6. KFA I Flashcards

1
Q

Was ist Ziel einer KFA?

A

Überprüfen eines bereits angenommener Faktorenstruktur

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Datenbasis?

A

Kovarianzmatrix

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Wann wird die Anzahl der Faktoren festgelegt?

A

a priori

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

wie werden die Indikatoren zu den Faktoren zugeordnet?

A

theoriegeleitet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Kovarianzen werden auf _____________ zurückgeführt

A

latente Variablen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Empirische Kovarianzen sollen durch die _________________ reproduziert werden.

A

geschätzten Parameter

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Wichtigste Voraussetzung einer KFA?

A

theoretisches vorwissen über das zu testende Modell

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Wie funktioniert die KFA?

A

Vergleich von empirischen und prognostizierten Daten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Was wird zur Prüfung von statistischen Modellen

angewandt?

A

Strukturgleichungsmodelle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Fasse die VORTEILE der KFA zusammen.

A
  • Mehrere Beziehungen können gleichzeitig geschätzt werden
  • Abhängige Variablen → in anderem Zusammenhang potenziell UNABHÄNGIG
  • Latente Variablen können INTEGRIERT werden
  • RELIABILITÄTSBEREINIGUNG, bessere Messmodelle
  • Messfehler können EXPLIZIT MODELLIERT werden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

manifeste variablen

A

Variablen, die erhoben wurden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

latente variablen

A

Variablen, die geschätzt werden müssen, da sie nicht direkt

gemessen werden können

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

exogene Variablen

A

Variablen, welche durch keine anderen Variablen im Modell vorhergesagt
werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

endogene Variablen

A

Variablen, welche mindestens einmal abhängig sind, d.h. prognostiziert werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Fasse die Grundlagen des Vorgehens zusammen.

A
  1. Modell spezifizieren
    (latente Variablen und beobachtete Variablen)
  2. Modellparameter schätzen
  3. Modell testen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Beim Schritt, Modellparameter schätzen:

welche Parameter werden hier gemeint?

A
  • Ladung (semipartielle Regressionsgewichte)
  • Kovarianzen bzw. Korrelationen
  • Fehlervarianzen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Vorgang: Schritt 1 (Modelle spezifizieren)

A

Dateneingabe über Rohdatensatz oder Kovarianzmatrix

Modelldefinition über:

  • grafisches Modell (AMOS)
  • Gleichungssystem
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Vorgang: Schritt 2 (Modellparameter schätzen)

– was wird genutzt?

A

iterativer Schätzalgorithmus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Vorgang: Schritt 2 (Modellparameter schätzen)

– nenne die verschiedenen Schätzalgorithmen.

A
  • ML (Maximum-Likelihood)
  • GLS (Generalized Least Squares)
  • ULS (Unweighted Least Squares)
  • ADF (Asymptotically Distribution-Free)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Welche der Schätzalgorithmen wird am meisten angewandt?

21
Q

Wofür steht ML?

A

Maximum-Likelihood

22
Q

Was beschreibt ML?

A

“Wie wahrscheinlich ist das, was ich beobachte, wenn mein Modell gilt?”

23
Q

ML: Vorteile?

A
  • Voraussetzungsverletzungen: weniger anfällig
  • geringere Anforderungen an die Stichprobengröße
    (N > 100, nicht N > 1000)
  • hat im Allgemeinen bessere Passungskennwerte
24
Q

Vorgang: Schritt 3 (Modelltestung)

A

Es wird überprüft, ob Empirie und Modell zueinander passen:
- Vergleich der empirischen Kovarianzmatrix und der vom Modell vorhergesagten
Kovarianzmatrix (oft mehrere Modelle)

25
Modelltestung: was ist die Nullhypothese?
Das spezifizierte Modell (implizierte Kovarianzmatrix) entspricht der empirischen Varianz-/Kovarianzmatrix.
26
Modelltestung: Bewertung des Gesamtmodells über...?
über den Fit: | χ 2 -Wert und andere Fit-Indizes
27
Modelltestung: Bewertung der einzelnen Pfade über...?
* Parameterschätzung | * Signifikanztestung jedes Parameters
28
Das MESSMODELL definiert:
welche beobachteten Variablen Indikatoren einer latenten Variable darstellen
29
Das STRUKTURMODELL definiert:
die Beziehung zwischen latenten | Variablen
30
Erfasse die GRUNDLAGE der Pfadanalyse.
Korrelation zweier Variablen = Summe der Produkte entlang aller Pfade, die zwei Variablen verbinden
31
Erläutere die REGELN der Pfadanalyse.
1. Wenn man auf einem Pfad vorwärts gegangen ist, darf man nicht mehr zurückgehen. 2. Der Pfad darf dieselbe Variable nicht zweimal durchlaufen. 3. Der Pfad darf nur einen Korrelationspfad enthalten.
32
Erfasse die ANNAHMEN der Pfadanalyse.
* Alle theoretisch vorhandenen Kausalbeziehungen sind im Modell enthalten * Es sollte die geringste Anzahl an Beziehungen in Modell aufgenommen werden, die theoretisch gerechtfertigt ist * z.B. Doppelladungen sollen vermieden werden * Beziehungen zwischen den Variablen sind linear
33
Effektgrößen: | was ist ein SCHWACHER Effekt?
Schwacher Effekt = .1
34
Effektgrößen: | was ist ein MITTLERER Effekt?
Mittlerer Effekt = .3
35
Effektgrößen: | was ist ein STARKER Effekt?
Starker Effekte = .5
36
Nenne die 4 Voraussetzungen der KAUSALITÄT.
1. Genügend starker Zusammenhang 2. Zeitliche Abfolge: Ursache --> Wirkung 3. Fehlen alternativer kausale Variablen 4. Theoretische Basis
37
Die Freiheitsgrade in der | Kovarianzmatrix heißen...
Stichprobenmomente
38
Wie werden Stichprobenmomente berechnet?
Varianzen der manifesten Variablen + Kovarianzen zwischen den manifesten Variable
39
_______________ werden zur Schätzung der Modellparameter benutzt.
Definitionsgleichungen:
40
Definitionsgleichungen → ____________ (1) → ___________ (2)
(1) Strukturgleichungen | (2) Identifikationsgleichungen
41
Jedes Modell muss mind. genauso viele _________ wie _________ Parameter haben
bekannte | zu schätzende
42
wie erkennt man ein unteridentifiziertes modell?
Mehr zu schätzende als bekannte Parameter; | viele mögliche Lösungen für die Parameterschätzung
43
wie erkennt man ein gerade identifziertes modell?
Nur eine einzige Lösung für die Parameterschätzung, jedoch | null Freiheitsgrade.
44
wie erkennt man ein überidentifiziertes modell?
Mehr bekannte als zu schätzende Parameter; nur näherungsweise lösbar
45
Wieso wird jede latente Variable auf 1 gesetzt?
- Referenzvariable - Reduktion der zu schätzende Parameter - Festlegung eines Maßstabs (Metrik)
46
Schätzmomente =
anzahl der zu schätzende Parameter
47
df =
df = Stichprobenmomente - Schätzmomente
48
Je sparsamer ein Modell, desto mehr _________ hat es!
Freiheitsgrade
49
Gradwanderung zwischen ________ und __________
Sparsamkeit und Passung