dc.contributor.author
Holtmann, Jana
dc.date.accessioned
2018-06-07T19:50:05Z
dc.date.available
2017-11-15T14:46:34.174Z
dc.identifier.uri
https://refubium.fu-berlin.de/handle/fub188/6457
dc.identifier.uri
http://dx.doi.org/10.17169/refubium-10656
dc.description.abstract
Investigating and understanding the stability, variability and change of
psychological constructs is a major goal in longitudinal psychological
assessment. It has been suggested that for a complete understanding of a
longitudinal process under investigation, it is crucial to apply multimethod
research designs (Eid, Lischetzke, Nussbeck, & Trierweiler, 2003). Since
Campbell and Fiske (1959) it is widely acknowledged that psychological
constructs are always assessed using a specific method of observations, and an
observation does not only reflect the psychological construct under
consideration but does also contain systematic method-specific influences.
Multitrait-multimethod (MTMM) designs allow researchers to explicitly model
method effects and analyze convergent and discriminant validity of a
construct. Despite the growing interest in longitudinal and MTMM data
analysis, only few attempts have been made to combine sophisticated
longitudinal latent variable models and MTMM data analysis. To successfully
apply longitudinal CFA-MTMM models in practice, it is important to consider
specific aspects of the measurement design. First, an increasing number of
MTMM measurement designs include a combination of different methods (e.g.,
different types of raters). Eid et al. (2008) provided a typology of CFA-MTMM
models for interchangeable methods, structurally different methods, and a
combination of both types of methods. Interchangeable methods are methods that
are randomly selected from the same set of methods (e.g., raters). As
interchangeable raters are drawn in a multi-stage sampling procedure, the
resulting multilevel structure has to be modeled adequately. In contrast,
structurally different methods are not selected from the same set of methods
and can therefore not be easily replaced by one another (e.g., self-ratings).
Until now, only few CFA-MTMM models have been presented allowing researchers
to analyze longitudinal MTMM data with structurally different and
interchangeable methods (Koch, 2013; Koch, Schultze, Eid, & Geiser, 2014;
Koch, Schultze, Holtmann, Geiser, & Eid, 2017). Second, in longitudinal
research, an increasing number of psychological constructs are assessed using
short-scales in large-scale panel studies, with an associated increase in the
need for models that allow analyses on the item-level. As items are commonly
measured on a categorical response scale, measurement models of item response
theory (IRT) have to be considered to properly model the response format. Thus
far, only few models have been presented allowing researchers to analyze
complex MTMM data with ordered response variables (Crayen, Geiser,
Scheithauer, & Eid, 2011; Eid, 1996; Jeon & Rijmen, 2014; Nussbeck, Eid, &
Lischetzke, 2006), but none of these models can be used for longitudinal MTMM
measurement designs combining structurally different and interchangeable
methods. The present work fills this gap by introducing several longitudinal
multilevel CFA-MTMM models for ordered response variables: a latent state (LS-
Com), a latent change (LC-Com), a latent state-trait (LST-Com), and a latent
growth curve (LGC-Com) graded response model (GRM). These longitudinal latent
variable models belong to the most widely applied CFA approaches to
longitudinal data modeling and serve to answer different research questions.
The presented models combine the advantages of multilevel MTMM measurement
designs and longitudinal CFA models for categorical observed variables. The
complexity of these models with several latent variables and ordinal
indicators exceed computational and practical limitations of numerical
integration. Presently, only Bayesian estimation methods allow for the
estimation of the models proposed in this work. The statistical performance of
the models is investigated via three simulation studies using Bayesian
estimation techniques. As the results of the simulation studies show, the LS-
Com GRM and LST-Com GRM can be accurately estimated under realistic sample
sizes if low degrees of convergent validity are present. These results are
encouraging and suggest that even complex multilevel longitudinal CFA-MTMM
models can be applied in a wide range of situations using Bayesian methods.
