Amelang und Zilinski, 3. Auflage 2002 Kapitel 7 Probleme und Differenzierungen von Prognosen 7.1 Kontextuale Faktoren und technische Verbesserungen 7.1.1 Verhaltensvariabilität in bestimmten Situationen führt situativer Druck zu Verhaltenskonformität dadurch schwinden traitgeleitete individuelle Verhaltensunterschiede (Beispiel: bei roter Ampel halten alle, hat nichts mit Persönlichkeit zu tun) Projektive Tests = großer Spielraum, individuelles Verhalten angeregt versus Auslesesituationen = Konformitätsdruck, z.B. hohe soziale Erwünschtheit gibt Antwort vor Beispiel Monson et al (1982): Extravertiertes Verhalten untersucht unter hohem vs. niedrigem situativem Druck o 2 Messungen Extraversion: vorher allgemein – später in best. Szenario o Szenarien gekennzeichnet durch unterschiedl. starken situativen Druck Monson’s Ergebnisse: a) Szenarien mehrdeutig: niedriger sit. Konformitätsdruck, Extraversionswerte aus der ersten allg. Messung bestätigt (indiv. Unterschiede traten erneut auf, r=.42) b) Szenarien eindeutig: hoher sit. Konformitätsdruck, Extraversionswerte aus der ersten allg. Messung traten verändert auf (indiv. Unterschiede fast weg, r=.12) FAZIT: Korrelationen zwischen erster Testung und zweiter Testung wurden schwächer, wenn durch die Situation hoher Konformitätsdruck vorgegeben und damit wenig Platz für indiv. Verhalten Individuelle Perzeption & Kognition (= Mediatoren zwischen Persönlichkeitseigenschaften und Verhalten) beachten, da auch Situationen mit hohem Konformitätsdruck evt. individuell unterschiedlich interpretiert werden könnten 7.1.2 Aktuelle Selbstaufmerksamkeit Selbstaufmerksamkeit (Fragebogen vor Spiegel ausfüllen) erhöht Validität von Selbstberichten bei inhaltsvaliden Messverfahren Tempobetonung kann Validität der Ergebnisse auch steigern (d.h. nicht alles schnell spontan nach soz. Erwünschtheit sondern langsamere u. reflektiertere Beantwortung) 7.1.3 Aggregation von Maßen Relalitätsverbesserung durch: Verlängerung des Tests (à la Spearman-Brown) Aggregation (mehrere Messungen eines Verhalt. mitteln) „Modes“ aufstellen = Aggregation von ähnl. Verhaltensweisen zu einer Dimension Aggregation bewirkt 1. Erhöhung der Reliabilität 2. Erhöhung der Heterogenität & inhalt. Breite Folge ist die Erhöhung der Validitäten Aggregation über Situationen: nur sinnvoll wenn ähnl. Situationen Zusammenfassung von Ruth Seite 1 von 3 7.1.4. Validität ohne Stabilität Änderungssensivität bei der Erfassung von States sehr wichtig Deswegen eignet sich Retestung nicht (aktuelle Zustände gekennzeichn. durch Instabilität) Folge andere Indices müssen verwendet werden Fragen Seite 467 7.2 Moderation & Identifikation von Personengruppen mit bes. hoher Vorhersagekraft Ghiselli (1963) entwickelte Testverfahren, mit dessen Hilfe Aussagen darüber möglich wurden: für welche Probanden kann man Vorhersagen zu best. Verhalten machen, für welche nicht (Test zur individuellen Prognostizierbarkeit) Beispiel Schulerfolg bei rigiden versus flexible Schüler o Sprachler versus Naturwissenschaftler - Sprachler mehr von Interessens geleitet (flexibler) als Naturwissenschaftler o Innerhalb der Sprachler auch noch Unterschiede: - rigide Sprachler = engagiert nach Interessen Interessen haben Vorhersagekraft - flexible Sprachler = überall engagiert, nicht nach Interessen Interessen haben keine Vorhersagekraft FAZIT: innerhalb von Gesamtstichprobe gibt es Substichproben (Sprach – Naturwiss.), für die unterschiedl. Vorhersagbarkeit gilt (flexible Spracher = gute, rigibe Sprachler = schlechte, generell für Sprachler bessere Vorhersagbarkeit) Fraktionierung von Stichproben: o Geprüfte Variable alternativ = z.B. nach Geschlecht o Geprüfte Variable mehrklassig diskret = z.B.nach Herkunft o ! Schwierig wenn kontinuierlich = dann an Median (! recht willkürlich) besser über regressionsanalytisches Modell Regressionsanalytisches Modell: Z ist als Moderatorvariable bestätigt, wenn Vorhersage des Kriteriums Y aus X und Z durch Hinzunahme des Terms XZ signifikant verbessert (Z muss also Zugewinn an Aufklärung von Y bringen, die X allein nicht beinhaltet) Prüfung quadratischer Moderatorfunktionen (u-förmige Verteilung): o Gut prognostizierbar = mittlerer Bereich o Schlecht Prognostizierbar = Extrembereiche (Ja-Sager und Nein-Sager) quadrat. Moderatorfunktion liegt dann vor, wenn multiple Korrelation unter Einschluss von Prädiktor XZ² höher wird Praktische Bedeutung z.B. hohe Lügenskalawerte, dann ist von geringerer Validität der Fragebogenergebnisse auszugehen / z.B. Ausmass an Selbstkontrolle und Selbstbewusstheit kann Einfluss haben Fragen Seite 473 7.3 Bindung von kriteriumsirrelevanten Prädiktorenvarianz: Suppression Bekannt: Verbesserung der Vorhersage des Kriteriums durch Aufnahme mehrerer Prädiktoren (multiple Regression) Zusammenfassung von Ruth Seite 2 von 3 Auch bekannt: Verbesserung der Vorhersage des Kriteriums durch Aufnahme von Supressorvariablen Beispiel: Pilotenauswahl: Mechanical ability Numerical ability sagen Erfolg in der Ausbildung (Kriterium Y ) vorher Spatial ability ! aber Verbal ability = Suppressorvariable (hat nichts mit Ausbildungserfolg zu tun, sondern damit, dass mit guter Verbal ability Testaufgaben besser verstanden werden) Arten von Suppressorvariablen o Suppressor korreliert mit anderem Prädiktor, aber nicht mit Kriterium = PartKorrelation (oder auch Semi-Partialkorrelation) K P S (zum selber reinmalen!) Partkorrelation o Supressor korreliert mit Kriterium und Prädiktor und wird auspartialisiert = Partialkorrelation Partialkorrelation Zusammenfassung von Ruth Seite 3 von 3