Suche Sie sind auf der nach Ort, um volle E-Books ohne Download lesen? Lesen Sie hier Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung. Sie können auch lesen und neue und alte volle E-Books herunterladen. Genießen Sie und entspannen Sie, vollständige Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung Bücher online zu lesen. . KLICKEN SIE HIER, UM DIESES BUCH ZUM KOSTENLOSEN DOWNLOAD
Beschreibungen Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung Kostenloses Ebook
Vorwort Multivariate statistische Auswertungsmethoden – mit oder ohne Verwendung latenter Va- ablen – werden in den empirischen Sozialwissenschaften zunehmend häufiger eingesetzt. Gilt es doch in vielen Studien Fragestellungen bezüglich komplexer Zusammenhangsstr- turen zwischen einer Vielzahl von Variablen zu untersuchen. Da es hierbei erwünscht ist, zufällige Messfehlereinflüsse zu berücksichtigen, haben multivariate statistische Verfahren mit latenten Variablen in den letzten Jahrzehnten zunehmende Verbreitung in den Sozi- wissenschaften gefunden. Statistische Modelle mit latenten Variablen ermöglichen es, Me- fehlereinflüsse in der Analyse explizit zu berücksichtigen und die unerwünschten Effekte von Messfehlern auf statistische Ergebnisse – wie beispielsweise die verzerrte Schätzung von Korrelations- oder Regressionskoeffizienten – zu vermeiden. Warum hat sich der Autor dazu entschlossen, ausgerechnet ein Buch zum Comput- programm Mplus zu schreiben? Mplus ermöglicht die Analyse einer großen Vielzahl unt- schiedlicher multivariater statistischer Modelle und Verfahren – mit und ohne latente Va- ablen – in einem einzigen Modellierungs-Framework (Muthén, 2002; Muthén & Muthén, 1998-2007; Muthén & Muthén, 2007). Eine Besonderheit ist dabei, dass in Mplus neben - dellen mit kontinuierlichen latenten Variablen („latenten Faktoren“) auch Modelle mit ka- gorialen latenten Variablen (latenten Klassenvariablen) analysiert werden können. Derartige Latent-Class-Modelle (siehe Kapitel 6) lassen sich in Mplus zudem mit dem Ansatz linearer Strukturgleichungsmodelle (siehe Kapitel 3) verbinden (z.B. bei der Analyse sogenannter Growth-Mixture-Modelle, bei denen unterschiedliche „Wachstumstypen“ Gegenstand der Analyse sind).Vorwort Multivariate statistische Auswertungsmethoden – mit oder ohne Verwendung latenter Va- ablen – werden in den empirischen Sozialwissenschaften zunehmend häufiger eingesetzt. Gilt es doch in vielen Studien Fragestellungen bezüglich komplexer Zusammenhangsstr- turen zwischen einer Vielzahl von Variablen zu untersuchen. Da es hierbei erwünscht ist, zufällige Messfehlereinflüsse zu berücksichtigen, haben multivariate statistische Verfahren mit latenten Variablen in den letzten Jahrzehnten zunehmende Verbreitung in den Sozi- wissenschaften gefunden. Statistische Modelle mit latenten Variablen ermöglichen es, Me- fehlereinflüsse in der Analyse explizit zu berücksichtigen und die unerwünschten Effekte von Messfehlern auf statistische Ergebnisse – wie beispielsweise die verzerrte Schätzung von Korrelations- oder Regressionskoeffizienten – zu vermeiden. Warum hat sich der Autor dazu entschlossen, ausgerechnet ein Buch zum Comput- programm Mplus zu schreiben? Mplus ermöglicht die Analyse einer großen Vielzahl unt- schiedlicher multivariater statistischer Modelle und Verfahren – mit und ohne latente Va- ablen – in einem einzigen Modellierungs-Framework (Muthén, 2002; Muthén & Muthén, 1998-2007; Muthén & Muthén, 2007). Eine Besonderheit ist dabei, dass in Mplus neben - dellen mit kontinuierlichen latenten Variablen („latenten Faktoren“) auch Modelle mit ka- gorialen latenten Variablen (latenten Klassenvariablen) analysiert werden können. Derartige Latent-Class-Modelle (siehe Kapitel 6) lassen sich in Mplus zudem mit dem Ansatz linearer Strukturgleichungsmodelle (siehe Kapitel 3) verbinden (z.B. bei der Analyse sogenannter Growth-Mixture-Modelle, bei denen unterschiedliche „Wachstumstypen“ Gegenstand der Analyse sind).
