Mehrere IV, AV und MV

Mehrere IV, AV und MV

Beitragvon Martin87 » Di 6. Nov 2018, 14:35

Hallo,

ich möchte gerne ein Modell mit mehreren unabhängigen Variablen (IV), mehreren Mediatoren (MV) und mehreren abhängigen Variablen (AV) berechnen.
Leider habe ich bisher nur mit Modellen gearbeitet, die eine IV, eine MV und eine AV enthalten.

Meine IV sollen sein: 3 Facetten eines Konstrukts, die miteinander korreliert sind.
Meine AV sollen sein: 3 Facetten eines Konstrukts, die miteinander korreliert sind.
Meine MV sollen sein: Mehrere Konstrukte, wobei tlws. unklar ist, ob diese miteinander korrelieren, tlws. wahrscheinlich ist, dass sie miteinander korrelieren und tlws. wahrscheinlich ist, dass sie nicht miteinander korrelieren.

Meine Fragen sind:

1. Welche Methode verwende ich hierbei am besten (es sollte nicht extrem kompliziert werden): Pfadanalyse oder Strukturgleichungsmodelle (SEM) ?
2. Ist es egal, auf welcher Konstrukt-Ebene ich die Konstrukte in das Modell aufnehme ?
D.h. wenn ich beispielsweise die mögliche Mediatorvariable "Angst" hätte, müsste ich dann die (hypothetischen) 2 Unterfacetten des Konstrukts (z.B. Gefahrenvermeidung und Arousal) aufnehmen, weil ich die IV und AV ebenfalls auf dieser Ebne (Unter-Skalen eines Fragebogens) aufgenommen habe oder könnte ich einen "Gesamt-Angst-Durchschnittsscore" (Durchschnittsscore des gesamten Fragebogens) dafür nehmen ? Also hängt die Ebene der MV und AV z.B. von der Ebene der IV ab, die ich betrachte ?
3. Welches Programm verwende ich am besten für die Analyse: SPSS (Process), Amos, R oder eine anderes Programm ?
4. Kann ich theoretisch auch einfach die Mediatorvariablen in das Modell aufnehmen, ohne vorher theoretische Überlegungen zu den Zusammenhängen der Mediatorvariablen untereinander anzustellen ?

Es geht darum, Mediatorvariablen zu identifizieren in einem Lebensbereich, in dem die Forschungslage hierzu noch nicht sehr fortgeschritten ist.

Meine Überlegung war, viele unterschiedliche, nach der Theorie oder bisherigen empirischen Befunden in Frage kommende, Mediatorvariablen gleichzeitig in das Modell aufzunehmen.

5. Wäre das überhaupt korrekt oder müsste ich sie schrittweise aufnehmen ?

Wenn ich jeweils die Unterfacetten aufnehmen müsste, dann würde das ganze Modell deutlich komplexer werden.
Im Moment bin ich nicht sicher, was möglich und was besser wäre, viele Mediatorvariablen zu untersuchen oder nur eine Mediatorvariable ausdifferenziert in ihre Unterfacetten.

Um zu veranschaulichen, was ich meine:

Z.B.

IV: Extraversion -> die (hypothetischen) 3 Unterfacetten von Extraversion (Kontaktfreudigkeit, Stimulationsbedürfnis, Herzlichkeit) als miteinander korrelierte IV
AV: Depression -> die (hypothetischen) 3 Unterfacetten von Depression (Traurigkeit, Hoffnungslosigkeit, Energielosigkeit) als miteinander korrelierte AV
MV: Coping, soziale Unterstützung, Ausmaß an Gruppenzugehörigkeit usw.

Also müsste ich dann anstatt "Coping" z.B. auch die (hypothetischen) 5 Unterfacetten von Coping (aktives coping, passives coping, vermeidendes coping ....) mit in das Modell aufnehmen, damit es gewissermaßen auf einer Messebene bleibt oder könnte ich hier einen Durchschnittsscore nehmen (Frage 2) ?

