Online Archiv
Wir freuen uns dass Sie sich für die folgende Veranstaltung anmelden möchten:
Statistik-Vertiefung III - Pfadanalyse und Strukturgleichungsmodelle /Structural equation modeling [DEU/ENG]
Michael Plöchl
Datum: 9. November 2021
09:00 - 14:00 Uhr
Ort: Online-Seminar - Die Einwahlinformationen zur Videokonferenz erhalten Sie zeitnah vor dem Termin.
Moderation: Michael Plöchl
Angebot durch: Center for Doctoral Studies Lübeck
Bereich/Kategorie: IWB-Kategorie Forschung
Zertifikatsprogramm: Forschungsmanagement
Arbeitseinheiten (AE): 7
Zielgruppe: Nachwuchswissenschaftler*innen
This course is scheduled in German but can also be held in English on request. Please send an email to dsc.service(at)uni-luebeck(dot)de at least 10 days in advance if needed. See English description below.
Strukturgleichungsmodelle (und Pfadanalysen als deren Sonderform) dienen sowohl der Formulierung als auch der Überprüfung theoretisch angenommener (Kausal-) Beziehungen zwischen Variablen. Verglichen mit klassischen Regressionsmodellen erlauben Strukturgleichungsmodelle die Abbildung und Analyse von wesentlich komplexeren Zusammenhängen. Zudem können im Modell auch nicht direkt messbare Variablen berücksichtigt werden. So lassen sich zum Beispiel das Zusammenspiel mehrerer psychischer Vorgänge und deren Einfluss auf bestimmte Verhaltensmuster untersuchen oder die Auswirkungen verschiedener gesellschaftlicher Faktoren auf die Marktentwicklung vorhersagen. Strukturgleichungsmodelle werden daher herangezogen, um komplexe Phänomene in Psychologie, Sozial- und Wirtschaftswissenschaften sowie vermehrt auch in den Naturwissenschaften zu modellieren und zu verstehen. Dabei vereinfacht die visuelle Darstellung das Nachvollziehen von Strukturen und Wechselwirkungen.
Dieser Kurs vermittelt und veranschaulicht die Funktionsweise von Pfadanalysen und Strukturgleichungsmodellen, sowie wichtige Aspekte bei deren Anwendung. Durch das Erstellen eines eigenen Strukturgleichungsmodells mittels kostenloser Software erleben die Teilnehmer die theoretischen Konzepte in Aktion und lernen diese sicher umzusetzen. Teilnahmeinteressierte sollten zumindest in Grundzügen mit linearer Regression und idealerweise auch mit Faktorenanalyse vertraut sein, um optimal vom Kurs profitieren zu können.
Structural equation modeling (including path analyses as a special case) is a powerful tool to formulate and test hypothesized (causal) relationships between variables. In comparison to classic regression models, structural equation models allow the construction and analysis of much more complex interrelations. Additionally, they are able to include latent variables that cannot be measured directly. Accordingly, structural equation models are widely used to model and understand complex phenomena in psychology, the social sciences, economics and increasingly also in the natural sciences. The visual representation of the respective structures furthermore facilitates the comprehension of elaborate interactions.
This workshop provides a comprehensive understanding of structural equation models and highlights important aspects regarding their implementation. By constructing their own model using a free software tool the participants experience the theoretical concepts in action an learn how to confidently apply them in their own research. To optimally benefit from the workshop participants should be familiar with the basics of linear regression and ideally also with factor analysis and/or principal component analysis.
Strukturgleichungsmodelle (und Pfadanalysen als deren Sonderform) dienen sowohl der Formulierung als auch der Überprüfung theoretisch angenommener (Kausal-) Beziehungen zwischen Variablen. Verglichen mit klassischen Regressionsmodellen erlauben Strukturgleichungsmodelle die Abbildung und Analyse von wesentlich komplexeren Zusammenhängen. Zudem können im Modell auch nicht direkt messbare Variablen berücksichtigt werden. So lassen sich zum Beispiel das Zusammenspiel mehrerer psychischer Vorgänge und deren Einfluss auf bestimmte Verhaltensmuster untersuchen oder die Auswirkungen verschiedener gesellschaftlicher Faktoren auf die Marktentwicklung vorhersagen. Strukturgleichungsmodelle werden daher herangezogen, um komplexe Phänomene in Psychologie, Sozial- und Wirtschaftswissenschaften sowie vermehrt auch in den Naturwissenschaften zu modellieren und zu verstehen. Dabei vereinfacht die visuelle Darstellung das Nachvollziehen von Strukturen und Wechselwirkungen.
Dieser Kurs vermittelt und veranschaulicht die Funktionsweise von Pfadanalysen und Strukturgleichungsmodellen, sowie wichtige Aspekte bei deren Anwendung. Durch das Erstellen eines eigenen Strukturgleichungsmodells mittels kostenloser Software erleben die Teilnehmer die theoretischen Konzepte in Aktion und lernen diese sicher umzusetzen. Teilnahmeinteressierte sollten zumindest in Grundzügen mit linearer Regression und idealerweise auch mit Faktorenanalyse vertraut sein, um optimal vom Kurs profitieren zu können.
Structural equation modeling (including path analyses as a special case) is a powerful tool to formulate and test hypothesized (causal) relationships between variables. In comparison to classic regression models, structural equation models allow the construction and analysis of much more complex interrelations. Additionally, they are able to include latent variables that cannot be measured directly. Accordingly, structural equation models are widely used to model and understand complex phenomena in psychology, the social sciences, economics and increasingly also in the natural sciences. The visual representation of the respective structures furthermore facilitates the comprehension of elaborate interactions.
This workshop provides a comprehensive understanding of structural equation models and highlights important aspects regarding their implementation. By constructing their own model using a free software tool the participants experience the theoretical concepts in action an learn how to confidently apply them in their own research. To optimally benefit from the workshop participants should be familiar with the basics of linear regression and ideally also with factor analysis and/or principal component analysis.