Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-10420
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorUrban, Dieter (Prof. Dr.)-
dc.contributor.authorKrause, Thomas-
dc.date.accessioned2019-06-17T13:48:55Z-
dc.date.available2019-06-17T13:48:55Z-
dc.date.issued2019de
dc.identifier.other1667552457-
dc.identifier.urihttp://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-104378de
dc.identifier.urihttp://elib.uni-stuttgart.de/handle/11682/10437-
dc.identifier.urihttp://dx.doi.org/10.18419/opus-10420-
dc.description.abstractMultiple Indicator Growth Mixture Modelle (MIGMM) kombinieren die Konstruktionsprinzipien von latenten Messmodellen, Wachstumskurvenmodellen und der latenten Klassenanalyse. MIGMMs sind somit analytische Werkzeuge für die empirische Sozialforschung, welche es ermöglichen eine Post-hoc-Identifikation und Beschreibung von Gruppenunterschieden hinsichtlich des zeitlichen Wandels durchzuführen und gleichzeitig die Messungen als latente Konstrukte zu berücksichtigen. Durch die Identifikation von unbeobachteten Subpopulationen lassen sich soziale Veränderungsprozesse und deren Unterschiede zwischen und innerhalb der unbeobachteten Subpopulationen untersuchen. Während einfache Growth Mixture Modelle schon anhand von zahlreichen Monte Carlo Studien evaluiert wurden, steht eine systematische Analyse der Leistungsfähigkeit von Multiple-Indicator-GMMs noch weitestgehend aus. Diese Simulationsstudie zielt darauf ab, die Performanz von MIGMMs unter verschiedenen Datensituationen systematisch zu evaluieren, wobei insbesondere zeitliche, gruppenspezifische und kombinierte Invarianzverletzungen der latenten Messmodelle im Fokus sind. Dazu wurden folgende Bedingungen manipuliert: Messinvarianz der latenten Konstrukte, Klassendistanz, Klassenanteilsverhältnisse und die Fallzahl. Es zeigt sich, dass insbesondere die Klassendistanz zwischen den latenten Verlaufsgruppen sowie die Verletzungen der Messinvarianz zwischen den latenten Gruppen einen Einfluss auf die Performanz von MIGMMs hinsichtlich Klassenidentifikation, Koeffizienten-Schätzungen und der Standardfehlerschätzungen haben. Auf Grundlage dieser Ergebnisse wird empfohlen, MIGMMs ausschließlich bei großen und klaren Unterschieden der Verlaufsmuster und nur für latente Konstrukte mit bereits etablierter Zuverlässigkeit hinsichtlich Gruppendifferenzen einzusetzen. Die Ergebnisse dieser Untersuchung sollen dazu dienen, die Forschungspraxis der empirischen Sozialforschung anzuleiten und Empfehlungen zum Einsatz dieser neuen Analysewerkzeuge für längsschnittliche Untersuchungen zu geben.de
dc.language.isodede
dc.rightsinfo:eu-repo/semantics/openAccessde
dc.subject.ddc300de
dc.titleMultiple Indicator Growth Mixture Models: eine statistische Simulation zur Performanzevaluation für sozialwissenschaftliche Analysende
dc.title.alternativeMultiple indicator growth mixture models: a statistical simulation to evaluate performance for social science analysisen
dc.typedoctoralThesisde
ubs.dateAccepted2019-05-13-
ubs.fakultaetWirtschafts- und Sozialwissenschaftende
ubs.institutInstitut für Sozialwissenschaftende
ubs.publikation.seiten213de
ubs.publikation.typDissertationde
ubs.thesis.grantorWirtschafts- und Sozialwissenschaftende
Appears in Collections:10 Fakultät Wirtschafts- und Sozialwissenschaften

Files in This Item:
File Description SizeFormat 
diss_krause_2019.pdf2,13 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.