4. SEM Intro Flashcards
Eine SEM besteht aus welchen zwei Teilen?
Messmodell + Strukturmodell
Validität
“Misst das Verfahren tatsächlich das gewünschte Merkmal?”
Reliabiliät
“Wird das Merkmal zuverlässig gemessen oder ist die Messung in zu großem Ausmaß mit Messfehlern behaftet?”
Latente Konstrukte
hypothetische Konstrukte, die nicht direkt beobachtbar
sind; unbeobachtete Variable, die erst durch ihre Indikatoren gemessen wird.
Manifeste Variablen
direkt beobachtbar/messbar
Kovarianz
Maß für die Assoziation zwischen zwei Zufallsvariablen
Two step-approach nach Gerbing und Anderson (1988)
- Konfirmatorische Faktorenanalyse (CFA)
2. Strukturgleichungsmodell (=SEM)
Indikator
beobachtete Variable, Item,
Exogene Variable
Unabhängig latente Variable, Pfad geht raus, werden nicht von anderen Variablen beeinflusst
Endogene Variable
Abhängig latente Variable, mindestens ein Pfad geht rein
Messmodell
Hierbei handelt es sich um den Kern des Strukturgleichungsmodells. In ihm werden im Sinne einer konfirmatorischen Faktorenanalyse (confirmatory factor analysis) Verbindungen zwischen den Indikatoren und den latenten Variablen modelliert. Hierbei spielt die Kovarianz eine entscheidende Rolle.
Strukturmodell
Hierbei handelt es sich um die Menge exogener und endogener Variablen und deren Verbindungen.
Was sind die drei wichtigsten Gütekriterien?
Objectivität, Reliabilität, Validität
Interne Konsistenz
Die interne Konsistenz ist ein Maß dafür, wie die Items einer Skala miteinander zusammenhängen
Cronbach Alpha
- Maßzahl für die interne Konsistenz einer Skala - bezeichnet das Ausmaß, in dem die Aufgaben bzw. Fragen einer Skala miteinander in Beziehung stehen (interrelatedness)
Varianz
Standardabweichung^2
Was unterscheidet SGM von anderen Methoden? (Byrne, 2001)
1) Kausalanalyse –> konfirmatorisch, nicht explorativ
2) SGM liefern explizite Schätzwerte für Messfehler
3) Mit SGM können Beziehungen zwischen latenten Variablen abgeschätzt werden
Linear Model Formula
𝑦 = 𝛼 + 𝛾x
Linear Regression Formula
𝑦 = 𝛼 + 𝛾𝑥 + e
Warum wird einem linearen Modell klein Epsilon hinzugefügt?
Ohne Epsilon handelt es sich um ein deterministisches Modell. Ist dieser Zusammenhang zwischen Variablen jedoch – wie praktisch immer in den Sozialwissenschaften – nicht als „perfekt“ (deterministisch) beschreibbar, muss ein weiterer Term für „zufällige“ (stochastische) Abweichungen ε (klein Epsilon) hinzugenommen werden, das sogenannte „Residuum“
Residuum (+ Formula)
klein Epsilon im linearen Modell. Residuen stellen die Abweichung des durch das Modell geschätzten Wertes (yˆ) vom beobachteten Wert (y) dar (ε = y − yˆ).
Worüber gibt der Regressionskoeffizient auskunft?
Der Regressionskoeffizient γ (klein Gamma) gibt Auskunft über die geschätzte Veränderung in y, wenn x um eine Einheit (+1) steigt und beschreibt somit stets
einen linearen Zusammenhang bzw. eine lineare Funktion.
Wofür steht die Konstante?
Die Konstante (intercept) α steht für den geschätzten Wert der endogenen Variablen, wenn die unabhängige Variable der Gleichung den Wert 0 annimmt.
Wie heisst Residuum auf Englisch?
Error (epsilon)
Wie heisst Konstante auf Englisch?
Intercept (alpha)
Was besagt das OLS-Schätzverfahren?
Das OLS-Schätzverfahren besagt, dass die Summe der Quadrate der Residuen minimiert werden
soll
Wozu wird das OLS-Schätzverfahren verwendet?
wird üblicherweise zur statistischen Schätzung des Modells, d. h. zur bestmöglichen Beschreibung des linearen Zusammenhangs, die Methode der kleinsten Quadrate verwendet (OLS, ordinary least squares).
z-standartisierung
original value - mean of the sample (or population) / standard deviation of the sample (or population)
standardisierte Zufallsvariable
Eine standardisierte Zufallsvariable ist eine Zufallsvariable, deren Erwartungswert 0 und deren Varianz 1 beträgt.
Was ist das Symbol einer manifesten Variable?
Rechteck
Was ist das Symbol einer latenten Variable?
Kreis
Was ist das Symbol eines Residuums?
Pfeil zum Rechteck
Was ist das Symbol einer kausalen Beziehung?
Einweg Pfeil
Was ist das Symbol einer kovarianten Beziehung?
Bidirektioneller Pfeil
Was ergibt die Kovarianz einer Variable x mit sich selbst?
Die Kovarianz einer Variablen x mit sich selbst ergibt wiederum deren Varianz, d. h. Cov(x, x) = Var(x)
Was ergibt die Kovarianz mit einer Konstante k?
Die Kovarianz mit einer Konstanten k, d. h. bei Var(k) = 0, ist immer Null, d.h. Cov(x, k) = 0. Als Sprichwort gilt daher: „Wo keine Varianz, da keine Kovarianz“