Upload
beate-keimig
View
104
Download
0
Embed Size (px)
Citation preview
Übung zur Vorlesung Theorien Psychometrischer Tests I
Ulf KröhneNorman Rose
Session 1/13
Organisatorisches
• Buch: Messen und Testen http://www.metheval.uni-jena.de/lehre_literatur.php
• Benutzername: stud_user• Passwort: steyer_ss_04
• Gruppen: – Dienstag 18:15– 19:45 Uhr– Freitag 10:15 – 11:45 Uhr
Aufbau der Übungen
Fragen zur Vorlesung
Übungs-aufgaben
Computer-programm
Interaktion
Agenda
• Fragen zur Vorlesung
• Wiederholung Rechenregeln
• Pfaddiagramme– in Regressionsgleichungen umwandeln– Varianzen und Kovarianzen ermitteln– Implizierte Varianz-Kovarianzmatrix
• Aufgaben
Fragen zur Vorlesung
• Mengenlehre, Potenzmenge, …:U, O,
• Variablen vs. Wert einer Variablen• Definition True-Score Variable: i := E(Yi |U ) • Definition Residuum: i := Yi i • Eigenschaften von Residuum und True-Score • Varianzzerlegung: Var(Yi) = Var(i) + Var(i)• Reliabilität: Rel(Yi) = Var(i) / Var(Yi)• Parametrisierung: i = ij0 + ij1j ij0, ij1IR, ij1>0
Wichtig: Was folgt aus der Definition und was sind zusätzliche Annahmen eines Modells!
Wiederholung Rechenregeln .1
Expectation If X takes only the values x1, ..., xn :
1
( ) ( )n
i ii
E X x P X x
Covariance Cov(X, Y ) := E [ [X – E(X )] [Y – E(Y )] ]
Variance Var(X ) := Cov(X, X ) = E [ [X – E(X )]2]
Standard deviation
Std(X ) := ( )Var X
Correlation
Corr(X,Y ):=
if ( )( , ),
( ) 0( ) ( )
0, .
Std X andCov X Y
Std YStd X Std Y
otherwise
Wichtige Definitionen:
Wiederholung Rechenregeln .2
Regel für unbedingte Erwartungswerte:
(i) E() =
(ii) E( X + Y ) = E(X ) + E(Y )
Wiederholung Rechenregeln .3
Regel für Varianzen:
(i) Var (X ) = E(X 2) – E(X ) 2
(ii) Var (X ) = 0, if X =
(iii) Var ( X ) = 2 Var(X )
(iv) Var ( + X ) = Var (X )
(v) Var ( X + Y ) = 2 Var (X ) + 2 Var (Y ) + 2 Cov(X, Y )
Wiederholung Rechenregeln .4
Regel für Kovarianzen:
(i) Cov ( X, Y ) = E( X Y ) – E( X ) E( Y )
(ii) Cov ( X, Y ) = 0, if X =
(iii) Cov ( X, Y ) = Cov ( X, Y )
(iv) Cov ( + X, + Y ) = Cov ( X, Y )
(v) Cov(1 X1 + 2 X2, 1 Y1 + 2 Y2)
= 1 1 Cov(X1, Y1) + 1 2 Cov(X1, Y2 )+ 2 1 Cov(X2, Y1) + 2 2 Cov(X2, Y2 ))
Wiederholung Rechenregeln .5
Regel für Bedingte Erwartungen (Regressionen):
(i) E( X ) = (ii) E( Y1 + Y2 X ) = E(Y1 X ) + E(Y2 X )
(iii) E[E(Y X )] = E(Y )
(iv) E[f (X) X ] = f (X ), if f (X ) is numeric
(v) E[E(Y X ) f (X )] = E[Y f (X )]
(vi) E[f (X ) Y X ] = f (X ) E(Y X ), if f (X ) is numeric
Wiederholung Rechenregeln .6
Eigenschaften des Residuums:
(i) E() = 0
(ii) Cov[, E(Y X )] = 0
(iii) Var(Y ) = Var[E(Y X )] + Var()
(iv) E( X ) = 0
(v) E [ f (X )] = 0
(vi) Cov[, f (X )] = 0, if f (X ) numeric
Heimstudium ;-(
• ! M&T, Anhang – Anhang B Mengenlehre– Anhang C Karthesisches Produkt– Box F.1 E( X ), Var( X ), Cov( X, Y )– Box G.1 E( Y | X)
• M&T, Kapitel 1- Beschreibt Ziel und Anliegen der Vorlesung
• Aktuelle Vorlesung: M&T Kapitel 9
Üben Pfaddiagramme
Prinzip:
• 1. Schritt: Pfaddiagramm in Regressions-gleichungen zerlegen
• 2. Schritt: Varianz der Regressions-gleichung bestimmen
• 3. Schritt: Kovarianzen der Regressions-gleichungen bestimmen
Häufig: Namen der Parameter Programmen zur Analyse (LISREL oder Mplus) einsetzen
Als Matrix aufschreiben.