Kennt sich hier jemand mit der Fragestellung aus und kann mir vielleicht weiterhelfen ? Leider konnte ich bisher keine Videos o.ä. finden, die meine Fragestellung abdecken und die statistischen Papers, die Mediation vertieft behandeln, sind leider tlws. zu hoch für mich.
Martin87
Grünschnabel
Grünschnabel
 
Beiträge: 3
Registriert: Di 6. Nov 2018, 13:59
Danke gegeben: 4
Danke bekommen: 0 mal in 0 Post

Re: Mehrere IV, AV und MV

Beitragvon Holgonaut » Di 6. Nov 2018, 18:05

Hi Martin,

du hast ein langes posting geschrieben, daher würde ich erst mal etwas abstrakter antworten:

a) ein großes Modell ist immer extrem ambitioniert, überkomplex, und impliziert soviele Annahmen, dass ein Scheitern im Sinne eines Misfits entweder vorprogrammiert ist, oder dies vermieden und reduziert wird, in dem man das Modell mit Effekten zupflastert. Dies führt daher dann dazu, dass es eine riesige Anzahl von alternativen oder äquivalenten Modellen gibt, die genauso fitten.

Daher überleg mal, ob es nicht sinnvoller ist, sich zu fokussieren und lieber Überlegungen anzustellen, welche Kontrollvariablen reinmüssen und wie man die kausale Unterstützung steigert. Ganz nach Demokrit's ("ich würde lieber ein kausales Gesetz entdecken, als König von Persien zu sein").

b) Ich weiß, wir Psychologen (ich nehme an du bist einer) bekommen den "Konstrukt-Jargon" quasi mit der akademischen Muttermilch reingetrichtert, aber im Moment, in dem man den Daten mit einem Kausalmodell zu Leibe rückt, muss man präziser werden, was genau diese Konstrukte empirisch bedeuten. Wenn du also ein "Konstrukt" namens Extraversion hast, das durch 3 Facetten gekennzeichnet ist, musst du klären/entscheiden, was dies in der Realität bedeutet: Ist Extraversion eine eigenständige, singulare, existierende Dimension (so wie der g-Factor)? Oder ist es ein Aggregat/umbrella-Term, das einfach nur ein label für die 3 Facetten ist (die für sich dann 3 eigenständige existierende Entitäten sind). Kausale Effekte gehen von Entitäten aus, nicht von "Konstrukten". Überlege dir also PRÄZISE, was genau warum und wie welche Effekte haben soll. Ich dab diesem Thema ein ganzes Buchkapitel gewidmet (falls du mir etwas Werbung erlaubst; ich bekomme sowieso keinen Cent: "LIneare Strukturgleichmodelle: Eine Einführung mit R").

c) Ein SEM mit latenten Variablen ist im Prinzip immer von Vorteil, weil du Messfehler korrigierst und damit einen der Gründe für die Endogenität von Strukturgleichungen verringerst. Allerdings muss es halt auch Sinn machen (was es mit den meisten Skalen, allen voran die Big 5 nicht macht, da diese sehr heterogen sind). Dann fitten die Messmodelle schon mal nicht. Wenn du das probierst, dann wähle in Anlehnung an Punkt "b" genau diejenigen Indikatoren aus, die EXAKT die Entität reflektieren, für die du dir den entsprechenden kausalen Prozess vorstellst. Wenn das Messmodell verhunzt ist, kann man das ganze SEM vergessen, weil man dann keine "testing power" mehr für den Kern des Modells mehr hat, um den es eigentlich geht.

Hoffe, das gibt dir etwas Orientierung.

Grüße
Holger
Holgonaut
Foren-Unterstützer
Foren-Unterstützer
 
Beiträge: 525
Registriert: Do 2. Jun 2011, 18:20
Danke gegeben: 1
Danke bekommen: 141 mal in 134 Posts

folgende User möchten sich bei Holgonaut bedanken:
Martin87

Re: Mehrere IV, AV und MV

Beitragvon Martin87 » Mi 7. Nov 2018, 00:09

Hallo Holger,

erst mal danke für deine Antwort.

Daher überleg mal, ob es nicht sinnvoller ist, sich zu fokussieren und lieber Überlegungen anzustellen, welche Kontrollvariablen reinmüssen und wie man die kausale Unterstützung steigert.


Ich denke, ich werde mich dann tatsächlich auf weniger Variablen fokussieren.

