03444 Flashcards
Kennwerte EFA
a) bei unkorrelierten Faktoren entsprechen Faktorladungen den Korrelationen zwischen jeweils manifesten Variablen und latenten Variablen
b) bei unkorrelierten Faktoren ist die Kommunalität das Ausmaß, indem Varianz einer Variablen durch Faktoren aufgeklärt wird
c) bei korrelierten Faktoren ist der Eigenwert das Ausmaß, in dem Varianz einer Variablen durch Faktoren aufgeklärt wird
d) bei korrelierten Faktoren enthält die Mustermatrix Korrelationen zwischen Faktoren + Items
e) wenn bei korrelierten Faktoren die quadrierten Korrelationen eines Items aufsummiert werden, erhält man die Kommunalitäten
AB
(VL1, Folien: 9, 10, 15, 16, 17; Bühner, S. 299 – 302, 321; VL2, Folien: 5, 24)
D als Sonderpunkt
(D ist doch die Strukturmatrix (also falsch), oder? Nein Mustermatrix, in Strukturmatrix wäre Korrelation der Items untereinander?
E nur bei unkorr. Faktoren kann wird K. so berechnet)
Welche Aussagen zu Kennwerten einer EFA mit unkorrelierten Faktoren sind korrekt?
a) Faktorladungen entsprechen den Korrelationen zwischen den jeweiligen manifesten Variablen und den jeweiligen latenten Faktoren.
b) Kommunalität ist das Ausmaß, in dem die Varianz einer Variable durch Faktoren aufgeklärt wird.
c) Eigenwerte entsprechen den quadrierten Korrelationen zwischen den jeweiligen manifesten Variablen und latenten Faktoren.
d) Das Kommunalitätenproblem entsteht, wenn der Anteil an der Gesamtvarianz aller manifesten Variablen, die durch latenten Faktor aufgeklärt wird, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifesten Variablen.
e) Faktorwerte sind Ausprägungen einer Person auf latenten Variablen (Faktoren).
A B E
VL1, Folien: 9, 10, 15, 16, 17, 29; Bühner, S. 299 – 302, 310 – 313, 321
PCA vs. PAF
a) PCA eignet sich dafür, Beziehungen zwischen latenten Variablen aufzudecken
b) „Was Falsches zur PCA“
c) In der PCA wird die Varianz zerlegt in gemeinsame Varianz, spezifische Varianz und Fehlervarianz.
d) In der PCA sind die Faktoren voneinander unabhängig und klären sukzessive Varianz auf
e) PAF: Ziel ist Datenreduktion
D
VL1, Folien: 20, 21, 27, 28
PCA + PAF
a) Ziel der PCA Datenreduktion
b) PCA Zusammenhang zw. manifesten Variablen mittels kleiner Anzahl latenter Variablen
c) PCA sukzessive Varianzaufklärung und unabhängige Komponenten
d) PAF sukzessive Varianzaufklärung und unabhängige Komponenten
e) PCA Gesamtvarianz = gemeinsame + spezielle + Fehler
A C
VL1, Folien: 20, 21, 27, 28; Bühner, S. 314, 315
Welche Aussagen zur EFA treffen zu?
a) Ziel der orthogonalen Rotation ist die Einfachstruktur.
b) Ziel der obliquen Rotation ist die Maximierung der Korrelationen.
c) Varimax ist die gebräuchlichste oblique Rotationstechnik.
d) Ladungen ändern sich bei beiden Rotationsverfahren, die Gesamtvarianz nur bei der obliquen Rotation.
e) Die Kommunalitäten der unrotierten Anfangsmatrix entsprechen den Kommunalitäten der rotierten Matrix.
A E
VL2, Folien: 16, 17, 21, 22, 23,24, 25, 26, 27; Bühner, S. 329 – 339
Welche Aussagen zur EFA treffen zu?
a) Auch bei der Hauptachsenanalyse können inhaltliche Überlegung die Anzahl der Extraktion beeinflussen
b) Hier stand etwas zum Paralleltest, allerdings mit der Definition von MAP
c) Bei der Extraktion nach dem Eigenwertkriterium kann es sein, dass zu wenige Faktoren extrahiert werden.
d) Bei der ML-Faktorenanalyse werden Faktoren anhand eines Likelihood-Quotienten-Tests berechnet.
e) Hier MAP mit Definition von Paralleltest.
D (A?)
