyse, AMOS<br />
• Teil 3: Spezielle Fragen / Methoden<br />
• Teil 4: Zusammenfassung Stolpersteine,<br />
Lehrevaluation<br />
12.12.2011 Methodisch Fit 1
Stolperstein 1: Themenfindung<br />
• Was wollt Ihr in Eurer Diplomarbeit erreichen?<br />
• Welche Fragen sollen nach dem Lesen der Arbeit geklärt<br />
sein?<br />
• Welche Fragen sollen es nicht / können nicht geklärt sein?<br />
• Eure Diplomarbeit kann nicht alle potentiell interessanten<br />
Fragen beantworten<br />
Grenzt das Thema ein!<br />
- Formuliert genaue Hypothesen, schon im Exposé!<br />
- Achtet auf die Machbarkeit (Längsschnittstudien? Studien zu<br />
psychischen Krankheiten mit geringer Prävalenz?)<br />
• Genaue Absprachen mit dem Betreuer!<br />
12.12.2011 Methodisch Fit 2
Stolperstein 2: Literatur<br />
Der Bezug zwischen der Literatur und dem<br />
eigenen Thema fehlt<br />
- Trichterförmig schreiben erst ganz generell<br />
und dann spezifisch<br />
- Roten Faden im Auge behalten<br />
- Jeden Artikel auf Relevanz prüfen (kein<br />
„Namedropping“)<br />
12.12.2011 Methodisch Fit 3
Stolperstein 3: Fragebogenentwicklung<br />
Ist die Entwicklung eines Fragebogens/Tests<br />
Ziel der Arbeit?<br />
• Ansonsten ist davon abzuraten!<br />
• Selbst die Übersetzung von Fragebögen kann<br />
zu verminderten Gütekriterien führen.<br />
12.12.2011 Methodisch Fit 4
Stolperstein 4: Stichprobengröße<br />
• N in geplanter Zeit realistisch?<br />
- Ansonsten: Ein- und Ausschlusskriterien<br />
überprüfen<br />
- Zusätzlich überprüfen, ob Gruppen<br />
zusammengefasst werden können<br />
- Größe mit Hilfe von Poweranalysen festlegen<br />
(praktisch bedeutsamer Unterschied auf Basis der<br />
Literatur)<br />
12.12.2011 Methodisch Fit 5
Stolperstein: Planung der Auswertung<br />
• Die Wahl des statistischen Analyseverfahrens<br />
sollte vor der Datenerhebung erfolgen!<br />
- Sind die Daten erst mal erhoben, können unter<br />
Umstanden Voraussetzungen für statistische Tests<br />
nicht erfüllt sein.<br />
- Auch wenn ich noch nicht weiß, wie die Daten verteilt<br />
sind, muss ich mir vor der Datenerhebung Gedanken<br />
machen, welche statistischen Analyseverfahren ich<br />
anwenden möchte.<br />
12.12.2011 Methodisch Fit 6
Stolperstein 5: Hypothesen<br />
Die Hypothesen sind unklar formuliert<br />
Erschwert die Auswahl geeigneter Tests und die<br />
anschließende Auswertung<br />
Nicht:<br />
Depressionstherapie X wirkt besser als<br />
Depressionstherapie Y<br />
Besser:<br />
Patienten mit einer leichten Depressiven Episode (F32.0),<br />
die mit Therapie X behandelt wurden, weisen nach der<br />
Behandlung im Durchschnitt geringere Werte im BDI auf,<br />
als Patienten mit einer leichten Depressiven Episode, die<br />
mit Therapie Y behandelt wurden.<br />
12.12.2011 Methodisch Fit 7
Stolperstein: SPSS ohne Syntax<br />
Analysen in SPSS nur durch „Zusammenklicken“<br />
Unbedingt die Syntax verwenden! Erspart<br />
Arbeit, dokumentiert genau und führt zu<br />
reproduzierbaren Ergebnissen<br />
12.12.2011 Methodisch Fit 8
Stolperstein 6: Ausreißer<br />
„Wildes Wildes“ Ausschließen kann zu nicht<br />
reproduzierbaren Ergebnissen führen<br />
Transparente und genaue Darstellung der<br />
Ausreißeranalysen<br />
Wie immer: Rücksprache mit dem Betreuer!<br />
12.12.2011 Methodisch Fit 9
Stolperstein 7: Faktorenanalyse<br />
Durch Ausprobieren wird eine Lösung gefunden<br />
Die Festlegung der Vorgehensweise sollte<br />
auch bei der explorativen Faktorenanalyse<br />
immer theoriegeleitet it t erfolgen<br />
12.12.2011 Methodisch Fit 10