Advertisement

Methoden der Veränderungsmessung

Chapter
Part of the Springer Reference Psychologie book series (SRP)

Zusammenfassung

Der Vielfalt entwicklungspsychologischer Theorien und Annahmen steht eine Vielfalt der Möglichkeiten zur Datenanalyse gegenüber. Dieses Kapitel hat drei Ziele: (1) Forschenden in der Entwicklungs- und Erziehungspsychologie Konzepte und statistische Methoden der Veränderungsmessung näherzubringen. (2) Die Möglichkeiten und Grenzen jener Methoden aufzuzeigen und (3) so den Forschenden zu helfen, passende Methoden zur Untersuchung entwicklungspsychologischer Fragestellungen auszuwählen. Das Kapitel widmet sich im ersten Teil wichtigen Konzepten wie den Dimensionen, auf denen Veränderung stattfinden kann, dem Messen von Veränderung, dem Thema fehlende Werte und zwei häufigen Fehlkonzeptionen im Zusammenhang mit Veränderungsmessung. Im zweiten Teil stellt das Kapitel konkrete statistische Methoden und Modelle zur Veränderungsmessung vor. Besprochen werden autoregressive Modelle, Modelle für Mittelwertveränderungen, Modelle für Statusveränderung und Entwicklungsmuster sowie Methoden zur Untersuchung von Variabilität und dynamischen Entwicklungsprozessen. Zusammenfassend zeigt der Überblick über die Methoden der Veränderungsmessung und ihre Anwendungen in psychologischen Studien die Wichtigkeit der Passung zwischen theoretischer Fragestellung und empirischer Methode auf, um mit validen Daten psychologisches Wissen um Veränderungs- und Entwicklungsprozesse zu erweitern.

Schlüsselwörter

Längsschnittanalysen Konzepte der Veränderungsmessung Autoregressive Modelle Mittelwertveränderung Entwicklungsmuster Variabilität 

