Introduktion til statistisk analyse med latente variable - anvendt på Rorschach Jan Ivanouw.

Slides:



Advertisements
Lignende præsentationer
Velkommen til matematikkonference 7/3-13
Advertisements

Dummyvariabler 13. oktober 2006
Cand. Psych., Ph.d. Jan Ivanouw
KM2: F221 Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007.
1udf. Aage T. Andersen Specialeforsvar af Aage T. Andersen Bedømmer: Hans Bay, Vejleder: Anders Milhøj Censor : Lars Borchsenius Latente variable, faktor.
Grundlæggende teoretisk statistik
Kristiske faktorer og forudsætninger for vækst - Hvad betyder uddannelse? Carl-Johan Dalgaard Dansk Arbejdsgiverforening Beskæftigelsespolitisk konference.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 4. november 2005.
KM2: F171 Kvantitative metoder 2 Dummyvariabler 2. april 2007.
Statistik Lektion 5 Log-lineære modeller.
Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Økonometri 1: Dummy variable
Hvad ser du? (..et ansigt - eller ordet “Liar”).
Økonometri 1: F3 Økonometri 1 Den simple regressionsmodel 15. september 2006.
Statistik for geografer Lektion 4. Tidsrække Analyse Proces som varierer over tid Observationer til bestemte tidspunkter Eksempler Proces som varierer.
Statistik for geografer
KM2: F141 Kvantitative metoder 2 Inferens i den lineære regressionsmodel Funktionel form 21. marts 2007.
Forudsigelse i markedsanalyse Burns & Bush ch. 19 Carsten Stig Poulsen Mandag d. 6. april 2009.
Opsamling Simpel/Multipel Lineær Regression Logistisk Regression
Multipel Lineær Regression
Statistik for geografer
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 9. november 2004.
Carsten Stig Poulsen1 HA 4. semester Markedsanalyse 3. gang Torsdag d. 23. april 2009.
 gle.com/ gle.com/  Downloade Google Sketchup  Forside (”Scene”)
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007.
KM2: F61 Kvantitative metoder 2 Den simple regressionsmodel 21. februar 2007.
Simpel Lineær Regression
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 26. februar 2007.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 14. september 2004.
Økonometri 1: F151 Økonometri 1 Specifikation og dataproblemer 10. november 2006.
Økonometri 1: F41 Økonometri 1 Den multiple regressionsmodel 18. september 2006.
Kvantitative metoder 2: F31 Kvantitative metoder 2 Beskrivende statistik og analyse af kvalitatitive data 12. februar 2007.
KM2: F51 Kvantitative metoder 2 Den simple regressionsmodel 19. februar 2007.
Økonometri 1: F51 Økonometri 1 Den multiple regressionsmodel 22. september 2006.
Grundlæggende teoretisk statistik
KM2: F201 Kvantitative metoder 2 Heteroskedasticitet 18. april 2007.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 15. februar 2006.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 13. februar 2003.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 31. marts 2003.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 7. september 2004.
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 28. februar 2007.
Økonometri 1: F2 Økonometri 1 Den simple regressionsmodel 11. september 2006.
Økonometri 1: Dummyvariabler1 Økonometri 1 Dummyvariabler 12. oktober 2005.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 14. september 2005.
Kvantitativ metode del 1 Gymnasielærer-kursus forår 2007 Aalborg Universitet Sammenhænge ml. variabler, styrke og signifikans Tirsdag den 20. marts, kl.
Statistik II 4. Lektion Logistisk regression.
Statistik for geografer
Økonometri 1: Dummyvariabler1 Økonometri 1 Dummyvariabler 15. marts 2006.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 17. september 2004.
Statistik PM5 Indhold: statistiske metoder til at analysere kategoriske data Logistisk regression Loglineære modeller I dag: repetition af lineær regression.
Lineær og logistisk regression - fortsat
KM2: F41 Kvantitative metoder 2 Den simple regressionsmodel 14. februar 2007.
Introduktion til statistisk analyse af longitudinelle undersøgelser Jan Ivanouw.
Opsamling ● Generelle lineære modeller ● Logistisk regression ● Log-lineære modeller ● Mini-projekt.
Målingsinvarians - statistisk analyse med latente variable Jan Ivanouw.
Statistik II - PM5 Fokus: Analyse af kategoriske variable ● Logistisk regression ● Log-lineære modeller Kursets opbygning: ● 1 ECTS forelæsninger ● 1 ECTS.
Behandlingseffektundersøgelser præsentation ved generalforsamlingen i Psykologisk Selskab for Forskningsmetodologi 4. februar 2013 Cand. Psych., ph.d.
Den multiple regressionsmodel 21. september 2005
Analyse af skæve fordelinger med Mplus
Anvendt Statistik Lektion 8
Niveau 2: Hypotesetestning
Klassisk psykometri.
Program – dag 2 (11. april 2011) Dag 2:
Anvendt Statistik Lektion 6
Niveau 3: Regressionsanalyse: Tværsnitsundersøgelser
En forkert måde at konstruere psykologiske tests Oplæg i Psykologisk Selskab for Forskningsmetodologi 28. januar Cand. Psych., ph.d. Jan Ivanouw Københavns.
Teoretiske kontinuerte fordelinger
Måling (psykometri) 1.
Niveau 4: Pathanalyse.
Målingsinvarians - statistisk analyse med latente variable
Præsentationens transcript:

Introduktion til statistisk analyse med latente variable - anvendt på Rorschach Jan Ivanouw

