100% Zufriedenheitsgarantie Sofort verfügbar nach Zahlung Sowohl online als auch als PDF Du bist an nichts gebunden
Vorher von dir gesucht
summary of the 3rd day of the full day seminar about diagnostics and test theory (out of 4). Basierend auf: Bühner, M. (2011). Einführung in die Test- und Fragebogenkonstruktion (3. Aufl). Pearson.3,49 €
In den Einkaufswagen
summary of the 3rd day of the full day seminar about diagnostics and test theory (out of 4). Basierend auf: Bühner, M. (2011). Einführung in die Test- und Fragebogenkonstruktion (3. Aufl). Pearson.
2 mal angesehen 0 mal verkauft
Kurs
Diagnostik: Testen und Entscheiden (M_PSY23)
Hochschule
Umit Tirol
Book
Einführung in die Test- und Fragebogenkonstruktion
summary of the 2nd day of the seminar diagnostics and test theory. Basierend auf: Bühner, M. (2011). Einführung in die Test- und Fragebogenkonstruktion (3. Aufl). Pearson.
summary of the first day of the full day seminar diagnostics and test theory. Basierend auf: Bühner, M. (2011). Einführung in die Test- und Fragebogenkonstruktion (3. Aufl). Pearson.
Alles für dieses Buch (3)
Schule, Studium & Fach
Umit Tirol
Diagnostik: Testen und Entscheiden (M_PSY23)
Alle Dokumente für dieses Fach (5)
Verkäufer
Folgen
maani42
Inhaltsvorschau
3. Evaluierung des Testentwurfs – Itemanalysen
Testevaluierung: Schritte… 1) Explorative Faktorenanalyse, 2) Analyse der Itemschwierigkeiten,
3) Reliabilitäts- und Trennschärfeanalyse, 4) Itemselektion und -revision, 5) Testwerteermittlung,
6) Testeichung/Normierung
Unser Datensatz: N = 249 (davon N=237 ohne Missings), Alter von 18-82 Jahren (M = 31.5, SD =
14,07), 48% mit universitärem Abschluss
3.1 Explorative Faktoranalyse (EFA; nach KTT)
Ein Item soll nur durch einen Faktor repräsentiert werden (KTT)
Zweck der Faktorenanalyse: a) Struktur eines Sets von Variablen verstehen, b)
Fragebogenkonstruktion, c) Reduzierung eines Datensatzes auf eine leichter handhabbare Größe
bei gleichzeitiger Erhaltung der ursprünglichen Informationen – Versuch Komponenten zu finden,
die möglichst große Anteile der Itemvarianz erklären (Ziel: Varianzmaximierung)
Faktorenanalyse versucht Parsimonie (Sparsamkeit) zu erreichen, indem die maximale Menge
von gemeinsamer Varianz in der Korrelationsmatrix durch die kleinste Menge an erklärenden
Konstrukten zu erreichen
Begriffe
Ladung („Lamda“): semipartielles standardisiertes Regressionsgewicht. Antwort auf die Frage, um
wie viele Standardabweichungen sich (im Durchschnitt) die Ausprägung auf dem Item ändert,
wenn sich die Ausprägung auf dem Faktor um eine Standardabweichung ändert.
Kommunalität (h²): wie gut wird ein Item durch die Faktoren repräsentiert? Anteil der gesamten
Varianz einer Variablen, der auf die extrahierten gemeinsamen Faktoren zurückgeführt werden
kann. Berechnung: die Ladungen der unkorrelierten Faktoren für jedes Item werden quadriert und
summiert
Uniqueness (Einzigartigkeit): idiosynkratische Varianz eines Items. Setzt sich zusammen aus
Spezifität (p – h²) und dem Messfehler (1-p).
Eigenwert: Angabe für das Maß an Varianz der Items, dass durch eine Komponente erklärt wird
(„Wichtigkeit“ des Faktors). Bei der Faktorenanalyse: Anteil, den ein Faktor an gemeinsamer
Varianz aller Items aufklärt. Bei Hauptkomponentenanalyse: Anteil, den eine Komponente an
Gesamtvarianz der Items aufklärt.
, Faktorwert („Ksi“): gewichteter Wert, der eine Ausprägung einer Person auf einem Faktor darstellt
(Gewichtung erfolgt über Ladungen; Faktorwerte sind standardisiert: M=0, SD=1)
Methoden der Faktorenanalyse
Faktoren werden aufgrund der Daten für die Population geschätzt (ein statistisches Modell wird
gebildet). Faktoranalysen suchen nach gemeinsamer Varianz, die durch einen Faktor erklärt wird.
Hauptsächliche Methoden: Maximum Likelihood-Faktorenanalyse (wenn multivariate
Normalverteilung gegeben und CFA im Anschluss geplant ist). Hauptachsenfaktorenanalyse
(wenn keine multivariate Normalverteilung gegeben ist)
Hauptkomponentenanalyse (Principal Component Analyses): eigentlich keine Faktorenanalyse.