Literatur

  1. Aunola, K., Tolvanen, A., Viljaranta, J., & Nurmi, J.-E. (2013). Psychological control in daily parent-child interactions increases children’s negative emotions. Journal of Family Psychology, 27, 453–462.CrossRefGoogle Scholar
  2. Baltes, P. B., Reese, H. W., & Nesselroade, J. R. (1977). Life-span developmental psychology: Introduction to research methods. Monterey: Brooks/Cole.Google Scholar
  3. Bauer, D. J., & Curran, P. J. (2003). Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes. Psychological Methods, 8, 338–363.CrossRefGoogle Scholar
  4. Becker, M., Lüdtke, O., Trautwein, U., Köller, O., & Baumert, J. (2012). The differential effects of school tracking on psychometric intelligence: Do academic-track schools make students smarter? Journal of Educational Psychology, 104, 682–699.CrossRefGoogle Scholar
  5. Berger, F. (2006). Zur Wirkung unterschiedlicher materieller Incentives in postalischen Befragungen. ZUMA-Nachrichten, 58, 81–100.Google Scholar
  6. Berger, F., Grob, U., Fend, H., & Lauterbach, W. (2005). Möglichkeiten zur Optimierung der Rücklaufquote in postalischen Befragungen. Bericht über die Vorstudie zum Forschungsprojekt LifE. Zeitschrift für Soziologie der Erziehung und Sozialisation, 25, 99–107.Google Scholar
  7. Bergman, L. R., & Vargha, A. (2013). Matching method to problem: A developmental science perspective. European Journal of Developmental Psychology, 10, 9–28.CrossRefGoogle Scholar
  8. Bergman, L. R., Magnusson, D., & El-Khouri, B. M. (2002). Studying individual development in an interindividual context. A person-oriented approach. Mahwah: Lawrence Erlbaum Associates.Google Scholar
  9. Bergman, L. R., Nurmi, J.-E., & von Eye, A. (2012). I-states-as-objects-analysis (ISOA): Extensions of an approach to studying short-term developmental processes by analyzing typical patterns. International Journal of Behavioral Development, 36(3), 237–246.CrossRefGoogle Scholar
  10. Biesanz, J. C., Deeb-Sossa, N., Papadakis, A. A., Bollen, K. A., & Curran, P. J. (2004). The role of coding time in estimating and interpreting growth curve models. Psychological Methods, 9, 30–52.CrossRefGoogle Scholar
  11. Borkenau, P., & Ostendorf, F. (1998). The Big Five as states: How useful is the five-factor model to describe intra-individual variations over time? Journal of Personality Research, 32, 202–221.CrossRefGoogle Scholar
  12. Dietrich, J., Kracke, B., & Nurmi, J.-E. (2011). Parents’ role in adolescents’ decision on a college major: A weekly diary study. Journal of Vocational Behavior, 79, 134–144.CrossRefGoogle Scholar
  13. Duncan, T. E., & Duncan, S. C. (2004). An introduction to latent growth curve modeling. Behavior Therapy, 35, 333–363.CrossRefGoogle Scholar
  14. Eid, M., Gollwitzer, M., & Schmitt, M. (2010). Statistik und Forschungsmethoden. Weinheim: Beltz.Google Scholar
  15. Enders, C. K. (2010). Applied missing data analysis. New York: Guilford Press.Google Scholar
  16. Erikson, E. H. (1989). Identität und Lebenszyklus. Frankfurt a. M.: Suhrkamp.Google Scholar
  17. Flaherty, B. P. (2008). Testing the degree of cross-sectional and longitudinal dependence between two discrete dynamic processes. Developmental Psychology, 44, 468–480.CrossRefGoogle Scholar
  18. Frenzel, A. C., Pekrun, R., Dicke, A.-L., & Goetz, T. (2012). Beyond quantitative decline: Conceptual shifts in adolescents’ development of interest in mathematics. Developmental Psychology, 48(4), 1069–1082.CrossRefGoogle Scholar
  19. Geiser, C. (2011). Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung. Wiesbaden: VS-Verlag.CrossRefGoogle Scholar
  20. Gniewosz, B. (2017). Multi-Level Analysen in Erziehungs- und Sozialisationskontexten. In P. Noack & B. Kracke (Hrsg.), Handbuch Entwicklungs- und Erziehungspsychologie. Heidelberg: Springer.Google Scholar
  21. Granic, I., Dishion, T. J., & Hollenstein, T. (2003). The family ecology of adolescence: A dynamic systems perspective on normative development. In G. R. Adams & M. D. Berzonsky (Hrsg.), Blackwell handbook of adolescence (S. 60–91). Malden: Blackwell.Google Scholar
  22. Hamaker, E. L. (2012). Why researchers should think „within-person“: A paradigmatic rationale. In M. R. Mehl & T. S. Conner (Hrsg.), Handbook of methods for studying daily life (S. 43–61). New York: Guilford Publications.Google Scholar
  23. Heckhausen, J., Wrosch, C., & Schulz, R. (2010). A motivational theory of life-span development. Psychological Review, 117, 32–60.CrossRefGoogle Scholar
  24. Hollenstein, T. (2007). State space grids: Analyzing dynamics across development. International Journal of Behavioral Development, 31, 384–396.CrossRefGoogle Scholar
  25. Hollenstein, T. (2011). Twenty years of dynamic systems approaches to development: Significant contributions, challenges, and future directions. Child Development Perspectives, 5, 256–259.CrossRefGoogle Scholar
  26. Jung, T., & Wickrama, K. A. S. (2008). An introduction to latent class growth analysis and growth mixture modeling. Social and Personality Psychology, 2(1), 302–317.  https://doi.org/10.1111/j.1751-9004.2007.00054.x.CrossRefGoogle Scholar
  27. Lanza, S. T., Patrick, M. E., & Maggs, J. L. (2010). Latent transition analysis: Benefits of a latent variable approach to modeling transitions in substance use. Journal of Drug Issues, 40(1), 93–120.CrossRefGoogle Scholar
  28. Legewie, J. (2012). Die Schätzung von kausalen Effekten: Überlegungen zu Methoden der Kausalanalyse anhand von Kontexteffekten in der Schule. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 64, 123–153.CrossRefGoogle Scholar
  29. Little, R. J. A., & Rubin, D. B. (2002). Statistical analysis with missing data. New York: Wiley.CrossRefGoogle Scholar
