Forschungsmethoden an der University of Padua

Karteikarten und Zusammenfassungen für Forschungsmethoden an der University of Padua

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Forschungsmethoden an der University of Padua.

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Nenne vier typische AVs in der allgemeinen Psychologie.

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Was ist das Aggregationsprinzip?

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Sie messen mit Hilfe eines IQ-Tests mit dem Mittelwert 100 und der SD 15 (Standard IQ-Skala). 1/3

der Standardabweichung ist Messfehler.

  1. Sie haben den Wert 108 bei einem Probanden gemessen, welches Feedback geben sie ihm?
  2. Bei einer anderen Person haben sie einen Wert von 104 gemessen. Sind die beiden

    unterschiedlich intelligent?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Wozu verwendet man die MultitraitMultimethod?

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Entspricht das standardisierte Beta-Gewicht in der multiplen Regression der bivariaten Korrelation von Prädiktor und Kriterium?

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Wenn sie das Kriterium in bestanden (kodiert mit 1) und nicht bestanden (kodiert mit 0) ändern würden, was würden sie dann rechnen und wie kann man das Ergebnis interpretieren?

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Was wäre wenn Mathe Multikollinearität erfüllen würde?/Was passiert, wenn Mathe die Multikollinearität erfüllt, daher die Toleranzgrenze übertritt?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Sollten Schüler, die Psychologie studieren wollen, nun extra schlecht in Chemie sein (Hinweis: das b-Gewicht von Chemie war negativ)

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Was könnte bei den Prädiktoren problematisch hinsichtlich der Regression sein?

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Nenne alle Schritte der Faktorenanalyse.

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Korrelieren die Faktoren miteinander? (bei Extraktion mittels Hauptkomponentenanalyse)

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Welche grundlegende Entscheidung muss vor einer Rotation getroffen werden?

Kommilitonen im Kurs Forschungsmethoden an der University of Padua. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Forschungsmethoden an der University of Padua auf StudySmarter:

Forschungsmethoden

Nenne vier typische AVs in der allgemeinen Psychologie.

  1. Befragung: Interview, Selbst-Fremd-Fragebogen
  2. Verhaltensbeobachtung: Reaktionszeit-, Fehlermessung
  3. Neurophysiologische Maße: fMRT, EEG, EMG
  4. Neurochemische Maße: Speichelcortisol

Forschungsmethoden

Was ist das Aggregationsprinzip?

  • Die Fehlervarianz reduziert sich, wenn man gleich gute Messungen zusammenfasst
  • D.h. die Messfehler der Messungen mitteln sich heraus
  • Die Reliabilität lässt sich dadurch erhöhen, indem man weitere gleich gute Messungen hinzunimmt
  • Die Erhöhung der Reliabilität wird durch die Spearman-Brown-Formel beschrieben

Forschungsmethoden

Sie messen mit Hilfe eines IQ-Tests mit dem Mittelwert 100 und der SD 15 (Standard IQ-Skala). 1/3

der Standardabweichung ist Messfehler.

  1. Sie haben den Wert 108 bei einem Probanden gemessen, welches Feedback geben sie ihm?
  2. Bei einer anderen Person haben sie einen Wert von 104 gemessen. Sind die beiden

    unterschiedlich intelligent?

  1. Berechnung Konfidenzintervall
    Also 108 + 1,96 x 15/3 = 117,8 Und 108 - 1,96 x 15/3 = 98,2
    A: Gemessen wurde ein IQ-Wert von 108. Da jeder psychologische Test mit einem Messfehlerbehaftet ist, wird zusätzlich ein Konfidenzintervall angegeben. Mit einer Sicherheit von 95% enthält dieser Vertrauensbereich von 98-118 den wahren IQ. Dieser Bereich entspricht einer durchschnittlichen Intelligenz.
  2. Überprüfen, ob der Wert der zweiten Person im Konfidenzintervall der ersten Person enthalten ist.
    Das Konfidenzintervall des IQ-Werts des ersten Probanden enthält den gemessenen Wert des zweiten Probanden von 104. Dementsprechend unterscheiden sich die Werte der beiden Personen
    nicht signifikant voneinander. Man kann also nicht sagen, dass die Personen unterschiedlich intelligent sind.

Forschungsmethoden

Wozu verwendet man die MultitraitMultimethod?