Ich weiß, wir Psychologen (ich nehme an du bist einer) bekommen den "Konstrukt-Jargon" quasi mit der akademischen Muttermilch reingetrichtert, aber im Moment, in dem man den Daten mit einem Kausalmodell zu Leibe rückt, muss man präziser werden, was genau diese Konstrukte empirisch bedeuten. Wenn du also ein "Konstrukt" namens Extraversion hast, das durch 3 Facetten gekennzeichnet ist, musst du klären/entscheiden, was dies in der Realität bedeutet: Ist Extraversion eine eigenständige, singulare, existierende Dimension (so wie der g-Factor)? Oder ist es ein Aggregat/umbrella-Term, das einfach nur ein label für die 3 Facetten ist (die für sich dann 3 eigenständige existierende Entitäten sind). Kausale Effekte gehen von Entitäten aus, nicht von "Konstrukten". Überlege dir also PRÄZISE, was genau warum und wie welche Effekte haben soll. Ich dab diesem Thema ein ganzes Buchkapitel gewidmet (falls du mir etwas Werbung erlaubst; ich bekomme sowieso keinen Cent: "LIneare Strukturgleichmodelle: Eine Einführung mit R").



Danke, das leuchtet ein. Ja, ich studiere momentan noch Psychologie und klar kannst du dein Buch hier bewerben.

Wie kann ich denn feststellen, ob etwas eine eigenständige Entität ist, also gibt es dafür objektive Kriterien bzw. wie genau kann ich Facetten und übergeordnete Konstruktbezeichnungen und Entitäten unterscheiden ?
Also beim g-factor weiß ich ja, dass dieser ein übergeordneter, eigenständiger Faktor ist, weil das in der Uni behandelt wurde. Die Konstrukte, mit denen ich jetzt zu tun habe aber nicht in der Form, da hab ich nur jede Menge Papers zu.

Bei mir geht es konkret um die IV Perfektionismus und die AV Burnout. Die MV('s) stehen noch nicht fest, ich habe aber bereits viele Konstrukte gefunden, die dafür in Frage kämen (bzw. dann die dazugehörigen Entitäten). Beispiele wären z.B. Workaholism oder Motivation, wobei diese Konstrukte natürlich wieder aus mehreren Facetten bestehen.

Perfektionismus wird - je nachdem für welches theoretische Modell ich mich entscheide - entweder in 2 Facetten unterschieden:

a. perfectionistic strivings (PS): z.B. Setzen hoher Leistungs-Standards
b. perfectionistic concerns (PC) : z.B. Neigung zur Selbstkritik, Angst von anderen negativ beurteilt zu werden

Die Facetten (/Skalen) sind miteinander korreliert und zwar werden unterschiedliche Subskalen jeweis einer dieser Facetten zugeordnet (daneben gibt es noch eine weitere Facette, die für meine Fragestellung nicht so relevant ist). Perfektionsstreben soll eher adaptiv sein und perfektionistische Sorgen eher maladaptiv. Ich belasse es mal bei der Info, sonst wird das wieder zu ausführlich.

Alternativmodell: 2x2 Modell des Perfektionismus

Hier werden die beiden Facetten einfach kombiniert und Personen einem Typus zugeordnet,

also

a. PS hoch, PC niedrig
b. PS hoch, PC hoch
c. PS niedrig, PC niedrig
d. PS niedrig, PC hoch

Leider befürchte ich auch hier, dass dies zu noch mehr Komplexität führen würde und ich auch erst Mal die Leute irgendwie den Typen zuordnen müsste (nehme ich an, es sei denn, man kann das irgendwie anders in das Modell einfügen, also über irgendwelche Interaktionseffekte). Besser wäre dieses Modell vermutlich, da es ein aktuelleres Modell ist und eben auch Mischtypen berücksichtigt. Leider kenne ich mich mit diesen methodischen Fragen wirklich nicht so gut aus.

Für Burnout gibt es ein Modell, nach dem ich mich richten werde. Burnout wird hier in 3 Dimensionen unterteilt:

a. Exhaustion: z.B. emotionale Erschöpfung
b. Depersonalisation: z.B. mangelnde Schwingungsfähigkeit im Kontakt mit Kunden/Klienten
c. (erlebte) reduzierte Leistungsfähigkeit

Diese 3 Facetten äußern sich dann wieder über unterschiedliche Indikatoren. Könntest du an diesen Beispielen festmachen, was jetzt genau die Entitäten wären, die ich aufnehmen müsste ?