However, estimation of the models reaches its limits in cases of high
convergent validity and for the LGC-Com GRM with small slope variances. The
results of the simulation studies are discussed and practical guidelines for
empirical applications are given. An application of the models to multi-rater
data on life satisfaction and subjective happiness illustrates the
applicability and advantages of the models in applied research as well as the
advantages of sampling the model coefficients by Bayesian MCMC methods.
Finally, the advantages and limitations of the models are discussed and an
outlook on future research topics is provided.
de
dc.description.abstract
Die Untersuchung und Erklärung der Stabilität, Variabilität und Veränderung
psychologischer Konstrukte ist ein wichtiges Ziel längsschnitlicher
psychologischer Forschung. Für ein umfassendes Verständnis des zu
untersuchenden längsschnittlichen Prozesses wurde dem Einsatz multimethodaler
Forschungsdesigns äußerste Wichtigkeit zugesprochen (Eid, Lis- chetzke,
Nussbeck, & Trierweiler, 2003). Seit Campbell and Fiske (1959) ist die Idee
allgemein anerkannt, dass psychologische Konstrukte immer mit einer
spezifischen Beobachtungsmethode gemessen werden und somit Beobachtungen neben
dem relevanten, zu messenden psychologischen Konstrukt auch systematische
methodenspezifische Einflüsse erfassen. Multitrait-multimethod (MTMM) Designs
ermöglichen es, solche Methodeneffekte explizit zu modellieren und die
konvergente und diskriminante Validität eines Konstruktes zu analysieren.
Trotz des steigenden Interesses an längsschnittlichen sowie an MTMM
Datenanalysen wurden nur wenige Versuche unternommen, anspruchsvolle
längsschnittliche Modelle für latente Variablen und MTMM Analysen miteinander
zu kombinieren. Für die erfolgreiche Anwendung längsschnittlicher CFA-MTMM
Modelle in der Praxis ist es von zentraler Bedeutung, Aspekte des Messdesigns
zu berücksichtigen. Zum einen umfasst eine steigende Anzahl von MTMM
Messdesigns eine Kombination verschiedener Methoden (z.B. verschiedene Rater-
Typen). Eid et al. (2008) erstellten eine Typologie von CFA- MTMM Modellen für
austauschbare, strukturell verschiedene, sowie die Kombination beider Typen
von Methoden. Austauschbare Methoden sind Methoden (z.B. Rater), welche
zufällig aus der gleichen Menge von Methoden gezogen werden. Da austauschbare
Rater in einem mehrstufigen Prozess der Stichprobenziehung gewonnen werden,
muss die entstehende Multilevel-Struktur der Daten adäquat modelliert werden.
Strukturell verschiedene Methoden hingegen werden nicht aus einer Menge
gleicher Methoden gezogen und könenn daher nicht einfach durch einander
ersetzt werden (z.B. Selbstberichte). Bisher gibt es nur wenige CFA-MTMM
Modelle, welche es ermöglichen längsschnittliche MTMM Daten mit einer
Kombination von strukturell verschiedenen und austauschbaren Methoden zu
analysieren (Koch, 2013; Koch, Schultze, Eid, & Geiser, 2014; Koch, Schultze,
Holtmann, Geiser, & Eid, 2017). Zweitens wird eine steigende Zahl von
psychologischen Konstrukten in Panel-Studien anhand von Kurzskalen erhoben,
womit der Bedarf an Modellen, welche Analysen auf der Item-Ebene erlauben,
wächst. Da Items häufig mit kategorialen Antwortformaten erfasst werden ist es
entscheidend dieses kategoriale Antwortformat durch die Verwendung von
Messmodellen der Item-Response-Theorie angemessen zu berücksichtigen. Bisher
wurden nur wenige Modelle für die Analyse komplexer MTMM Daten mit geordnet
kategorialen Antwortvariablen eingeführt (Crayen, Geiser, Scheithauer, & Eid,
2011; Eid, 1996; Jeon & Rijmen, 2014; Nussbeck, Eid, & Lischetzke, 2006).