  • Ist ein Verfahren zur (Konstrukt-)Validierung von Testverfahren
  • Durch die MultitraitMultimethodanalyse lässt sich Trait- von Methodenvarianz (bzw. konvergente von diskriminanter Varianz) unterscheiden
  • Konvergente Validität (n Messungen des Merkmals A gemessen mit 2 verschiedenen Verfahren sollten relativ hoch korrelieren,
    Diskriminante Validität (Messungen von 2 theoretisch unabhängig angenommenen Merkmalen mit demselben Verfahren sollten möglichst nicht korrelieren)
  • Soll verhindern, dass hohe Korrelationen aufgrund gleicher Methoden fälschlicherweise im Sinne einer hohen Merkmalskonvergenz interpretiert werden

Forschungsmethoden

Entspricht das standardisierte Beta-Gewicht in der multiplen Regression der bivariaten Korrelation von Prädiktor und Kriterium?

Das standardisierte Beta-Gewicht entspricht nur dann der bivariaten Korrelation von Prädiktor und Kriterium, wenn eine bivariate Regression vorliegt oder die Prädiktoren perfekt orthogonal sind.

Begründen mit Korrelationsmatrix oder da die Prädiktoren ähnliche oder verwandte Konstrukte erfassen.

Forschungsmethoden

Wenn sie das Kriterium in bestanden (kodiert mit 1) und nicht bestanden (kodiert mit 0) ändern würden, was würden sie dann rechnen und wie kann man das Ergebnis interpretieren?

  • Bei einem binären Kriterium (bestanden/nicht bestanden) würde man eine logistische Regression rechnen
  • Beschreibt die bedingte Wahrscheinlichkeit, dass die Abhängige Variable/das Kriterium den Wert 1 (bestanden) anstatt Null (nicht bestanden) annimmt unter der Bedingung einer bestimmten Prädiktorenkombination

Forschungsmethoden

Was wäre wenn Mathe Multikollinearität erfüllen würde?/Was passiert, wenn Mathe die Multikollinearität erfüllt, daher die Toleranzgrenze übertritt?

  • Wenn Mathe durch einen oder mehrere Prädiktoren fast gänzlich vorhergesagt werden kann, spricht man von (Multi)kollinearität
  • Bei extremer Kollinearität kann die Teststatistik verzerrt und die rechnerische Genauigkeit der b-Gewichte Schätzungen ist bedroht. In jedem Fall führt Multikollinearität zu einer erschwerten Interpretation der b-Gewichte.
  • Dies ist erst problematisch, wenn die Toleranzgrenze (bei SPSS .0001) übertreten wird. Die Toleranz entspricht dem Wer aus 1 - multiplen R-Quadrat der multiplen Regression des Prädiktors (hier von Mathe) auf die anderen Prädiktoren. (Bedeutet, dass 99,99% der Varianz in Mathe durch die anderen Prädiktoren erklärt werden kann, was relativ unwahrscheinlich ist).
  • Eventuell in Betracht ziehen, den Prädiktor Mathe aus dem Modell zu entfernen oder stark korrelierte Prädiktoren zusammenzufassen, da diese wahrscheinlich unterschiedliche Operationalisierungen desselben Konstrukts (z.B. Schulleistung) darstellen

Forschungsmethoden

Sollten Schüler, die Psychologie studieren wollen, nun extra schlecht in Chemie sein (Hinweis: das b-Gewicht von Chemie war negativ)

Abhängig vom Output:

  • (Korrelationsmatrix/ globales Regressionsmodell) Liefert Chemie überhaupt einen signifikanten Beitrag zur Vorhersage des Kriteriums?
  • Wurde Chemie zu spät in Hierarchische Regressionsgleichung aufgenommen, sodass es keine Varianz mehr über die anderen Prädiktoren erklärt
  • Prüfen, ob Multikollinearität für Chemie vorliegt, sodass die Interpretation des b-Gewichts erschwert wird
  • Suppressoreffekt? Beta-Gewicht der anderen Prädiktoren wird größer und haben einen geringen p-Wert, wobei Chemie erst in der multiplen Regression zu einem signifikanten Prädiktor wird; Prüfen ob die Nützlichkeit (inkrementelle Validität) größer ist als das multiple R² des Kriteriums mit dem Prädiktor Chemie
    • Bedeutet, dass Chemie Varianz von anderen Prädiktoren oder anderem Prädiktor bindet, die für die Vorhersage von Y irrelevant ist, wodurch die Vorhersage durch die anderen Prädiktoren genauer wird. Der Prädiktor Chemie sollte aus der Regression entfernt werden

Forschungsmethoden

Was könnte bei den Prädiktoren problematisch hinsichtlich der Regression sein?

