Buffl uses cookies to provide you with a better experience. You can find more information in our privacy policy.
Wahr oder falsch?
„Bei häufigem gemeinsamem Auftreten von zwei Ereignissen können wir stets Kausalität unterstellen?“
Falsch, Korrelation würde zutreffen, Kausalität jedoch nicht. Einzig Experimente lassen die Überprüfung von Kausalhypothesen zu.
„Bei einem Experiment vergleicht man immer zwei Gruppen miteinander.“
Falsch, da mehr als zwei Gruppen miteinander verglichen werden könnten und es sowohl between- subject als auch within-subject Experiment gibt.
„Findet ein Experiment im Supermarkt statt, kann es sich nicht um ein Laborexperiment handeln.“
Falsch, es ist möglich ein Laborexperiment im Supermarkt durchzuführen (z.B. Probierstand/Blindverkostung im Markt, an dem alle äußeren Bedingungen (künstlich) kontrolliert werden können).
Offene Frage:
„Wobei handelt es sich um ein Problem der externen Validität?“
Eine wenig realistische Aufgabenstellung wäre ein Problem der externen Validität. Probleme der internen Realität wäre z.B. die Nicht-Vergleichbarkeit der Test- und Kontrollgruppe.
„Wodurch können Sie die Validität bei einem Befragungsexperiment verbessern?“
Die Vergrößerung der Stichprobe führt nicht dazu, dass sie Validität verbessert wird (sondern führt zur verbesserten Reliabilität/Verringerung der Zufallsfehler)! Jedoch verbessert die Neutralität der Fragen und die Stichprobenauswahl die Validität.
„Wobei handelt es sich um einen Nachteil der Daten-Imputation?“
Ein Nachteil ist, dass Verzerrungen dadurch möglich sind. Ein Vorteil ist jedoch, dass es keinen Informationsverlust gibt.
„Welche/n Lageparameter können Sie für nominalskalierte Variablen berechnen?“
Einzig und allein der Modus (= was am häufigsten genannt wurde) kann berechnet werden, jedoch nicht der Median oder Mittelwert (da keine Reihenfolge bestimmt werden kann. Beispiel für nominalskalierte Variablen wäre das Geschlecht, Haarfarbe.
„Welche Aussage zur Interpretation von Pearson’s Korrelationskoeffizient ist wahr?“
Sie berücksichtigt keinen Einfluss von dritten Faktoren, und misst nur den linearen Zusammenhang zwischen zwei Variablen (jedoch misst dieser nicht den quadratischen o. weitere Zusammenhänge, weshalb dadurch auch keinerlei Kausalität bestimmt werden kann).
„Mit der Split-Half-Reliabilität kann man sie Reliabilität verbessern.“
Dieses Statement ist falsch, da es nur zum Messen genutzt wird (= Testverfahren, um zu testen, ob die Reliabilität hoch oder niedrig ist). Die Reliabilität kann nur durch Stichprobenvergrößerung verbessert werden.
„Der Chi2-Test sagt etwas aus über die Stärke des Zusammenhangs zwischen zwei Variablen.“
Dieses Statement ist falsch, da der Chi2-Test nur die Signifikanz ermittelt (signifikanter Zusammenhang zwischen zwei Variablen). Nicht berechnet werden kann die Stärke des Zusammenhangs, dies berechnet man u.a. mit dem Kontingenzkoeffizienten.
Bei der logistischen Regression können die unabhängigen Variablen metrisch oder nominal skaliert sein?
Diese Antwort ist richtig. Die abhängige Variable nominal skaliert ist. Als dummy-kodierte nominale Variablen könnten auch als unabhängige Variablen verwendet werden.
Bei einem kleinen Sample sollte man auf Normalverteilung der Residuen prüfen?
Diese Aussage ist falsch (siehe Histogramm aus der letzten Woche). Bei einer binär-kodierten abhängige Variablen können die Residuen nicht normalverteilt sein. (Die Residuen der linearen Regression sind jedoch normalverteilt)
Elastizitäten sind ein geeignetes Maß für Effektstärken?
Diese Aussage ist richtig. Das Odds-Ratio ist auch eine Möglichkeit, jedoch deutlich schwieriger zu interpretieren.
Bei der Prognose von Eintrittswahrscheinlichkeiten P(Yi=1) dürfen nur signifikante Koeffizienten verwendet werden?
Diese Aussage ist falsch. Es werden ausschließlich signifikante Koeffizienten interpretiert. Für die Prognose werden jedoch alle, auch die nicht signifikanten Koeffizienten, herangezogen.
Die Adaptive Conjointanalyse (ACA) ist besser geeignet als die Choice-Based Conjoint-Analyse (CBC), wenn viele Probanden befragt werden sollen.
Falsch, wenn viele Eigenschaften abgefragt werden
Die Modellierung von Heterogenität ist nur wichtig, wenn sich der Forscher für Unterschiede zwischen den Probanden interessiert.
Welches Verfahren um folgende Frage zu untersuchen:
Unterscheidet sich das Einkommen von Männern versus Frauen in Management-Berufen?
Wie wichtig sind Gehalt, Standort und das soziale Engagement von Unternehmen bei der Berufswahl von Uni-Absolventen?