Pfaddiagramm
Y3
Y2
Y1
1
2
3
Pfaddiagramm +
Y3
Y2
Y1 1
2
3
1
2
3
i := E(Yi |U ) i := Yi i
1
1
1
1
1
1
Y3
Y2
Y1 1
2
3
1
2
3
Pfaddiagramm ++
i = ij0 + ij1j i = i0 + i1
11
21
31
Pfaddiagramm!
Y3
Y2
Y1
1
2
3
1
1
1
11
21
31
Pfaddiagramm!
Y1 = 11 + 1
1. Schritt: Pfaddiagramm in Regressionsgleichungen zerlegen
Y2 = 21 + 2
Y3 = 31 + 3
Pfaddiagramm!
Var(Y1) = Var(11 + 1)= Var(11 )+Var (1)= 11
2 Var( )+Var (1)Var(Y2) = …
2. Schritt: Varianz der Regressionsgleichung bestimmen
Pfaddiagramm!
Cov(Y1, Y2) = Cov(11 + 1, 21 + 2)
= 11 21 Cov( , ) + 11Cov( , 2)
+ 21Cov(1, ) + Cov(1, 2)
= 11 21 Var() + Cov(1, 2)
= 11 21 Var()
3. Schritt: Kovarianzen der Regressionsgleichungen bestimmen
Pfaddiagramm!
Var(1) 2
Var() 2
…
Optional: Ersetzen mit Parametern…
Pfaddiagramm!Aufschreiben in Matrizenform:
Var(Y1 )
Cov(Y1, Y2)
Cov(Y1,Y3)
Var(Y2 )
Cov(Y2,Y3) Var(Y3 )
Y1
Y2
Y3
Y1 Y2 Y3
Pfaddiagramm!Aufschreiben in Matrizenform:
112 Var( )+Var (1)
212 Var( )+Var (2)
312 Var( )+Var (3)
11 21 Var()
11 31 Var() 21 31 Var()
Üben (a)
Y3
Y2
Y1
1
2
3
11=1
21=1
31=1
Üben (b)
Y3
Y2
Y1
1
2
3
Var(ε1) = Var(ε2) = Var(ε3)
11=1
21=1
31=1
Üben (c)
Y3
Y2
Y1
1
2
3
Var(η) = 1
11
21= 11
31= 11
Üben (d)
Y3
Y2
Y1
1
2
3
11
21= 11
31=1
Aufgaben
• 1. Leiten Sie die vom Modell implizierte Varianz-Kovarianzmatrix für ein Modell paralleler Tests mit 4 Indikatoren her.
• 2. Bilden Sie die Potenzmenge zu A = {p, q, r}.
• 3. Zeigen Sie, dass Cov(i, j) = Cov(Yi, j) gilt.
• 4. Zeigen Sie, dass Kor(Yi , i)2 = Rel(Yi) gilt.
(7.7%)