Entwicklung von Software für die Schätzung von Mehrebenenstrukturgleichungsmodellen
Federführung: IPN
Soziale Kontextmerkmale wie Klassenklima, Klassenführung oder die soziale Zusammensetzung einer Schule oder Klasse, sind wichtige Faktoren für schulische Lernergebnisse. Um die Kontextmerkmale entsprechend zu modellieren, muss die Mehrebenenstruktur der erhobenen Daten berücksichtigt werden. Das bedeutet, dass die Daten auf verschiedenen Ebenen wie beispielsweise den unterschiedlichen Klassen oder Schulen betrachtet werden müssen. Ein besonderer Fokus lag dabei auf den folgenden drei Bereichen, die jeweils etwas näher beschrieben werden:
1. Entwicklung einer Software zur Schätzung von Mehrebenenstrukturgleichungsmodellen
Es wurde das R Paket LAM➚ entwickelt, das Schätzungen von linearen Mehrebenenmodellen mit latenten Variablen für zwei oder drei Ebenen erlaubt. Dabei wurde ein Bayes-Ansatz implementiert, der es ermöglicht auch unter ungünstigen Bedingungen (z. B. kleine Stichprobe) zuverlässige Ergebnisse zu erzielen.
2. Modellierung nicht-hierarchischer Mehrebenenstrukturen
Es wurde ein statistisches Modell entwickelt, das die Auswertung von Netzwerkdaten durch Strukturgleichungsmodelle ermöglicht. Dies hat den Vorteil, dass komplexere Beziehungen zwischen den Variablen unter gleichzeitiger Berücksichtigung von Messfehlern untersucht werden können. Dazu wurde das R Paket srm➚ entwickelt, welche durch umfangreiche Simulationsstudien evaluiert wurde.
3. Anwendung von Mehrebenenstrukturgleichungsmodellen in der Bildungsforschung
Es wurden drei projektnahe Arbeiten veröffentlicht, in denen das große analytische Potenzial von Mehrebenenanalysen demonstriert werden konnte. Exemplarisch wird hier eine der drei Arbeiten zusammgefasst. In einer Arbeit wurde untersucht, wie stabil die durch Schüler*innen wahrgenommene Unterrichtsqualität einer Lehrkraft über verschiedene Klassen hinweg ist (Fauth et al., in Druck). Es zeigte sich, dass ein sehr großer Anteil der Unterschiede in der Unterrichtsqualität auf Unterschiede zwischen den Klassen (und nicht der Lehrkräfte) zurückzuführen ist. Es ist damit davon auszugehen, dass die Qualität einer Lehrkraft sehr stark zwischen verschiedenen Klassen variiert.
Publikationen zu diesem Projekt:
Aldrup, K., Klusmann, U., Lüdtke*, O., Göllner, R. & Trautwein, U. (2018). Student misbehavior and teacher well-being: Testing the mediating role of the teacher-student relationship. Learning and Instruction, 58, 126–136. https://doi.org/10.1016/j.learninstruc.2018.05.006➚
Goetz, T., Keller, M. M., Lüdtke*, O., Nett, U. E. & Lipnevich, A. A. (2019). The dynamics of real-time classroom emotions: Appraisals mediate the relation between students’ perceptions of teaching and their emotions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0000415➚
Jansen*, M., Lüdtke*, O. & Robitzsch*, A. (2020). Disentangling different sources of stability and change in students’ academic self-concepts: An integrative data analysis using the STARTS model. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0000448➚
Lüdtke*, O., Robitzsch*, A. & Wagner, J. (2018). More stable estimation of the STARTS model: A Bayesian approach using Markov chain Monte Carlo techniques. Psychological methods, 23(3), 570–593. https://doi.org/10.1037/met0000155➚
Nestler, S., Lüdtke*, O. & Robitzsch*, A. (eingereicht). Analyzing longitudinal social relations model data using the social relations structural equation model. Structural Equation Modeling.
Nestler, S., Lüdtke*, O. & Robitzsch*, A. (eingereicht). Maximum likelihood estimation of a social relations structural equation model. Psychometrika.