Welchen Einfluss nehmen Alter, Durchschnittsnote und Studienschwerpunkt darauf, ob Studierende 3 Monate nach Abschluss ihres Studiums einen Job gefunden haben oder nicht?
Welchen Einfluss nehmen Studiengang (BWL, VWL, Sonstige)und Geschlecht auf das Einkommen 1 Jahr nach Abschluss des Studiums?
Was bedeutet Endogenität? Erläutern Sie kurz zwei mögliche Ursachen für Ednogenität des Preises.
Der Pearson-Korrelationskoeffizient kann verwendet werden, um den Zusammenhang zwischen dem Geschlecht und dem genutzten Datenvolumen zu untersuchen.
Die logistische Regression eignet sich, um den Einfluss von demografischen Variablen auf die Höhe der monatlichen Rechnung (in €) zu untersuchen.
Probleme mit der Reliabilität können behoben werden, indem die Stichprobe vergrößert wird.
Nicht-Vergleichbarkeit von Experimentalgruppen ist ein Problem des Within-Subjects-Experimentaldesigns.
Konstrukte sollten möglichst mit Single-Item-Skalen gemessen werden.
Rein Pearsons-Korrelationskoeffizient von r=0 bedeutet, dass kein Zusammenhang zwischen zwei variablen besteht.
Falsch. Nur kein linearer Zusammenhang
Ein Korrelationskoeffizient nach Pearson für die Variablen A und B von r = 0,8 bedeu-tet, dass Variable A einen kausalen Einfluss auf Variable B hat.
Die Validität misst die Freiheit von Zufallsfehlern.
Das korrigierte R² bei einer linearen Regression ist interpretierbar als der Anteil der Varianz der abhängigen Variable, der durch die unabhängigen Variablen erklärt wird.
Bei einem Experiment vergleicht man immer zwei Gruppen von Probanden.
Falsch. Auch within-subjects möglich
Experimente sind immer besser als nicht-experimentelle Daten.
Falsch. Nur wenn gut gemacht (interne & externe Validität, genug Beobachtungen)
Die interne Validität ist entscheidend, damit man kausale Aussagen treffen kann.
Richtig
Welches Skalenniveau hat das Studiensemester?
Ratio
Welches Skalenniveau hat dieDurchschnittsnote(1–6)?
Intervall (oder ordinal)
Welches Skalenniveau hat der Studiengang?
Nominal
Welches Skalenniveau braucht man mindestens für die Berechnung von Varianz /Standardabweichung?
Intervall
Welches Skalenniveau braucht man mindestens für die Berechnung des Variations koeffizienten?
Welches Skalenniveau braucht man mindestens für die Berechnung der Spannweite?
Der Chi2-Test sagt etwas aus über die Stärke des Zusammenhangs zwischen zwei Variablen
Falsch. Sagt etwas über dieSignifikanz, nicht die Stärke des Zusammenhangs
Nichtparametrische Tests sind vor allem bei kleinen Stichproben sinnvoll.
Bei der Regressionsanalyse werden die Koeffizienten so bestimmt, dass die Summe der Residuen minimal wird.
Falsch. Die Summe der quadrierten Residuen
Das Bestimmtheitsmaß wird größer, wenn die Stichprobe größer wird.
Falsch
Das korrigierte Bestimmtheitsmaß wird größer, wenn mehr Freiheitsgrade vorhanden sind.
Bei einem Toleranzwert < 0,5 liegt eindeutig Multikollinearität vor.
Falsch. Ist nur ein Warnsignal
Autokorrelation ist vor allem relevant bei Zeitreihendaten.
Der F-Test überprüft die Stärke des Zusammenhangs zwischen unabhängigen und abhängiger Variable.
Falsch. Prüft die Signifikanz
Der F-Wert wird größer, wenn
Die unabhängigen Variablen können metrisch oder nominal skaliert sein.
Die Wahrscheinlichkeit, dass die abhängige Variable 1 ist, ist eine lineare Funktion der unabhängigen Variablen
Bei einem kleinen Sample sollte man auf Normalverteilung der Residuen prüfen.
Falsch. Bei der logistischen Regression trifft man keine Normalverteilungs-Annahme.
Elastizitäten sind ein geeignetes Maß für Effektstärken.
Die Faktorenanalyse ist geeignet für die Validierung von allen Multi-Item-Konstrukten.
Falsch. Nur reflektive
Bei der exploratorischen Faktorenanalyse trifft der Forscher die Annahme, dass die Variablen unkorreliert sind.
Falsch. Annahme, dass die Faktoren unkorreliert sind
Wenn man für mehrere Faktoren Summed Scores bildet, sind diese unkorreliert.
Falsch. Faktorwerte sind unkorreliert, Summed Scores nicht
Die Analyse zeigt, welche die richtige Anzahl an Faktoren ist.
Falsch: Es gibt kein richtig–ist Ermessensentscheidung
Bei der Conjointanalyse ist es wichtig, Präferenzen auf disaggregiertemNiveau zu messen.
Was muss bei der Auswahl von Eigenschaften nicht gelten?
Eine No Choice-Option ist vor allem wichtig, wenn man Zahlungsbereitschaften messen will.
Ein Choice Simulator nutzt aggregierte Teilnutzenwerte, um Marktanteile zu simulieren.
Falsch. NutztdisaggregierteTeilnutzen. Siehe erste Frage
Last changed2 years ago