Bayesianische verteilungsbasierte Modelle für latente Variablen

In der Psychologie und verwandten Wissenschaften befasst sich ein Großteil der Forschung mit der Untersuchung latenter Variablen, d. h. mit Konstrukten, die nicht direkt beobachtbar sind. Statistische Methoden zur Modellierung latenter Variablen auf der Grundlage manifester (beobachtbarer) Indikatoren sind daher von entscheidender Bedeutung für den wissenschaftlichen Fortschritt in diesen Bereichen.

Es gibt zwei große, miteinander verbundene statistische Bereiche, die sich mit latenten Variablen befassen, nämlich die Item Response Theory (IRT) und das Structural Equation Modeling (SEM). Obwohl die beiden Bereiche eng miteinander verbunden sind, haben sich IRT und SEM in etwas unterschiedliche Richtungen entwickelt.

Eine Kombination dieser beiden großen Bereiche würde es ermöglichen, viele fortgeschrittene psychologische Forschungsfragen an der Schnittstelle zwischen Psychometrie, Personalpsychologie, kognitiver Psychologie und angewandter Psychologie anzugehen. Um bessere Einblicke in verhaltensbezogene und kognitive Prozesse zu gewinnen, sollten ihre mathematischen Approximierungen die Komplexität der Prozesse entsprechen, und zwar sowohl in Bezug auf die allgemeine Verteilungsform als auch auf ihre Komponenten, die als komplexe Funktionen von Vorhersagevariablen ausgedrückt werden.

Dieses Projekt zielt darauf ab, einen Rahmen für Bayesianische verteilungsbasierte Modelle für latente Variablen zu entwickeln, der die Prinzipien von IRT und SEM mit der Flexibilität der verteilungsbasierten Regression kombiniert, die durch moderne Bayesianische Berechnungsmethoden ermöglicht wird.

Projektmitglieder: Luna Fazio

Förderung: Deutsche Forschungsgemeinschaft (DFG), TU Dortmund