Keines dieser Modelle kann jedoch für länggschnittliche MTMM Messmodelle mit
einer Kombination von austauschbaren und strukturell verschiedenen Methoden
angewendet werden. Die vorgelegte Arbeit schließt diese Lücke und präsentiert
mehrere längsschnittliche multilevel CFA-MTMM Modelle für geordnet kategoriale
Antwortvariablen: ein Latent State (LS-Com), ein Latent Change (LC- Com), ein
Latent State-Trait (LST-Com), und ein Latent Growth Curve (LGC-Com) Graded
Response Modell (GRM). Diese längsschnittlichen latenten-Variablen-Modelle
gehören zu den weit verbreitesten CFA Ansätzen längsschnittlicher Datenanalyse
und können zur Beantwortung verschiedener Forschungsfragen herangezogen
werden. Die eingeführten Modelle kombinieren die Vorteile von multilevel MTMM
Messdesigns und längsschnittlichen CFA Modellen für kategoriale beobachtete
Variablen. Die Komplexität der eingeführten Modelle mit mehreren latenten
Variablen und ordinalen Indikatoren überschreitet die Grenzen der
Anwendbarkeit und Rechenkapazitäten von Verfahren der numerischen Integration.
Folglich können die präsentierten Modelle bisher nur mit Bayesianischen
Methoden geschätzt werden. Die statistische Performanz der Modelle wurde in
drei Simulationsstudien mithilfe Bayesianischer Schätzverfahren untersucht.
Die Ergebnisse der Simulationsstudien zeigen, dass das LS-Com GRM und das LST-
Com GRM unter realistischen Stichprobengrößen akkurat geschätzt werden können,
wenn ein moderates Level konvergenter Validität vorliegt. Die Ergebnisse
zeigen, dass solch komplexe längsschnittliche multilevel CFA-MTMM Modelle in
einer breiten Zahl von Situationen mithilfe Bayesianischer Schätzmethoden
angewendet werden können. Die Schätzbarkeit der Modelle stößt jedoch an ihre
Grenzen wenn niedrige Level konvergenter Validität vorliegen oder wenn die
Slope Varianzen im LGC-Com GRM gering sind. Die Ergebnisse der
Simulationsstudien werden diskutiert und praktische Anwendungsrichtlinien
werden vorgestellt. Eine Anwendung der Modelle auf Multi-Rater Daten von
subjektiver Happiness und Lebenszufriedenheit illustriert die Anwendbarkeit
und die Vorteile der Modelle in angewandter Forschung sowie die Vorteile der
Modellschätzung mittels Bayesianischer MCMC Verfahren. Vorteile und Grenzen
der Modelle werden diskutiert und ein Ausblick auf zukünftige Forschungsfragen
wird gegeben.
de
dc.format.extent
xix, 328 Seiten
dc.rights.uri
http://www.fu-berlin.de/sites/refubium/rechtliches/Nutzungsbedingungen
dc.subject
longitudinal data analysis
dc.subject
multilevel structural equation modeling
dc.subject
categorical data
dc.subject
item response theory
dc.subject
bayesian estimation
dc.subject.ddc
100 Philosophie und Psychologie::150 Psychologie
dc.title
Multilevel Graded Response Models for Analyzing longitudinal Multitrait-
Multimethod Data
dc.contributor.contact
jana.holtmann@fu-berlin.de
dc.contributor.firstReferee
Prof. Dr. Michael Eid
dc.contributor.furtherReferee
Prof. Dr. Fridtjof Nussbeck
dc.date.accepted
2017-10-20
dc.identifier.urn
urn:nbn:de:kobv:188-fudissthesis000000105892-6
dc.title.translated
Multilevel Graded Response Modelle für die Analyse längsschnittlicher
Multitrait-Multimethod Daten
de
refubium.affiliation
Erziehungswissenschaft und Psychologie
de
refubium.mycore.fudocsId
FUDISS_thesis_000000105892
refubium.mycore.derivateId
FUDISS_derivate_000000022744
dcterms.accessRights.dnb
free
dcterms.accessRights.openaire
open access