Also sollte ich z.B. sagen Perfectionistic Concerns führen über verstärkte Rumination (Grübeln) als Mediator zu emotionaler Erschöpfung ? Perfectionistic concerns können aber z.B. sowohl Sorgen sein, die sich auf das Nichterreichen der eigenen Standards richten als auch Sorgen, die sich auf die befürchtete Evaluation durch andere richten. Das ganze wird als Persönlichkeitsdisposition angesehen, während Rumination ja eher ein (gedankliches) Verhalten wäre. Rumination wird dann auch noch weiter unterschieden in state, action und task-irrelevant rumination.

Wie oder woran könnte ich jetzt genau festmachen, ob Rumination auch darüber hinaus eine eigenständige Entität ist ?

c) Ein SEM mit latenten Variablen ist im Prinzip immer von Vorteil, weil du Messfehler korrigierst und damit einen der Gründe für die Endogenität von Strukturgleichungen verringerst. Allerdings muss es halt auch Sinn machen (was es mit den meisten Skalen, allen voran die Big 5 nicht macht, da diese sehr heterogen sind). Dann fitten die Messmodelle schon mal nicht. Wenn du das probierst, dann wähle in Anlehnung an Punkt "b" genau diejenigen Indikatoren aus, die EXAKT die Entität reflektieren, für die du dir den entsprechenden kausalen Prozess vorstellst. Wenn das Messmodell verhunzt ist, kann man das ganze SEM vergessen, weil man dann keine "testing power" mehr für den Kern des Modells mehr hat, um den es eigentlich geht.


Gibt es denn hier ein klares Kriterium für Heterogenität ?
Heterogenität bedeutet, dass die Skalen untereinander nicht wirklich stark korreliert sind ?

Ich glaube notfalls beschränke ich mich erst mal auf das Pfadmodell.

Ansonsten nehm ich schon mal mit, dass ich bei der endgültigen Ausarbeitung dann wirklich präzise vorgehe, aber im Moment ist mir bei der grundsätzlichen Herangehensweise noch manches nicht ganz klar.

Hoffe, das gibt dir etwas Orientierung.


Ja, dankeschön. Wir haben halt leider Mediation und SEM nur sehr eingeschränkt behandelt, d.h. wir haben das quasi eine Übung lang mal mit einer IV, AV und MV durchgerechnet und gelernt wie man die Pfade bezeichnet, den totalen Effekt berechnet und Bootstrapping durchführt usw. aber bei einem selbst erstellten, komplexeren Modell fühl ich mich jetzt wirklich etwas aufgeschmissen.
Martin87
Grünschnabel
Grünschnabel
 
Beiträge: 3
Registriert: Di 6. Nov 2018, 13:59
Danke gegeben: 4
Danke bekommen: 0 mal in 0 Post

Re: Mehrere IV, AV und MV

Beitragvon Holgonaut » Do 8. Nov 2018, 21:32

Hi Martin

Wie kann ich denn feststellen, ob etwas eine eigenständige Entität ist, also gibt es dafür objektive Kriterien bzw. wie genau kann ich Facetten und übergeordnete Konstruktbezeichnungen und Entitäten unterscheiden ?


Erst mal hast DU eine Vorstellung davon bzw. deine Vorstellung reflektiert die in der Literatur.
a) Wenn du also annimmst, dass Extraversion eine eigene existierende Variable ist, dann ist diese Vorstellung direkt mit der Vorstellung ihrer potentiellen Wirkungsweise verbunden (bzw. eher sogar andersherum). Wenn du nun mehrere Indikatoren hast und du machst eine CFA, dann musst du vorher überlegen, ob es sinnvoll ist, dass die Indikatoren austauschbare Reflektionen dieser einen Variable sind.

