Fachgruppe für Methoden und Evaluation - Universität Bamberg
Fachgruppe für Methoden und Evaluation - Universität Bamberg
Fachgruppe für Methoden und Evaluation - Universität Bamberg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Mi., 21.09., Modellierung von Veränderungen, 11.10 -11.30 Uhr, Hörsaal<br />
M3/232N (H)<br />
Hierarchisches Random-Effects-Modell <strong>für</strong> längsschnittliche Daten<br />
Fidan Gasimova1<br />
Alexander Robitzsch<br />
Oliver Wilhelm1<br />
Gizem Hülür1<br />
1 <strong>Universität</strong> Ulm, Institut<br />
<strong>für</strong> Psychologie <strong>und</strong> Pädagogik<br />
Albert-Einstein-Allee 47<br />
89069 Ulm<br />
fidan.gasimova<br />
@uni-ulm.de<br />
2 Bildungsforschung, Innovation<br />
& Entwicklung des<br />
österreichischen Schulwesens<br />
Alpenstraße 121<br />
5020 Salzburg<br />
a.robitzsch@bifie.at<br />
2<br />
Dieser Beitrag befasst sich mit Modellierungstechniken <strong>für</strong><br />
intensiv-längsschnittliche Daten. Im gegebenen Fall sind<br />
dies Schülerleistungen in Deutsch <strong>und</strong> Mathematik sowie<br />
Arbeitsgedächtnisleistungen aus der „LUISE“ Studie<br />
(Längsschnittliche Untersuchung individueller schulischer<br />
Entwicklungsprozesse).<strong>für</strong> die wir adäquate Analysemethoden<br />
<strong>für</strong> viele, nicht äquidistante Messzeitpunkte <strong>und</strong> viele<br />
Individuen einsetzen. Im Zentrum des Vorhabens steht die<br />
simultane Betrachtung intra- <strong>und</strong> interindividueller Veränderungen<br />
in Deutsch, Mathematik <strong>und</strong> Arbeitsgedächtniskapazität.<br />
Oravecz et al. (2009) sowie Oravecz <strong>und</strong> Tuerlinckx (2011)<br />
schlagen personenspezifische stochastische Differentialgleichungen<br />
erster Ordnung <strong>für</strong> die Analyse der längsschnittlichen<br />
Daten, das im Gegensatz zu einem latenten linearen<br />
Wachstumskurvenmodell interindividuelle Veränderungen,<br />
nicht nur in einem personenspezifischen Mittelwert<br />
<strong>und</strong> einem personenspezifischen Slope, sondern auch um<br />
personenspezifische Varianzen <strong>und</strong> Autokorrelationen erweitern.<br />
Die Personenparameter werden dabei als hierarchische<br />
zufällige Effekte in einem so genannten Random<br />
Effects Model spezifiziert.<br />
Im vorgeschlagenen Modell wird zunächst angenommen,<br />
dass die Veränderungen über die Zeit linear <strong>und</strong> die Abstände<br />
zwischen den einzelnen Messungen <strong>für</strong> alle Personen<br />
äquidistant sind. Mit Hilfe einer Simulationsstudie wurde<br />
das Random Effects Model auf Parameter Recovery untersucht<br />
<strong>und</strong> die statistischen Eigenschaften Bias, RMSE<br />
<strong>und</strong> Coverage evaluiert. Die zur Simulation der Datensätze<br />
verwendeten Populationsparameter wurden aus der LUI-<br />
SE-Studie in einer Stichprobe von N=138 Personen <strong>und</strong><br />
T=20 Messzeitpunkten gewonnen.<br />
Oravecz, Z., Tuerlinckx, F., & Vandekerckhove, J. (2009). A<br />
hierarchical Ornstein-Uhlenbeck model for continuous<br />
repeated measurement data. Psychometrika, 74, 395-418.<br />
Oravecz, Z., & Tuerlinckx, F. (2011). The linear mixed model and<br />
the hierarchical Ornstein-Uhlenbeck model: Some<br />
Equivalences and differences. British Journal of Mathematical<br />
and Statistical Psychology, 64, 134-160.<br />
22