Dr. Philipp Sterner
Reserach Associate (data management) | TUM
Dr. Philipp Sterner has been a postdoctoral researcher at the Centre for International Student Assessment since September 2025 and is responsible for the scaling in the data management of the PISA-study. His research focuses on the development of methods to investigate measurement invariance, specifically using methodology from machine learning and causal inference.
Vita
- Wissenschaftlicher Mitarbeiter (Post-Doc) und Datenmanager (Skalierung) an der Technischen Universität München, Programme for International Student Assessment (PISA; seit 09/2025)
- Wissenschaftlicher Mitarbeiter (Post-Doc) an der Ruhr-Universität Bochum und am Deutschen Zentrum für Psychische Gesundheit (DZPG; 01/2024 – 08/2025)
- Wissenschaftlicher Mitarbeiter an der Ludwig-Maximilians-Universität München, Department Psychologie (10/2021 – 10/2024)
- Promotion in Psychologie an der Ludwig-Maximilians-Universität München (Titel der Dissertation: “On the investigation of measurement invariance: New developments and a causal framework for future research”, 02/2025).
- Masterstudium Statistics and Data Science an der Ludwig-Maximilians-Universität München (04/2022 – 09/2025)
- Masterstudium Psychologie an der Ludwig-Maximilians-Universität München (10/2018 – 03/2021)
- Bachelorstudium Psychologie an der Ludwig-Maximilians-Universität München (10/2014 – 12/2017)
Forschungsinteressen
- Messinvarianz
- Maschinelles Lernen
- Kausale Inferenz
- Strukturgleichungsmodelle
Verantwortlichkeiten
- PISA 2025 Datenmanagement (Skalierung)
- PISA 2025 Methodenkapitel
Ausgewählte Publikationen
- Sterner, P., & Goretzko, D. (2023). Exploratory Factor Analysis Trees: Evaluating Measurement Invariance Between Multiple Covariates. Structural Equation Modeling: A Multidisciplinary Journal, 30(6), 871-886.
- Sterner, P., De Roover, K., & Goretzko, D. (2024). New Developments in Measurement Invariance Testing-An Overview and Comparison of EFA-based Approaches. Structural Equation Modeling: A Multidisciplinary Journal, 32(1), 117-135.
- Sterner, P., Pargent, F., Deffner, D., & Goretzko, D. (2024). A Causal Framework for the Comparability of Latent Variables. Structural Equation Modeling: A Multidisciplinary Journal, 31(5), 747-758.
- Sterner, P., Goretzko, D., & Pargent, F. (2025). Everything has its price: Foundations of costsensitive machine learning and its application in psychology. Psychological Methods, 30(1), 112-127.
- Sterner, P., Friemelt, B., Goretzko, D., Kraus, E. B., Bühner, M., & Pargent, F. (2024). Das Konfidenz-/Signifikanzniveau impliziert ein bestimmtes Kostenverhältnis zwischen Fehler 1. Art und Fehler 2. Art: Für ein stärkeres Einbeziehen der Entscheidungstheorie in die psychologische Einzelfalldiagnostik. Diagnostica, 70(3), 126–138.
- Goretzko D., Partsch, M. V., & Sterner, P. (2025). Embrace the heterogeneity in EFA but be transparent about what you do – A commentary on Manapat et al. (2023). Psychological Methods. Advance online publication.
- Goretzko, D., & Sterner, P. (2025). Exploratory Graph Analysis Trees - A Network-based Approach to Investigate Measurement Invariance with Numerous Covariates. Psychological Methods. Advance online publication.