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