Fachgruppe für Methoden und Evaluation - Universität Bamberg
Fachgruppe für Methoden und Evaluation - Universität Bamberg
Fachgruppe für Methoden und Evaluation - Universität Bamberg
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Mi., 21.09., Modellierung fehlender Werte, 15.00-15.20 Uhr, Kapelle<br />
M3/126N (K)<br />
Schätzfehler durch heterogene Varianzen bei Analysen mit Plausible<br />
Values<br />
Alexander Roppelt<br />
Christiane Penk<br />
Humboldt-<strong>Universität</strong> zu<br />
Berlin<br />
Institut zur Qualitätsentwicklung<br />
im Bildungswesen<br />
(IQB)<br />
Unter den Linden 6,<br />
10099 Berlin<br />
Alexander.Roppelt<br />
@iqb.hu-berlin.de<br />
In den letzten Jahren hat es sich speziell im Bildungsmonitoring<br />
etabliert, latente Fähigkeitsvariablen durch die Ziehung<br />
von multiplen Imputationen (sog. Plausible Values)<br />
der weiteren Analyse durch Standardsoftware zugänglich<br />
zu machen. So stellt etwa PISA Datensätze <strong>für</strong> Sek<strong>und</strong>äranalysen<br />
zur Verfügung, in welchen <strong>für</strong> jeden Teilnehmer<br />
<strong>und</strong> jede Fähigkeitsdimension fünf Plausible Values gezogen<br />
wurden. Diese Technik soll es ermöglichen, varianzbasierte<br />
Analysen wie beispielsweise Regressionen von der<br />
Verzerrung durch Messfehler zu befreien (vgl. Wu, 2005).<br />
Gr<strong>und</strong>lage <strong>für</strong> die Ziehung der Plausible Values ist die Annahme<br />
eines Modells, worin die Dichte der latenten Fähigkeit<br />
g(θ) in der Population einer verallgemeinerten Normalverteilung<br />
folgt: g(θ)~N(b0+b1y1+b2y2+… , σ 2 ). Dabei stehen<br />
die yi <strong>für</strong> sogenannte Hintergr<strong>und</strong>variablen, mit welchen sich die Individuen genauer beschreiben<br />
lassen. Im Falle einer einzelnen dichotomen Hintergr<strong>und</strong>variable y1 mit Werten<br />
0 <strong>und</strong> 1 wäre g(θ) eine Mischverteilung aus zwei Normalverteilungen, welche um b1<br />
gegeneinander verschoben sind, aber die gleiche Varianz σ 2 besitzen. Generell setzt<br />
das Modell voraus, dass die Varianz <strong>für</strong> alle Ausprägungen der yi konstant ist (Homoskedastizität).<br />
Während gezeigt werden konnte, dass das Modell recht robust gegenüber<br />
Abweichungen von der vorausgesetzten Normalform der Verteilung ist (Thomas, 2000;<br />
Walter, 2005), erweist es sich als weniger stabil gegenüber Verletzungen der Homoskedastizität<br />
(Thomas, 2000). Dies ist insofern problematisch <strong>für</strong> die Praxis der empirischen<br />
Bildungsforschung, als dass ungleiche Varianzen von Subpopulationen wie etwa in den<br />
unterschiedlichen Schulformen oder B<strong>und</strong>esländern offenk<strong>und</strong>ig sind.<br />
In diesem Vortrag wird eine Simulationsstudie präsentiert, in welcher die Auswirkungen<br />
von heterogenen Varianzen genauer untersucht werden. Dabei wird neben den Abweichungen<br />
der geschätzten Mittelwerte <strong>und</strong> Standardabweichungen von den jeweils wahren<br />
Werten auch die Besetzung von Kompetenzstufen als Kriterium herangezogen. Auf<br />
diese Weise kann die praktische Bedeutsamkeit möglicher Verzerrungen <strong>für</strong> die Interpretation<br />
von Ergebnissen des Bildungsmonitorings besser beurteilt werden.<br />
Thomas, N. (2000). Assessing model sensitivity of the imputation methods used in the NAEP.<br />
Journal of Educational and Behavioral Statistics, 25, 351–371.<br />
Walter, O. (2005). Kompetenzmessung in den PISA-Studien. Simulationen zur Schätzung von<br />
Verteilungsparametern <strong>und</strong> Reliabilitäten. Lengerich: Pabst Science Publishers.<br />
Wu, M. (2005). The role of plausible values in large-scale surveys. Studies in Educational<br />
<strong>Evaluation</strong>, 31, 114–128.<br />
34