20.12.2012 Aufrufe

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

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

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

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

Studie 1: Interrelationen der <strong>Wissen</strong>sarten 163<br />

9.3.4 Divergente Validitäten<br />

Hypothesentestende Analysen<br />

Zur Überprüfung der divergenten Validitäten der Maße wurde zunächst pro Messzeitpunkt<br />

getestet, ob ein Zweifaktormodell mit einem konzeptuellen <strong>und</strong> einem prozeduralen<br />

<strong>Wissen</strong>sfaktor (Modell Z1, Z2 <strong>und</strong> Z3 mit Z für Zweifaktormodell) die Daten signifikant<br />

besser fittet <strong>als</strong> ein Einfaktormodell (Modell E1, E2 <strong>und</strong> E3 mit E für Einfaktormodell).<br />

Die Ergebnisse der Analysen geben die ersten sechs Zeilen von Tabelle 19 wieder. Die<br />

zugehörigen Dateien befinden sich in Anhang D.8.1. Gemessen an CFI, WRMR <strong>und</strong><br />

RMSEA haben alle sechs Modelle einen guten oder akzeptablen Fit. Die Koeffizienten<br />

lassen keine klare Entscheidung zwischen den Ein- <strong>und</strong> den Zweifaktormodellen zu.<br />

Tabelle 19: Fit der Modelle zur Überprüfung der divergenten Validitäten.<br />

Faktorenanzahl<br />

Modell χ 2 df p CFI WRMR RMSEA<br />

Mzp 1<br />

1 Faktor E1 16,976 18 ,525 1,000 0,680 0,000 a<br />

2 Faktoren Z1 13,406 17 ,709 1,000 0,633 0,000 a<br />

Mzp 2<br />

1 Faktor E2 29,526 18 ,042 0,960 0,899 0,056<br />

2 Faktoren<br />

Mzp 3<br />

Z2 29,095 17 ,034 0,958 0,910 0,059<br />

1 Faktor E3 31,265 18 ,027 0,962 0,768 0,060<br />

2 Faktoren Z3 30,738 17 ,022 0,961 0,797 0,063<br />

Anmerkung. a Koeffizient manuell auf null gesetzt, da df > χ 2 (s. S. 123).<br />

Um zu testen, ob die Unterschiede im Modellfit überhaupt von Zufallsschwankungen zu<br />

unterscheiden sind, wurden für die drei Messzeitpunkte Chi-Quadrat-Differenz-Tests für<br />

sb-skalierte Werte gerechnet. Diese Tests wurden in Unterkapitel 7.4 vorgestellt. Die<br />

Testparameter sind in Tabelle 20 aufgeführt. Die erste wertegefüllte Spalte in der Tabelle<br />

gibt die unskalierten, <strong>als</strong>o durch den normalen maximum-likelihood-Schätzalgorithmus<br />

bestimmten, Chi-Quadrat-Werte an (siehe Anhang D.8.2), die darauf folgende Spalte die<br />

sb-skalierten Chi-Quadrat-Werte (siehe Anhang D.8.1). Die Spalte Skalierungsfaktor gibt<br />

das Verhältnis von unskalierten <strong>und</strong> skalierten Werten zueinander an. Dieser Wert kann<br />

direkt aus den MPlus-Output-Dateien abgelesen werden.<br />

In den mit Differenz beschrifteten Zeilen sind die Differenz der unskalierten Chi-<br />

Quadrat-Werte sowie die Differenz der Freiheitsgrade der beiden gegeneinander zu<br />

testenden Modelle aufgeführt. Weiter rechts steht der Korrekturfaktor, der aus den<br />

Freiheitsgraden <strong>und</strong> den Skalierungsfaktoren der beiden Modelle errechnet wurde. Die<br />

entsprechende Formel ist dem Internet-Tutorial der offiziellen Homepage des SEM-<br />

Programms MPlus entnommen (MPlus-Homepage, 2005) <strong>und</strong> stellt eine vereinfachende<br />

Umformulierung der von Satorra <strong>und</strong> Bentler (1999, S. 7) entwickelten Formel dar. Die

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!