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
• Die Modelle (essentiell) tau-äquivalenter, (essentiell) tau-paralleler und tau-kongenerischer Variablen definieren und vergleichend diskutieren
• Notwendige Restriktionen und Normierungen dieser Modelle beschreiben
• Möglichkeiten der Modellüberprüfung beschreiben und die Überprüfung anhand gegebener Daten (Varianzen, Kovarianzen, Mittelwerte) durchführen
• Reliabilitätsschätzer der Items und der Gesamtskala für die Modelle vergleichend beschreiben und berechnen
• Ein- und Mehrdimensionale Modelle vergleichen
• Graphische CFA Modelle beschreiben und erklären
• Bestimmen, ob ein bestimmtes CFA-Modell identifiziert ist
• Die Grundideen der Parameterschätzung und Modelltestung in der CFA erklären
• Maße der Gesamtanpassungsgüte des Modells (RMR, chi²-Test, RMSEA) beschreiben und konkrete Werte einschätzen
• Modellvergleichstests (LR-Test, Informationstheoretische Maße, CFI) beschreiben und konkrete Werte einschätzen
• Möglichkeiten der Modellmodifikation beschreiben
Parceling
• Parceling definieren bzw. das Vorgehen erklären
• Vorteile und Risiken benennen
• Nachteile und Chancen benennen
Mess-Invarianz
• (Partielle) Mess-Invarianz definieren
• Testbare Hypothesen der Mess-Invarianz benennen und beschreiben
• Vorgehen bei Testung der Mess-Invarianz beschreiben und mögliche Ergebnisse interpretieren
• Anwendungskontexte benennen und beschreiben
Item-Response-Theorie
• ICC, Itemschwierigkeit und Trennschärfe definieren
• Die Herleitung des Rasch-Modells beschreiben
• Die Modellgleichung des Rasch-Modells interpretieren
• Eigenschaften des Rasch-Modells benennen und Folgerungen beschreiben
• Die Methode der Parameterschätzung für dichotomes und ordinales Rasch-Modell beschreiben
• Modellgeltungstests beschreiben und interpretieren
• Die Informationsfunktion beschreiben und interpretieren
• 2PL- und 3PL-Modelle mit dem 1PL-Modell vergleichen
• Grundannahmen, Modellprüfung und Eigenschaften der Mokken-Analyse beschreiben
• Schwellen- und Kategorienwahrscheinlichkeiten des ordinalen Rasch-Modells definieren, interpretieren und berechnen
• Die Modellgleichung des ordinalen Rasch-Modells beschreiben und ihre Parameter interpretieren
• Ratingskalen-, Äquidistanz- und Dispersionsmodell vergleichend beschreiben
• Die Methode des adaptiven Testens definieren und diskutieren
• Methoden der Itemauswahl beim adaptiven Testen und Kriterien für die Testbeendigung beschreiben und diskutieren
Latent-State-Trait Theorie (LST-Theorie)
• Grundbegriffe und Kenngrößen (Reliabilität, Konsistenz, Spezifität) der LST-Theorie definieren
• Multistate-, Singletrait-Multistate-, und Multitrait-Multistate-Modell definieren und Kenngrößen berechnen und interpretieren
Latent-Class-Analyse (LCA)
• Ziele und Anwendungen der LCA beschreiben und Modellgleichung interpretieren und bedingte Klassenzuordnungswahrscheinlichkeit berechnen
• Methode der Parameterschätzung und Überprüfung der Modellgüte beschreiben und interpretieren
Generalizability Theory
• Ziele und Anwendungen der Generalisierbarkeitstheorie beschreiben und Modellgleichung interpretieren
• G- und D-Studies erklären und vergleichen
• Generalisierbarkeitskoeffizienten erklären und interpretieren