Kommunalität

Kommunalität ist der Anteil einer Variablen, den sie an der gemeinsamen Varianz hat (z.B. im Rahmen der Faktorenanalyse).

Erklärung: Innerhalb der Faktorenanalyse werden Untergruppen von Variablen gesucht, die sich Varianz teilen und somit gemeinsamen, zugrunde liegenden Konstrukten zu geordnet werden können. Je größer die Kommunalität einer Variable, desto stärker repräsentiert sie eines, oder auch zwei der zu identifizierenden Konstrukte und desto weniger „einzigartige“ oder zufällige Varianz hat sie (die sie mit keiner weiteren Variablen teilt).

Im Falle völlig fehlender „einzigartiger“ Varianz liegt eine Kommunalität von 1 vor. Wenn eine Variable aber keinerlei Varianz mit einer der anderen Variablen teilt, dann verkörpert sie zum einen ein oder mehrere ggf. unbekannte Konstrukte und hat zum anderen keinerlei Verbindung zu den anderen Variablen, die im Rahmen der Faktorenanalyse getestet werden. Sie hätte dann die Kommunalität 0.

 

 

Komplette Separation

Komplette Separation tritt dann auf, wenn innerhalb der logistischen Regression die Ausprägung der abhängigen Variable (nach Dummy-Kodierung i. d. R. 0 oder 1) perfekt durch einen oder mehrere Prädiktoren vorhergesagt werden kann.

Obwohl es gut klingt, ist die komplette Separation ein großes Problem bei der Schätzung von Regressionskoeffizienten.

 

 

Konfidenzintervall

Konfidenzintervalle geben einen Bereich um einen Punktschätzer an (z. B. den Bereich um den Mittelwert der erhobenen Stichprobe), der den zu schätzenden wahren Parameter innerhalb der in ihrer Gesamtheit nicht messbaren Grundpopulation mit einer Sicherheitswahrscheinlichkeit von 1 – ɑ (häufig 95%, siehe: ɑ-Niveau) überdeckt.

Das bedeutet: Die Aufgabe von Konfidenzintervallen ist es uns einen Eindruck darüber zu vermitteln, wie gut der innerhalb der Stichprobe berechnete Parameter dem wirklichen Wert innerhalb der Gesamtpopulation entspricht.

Da wir diesen wahren Wert nicht kennen, weil wir die Gesamtpopulation nicht messen können, gibt uns das Konfidenzintervall einen Sicherheitsbereich an, der den wahren Wert mit einer Wahrscheinlichkeit von 95% überdeckt.

Wir wissen also: Irgendwo innerhalb des Konfidenzintervalls liegt mit sehr hoher wahrscheinlichkeit der wirkliche Mittelwert. Daraus ergibt sich direkt, dass ein schmaleres Konfidenzintervall besser ist, weil es den wirklichen wahren Wert deutlich eingrenzt.

In SPSS lassen sich Konfidenzintervalle über Analysieren / Explorative Datenanalyse / Statistiken / Deskriptive Statistik Konfidenzintervalle (Häckchen setzen) berechnen.

 

 

Konfirmatorische Faktorenanalyse

Die Konfirmatorische Faktorenanalyse ist eine Version der Faktorenanalyse, bei der spezifische Hypothesen bzgl. der angenommenen Struktur latenter Faktoren anhand des Fits an den Daten getestet werden können.

Die konfirmatorische Faktorenanalyse wird häufig im Zuge der Konstruktvalidierung von Fragebögen genutzt, um die angenommene Struktur des Fragebogens zu prüfen. Sie wird weiterhin verwendet, um zu prüfen welches Maß der internen Konsistenz als Reliabilitätsmaß berechnet werden sollte (z. B. Cronbach´s ɑ vs. Omega´s H).

 

 

Trag dich hier für Dr. Ortmanns beste Maildizin ein und erhalte regelmässige für deine empirische Promtion

You have Successfully Subscribed!