Konzeptuelles und prozedurales Wissen als latente Variablen: Ihre ...

150 Kapitel 9
Zur Auswertung der Einzelmaße wurde der Datensatz FinalData1.sav in Anhang D.3
benutzt. Um ihn zu erhalten, wurden die Protokolldateien (s. Anhang D.1) von den
Untersuchungslaptops in ein gemeinsames Verzeichnis kopiert. Durch die Syntaxdateien
und Programme in Anhang D.2 wurden sie zusammengefügt, aggregiert, und die
Einzelmaße wurden entsprechend oben stehender Beschreibungen berechnet. Anschließend
wurden die von Hand eingegebenen Personenfragebogen- und Intelligenztestdaten (s.
Anhang D.1) an diesen Datensatz angehängt. Der fertig aufbereitete Datensatz mit den
individuellen Ausprägungen des distance effects (Anhang C) wurde ebenfalls an den
Gesamtdatensatz angehängt.
Zur Analyse der Strukturgleichungsmodelle wurde das Programm Mplus (Muthén &
Muthén, 1998-2004a) benutzt. Da zur Auswertung kein SPSS-Datensatz verwendet werden
kann, wurden aus dem Datensatz FinalData1.sav verschiedene SEM-Datensätze abgeleitet,
die sich in Anhang D.3 befinden.
In MPlus eingelesen wurden die Individualdaten, analysiert wurde die
Kovarianzmatrix. Da eine multivariate Normalverteilung der Maße nicht gegeben war
(siehe Seite 154), wurde der sb-skalierte maximum-likelihood Schätzalgorithmus (MLM;
siehe Unterkapitel 7.4) verwendet. Da er die Analyse von missing values nicht erlaubt,
wurden Fälle mit fehlenden Daten von der Analyse ausgeschlossen. Dies traf pro Analyse
nur auf wenige Personen zu (s.u.).
Wie oben beschrieben, wurden die Daten auf intrapersonaler Ebene ausreißerbereinigt,
das heißt es wurden einzelne Datenpunkte entfernt, die drei Standardabweichungen über
oder unter dem intrapersonalen Mittelwert lagen. Da die Wissensmaße pro Person Summen
über mehrere Einzelaufgaben darstellen, entstehen auf Ebene der Summenscores durch die
intrapersonale Ausreißerbereinigung keine zusätzlichen missing values. Bei einer
interpersonalen Ausreißerbereinigung wäre dies anders: Würden Summenscores von
Personen, die weit über oder unter dem Stichprobenmittelwert liegen, aus dem Datensatz
entfernt, führte dies zu zusätzlichen missing values und die Personen müssten ganz aus
dem Datensatz ausgeschlossen werden. Dadurch würde nicht nur die Anzahl der
auswertbaren Personen, sondern auch die interpersonale Varianz unnötig reduziert. Auf
diese Art der Ausreißerbereinigung wurde daher verzichtet. Eine Verzerrung der
Ergebnisse durch die Ausreißer stellt wegen der Robustheit des MLM-
Schätzalgorithmusses keine Gefahr dar.
Die Aufgabenreihenfolge wurde pro Person über die Messzeitpunkte hinweg konstant
gehalten, um keine unnötige Fehlervarianz zu erzeugen. Über die Personen hinweg wurde