Amelang und Zilinski, 3

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