Multivariate Statistik und Datenanalyse

Die Klausur findet am 14.04.2025 um 14:00 Uhr statt.

Die Klausur dauert 90 Minuten.

Die Klausur beinhaltet offene Fragen zu den Vorlesungs- und Seminarinhalten, Interpretation von Ergebnissen und Outputs, Verständnisfragen und R-Modellierung.

Es werden Mittelwert, Varianz, Standardabweichung, z-Transformation, lineare Regression, t-Tests, Varianzanalysen, Alpha- und Beta-Fehler, Effektgröße und Power abgefragt.

Es gibt ein freiwilliges E-Repetitorium zu Statistik im Moodle-Kurs "Psy_Master_Wdh".

Dieses Modul beinhaltet grundlegende Techniken der multivariaten Statistik und Datenanalyse, die für die klinische Psychologie und Psychotherapie unerlässlich sind.

Die Vorlesung behandelt theoretische Konzepte und Methoden der multivariaten Statistik.

Die Hausaufgaben zur Vorlesung dienen der Festigung des gelernten Stoffes.

Das Tutorium zur Vorlesung bietet die Möglichkeit, Schwierigkeiten mit den Hausaufgaben zu besprechen und das Gelernte zu vertiefen.

Am Ende des Moduls wird eine Klausur geschrieben, um das erworbene Wissen zu überprüfen.

Das Seminar behandelt Themen der Evaluations- und Interventionsforschung, die für die klinische Psychologie und Psychotherapie relevant sind.

Die Hausaufgaben zum Seminar dienen der Vertiefung der Inhalte und der praktischen Anwendung des erlernten Wissens.

Die Lösungen zu den Hausaufgaben werden im Moodle-Kurs bereitgestellt.

Datenanalyse mit der Software R durchgeführt wird, um den gelernten Stoff in der Vorlesung anzuwenden.

Die Inhalte des Seminars sind relevant für die Klausur und sollten gut verstanden werden.

Es ist erforderlich, einen Laptop mit R und RStudio zu jedem Seminartermin mitzubringen.

Kenntnisse in R, wie z.B. die Installation und Verwendung von Paketen, das Festlegen des Arbeitsverzeichnisses und das Lesen von Text-Daten, sind erforderlich.

Ein Moodle-Kurs bietet eine Einführung in R, die Ihnen hilft, Ihre R-Kenntnisse zu verbessern.

Die studentische Methodenberatung steht Ihnen bei Fragen oder Problemen im Kurs zur Seite.

Die Seminare befassen sich mit verschiedenen Themen der multivariaten Statistik und Datenanalyse, wie z.B. multipler Regression, moderierter Regression und Kovarianzanalyse.

Es gibt drei Teile, die in der Studienleistung bewertet werden: Teil 1, Teil 2 und Teil 3.

Ein statistisches Modell, das lineare Beziehungen zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen beschreibt.

Die Interpretation der Modellparameter in einem ALM bezieht sich auf die Bedeutung der Steigungs- und Achsenabschnittskoeffizienten. Die Steigungskoeffizienten beschreiben die Veränderung der abhängigen Variable pro Einheit der unabhängigen Variablen, während der Achsenabschnitt den Wert der abhängigen Variable angibt, wenn die unabhängige Variable 0 ist.

Ein statistisches Verfahren, das die Wahrscheinlichkeit eines Ereignisses basierend auf einem Satz von Prädiktorvariablen vorhersagt. Es wird verwendet, wenn die abhängige Variable kategorial ist (z.B. ja/nein).

Die in der Logistischen Regression geschätzten Parameter werden verwendet, um die Wahrscheinlichkeit des Eintretens eines Ereignisses in Abhängigkeit von den Prädiktorvariablen zu berechnen. Die Parameter können interpretiert werden als die Veränderung der Log-Odds eines Ereignisses pro Einheit der unabhängigen Variablen.

Ein statistisches Modell, das die Beziehung zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen beschreibt, wobei die unabhängigen Variablen kategoriale Variablen sind.

Die Interaktion zwischen zwei oder mehreren Variablen in einem ALM liegt vor, wenn der Effekt einer Variablen auf die abhängige Variable von der Stufe der anderen Variablen abhängt. Dies wird durch das Hinzufügen eines Interaktionsterms im Modell berücksichtigt.

Ein statistisches Modell, das die Beziehung zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen beschreibt, wobei die Daten aus mehreren Messzeitpunkten stammen.

Ein statistisches Modell, das verwendet wird, um die Struktur und Gültigkeit eines Messinstruments zu beurteilen. Es betrachtet Beziehungen zwischen latenten Variablen und beobachtbaren Variablen.

Ein lineares Modell mit einer abhängigen Variablen, die kontinuierlich ist, und einer oder mehreren unabhängigen Variablen, davon mindestens eine kategorial.

Das generalisierte lineare Modell (GLM) ist eine Erweiterung des linearen Modells, das verwendet werden kann, um die Beziehung zwischen einer abhängigen Variablen und einer oder mehreren unabhängigen Variablen zu untersuchen, wenn die abhängige Variable nicht normalverteilt ist.

Die logistische Regression ist ein statistisches Modell, das verwendet wird, um die Wahrscheinlichkeit eines Ereignisses zu predicten, wenn die abhängige Variable binär (0 oder 1) ist.

Lineare Gemischte Modelle (LMM) werden verwendet, um die Beziehung zwischen Variablen zu untersuchen, wenn die Daten hierarchisch strukturiert sind, z. B. bei wiederholten Messungen an denselben Personen oder bei Daten aus verschiedenen Gruppen.

Faktorenanalyse und Strukturgleichungsmodelle (SEM) werden verwendet, um komplexe Zusammenhänge zwischen beobachteten Variablen und latenten Variablen zu untersuchen. Sie ermöglichen die Untersuchung von kausalen Beziehungen.

Latente Variablen sind Variablen, die nicht direkt beobachtet werden können, aber durch beobachtete Variablen erschlossen werden können. Sie sind eine Art von Konstrukt, das in der Faktorenanalyse und SEM verwendet wird.

CFA (Confirmatory Factor Analysis) ist eine statistische Methode, die verwendet wird, um die Gültigkeit eines Messmodells zu überprüfen.