Search

Das Kapitel bietet eine Einführung in die Grundlagen der konfirmatorischen Faktorenanalyse (CFA). Im Rahmen der modernen Testkonstruktion stellt die CFA ein wichtiges Instrument zur Überprüfung der Dimensionalität und damit der faktoriellen Validität eines Tests dar. So können die theoretischen Annahmen eines Modells wie die Anzahl der Faktoren und die Zuordnung der Testitems zu den Faktoren explizit als Hypothesen aufgestellt und getestet werden. In diesem Kapitel werden theoretische Bezüge der CFA zur Klassischen Testtheorie (KTT) hergestellt, praktische Aspekte der Hypothesenbildung, Modellspezifikation und -identifikation behandelt sowie ein kurzer Überblick über Schätzverfahren und Gütekriterien zur Modellevaluation gegeben. Die CFA wird für ausgewählte ein- und mehrdimensionale Modelle an einem empirischen Beispiel vorgestellt. Der Einsatz der CFA zur Überprüfung der Messäquivalenz von Items, die für die Reliabilitätsschätzung von Bedeutung ist, werden ebenso besprochen wie Möglichkeiten des Modellvergleichs, der Modellmodifikation und der Überprüfung der Messinvarianz eines Tests über verschiedene Gruppen oder Messzeitpunkte hinweg. Die konfirmatorische Faktorenanalyse (CFA, confirmatory factor analysis) unterscheidet sich von der exploratorischen Faktorenanalyse (EFA) dadurch, dass mit ihr die Passung theoretisch begründeter Modelle zu empirischen Daten überprüft werden kann, während mit der EFA nach unbekannten zugrunde liegenden Strukturen gesucht wird. Die theoretischen Annahmen eines Modells wie die Anzahl der Faktoren und die Zuordnung der Testitems zu den Faktoren werden explizit als Hypothesen aufgestellt und getestet. Deskriptiv- und inferenzstatistische Gütekriterien bieten eine Entscheidungsgrundlage, ob ein Modell angenommen oder verworfen werden sollte. Neben der Güte des Gesamtmodells können auch die einzelnen Zusammenhänge zwischen Items und Faktoren auf Signifikanz geprüft werden. Aufgrund ihrer Eigenschaften stellt die CFA ein wichtiges Instr

Perfectionism nowadays is frequently understood as a multidimensional personality trait with two higher-order dimensions of perfectionistic strivings and perfectionistic concerns. While perfectionistic concerns are robustly found to correlate with negative outcomes and psychological malfunctioning, findings concerning the outcomes of perfectionistic strivings are inconsistent. There is evidence that perfectionistic strivings relate to psychological maladjustment on the one hand but to positive outcomes on the other hand as well. Moreover, perfectionistic strivings and perfectionistic concerns frequently showed substantial overlap. These inconsistencies of differential relations and the substantial overlap of perfectionistic strivings and perfectionistic concerns raise questions concerning the factorial structure of perfectionism and the meaning of its dimensions. In this study, several bifactor models were applied to disentangle the common variance of perfectionistic strivings and perfectionistic concerns at the item level using Hill et al.’s (2004) Perfectionism Inventory (PI). The PI measures a broad range of perfectionism dimensions by four perfectionistic strivings and four perfectionistic concerns subscales. The bifactor-(S – 1) model with one general factor defined by concern over mistakes as the reference facet, four specific perfectionistic strivings factors, and three specific perfectionistic concerns factors showed acceptable fit. The results revealed a clear separation between perfectionistic strivings and perfectionistic concerns, as the general factor represented concern over mistakes, while the perfectionistic strivings factors each explained a substantial amount of reliable variance independent of the general factor. As a result, factor scores of the specific perfectionistic strivings factors and the general factor had differential relationships with achievement motivation, neuroticism, conscientiousness, and self-efficacy that met with theoretical ex

Dieses Kapitel vermittelt folgende Lernziele: Vorteile von Strukturgleichungsmodellen für Datenanalysen kennen. Den Aufbau der Modelle und die dahinterstehenden Gleichungen verstehen. Verstehen, wie empirische Daten mit Strukturgleichungsmodellen analysiert werden. Einfache Analysen selbst durchführen und interpretieren können. Voraussetzungen und Probleme des Einsatzes von Strukturgleichungsmodellen kennen. Ergebnisse aus Analysen kritisch beurteilen können.