Was das Thema "Facetten" anbelangt, gibt es 3 Möglichkeiten
b) Das Konstrukt Extraversion ist ein simples Aggregat der Facetten, bzw. ein umbrella term oder Index
c) Das Konstrukt enthält beides, das heißt Extraversion als eigenständige Variable als auch die Facetten. Die Verbindung beider ist dann entweder eine
c1) Second-order-Faktorstruktur (d.h. Extraversion unterliegt kausal den Facetten; siehe Beziehung zwischen g-Faktor und Sub-Intelligenzen)
c2) einer "formativen Struktur" - d.h. Extraversion ist determiniert durch die Facetten. Ich finde den Begriff "formativ" nicht so richtig prickelnd, weil vieles in der Literatur bei einer formativen Struktur eher Version "b" im Sinn hat und andere die Version c2).

Wichtig bei den "c's": Extraversion ist eine eigenständig, für sich allein extistierende eindimensionale Variable. Selbst Psychologen, die damit aufgewachsen sind, glauben immer, dass Extraversion damit multidimensional ist (was ein Verständnis nach Version "b" impliziert). Der g-Faktor ist eine singuläre Entität und eben nicht die Gesamtsumme der Sub-Intelligenzen. Aber ich weiß, dass mir für diese Haltung Psychos gerne an die Gurgel gehen würden :)

Was neben dem theoretischen Verständnis an Kriterien existiert:
a) Der Test des Ein-Faktormodels, Fit und substantielle Ladungen
b) Es gibt hier keinen Test, weil Extraversion nur ein label ist, dass keine Existenz unabhängig von den Facetten hat
c1). Test der Second-order-Faktorstruktur, substantielle Primär-Ladungen; außerdem Validitätsnachweise, dass der second-order-Faktor eine Bedeutung hat. Reine CFAs mit Second-order-Faktor(SOF)-Modellen werden von einigen Autoren sehr kritisch sind, weil der SOF einfach nur die Kovarianz der Facetten ist - d.h. es kann auch irgendwas Gemeinsames sein bis hin zu common method varianz. Wichtig: Um ein SOF wirklich zu testen, braucht man min. 4 Primärfaktoren. Das bläht das Modell dermaßen auf, dass das in meinen Augen immer von Nachteil ist. Ich würde immer versuchen, Version "a" zu modellieren - allein desshalb, weil ich in der Regel recht präzise Vorstellungen habe.
c2) Schwierig, weil du Effekte von den Facetten auf eine latente Variable hast, die selbst keine Indikatoren hat. Die Masse an Literatur über formative Modelle dreht sich um diese Schwierigkeiten (d.h. der Identifikation und Schätzung). Man braucht mehrere Outcomes der "formativen Variable". Meiner Ansicht bringt auch das nix, weil man eigentlich deren Fehlerterme korrelieren lassen müsste um der Tatsache Rechnung zu tragen, dass es mehrere - im Modell nicht vorhandene gemeinsame Ursachen der Outcomes geben dürfte. Damit ist die ID hinüber :) Es gibt Autoren (z.B. Howell, Breivik & Wilcox), die argumentieren, dass - wenn man eh der Meinung ist, dass die latente Variable eine eigenständige Entität ist, man auch reflektive Indikatoren entwickeln können muss. Damit wird aus dem Faktormodell ein normales SEM mit UVn (Facetten) einem latenten Mediator mit eigenen Indikatoren und Effekten auf Outcomes. Find ich super :)



Bei mir geht es konkret um die IV Perfektionismus und die AV Burnout.


Ok. Jetzt musst du Dein Verständnis von Perfektionismus (bzw. die verschiedenen Auffassungen in der Literatur) bemühen, um die bezgl. der oben genannten Versionen zu entscheiden.

Nach dem was du über die beiden Facetten schreibst, würde ich annehmen, dass es entweder b oder c1 ist. Bei b ist dann die Frage, welches der beiden Facetten einen Effekt auf Deine weiteren Outcomes hat und bei c1 wäre fraglich, ob deren gemeinsame Ursache (genereller Perfektionismus) einen Effekt hat. Das hängt halt alles von den Outcomes ab.

Das mit den Typen ist problematisch. Man kann nicht einfach Typen manuell einteilen (bzw. natürlihc kann man das), aber das Typen-Konzept ist eher eine Frage nach der Korrekheit (d.h. auch für Typen nimmt man an, dass sie tatsächlich empirisch abgrenzbar sind). Kannst ja mal nach latent class oder latent profile - Analyse googeln.

