6181719
Description
Flashcards by Johanna Brinkmann, updated more than 1 year ago
|
Created by Johanna Brinkmann
over 7 years ago
|
|
| Question | Answer |
| 1. Was besagt das Dekomponierungsproblem? 2. Welche zu lösende Aufgabe leitet sich daraus ab? | 1. AVs sind i.d.R nicht "prozess-" oder "systemrein" -> eine Beobachtung kann durch verschiedene Prozesse zustande kommen. 2. Wie lässt sich eine AV in prozess- / systemreine Prozesse dekomponieren? |
| Welche positiven Seiten Multinomialer Verarbeitungbaum-Modelle (MVB-Modelle) sind z.Zt. formulierbar? | - Sie können das Dekomponierungsproblem prinzipiell lösen - statistische Probleme der Modellklasse sind zufriedenstellend gelöst - einfach anwendbare Computerprogramme -> Handwerk relativ leicht und schnell erlernbar |
| Was sind MVB-Modelle? Was sind ihre Eigenschaften? | - eine Klasse formaler Modelle, die die Auftretenswahrscheinlichkeiten postulierter kognitiver Prozesse anhand experimenteller Daten schätzt - stochastisch - theoriegeleitet - auf ein exp. Paradigma zugeschnitten |
| Welche eher negativen Seiten von MVB-Modellen sind z.Zt. formulierbar | - erlauben keine routinemäßige Anwendung gleich SPSS (immer erst nachdenken, dann rechnen) - können scheitern - Anforderungen an Daten können so gravierend verletzt sein, dass Anwendung nicht möglich ist |
| Welche Anforderungen sind an die Daten für ein MVB-Modell zu stellen? | - sie müssen kategorial (diskret) sein - die Anzahl von Kategorien sollte begrenzt sein - typisch ist außerdem die simultane Analyse mehrerer Versuchsbedingungen oder Gruppen (verbundene MVB-Modelle) |
| 1. Was ist die Zielsetzung von MVB-Modellen? 2. Zu welcher Klasse von Analyseverfahren gehören sie? | 1. die theoretische Erklärung von Kategoriewahrscheinlichkeiten anhand latenter Parameter (= Wahrscheinlichkeiten psych. Zustände / Prozesse) 2. Konfirmatorische Analyseverfahren (setzen ein a priori formuliertes Modell voraus) |
| Welche Annahmen liegen dem einfachen multinomialen Modell zugrunde? | 1. eine kategoriale Variable mit J Kategorien und deren Stichprobenhäufigkeiten (n1, n2.....nj) mit N als Summe der Häufigkeiten 2. N-maliges, unabhängigs Ziehen erzeugt für jede Stichprobenhäufigkeit eine Wahrscheinlichkeit (p1, p2....pj); Summe aller p entspricht 1 3. Pi als Vektor dieser Wahrscheinlichkeiten 4. Stichprobenhäufigkeiten sind multinomialverteilt |
| Um welche zusätzlichen Annahmen im vgl. zum einfachen liegen dem verbundenen multinomialen Modell zugrunde? | 1. Pro Versuchsbedingung k (k=1,....K) eine Kategoriale Variable mit J(k) Kategorien 2. Für jede Versuchsbedingung gilt ein Multnomialverteilungsmodell 3. Für die Beobachtung in unterschiedl. Versuchsbedingungen wird Unabhängigkeit postuliert |
| Bei einem parametrisierten multinomialen Modell lassen sich die Wahrscheinlichkeiten als Funktion sog. "latenter Parameter" ausdrücken. Wie hieße eine passende Gleichung...und was ist der "Parameterraum"? | "Modellgleichung" Parameterraum: Die Menge aller möglichen Wertekombinationen der S latenten Parameter |
| Welche Annahme stellen MVB-Modelle bzgl. der Kategoriewahrscheinlichkeiten und der Modellparameter auf? Warum? | 1. Dass die Kategoriewahrscheinlichkeiten pj als Polynome in den Modellparametern und deren Komplementen (1-Parameter) darstellbar sind. 2. Derartige Modelle sind als binäre probabilistische Ereignisbäume repräsentierbar. |
| 1. Was ist das Problem / die Aufgabenstellung der Parameterschätzung 2. Welche Distanzfunktion wird oft verwendet? Wie ist sie verteilt? | 1. Einen Vektor von Parameterwerten so zu schätzen, dass eine vorgegebene Distanzfunktion zwischen den beobachteten und den erwarteten Kategoriehäufigkeiten ein Minimum annimmt. 2. Die Likelihoodquotientenstatistik G², sie ist asymptotisch chi-quadrat verteilt. |
| Wann spricht man von "hierarchischen Modellfamilien"? | Wenn innerhalb der Modellfamilie enthaltene Modelle Speziallfälle anderer enthaltener Modelle sind; z.B. Modell MA ist Spezialfall von MB. |
| Welcher Umstand ermöglicht Modellvergleiche bei hierarchischen Modellfamilien? Erkläre. | G² verhält sich additiv -> Gelten MA und MB, gleichermaßen, so sind nicht nur G²A (dfA) und G²B (dfB) chi-quadrat verteilt, sondern auch deren Differenz G²A-G²B (dfA-dfB) |
| 1. Welche Kriterien sollte ein MVB-Modell grundsätzlich erfüllen? 2. Welche Validierungskriterien (schwach / stark) können für die Validierung herangezogen werden | 1. basieren auf bislang nicht verworfenen Theorien und Hypothesen; typische Datensätze des Paradigmas adäquat beschreiben; experimentell validiert 2. Schwach: Jeder Modellparameter wird durch eine UV vorhersagbar beeinflusst; Stark: ...selbige UV beeinflusst keinen anderen Modellparameter |
Want to create your own Flashcards for free with GoConqr? Learn more.