VL2, Folien: 5, 6, 7, 8, 9, 10, 11; Bühner, S. 326, 327, 348 - 350
Welche der Aussagen zu Kennwerten in der explorativen Faktorenanalyse sind richtig?
a) Bei unkorrelierten Faktoren entspricht die Kommunalität dem Ausmaß, in dem Varianz einer Variablen durch die Faktoren aufgeklärt wird.
b) Bei korrelierten Faktoren enthält die Mustermatrix die Korrelationen zwischen Faktoren und Items.
c) Unter Uniqueness (Einzigartigkeit) wird die um den Messfehler bereinigte Varianz eines Items verstanden.
d) Faktorwerte sind die Ausprägung einer Person auf der latenten Variablen (Faktor).
e) Bei korrelierten Faktoren entspricht der Eigenwert dem Ausmaß, in dem die Varianz einer Variablen durch Faktoren aufgeklärt wird.
A D
VL1, Folien: 15, 16, 17; VL2, Folie: 6, 24; Bühner, S. 300, 310, 311, 321
Welche der folgenden Aussagen zu Verfahren in der EFA sind korrekt?
a) Die Hauptkomponentenanalyse versucht auf der Grundlage eines Faktormodells Zusammenhänge zwischen einer Reihe von beobachteten (manifesten) Variablen mittels einer möglichst kleinen Anzahl an Faktoren (latenten Variablen) zu erklären.
b) Die Hauptachsenanalyse (PAF) ist iteratives Verfahren, das endet, wenn der Unterschied in den Kommunalitätsschätzungen zwischen 2 aufeinanderfolgenden Iterationsschritten kleiner als ein Konvergenzkriterium ist
c) Bei der Hauptkomponentenanalyse wird die Gesamtvarianz zerlegt in a) einen varianzteil, den sich die manifesten Variablen teilen, b) die spezifische Varianz und c) die Fehlervarianz
d) Bei einer Maximum-Likelihood Faktoranalyse sind im Gegensatz zu einer PCA die Ladung der Faktoren auf den Items eindeutig bestimmt
e) Bei der PAF werden die Faktoren so bestimmt, dass sie sukzessiv maximal Varianz erklären und unabhängig sind
B
VL1, Folie: 27, 29; Bühner, S. 310, 313, 314; Marcus, S. 107, 108, 112
Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?
a) Sowohl bei der obliquen als auch bei der orthogonalen Rotation einer Anfangslösung ändern sich die Ladungen, im Gegensatz zu einer obliquen Rotation ändert sich jedoch bei einer orthogonalen Rotation die erklärte Gesamtvarianz nicht.
b) Das Ziel einer obliquen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die Maximierung der Korrelation zwischen den Faktoren
c) Die sogenannte Varimax-Rotation ist die gebräuchlichste oblique Rotationstechnik einer Anfangslösung in der explorativen Faktorenanalyse.
d) Um eine explorative Faktorenanalyse durchzuführen, sollte eine ausreichende Korrelation der latenten Variablen vorliegen.
e) Ziel einer orthogonalen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die sog. Einfachstruktur.”
E
VL2, Folie: 21, 24, 27, 29
EFA:
a) Werden im Fall korrelierter Faktoren die quadratischen Korrelationen eines Items mit dem Faktor aufsummiert, erhält man die Kommunalität der Items
b) Je Geringer die Kommunalität bei gleicher Anzahl von Items pro Faktor, umso größer sollte die Stichprobe ausfallen
c) Kommunalitätsproblem entsteht, wenn die Anteile der Gesamtvarianz aller manifester Variablen, die durch latente Faktoren aufgeklärt werden, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifester Variablen
d) Kommunalität der manifesten Variablen (Items) in der unrotierten Anfangslösung sind identisch mit der Kommunalität der manifesten Variablen (Items) in der orthogonal rotierten Lösung.
e) Bei der Bestimmung der Anzahl der zu extrahierenden Faktoren in der EFA sollten inhaltliche Überlegungen nur bei der Verwendung der ML-faktorenanalyse eine Rolle spielen.”
B D
VL1, Folie: 16, 17; VL2, Folien: 27, 33, 34; Bühner, S. 310
EFA:
a) ML im Sinne metrischer manifester Variablen setzt multivariate Normalverteilung voraus
b) In der EFA werden die Faktoren daran bemessen in welchem Maße sie das Muster an Zusammenhängen der manifesten Variablen erklären
c) Bei der PCA wird die höchste bivariate Korrelation der Variablen mit einer anderen Variablen als Schätzer für die Kommunalität der Variablen benutzt
d) Der geeignete Stichprobenumfang bei der EFA hängt von der Kommunalität, Anzahl der Faktoren & Anzahl der manifesten Variablen pro Faktor ab
e) Nach aktuellem Stand der Forschung wird empfohlen je ein Faktor 4 Items zu extrahieren.”