Was burnout anbelangt: hier kommt jetzt Deine kausale theorie (s.o.) zum Tragen. Das sind 3 unterschiedliche Facetten nach dem b-Modell (meiner Auffassung nach): Worauf haben die perf.-Facetten Effekte? Alle auf alle? Spezifische? Du siehst, dass sind schwierige Fragen. Du hast ja bereits angefangen, dir Gedanken zu machen. Das ist dann das, was in den Hypothesen -Entwicklungs-Teil kommt.

Gibt es denn hier ein klares Kriterium für Heterogenität ?
Heterogenität bedeutet, dass die Skalen untereinander nicht wirklich stark korreliert sind ?


Heterogenität ist erstmal eine Frage der Plausibilität: Macht es Sinn, dass z.B. 4 völlig unterschiedliche item-Formulierungen tatsächlich ein und die selbe Ursache haben (von der man annimmt, dass sie die Version a oben reflektiert? Wenn ja: Testen und den Test ernst nehmen. Und selbst wenn der Test fittet, heißt das nicht, dass der Faktor dann das ist, was man glaubt, was er ist (siehe die Kritik am SOF-Modell). D.h. Ladungen als Validierungskoeffizienten heranziehen und auch sowas wie nomologische Beziehungen zu anderen Kriterien heranziehen. Ich ziehe es vor, wenige, glasklare Indikatoren auszuwählen, weil ich davor am ehesten meine Hände ins Feuer legen könnte (was die Annahme der kausal-Struktur anbelangt). Außerdem fittet das Modell und die Ladungen sind auch anständig. Praxis in der Skalenentwicklung ist aber, sehr heterogene Itemformulierungen zu generieren - unter dem Argument, Redundanz zu vermeiden. Ergebnis: Faktorenstruktur fraglich; Modell fittet nicht, Ladungen moderat (damit unkar, was der Faktor bedeutet). Dann wir das Teil publiziert und determiniert die Literatur über Jahrzehnte...

Grüße
Holger
Holgonaut
Foren-Unterstützer
Foren-Unterstützer
 
Beiträge: 525
Registriert: Do 2. Jun 2011, 18:20
Danke gegeben: 1
Danke bekommen: 141 mal in 134 Posts

folgende User möchten sich bei Holgonaut bedanken:
Martin87

Re: Mehrere IV, AV und MV

Beitragvon Martin87 » Fr 9. Nov 2018, 23:40

Hallo Holger,

danke schon mal für deine Antwort. Ich hab erst Mal nur kurz noch eine Nachfrage (bzw. einen Punkt den ich nicht ganz verstehe):

Und zwar folgende Situation:

1. In der Literatur wird ständig davon gesprochen, dass Perfektionismus wie gesagt aus den Facetten "Perfectionistic Strivings" und "Perfectionistic Concerns" besteht (wie ich das bisher verstanden habe, ist Perfektionismus dann einfach das Aggregat dieser beiden Facetten, also der umbrella term- Ursprünglich war Perfektionismus ein eindimensionales Konstrukt und wurde dann später in diese beiden Facetten unterschieden, die aber miteinander korrelieren).

2. Diesen beiden Facetten werden wie gesagt jeweils bestimmte Skalen verschiedener Fragebögen zugeordnet (es gibt mehrere Fragebögen und leider auch unterschiedliche Definitionen von Perfektionismus und die Gemeinsamkeit aller dieser unterschiedlichen Definitionen sollen eben diese beiden "overarching" Facetten PS und PC sein, denen man dann die (noch weiter ausdifferenzierten und unterschiedlich benannten) Skalen unterschiedlicher Fragebögen zuordnen kann).

3. Die Fragebögen sind ursprünglich englisch, ich muss aber zur Erhebung einen deutschen Fragebogen verwenden, da ich eine deutschsprachige Stichprobe untersuche. Es gibt eine deutsche Version eines häufig verwendeten Fragebogens und dieser wurde auch einer Faktorenanalyse unterzogen. Bei dieser Analyse kam heraus, dass die 6 Skalen des Fragebogens 6 unterschiedliche Dinge messen und ein Modell mit 2 gemeinsam zugrundeliegenden Faktoren schlechter fittet.