  • Korrelation der Prädiktoren; liefern ähnliche Informationen für die Varianzanalyse -> Problem: Varianz, die von mehreren Prädiktoren geteilt wird, bringt eine gewisse Beliebigkeit in die Interpretation, da je nach Regressionsmodell die Anteile unterschiedlichen UVs zugeordnet werden 
  • Multikollinearität: Wenn ein Prädiktor durch einen oder mehrere andere Prädiktoren fast vorhersagbar ist. Probleme: Bei extremer Multikollinearität: Verzerrung der Teststatistik, Gefährdung der Genauigkeit der Schätzungen des b-Gewichts. Bei geringer (Multi)kollinearität: führt zu einer erschwerten Interpretation der b-Gewichte
    -> Einzelne Prädiktoren entfernen oder mehrere stark korrelierende Prädiktoren zu einerm Prädiktor zusammenzufassen (wenn mehrere Operationalisierungen eines Konstrukts vorliegen)
  • Wechselseitige Redundanz: Prädiktoren bilden ähnliches Konstrukt ab, sodass einzelne Prädiktoren nicht mehr signifikant werden, obwohl das gesamte Modell noch signifikant wird -> Prädiktoren zu einer gemeinsamen Variable zusammenfassen
  • Testung auf Suppressorvariable

Forschungsmethoden

Nenne alle Schritte der Faktorenanalyse.

  1. Explorative oder konfirmatorische Faktorenanalyse (dann Strukturgleichungsmodell)
  2. Sollen Variablen (Faktorenanalyse) oder Versuchspersonen (Clusteranalyse) gruppiert werden?
  3. Prüfung der Anforderungen
    1. Verhältnis Beobachtungen/Variablen vernünftig?
    2. Statistische Anforderungen eher unwichtig (Linearität, Normalität, Homoskedastizität)
    3. Faktorenanalyse gerechtfertigt? (Bartlett, Anti-Image Matrix oder Partialkorrelationen überprüfen)
    4. Gruppe der Vpn homogen oder zwei Gruppen mit unterschiedlichen zugrundeliegenden Strukturen?
  4. Faktorenmodell Hauptkomponenten- oder Hauptachsenanalyse
  5. Entscheidung für Faktorenanzahl (mittels z.B. Kaiserkriterium, Screeplot, Parallelanalyse oder a priori festgelegte Varianzaufklärung des Modells oder Minimum an Varianzaufklärung pro Faktor)
  6. Entscheidung für oder gegen Rotation? Oblique (bspw. mittels Direct Oblimin, Promax) oder orthogonale (bspw. mittels Varimax, Quartimax) Rotation?
  7. Interpretation der Matrix: Sinnvolle Faktoren? (Wenn ja, dann Skalenbildung oder Validierung an neuen Daten. Wenn nein neue Faktorenlösung z.B. Faktorenanzahl verändern oder anders rotieren)

Forschungsmethoden

Korrelieren die Faktoren miteinander? (bei Extraktion mittels Hauptkomponentenanalyse)

Nein, da die Hauptkomponentenanalyse die Faktoren so extrahiert, dass sie unkorreliert sind. Später kann dann noch eine (oblique oder orthogonale) Rotation vorgenommen werden.

Forschungsmethoden

Welche grundlegende Entscheidung muss vor einer Rotation getroffen werden?

Es muss entschieden werden, ob eine orthogonale (rechtwinklige Rotation für unkorrelierte, unabhängige Faktoren) oder

eine oblique Rotation (schiefwinklige Rotation für abhängige, korrelierte Faktoren) vorgenommen werden soll. Die oblique Rotation erlaubt korrelierte Faktoren (inhaltlich sauberer, da Faktoren selten völlig unkorreliert sind. Allerdings wird die Interpretation bei korrelierten Faktoren deutlich erschwert. Die Entscheidung für der beiden Methode hängt vom Ziel der EFA ab).

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Forschungsmethoden an der University of Padua zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Forschungsmethoden an der University of Padua gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur University of Padua Übersichtsseite

Einführung in die Forschungsmethoden

Forschungsmethoden und Statistik

Wirtschaftliche Forschungsmethoden

Qualitative Forschungsmethoden

Forschungsmethoden der Psychologie

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Forschungsmethoden an der University of Padua oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
X

StudySmarter - Die Lernplattform für Studenten

StudySmarter

4.5 Stars 1100 Bewertungen
Jetzt entdecken
X

Gute Noten in der Uni? Kein Problem mit StudySmarter!

89% der StudySmarter Nutzer bekommen bessere Noten in der Uni.

50 Mio Karteikarten & Zusammenfassungen
Erstelle eigene Lerninhalte mit Smart Tools
Individueller Lernplan & Statistiken


Lerne mit über 1 Millionen Nutzern in der kostenlosen StudySmarter App.

Du bist schon registriert? Hier geht‘s zum Login