Ziel: Datenreduktion von vielen Variablen zu wenigen Supervariablen (=Komponenten) →
Zusammenfassung von Items. Im Gegensatz zur Faktorenanalyse werden in der PCA Daten in ein
Set von linearen Komponenten transformiert (deskriptiv, nur auf die vorliegende Stichprobe
bezogen; kein Messfehler wird berücksichtigt). Hauptkomponentenanalyse versucht die maximale
Gesamtvarianz (nicht: gemeinsame Varianz) zu erklären.
Faktorenextraktion
Es müssen verschiedene Kriterien gemeinsam berücksichtigt werden: Insbesondere a) inhaltliche
Plausibilität, wie gut können die Ladungen die beobachtete Korrelationsmatrix reproduzieren?
Bekannteste Methoden: a) Explizite Theorie/hypothetisches Modell, das bestimmte Faktoren
vorgibt, b) Eigenwertkriterium > 1, c) Scree-Test, d) Parallelanalyse, e) Minimum-Average-Partial-
Test (MAP-Test) → letztere beiden die empfohlenen Optionen (Bühner, 2011)
Extraktion von Faktoren
a) Theorie/Modell: Anzahl von Faktoren leitet sich aus der Theorie ab (zB Big 5). Eigentlich
müsste man eine konfirmatorische Faktorenanalyse (CFA) machen. Allerdings von Vorteil, wenn
bestimmte Faktoren bei der FA die Theorie stützen
b) Eigenwertkriterium > 1: sollte (eigentlich) nur im Rahmen einer Hauptkomponentenanalyse
durchgeführt werden. Logik: ist Eigenwert > 1, wird mehr Varianz aufgeklärt, als ein
standardisiertes Item besitzt. Nur dann anzuwenden, wenn eine besonders differenzierte
Aufgliederung eins Merkmalsbereichs angestrebt wird und besonders reliable Messwerte
vorliegen (Kommunalität bzw. Reliabilität nahe 1). Generell eher weniger empfohlene Methode, da
die Anzahl der Faktoren meist überschätzt wird.
c) Scree-Test nach Cattell (Scree = Geröllabhang): Suche nach einem Knick im Scree-Plot vor der
Rotation (von links nach rechts). Eigenwerte vor dem Knick werden gezählt. Recht subjektiv, wo
welcher Knick genommen wird.
d) Parallelanalyse nach Horn: meist empfohlene Variante. Bildung von Eigenwerten aus
Zufallsgrößen (Zufallsstichproben mit der tatsächlichen Stichprobengröße werden gebildet). Faktor
wird nur extrahiert, wenn empirisch beobachteter Eigenwert über einem Eigenwertverlauf von
Zufallswerten liegt. Aus Zufallsstichproben werden Komponenten/Faktoren extrahiert und
Verteilungen der Eigenwerte gebildet. Angegeben wird der Eigenwert, unter dem 95% der
Eigenwerte aus Zufallszahlen liegen (95%-Perzentil). Man vergleicht die Eigenwerte der Rohwerte
mit denen des 95%-Perzentils. Faktor bedeutsam, wenn der Eigenwert des Rohwerts über dem
des Perzentils liegt.
Paralleltest kann sowohl auf Hauptkomponentenanalyse als auch Hauptachsenanalyse
angewandt werden – bei der Hauptachsenanalyse findet allerdings häufig eine Überschätzung der
Anzahl an Faktoren statt.
Alle Vorteile der Zusammenfassungen von Stuvia auf einen Blick:
Garantiert gute Qualität durch Reviews
Stuvia Verkäufer haben mehr als 700.000 Zusammenfassungen beurteilt. Deshalb weißt du dass du das beste Dokument kaufst.
Schnell und einfach kaufen
Man bezahlt schnell und einfach mit iDeal, Kreditkarte oder Stuvia-Kredit für die Zusammenfassungen. Man braucht keine Mitgliedschaft.
Konzentration auf den Kern der Sache
Deine Mitstudenten schreiben die Zusammenfassungen. Deshalb enthalten die Zusammenfassungen immer aktuelle, zuverlässige und up-to-date Informationen. Damit kommst du schnell zum Kern der Sache.
Häufig gestellte Fragen
Was bekomme ich, wenn ich dieses Dokument kaufe?
Du erhältst eine PDF-Datei, die sofort nach dem Kauf verfügbar ist. Das gekaufte Dokument ist jederzeit, überall und unbegrenzt über dein Profil zugänglich.
Zufriedenheitsgarantie: Wie funktioniert das?
Unsere Zufriedenheitsgarantie sorgt dafür, dass du immer eine Lernunterlage findest, die zu dir passt. Du füllst ein Formular aus und unser Kundendienstteam kümmert sich um den Rest.
Wem kaufe ich diese Zusammenfassung ab?
Stuvia ist ein Marktplatz, du kaufst dieses Dokument also nicht von uns, sondern vom Verkäufer maani42. Stuvia erleichtert die Zahlung an den Verkäufer.
Werde ich an ein Abonnement gebunden sein?
Nein, du kaufst diese Zusammenfassung nur für 3,49 €. Du bist nach deinem Kauf an nichts gebunden.