4. Spricht das nicht eigentlich dagegen, dieses Testverfahren jetzt zu verwenden und dann einfach die Skalen den beiden Facetten bzw. Dimensionen PS und PC zuzuordnen ?
Kann ich das trotzdem einfach machen (die ganze Literatur spricht immer von diesen 2 Facetten, denen man die Unterskalen zuordnen könnte und dann passt die Faktorenanalyse des Erhebungsinstrumentes nicht dazu) ?

5. Kann das auch nur an der deutschen Version liegen, also dass es evtl. einfach schlecht übersetzt wurde o.ä. ?

6. Ist jetzt vermutlich eher das Testverfahren fehlerhaft oder die theoretische Annahme, dass es zwei zugrunde liegende Faktoren gibt ?

Hier nochmal das theoretische Modell, wie ich das verstehe:

Ebene 1: PS ~ PC (PS+PC="Perfektionismus"; PS+PC korreliert, messen aber unterschiedliche Dinge)
Ebene 2: Verschiedenste Skalen unterschiedlicher Verfahren, die mit unterschiedlichen Definitionen von Perfektionismus arbeiten und auch unterschiedliche Schwerpunkte legen (z.b. untersucht ein Fragebogen auch die Ansprüche der Eltern). Diese ganzen Unterskalen kann man jetzt laut der herrschenden Meinung aufteilen in 3 Kategorien:

a. Skala wird PS zugeordnet
b. Skala wird PC zugeordnet
c. Skala wird weder PS noch PC zugeordnet und erfasst eigentlich etwas, das nicht wirklich Perfektionismus ist (z.B. Gewissenhaftigkeit).
Martin87
Grünschnabel
Grünschnabel
 
Beiträge: 3
Registriert: Di 6. Nov 2018, 13:59
Danke gegeben: 4
Danke bekommen: 0 mal in 0 Post

Re: Mehrere IV, AV und MV

Beitragvon Holgonaut » Sa 10. Nov 2018, 12:22

Hi Martin,

ich kann dir leider keinen Rat geben, weil ich die Literatur nicht kenne und wie stark/prominent bestimmte Auffassungen sind. Die Faktorenanalyse mit den 6 Faktoren legt nahe, dass PC und PS selbst wohl eher Aggregate dieser 6 Faktoren sind und die 6 Faktoren die relevanten, spezifischen Faktoren. Es kann natürlich sein, dass PC und PS wiederum second-order-Faktoren sind. Das zu beurteilen, erlaubt ein Blick auf die Korrelationen der 6 Faktoren. Wenn sie einigermaßen homogene cluster bilden, dann spricht das für einen Faktor.

Ich hätte persönlich schon die Tendenz, das paper so aufzubauen (Phrasen in der Intro)
a) "Die Literatur geht von 2 Faktoren aus"
b) "Aber Studie xy legt nahe, dass es Facetten gibt, die für outcomes diskriminant kausal relevant sind"
c) "Meine Studie zeigt das (oder eben nicht) und entwicklelt/tested spezifische Effekte von einigen oder allen 6 Faktoren)

Alternative ist, dass du ein Pfadmodell mit den PS/PC-Aggregaten aus den Verfahren machst. Hängt immer davon ab, welche Story man im Papier eigentlich erzählen will. Aggregate/Index-Variablen abstrahieren halt über die spezifischen Effekte - so wie z.B. eine Meta-Analyse über Experimente mit spezifischen, von einander abweichenden treatments über diese spezifischen treatments abstrahiert. Ich meine, bei Cook/Campbell diesbzgl. mal die Unterscheidungen von molekular vs. molalen Effekten gelesen zu haben.

Gruß
Holger
Holgonaut
Foren-Unterstützer
Foren-Unterstützer
 
Beiträge: 525
Registriert: Do 2. Jun 2011, 18:20
Danke gegeben: 1
Danke bekommen: 141 mal in 134 Posts

folgende User möchten sich bei Holgonaut bedanken:
Martin87


Zurück zu Pfadanalyse, Strukturgleichungsmodelle & CFA

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 0 Gäste

cron