Ein Bayesianischer Modellrahmen für die Auswertung von Daten aus längsschnittlichen Large-scale Assessments

• Antragstellerinnen / Antragsteller: Professor Dr. Christian Aßmann, Ph.D.; Professor Dr. Claus Carstensen; Professorin Dr. Steffi Pohl
• Fachliche Zuordnung: Empirische Sozialforschung ; Statistik und Ökonometrie
• Förderung: Förderung von 2014 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 263946158

• Erstellungsjahr: 2021

Zusammenfassung der Projektergebnisse

Ziel war die Erweiterung eines Modellierungsframeworks, welches typische Anforderungen an die Datenanalyse von LSAs adressiert. In unserem Projektteil haben wir dazu beigetragen den Schätzalgorithmus zu entwickeln, fehlende Werte in Antwortvariablen sowie log-Daten zu integrieren sowie mit Verletzungen der Messinvarianzanalyse umzugehen. Insbesondere für den letzten Aspekt der Messinvarianz, haben wir ein eigenes Verfahren entwickelt, für verschiedene Datenkonstellationen erweitert, geprüft und in Form von R-Code zugänglich gemacht. Die Bausteine der drei Projektpartner sind zum Teil bereits kombiniert (z.B. die Integration von log Daten und fehlende Wert in Antwortvariablen in den entwickelten Schätzalgorithmus). Insgesamt stellen diese ein umfassendes Paket an Analysemöglichkeiten zur Verfügung, die sowohl für die Analyse von LSAs, aber auch von anderen Daten genutzt werden können.

Projektbezogene Publikationen (Auswahl)

• (2015). Bayesian estimation in IRT models with missing values in background variables. Psychological Test and Assessment Modeling, 4, 595–618
  Aßmann, C., Gaasch, C., Pohl, S., & Carstensen, C. H.
  
• (2021). Finding clusters of measurement invariant items for continuous covariates. Structural Equation Modeling: A Multidisciplinary Journal, 28(2), 219-228
  Schulze, D., & Pohl, S.
  
• (2016). Estimation of plausible values considering partially missing background information: A data augmented MCMC approach. In H.-P. Blossfeld, J. v. Maurice, M. Bayer, & J. Skopek (Eds.), Methodological Issues of Longitudinal Surveys (pp. 503–521). Wiesbaden: Springer Fachmedien Wiesbaden
  Aßmann, C., Gaasch, C., Pohl, S., & Carstensen, C. H.
  
• (2017). Cluster-based anchor item identification and selection (NEPS Working Paper No. 69). Bamberg: Leibniz Institute for Educational Trajectories, National Educational Panel Study
  Pohl, S., Stets, E., & Carstensen, C.H.
  
• (2020). Assessing group comparisons or change over time under measurement non-invariance: The cluster approach for nonuniform DIF. Psychological Test and Assessment Modeling, 62(2), 281-303
  Pohl, S., & Schulze, D.
  
• (2020). Performance of missing data approaches under nonignorable missing data conditions. Methodology, 16(2), 147-165
  Pohl, S. & Becker, B.
  
• (2021). Partial measurement invariance: Extending and evaluating the cluster approach for identifying anchor items. Applied Psychological Measurement
  Pohl, S., Schulze, D., & Stets, E.