Modeller med latente variable Confirmatorisk faktoranalyse (CFA) –en målingsmodel et begreb (latent variabel) måles med observationer Observationer (indikatorer) af forskellig art En række informationer –loading for hver indikator (diskriminationsgrad) –intercept for hver indikator (sværhedsgrad) –fejl/unik varians for hver indikator –evt korrelation mellem fejl for indikatorer –gennemsnit og varians for faktorscore

CFA-model

CFA-figur –Firkanter: observerede data, items, indikatorer –Cirkler: latente variable (begreber) –Pil fra cirkel til firkant: loading for indikator på denne latente variabel –Sort prik ved spidsen af pil fra cirkel til firkant: intercept for indikator i relation til denne latente variabel (ikke afbildet i denne tegning) –Pil uden afsender til firkant: fejl/unik varians for indikator –Buet pil mellem cirkler: korrelation mellem latente variable –ikke afbildet: gennemsnit (som regel = 0) og varians for latente variabel –Buet pil mellem pile uden afsender: korrelation mellem fejl for indikator (ikke afbildet - som udgangspunkt = 0)

Modeller med latente variable Structural Equation Model –CFA målingsmodel –Pathanalyse (direkte og indirekte relationer mellem observerede variable) –Kombinationen af disse metoder: beskrivelse af relationer mellem begreber (latente variable) -> korrelation og regression –fejlvarians for de afhængige latente variable i modellen

Pathmodel

Pathfigur Firkanter: observerede variable (alle variable i pathmodel er observerede) Pile mellem firkanter: pathkoefficienter, svarer til regressionskoefficienter (set i lyset af den samlede model) Buede pile mellem firkanter: korrelation mellem obsvererede variable

SEM-model

SEM-model med latente klasser

Growth modeling med latente variable Parametrene til kurverne i multilevelmodeling opfattes som latente variable Målingerne på hvert tidspunkt opfattes som indikatorer for disse latente variable, som i CFA Målingerne på hvert tidspunkt kan selv være latente variable som måles med observerede data De latente variable kan influeres af kovariate Kovariate kan være globale eller tidsvarierende Klasseanalyse af inhomogenitet i population (kategoriale latente variable) Flere parallelle udviklingsforløb

Lineær growthmodel

Kvadratisk growthmodel

Lineær growthmodel m. latente indikatorer

Growthmodel m. konstant og tidsvarierende covariater

PC-programmer Forskellige programmmer: –LISREL –EQS –Amos –Mplus –SAS-procedurer Anbefalet program: –Mplus, pga. komplethed, enkelhed og indlæringsressourcer

Mplus Hjemmeside: Seneste version 5.21 User’s Guide m. eksempler - kan downloades Gratis demoversion, lille variabelantal En lang række hjælpemidler Mailliste til besvarelse af spørgsmål Priser –akademisk 595$ (3.000kr) (rabatter ved flere) –student: 195$ (975kr) –ikke-akademisk 1095$ (5.500kr) (rabatter ved flere)

En målingsmodel for Rorschach

M-svar i Rorschach Svar der indeholder menneskelig bevægelse scores som M –(med tilføjet om bevægelsen er aktiv eller passiv)

Rorschachinstruktionen Spontansvarfasen: –Hvad kunne det være Inquiryfasen: –Jeg viser nu tavlerne igen og læser dine svar op –Jeg vil bede dig vise hvor på tavlerne du ser de forskellige ting og –Hvad det er ved tavlerne der får det til at kunne være det du har set –Sådan at jeg kan se det på samme måde som dig

Scoring af Rorschachsvar Svarene udgør en tekst Teksten for hvert svar scores efter –område på tavlen –begrebskvalitet (Udviklingskvalitet) –determinanter (farve, form, bevægelse mv.) –formniveau (hvor godt ligner det) –indholdskategori –specielle scoringer

Samlet opgørelse Som samlet opgørelse anvendes sumscores, dvs totalscore for hver kategori over alle 10 tavler Endvidere videreberegnes variablene til forskellige forhold, procenter og algoritmer (indekser)

Psykometri for Rorschach Der er gjort et meget stort arbejde med psykometriske undersøgelser af denne, klassiske opgørelsesmetode Resultaterne viser at Rorschach ligger på linie med andre tests i psykometrisk kvalitet De er ikke udformet en egentlig målingsmodel

Sumscoren Sumscoren - summen af enkeltitems eller (som her) kategorier er grundlæggende en problematisk størrelse Analogi: læg kontantbeholdningen fra en udlandsrejse med forskellige mønttyper og - værdier og tilsvarende sedler, samt nogle gældsbeviser og rabatkuponer. Tæl hver enhed sammen - det svarer til sumscoren

Målingsmodel I modsætning til sumscoren vil en egentlig model for en måleskala kræve undersøgelse af hvorledes de enkelte items, f.eks. i et spørgskema, fungerer med hensyn til loading (diskrimination eller styrken af bidraget til skalaen), intercept (sværhedsgrad, gennemsnit), unik itemvarians mv.

En målingsmodel for Rorschach? Vanskeligheden ved at opstille en målingsmodel for Rorschach har i sammenligning med f.eks. Selvvurderingstests været at der ikke er et bestemt antal spørgsmål, men svarantallet varierer (bestemmes af testpersonen). Hvad skal man så gøre?

Hvad er stimulus i Rorschach? Man kan betragte de 10 tavler som stimulusmaterialet i Rorschach Det forskellige svarantal kan beskrives med Poissonfordelinger

Målingsmodel for M-svar i Rorschach

Målingsmodel for M-svar i Rorschach med antal svar, R, som kovariat