Unterlagen und Links zur Vorlesung. Ich versuche, die VL hybrid anzubieten. Ich werde also die Veranstaltung donnerstags von 12-14 Uhr live halten, je nach Pandemie-Lage und universitären Vorgaben mit oder ohne physisch anwesenden Zuhörenden und im Idealfall Mitmachenden! Davon wird es eine Aufzeichnung geben, die via Mediathek im GRIPS Kurs eingebunden sein wird und auch im Nachgang zur Vorbereitung auf die Klausur am Ende des Sommersemsters zur Verfügung stehen wird.
Lernziele
der Vorlesung
Durch die Veranstaltung und (dadurch angeregt) insbesondere
durch Ihre eigenen Lernaktivitäten sollten Sie Folgendes können:
Moderne KTT
•&n
bsp;&n
bsp;&n
bsp; Die Modelle (essentiell) tau-äquivalenter, (essentiell) tau-paralleler und tau-kongenerischer Varia
blen definieren und vergleichend diskutieren
•&n
bsp;&n
bsp;&n
bsp; Notwendige Restriktionen und Normierungen dieser Modelle
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Möglichkeiten der Modellü
berprüfung
beschrei
ben und die Ü
berprüfung anhand gege
bener Daten (Varianzen, Kovarianzen, Mittelwerte) durchführen
•&n
bsp;&n
bsp;&n
bsp; Relia
bilitätsschätzer der Items und der Gesamtskala für die Modelle vergleichend
beschrei
ben und
berechnen
•&n
bsp;&n
bsp;&n
bsp; Ein- und Mehrdimensionale Modelle vergleichen
•&n
bsp;&n
bsp;&n
bsp; Graphische CFA Modelle
beschrei
ben und erklären
•&n
bsp;&n
bsp;&n
bsp;
Bestimmen, o
b ein
bestimmtes CFA-Modell identifiziert ist
•&n
bsp;&n
bsp;&n
bsp; Die Grundideen der Parameterschätzung und Modelltestung in der CFA erklären
•&n
bsp;&n
bsp;&n
bsp; Maße der Gesamtanpassungsgüte des Modells (RMR, chi²-Test, RMSEA)
beschrei
ben und konkrete Werte einschätzen
•&n
bsp;&n
bsp;&n
bsp; Modellvergleichstests (LR-Test, Informationstheoretische Maße, CFI)
beschrei
ben und konkrete Werte einschätzen
•&n
bsp;&n
bsp;&n
bsp; Möglichkeiten der Modellmodifikation
beschrei
ben
Parceling
•&n
bsp;&n
bsp;&n
bsp; Parceling definieren
bzw. das Vorgehen erklären
•&n
bsp;&n
bsp;&n
bsp; Vorteile und Risiken
benennen
•&n
bsp;&n
bsp;&n
bsp; Nachteile und Chancen
benennen
Mess-Invarianz
•&n
bsp;&n
bsp;&n
bsp; (Partielle) Mess-Invarianz definieren
•&n
bsp;&n
bsp;&n
bsp; Test
bare Hypothesen der Mess-Invarianz
benennen und
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Vorgehen
bei Testung der Mess-Invarianz
beschrei
ben und mögliche Erge
bnisse interpretieren
•&n
bsp;&n
bsp;&n
bsp; Anwendungskontexte
benennen und
beschrei
ben
Item-Response-Theorie
•&n
bsp;&n
bsp;&n
bsp; ICC, Itemschwierigkeit und Trennschärfe definieren
•&n
bsp;&n
bsp;&n
bsp; Die Herleitung des Rasch-Modells
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Die Modellgleichung des Rasch-Modells interpretieren
•&n
bsp;&n
bsp;&n
bsp; Eigenschaften des Rasch-Modells
benennen und Folgerungen
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Die Methode der Parameterschätzung für dichotomes und ordinales Rasch-Modell
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Modellgeltungstests
beschrei
ben und interpretieren
•&n
bsp;&n
bsp;&n
bsp; Die Informationsfunktion
beschrei
ben und interpretieren
•&n
bsp;&n
bsp;&n
bsp; 2PL- und 3PL-Modelle mit dem 1PL-Modell vergleichen
•&n
bsp;&n
bsp;&n
bsp; Grundannahmen, Modellprüfung und Eigenschaften der Mokken-Analyse
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Schwellen- und Kategorienwahrscheinlichkeiten des ordinalen Rasch-Modells definieren, interpretieren und
berechnen
•&n
bsp;&n
bsp;&n
bsp; Die Modellgleichung des ordinalen Rasch-Modells
beschrei
ben und ihre Parameter interpretieren
•&n
bsp;&n
bsp;&n
bsp; Ratingskalen-, Äquidistanz- und Dispersionsmodell vergleichend
beschrei
ben
•&n
bsp;&n
bsp;&n
bsp; Die Methode des adaptiven Testens definieren und diskutieren
•&n
bsp;&n
bsp;&n
bsp; Methoden der Itemauswahl
beim adaptiven Testen und Kriterien für die Test
beendigung
beschrei
ben und diskutieren
Latent-State-Trait Theorie (LST-Theorie)
•&n
bsp;&n
bsp;&n
bsp; Grund
begriffe und Kenngrößen (Relia
bilität, Konsistenz, Spezifität) der LST-Theorie definieren
•&n
bsp;&n
bsp;&n
bsp; Multistate-, Singletrait-Multistate-, und Multitrait-Multistate-Modell definieren und Kenngrößen
berechnen und interpretieren
Latent-Class-Analyse (LCA)
•&n
bsp;&n
bsp;&n
bsp; Ziele und Anwendungen der LCA
beschrei
ben und Modellgleichung interpretieren und
bedingte Klassenzuordnungswahrscheinlichkeit
berechnen
•&n
bsp;&n
bsp;&n
bsp; Methode der Parameterschätzung und Ü
berprüfung der Modellgüte
beschrei
ben und interpretieren
Generaliza
bility Theory
•&n
bsp;&n
bsp;&n
bsp; Ziele und Anwendungen der Generalisier
barkeitstheorie
beschrei
ben und Modellgleichung interpretieren
•&n
bsp;&n
bsp;&n
bsp; G- und D-Studies erklären und vergleichen
•&n
bsp;&n
bsp;&n
bsp; Generalisier
barkeitskoeffizienten erklären und interpretieren