A B D
VL EFA1 Folien: 5, 32; VL EFA2, Folie: 33; VLSEM1, Folie: 32
EFA
a) Parallelanalyse nach Horn
b) Vorteil der Maximum-Likelihood-FA besteht darin, Stabilität der Ergebnisse im Vergleich zur EFA nicht stark von Kommunalität abhängt
c) Minimum-Averange-Test und oder Parallelanalyse
d) nach MAP-test sollen Faktoren extrahiert werden
e) Eigenwert größer eins-kriterium
C
Vorteile von SEM im Vergleich zu multipler Regression
a) Abhängigkeit der Beobachtungen kann berücksichtigt werden
b) Kausalhypothesen können überprüft werden
c) Modellfit kann überprüft werden
d) Multiple Mediatormodelle können überprüft werden
e) SEM haben weniger strenge Voraussetzungen
C
VL SEM1, Folie: 5, 6
Was ist bzgl. der Identifikation bei SEM richtig?
a) Notwendige Bedingung ist, dass die Anzahl der Freiheitsgrade positiv ist
b) Notwendige Bedingung sind mindestens gleiche Anzahl an Informationen wie an frei zu schätzenden Parametern
c) Notwendige Bedingung ist die Skalierung aller latenten Variablen
d) Notwendige Bedingung sind mindestens 4 Indikatoren pro latenter Variable
e) Notwendige Bedingung ist die Verwendung von mehr als einer latenten variablen in einem Modell
B C
VL SEM1, Folien: 19, 20,26, 27; Kline, 2011, S.
Identifikation von SEM
a) Durch Einführung von Restriktionen (Fixierung der Modellparameter) kann Modellidentifikation hergestellt werden.
b) Notwendige Bedingung: ist eine mindestens gleiche Anzahl an Informationen wie an frei zu schätzende Parameter
c) Notwendige Bedingung: Skalierung aller latenten Variablen
d) Notwendige Bedingung: Verwendung v. mindestens 4 Indikatoren pro Variable
e) Zur Identifikation eines Modells werden Residualvariablen auf 1 fixiert.
A B C (E?)
VL SEM1, Folien: 19, 20,26, 27; VL SEM2, Folien: 13, 14; Kline, 2011, S.
Welche Aussagen sind zu genesteten Modellen bei SEM richtig?
a) Signifikanter Chi Quadrat Test deutet darauf hin, dass das restriktivere Modell zutrifft
b) Bei Modellen mit einer unterschiedlichen Anzahl an Variablen ist kein genesteter Modellvergleich möglich
c) Chi Quadrat Differenzentest ist nur bei genesteten Modellen möglich
d) Genestete Modelle ergeben sich durch Respezifikation von Modellparametern
e) Genestete Modelle ergeben sich, indem die Richtung von gerichteten Beziehungen umgekehrt wird
B C D
VL SEM1, Folie: 36, 41, 45, 47
Ein Forscher rechnet ein komplexes SEM mit gerichteten Beziehungen, N = 500 (???) Aussagen zur Modellgüte Chi-quadrat = 455.87, df = 133, p
A E
VL SEM1, Folien: 37, 38, 39, 40
Welche Aussagen treffen im Kontext linearer Strukturgleichungsmodelle zu?
a) Endogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von mindestens einer der im Modell thematisierten Größen beeinflusst werden.
b) Für die Identifizierung eines Messmodells sind drei manifeste Indikatoren ausreichend.
c) CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem model chi square.
d) Strukturmodelle beinhalten immer auch Messmodelle.
e) In Messmodellen sind die beobachteten Indikatoren immer endogene Variablen.
A B (Gutschrift E, siehe auch Folie 30 mit Pfadmodell)
(VL SEM1, Folien: 7, 37, 38, 39, 40;VL SEM2, Folie: 13, 14; Kline, S. 204 – 209)
Lineare SEM
a) SEM in Mess- & Strukturmodelle unterteilt
b) Messmodell: Beziehungen zw. Latenten und manifester Variablen anhand gerichteter Beziehungen
c) Strukturmodell zeigt, wie latente, messfehlerfreie Variablen auf Grundlagen eines faktorenanalytischen Models definiert werden
d) Strukturmodelle beinhalten immer auch Messmodelle
e) Im Messmodel sind beobachtete Indikatoren immer endogene Variablen
A B (E?)
