Latente Mehrebenen-Strukturgleichungsmodelle für experimentelle Designs mit Maximum Likelihood und Bayesianischen Methoden (MSEM-EX)

• Antragsteller: Professor Dr. Axel Mayer
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie ; Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
• Förderung: Förderung seit 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 386867729

Dieser Fortsetzungsantrag führt das Projekt „Messwiederholungs-ANOVA mit latenten Variablen: Einer neuer Ansatz basierend auf Strukturgleichungsmodellen“ fort. In der ersten Projektphase haben wir die latente Messwiederholungs-ANOVA (L-RM-ANOVA) entwickelt, die eine auf Strukturgleichungsmodellen beruhende, allgemeine Alternative zur traditionellen Messwiederholungs-ANOVA ist und latente abhängige Variablen inkludiert (z.B. latente Eigenschaften, implizite Motive, Aufmerksamkeit und Emotionen). Ein wichtiger Vorteil dieses Ansatzes ist, dass er es erlaubt, interindividuelle Unterschiede in Haupteffekten, Interaktionen und Kontrasten zu erforschen und vorherzusagen. Wir haben mehrere Pluspunkte des neuen L-RM-ANOVA Ansatzes zeigen können, wie die Möglichkeit Messmodelle für latente Variablen einzubinden, den Power-Vorteil im Vergleich zu manifesten Modellen, die Möglichkeit verschiedene Fehlerstrukturen wie Spherizität und Compound Symmetry zu testen, und die Chance bisher versteckte Annahmen über die Messinvarianz und Parallelität von Indikatoren zu untersuchen.L-RM-ANOVA ist ein sehr flexibler Ansatz, der für experimentelle Designs mit einem zufälligen Faktor (normalerweise Personen) entwickelt wurde. Viele Experimente beinhalten jedoch mindestens zwei zufällige Faktoren (z.B. Personen und Stimuli auf die reagiert werden soll wie Wörter oder Bilder). In der zweiten Projektphase planen wir diesen Ansatz mit Hilfe von Mehrebenen-SEM auf Experimente mit mehr als einem zufälligen Faktor zu erweitern. Im Moment können solche Daten mit linearen gemischten Modellen (LMM) analysiert werden, die allerdings keine latenten abhängigen Variablen beinhalten. Häufig werden in der Psychologie und anderen Bereichen mehrere Replikationen in jeder der experimentellen Bedingungen erhoben. Anstatt über die Replikationen zu mitteln, können LMMs zufällige Effekte von Personen und Stimuli mit Hilfe von wiederholten Messungen modellieren. L-RM-ANOVA kann das im Moment noch nicht. Dieser Fortsetzungsantrag möchte genau diese Lücke schließen. Diese vielversprechende, neue Kombination wird die Stärken von Mehrebenen-SEMs und LMMs zusammenbringen für die Analyse von Messwiederholungsdaten zur Verfügung stellen. In diesem Projekt wollen wir den allgemeinen Framework für latente Mehrebenen-SEM für experimentelle Designs mit mehreren zufälligen Faktoren (inklusive genesteter und gekreuzter zufälliger Faktoren) entwickeln. Wir werden verschiedene existierende statistische Rahmenmodelle betrachten, die die Spezifikation von (Sub-)modellen erlauben, nämlich Mehrebenen-SEM, Zweiebenen-SEM, kreuzklassifierte SEM und ultra-weite SEM und diese für experimentelle Designs anpassen. Wir werden Frequentist und Bayesianische Schätzalgorithmen für diese Modelle implementieren und diese mit Hilfe von Simulationsstudien und realen Daten testen. Wie in der ersten Projektphase werden wir Open Source Software entwickeln, die eine einfache Anwendbarkeit der neuen Methoden möglich macht.

• DFG-Verfahren: Sachbeihilfen