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.
Fr., 23.09., Nichtlineare Strukturgleichungsmodellierung, 15.00-15.20<br />
Uhr, Hörsaal M3/232N (H)<br />
Ein neues Verfahren zur Schätzung von latenten nichtlinearen Effekten<br />
bei nicht-normalverteilten latenten Prädiktoren<br />
Augustin Kelava1<br />
Benjamin Nagengast<br />
2,3<br />
1 Technische <strong>Universität</strong><br />
Darmstadt<br />
Institut <strong>für</strong> Psychologie<br />
Alexanderstr. 10<br />
64283 Darmstadt<br />
tino@augustin-kelava.de<br />
2 University of Oxford<br />
Department of Education<br />
15 Norham Gardens<br />
Oxford OX2 7PX<br />
United Kingdom<br />
benjamin.nagengast@education.ox.ac.uk<br />
3 <strong>Universität</strong> Tübingen<br />
Institut <strong>für</strong><br />
Erziehungswissenschaft<br />
Europastr. 6<br />
72072 Tübingen<br />
In den vergangenen 15 Jahren wurden zahlreiche Verfahren<br />
zur Schätzung von latenten nichtlinearen Interaktions-<br />
<strong>und</strong> quadratischen Effekten vorgestellt. Darunter fallen Produkt-Indikator<br />
Ansätze (z.B. Marsh, Wen & Hau, 2006),<br />
sog. distribution-analytic Ansätze (Klein & Moosbrugger,<br />
2000, Klein & Muthèn, 2007) u.v.m. Alle diese Ansätze gehen<br />
von normalverteilten latenten Prädiktoren aus. Kelava<br />
<strong>und</strong> Nagengast (in Revision) stellten einen Bayesschen Ansatz<br />
vor, der die latente nichtnormale Prädiktorverteilung<br />
approximiert <strong>und</strong> den obigen Anätzen hinsichtlich Unverzerrtheit,<br />
Teststärke <strong>und</strong> Typ I Fehlerrate überlegen ist. In<br />
diesem Vortrag wird der Transfer des Verfahrens auf Nicht-<br />
Bayessche Modelle vorgestellt. In einer kleinen Simulationsstudie<br />
wird er mit gängigen Verfahren verglichen <strong>und</strong><br />
seine Überlegenheit unter variierenden Bedingungen der<br />
Nicht-Normalität präsentiert. Vorteile <strong>und</strong> Limitation des<br />
neunen Verfahrens werden diskutiert.<br />
Kelava, A. & Nagengast, B. (in Revision). A Bayesian model for<br />
the estimation of latent interaction and quadratic effects when<br />
latent variables are non-normally distributed. Multivariate<br />
Behavioral Research.<br />
Klein, A. G. & Moosbrugger, H. (2000). Maximum likelihood<br />
estimation of latent interaction effects with the LMS method.<br />
Psychometrika, 65, 457-474.<br />
Klein, A. G. & Muthèn, B. (2007). Quasi maximum likelihood<br />
estimation of structural equation models with multiple<br />
interaction and quadratic effects. Multivariate Behavioral<br />
Research, 47, 647-674.<br />
Marsh, H. W., Wen, Z. & Hau., K.-T. (2006). Structural equation<br />
models of latent interaction and quadratic effects. In G. R.<br />
Hancock <strong>und</strong> R. O. Mueller (Hrsg.), Structural equation<br />
modeling: A second course (S. 225-265). Greenwich:<br />
Information Age Publishing.<br />
81