VL SEM1, Folien: 9, 10, 11, 12, 13
Vorteile SEM im Vergleich zu MR
a) Messfehler kann berücksichtig werden
b) Kausalhypothese können überprüft werden
c) Model-Fit kann überprüft werden
d) SEM basiert auf weniger strengen Voraussetzungen
e) Aufnahme von mehr als einer abhängigen Variablen möglich
A C E
VL SEM1, Folie: 5
Welche der folgenden Aussagen bezogen auf die Identifikation von SEM sind richtig?
a) Durch die Einführung von Restriktionen (Fixierung von Modellparametern) lässt sich Modellidentifikation herstellen
b) Eine notwendige Bedingung für Modellidentifikation ist eine mindestens gleiche Anzahl an Informationen wie an zu schätzenden Parametern
c) Eine notwendige Bedingung für Modellidentifikation ist die Skalierung der latenten Variablen
d) Notwendige Bedingung für die Modellidentifikation ist die Verwendung von mind. 4 Indikatoren für jede latente Variable
e) Zur Identifikation eines Modells werden die Residualvarianzen auf 1 fixiert
A B C (E?)
VL SEM1, Folien: 19, 21, 22, 23, 24, 25, 26, 27
Welcher der folgenden Aussagen bezogen auf den Vergleich genesteter Modelle im Rahmen von SEM sind richtig?
a) Ein signifikanter Chi-Quadrat-Differenzentest spricht für
das weniger restriktive Modell.
b) Werden Modelle mit einer unterschiedlichen Anzahl an
Variablen verglichen, handelt es sich nicht um einen genesteten Modellvergleich.
c) Der Chi-Quadrat-Differenzentest kann nur bei genesteten Modellen verwendet werden.
d) Genestete Modelle ergeben sich durch Respezifikationen von Modellparametern.
e) Beim Vergleich von genesteten Modellen kann die statistische Bedeutsamkeit von spez. Modellparametern überprüft werden.
A B C D (Gutschrift für E)
VL SEM1, Folien: 45, 46, 47, 48 ; Kline, S. 189 – 204, 214 - 228
“Eine Forscherin möchte ein Messmodell mit zwei latenten Variablen mit je zwei Indikatoren mit einer konfirmatorischen Faktorenanalyse prüfen. Welche der folgenden aufgelisteten Modellspezifikationen sind für die Modellidentifikation notwendig?”
a) Die Kovarianz zwischen den beiden latenten Variablen muss als freier Parameter geschätzt werden.
b) Die Ladung der Indikatoren auf den Residuen muss auf 1 fixiert werden, wenn gleichzeitig die Varianzen der Residuen geschätzt werden (sollen).
c) Die Varianz der beiden latenten Variablen und jeweils die Ladung eines Indikators müssen auf 1 fixiert werden.
d) Eine Überidentifizierung des Modells unter Verwendung der üblichen Modellfixierungen ist nicht möglich.
e) Die Varianz der beiden latenten Variablen oder jeweils die Ladung eines Indikators muss auf 1 fixiert werden.
C E
C u. E gab wohl Gutschrift!) (VL SEM1, Folien: 26, 27
Lineare SEM
a) SEM in Mess- & Strukturmodelle unterteilt
b) Messmodell: Beziehungen zw. latenten Variablen anhand gerichteter Beziehungen
c) Strukturmodell zeigt, wie latente, messfehlerfreie Variablen auf Grundlagen eines Faktors…- Models definiert werden
d) Strukturmodelle beinhalten immer auch Messmodelle
e) In Messmodellen sind beobachtete Indikatoren immer endogene Variablen.
A (E?)
VL SEM1, Folien: 9, 10, 11, 12, 13
Welche Aussagen zum multiplen Gruppenvergleich sind zutreffend?
a) Skalare Messinvarianz ist keine notwendige Voraussetzung für eine Überprüfung von Unterschieden in den Zusammenhängen der latenten Variablen
b) Wenn keine skalare Messinvarianz vorliegt, kann keine metrische Messinvarianz vorliegen
c) Liegt metrische Messinvarianz vor, kann nicht von Vergleichbarkeit der latenten Variablen ausgegangen werden
d) Der multiple Gruppenvergleich ist auf zwei Gruppen beschränkt
e) Das Messmodel sollte mindestens 3, besser 4 Indikatoren haben.
A E
VL SEM2, Folien: 8, 9, 10, 11, 13, 14, 15, 16
Welche Aussagen treffen im Kontext linearer Strukturgleichungsmodelle zu?
a) Endogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von mindestens einer der im Modell thematisierten Größen beeinflusst werden.
b) Für die Identifizierung eines Messmodells sind drei manifeste Indikatoren ausreichend.
c) CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem model chi square.
d) Strukturmodelle beinhalten immer auch Messmodelle.
e) In Messmodellen sind die beobachteten Indikatoren immer endogene Variablen.
A B (Gutschrift E)
VL SEM1, Folien: 7, 37, 38, 39, 40;VL SEM2, Folie: 13, 14; Kline, S. 204 – 209