  30. Little, T. D., Slegers, D. W., & Card, N. A. (2006). A non-arbitrary method of identifying and scaling latent variables in SEM and MACS models. Structural Equation Modeling, 13, 59–72.CrossRefGoogle Scholar
  31. Mayer, A., Geiser, C., Infurna, F., & Fiege, C. (2013). Modelling and predicting complex patterns of change using growth component models: An application to depression trajectories in cancer patients. European Journal of Developmental Psychology, 10, 40–59.CrossRefGoogle Scholar
  32. McArdle, J. J., & Hamagami, F. (2001). Latent difference score structural models for linear dynamic analysis with incomplete longitudinal data. In L. M. Collins & A. G. Sayer (Hrsg.), New methods for the analysis of change (S. 137–175). Washington, DC: American Psychological Association.Google Scholar
  33. McKnight, P., McKnight, K., Sidani, S., & Figueredo, A. J. (2007). Missing data. A gentle introduction. New York: Guilford.Google Scholar
  34. Molenaar, P. C. M. (2013). On the necessity to use person-specific data analysis approaches in psychology. European Journal of Developmental Psychology, 10, 29–39.CrossRefGoogle Scholar
  35. Molenaar, P. C. M., Sinclair, K. O., Rovine, M., Ram, N., & Corneal, S. E. (2009). Analyzing developmental processes on an individual level using non-stationary time series modeling. Developmental Psychology, 45, 260–271.CrossRefGoogle Scholar
  36. Musher-Eizenman, D. R., Nesselroade, J. R., & Schmitz, B. (2002). Perceived control and academic performance: A comparison of high- and low-performing children on within-person change patterns. International Journal of Behavioral Development, 26, 540–547.  https://doi.org/10.1080/01650250143000517.CrossRefGoogle Scholar
  37. Muthén, B., Asparouhov, T., Hunter, A., & Leuchter, A. (2011). Growth modeling with non-ignorable dropout: Alternative analyses of the STARD antidepressant trial. Psychological Methods, 16, 17–33.CrossRefGoogle Scholar
  38. Orth, U., Trzesniewski, K. H., & Robins, R. W. (2010). Self-esteem development from young adulthood to old age: A cohort-sequential longitudinal study. Journal of Personality and Social Psychology, 98, 645–658.CrossRefGoogle Scholar
  39. Piaget, J. (2000). Psychologie der Intelligenz. Stuttgart: Klett-Cotta.Google Scholar
  40. Ram, N., Brose, A., & Molenaar, P. C. M. (2013). Dynamic factor analysis: Modeling person-specific process. In T. Little (Hrsg.), Oxford handbook of quantitative methods (Statistical analysis, Bd. 2, S. 441–457). New York: Oxford University Press.Google Scholar
  41. Ranta, M., Dietrich, J., & Salmela-Aro, K. (2014). Career and romantic relationship goals and concerns during emerging adulthood. Emerging Adulthood, 2, 17–26.CrossRefGoogle Scholar
  42. Reitzle, M. (2013). Introduction: Doubts and insights concerning variable- and person-oriented approaches to human development. European Journal of Developmental Psychology, 10, 1–8.CrossRefGoogle Scholar
  43. Rost, J. (2006). Latent-Class-Analyse. In F. Petermann & M. Eid (Hrsg.), Handbuch der Psychologischen Diagnostik (S. 275–287). Göttingen: Hogrefe.Google Scholar
  44. Schmiedek, F., Lövdén, M., & Lindenberger, U. (2013). Keeping it steady: Older adults perform more consistently on cognitive tasks than younger adults. Psychological Science, 24, 1747–1754.  https://doi.org/10.1177/0956797613479611.CrossRefPubMedGoogle Scholar
  45. Schmitz, B., & Perels, F. (2006). Potenziale der Zeitreihenanalyse in der Pädagogischen Psychologie. In H. Merkens & A. Ittel (Hrsg.), Veränderungsmessung und Längsschnittstudien in der empirischen Erziehungswissenschaft (S. 45–59). Wiesbaden: VS-Verlag.CrossRefGoogle Scholar
  46. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Boston: Houghton Mifflin.Google Scholar
  47. Stemmler, M. (2017). Personen-orientierte Entwicklungspsychologie als eine alternative Methode zum Variablen-orientierten Ansatz. In P. Noack & B. Kracke (Hrsg.), Handbuch Entwicklungs- und Erziehungspsychologie. Heidelberg: Springer.Google Scholar
  48. Stemmler, M., & von Eye, A. (2012). Configural Frequency Analysis (CFA) and other non-parametrical statistical methods (Special Issue) – Part I and II. Psychological Tests and Assessment Modeling, 54, 149–150.Google Scholar
  49. Steyer, R., Eid, M., & Schwenkmezger, P. (1997). Modeling true intraindividual change: True change as a latent variable. Methods of Psychological Research – Online, 2, 21–33.Google Scholar
  50. Stößel, K., Titzmann, P. F., & Silbereisen, R. K. (2014). Being ‚Them‘ and ‚Us‘ at the same time? Subgroups of cultural identification change among adolescent Diaspora immigrants. Journal of Cross-Cultural Psychology, 45(7), 1088–1108.  https://doi.org/10.1177/0022022114534770.
  51. Tuominen-Soini, H., Salmela-Aro, K., & Niemivirta, M. (2011). Stability and change in achievement goal orientations: A person-centered approach. Contemporary Educational Psychology, 36, 82–100.CrossRefGoogle Scholar
  52. Van de Schoot, R., Lugtig, P., & Hox, J. (2012). A checklist for testing measurement invariance. European Journal of Developmental Psychology, 9, 486–492.CrossRefGoogle Scholar
  53. Van der Giessen, D., Branje, S., Frijns, T., & Meeus, W. (2013). Dyadic variability in mother-adolescent interactions: Developmental trajectories and associations with psychosocial functioning. Journal of Youth and Adolescence, 42, 96–108.CrossRefGoogle Scholar
  54. Vermunt, J. K., & Magidson, J. (2002). Latent class analysis. In J. A. Hagenaars & A. L. McCutcheon (Hrsg.), Applied latent class analysis (S. 89–106). New York: Cambridge University Press.CrossRefGoogle Scholar
  55. Wang, L., Hamaker, E., & Bergeman, C. (2012). Investigating inter-individual differences in short-term intra-individual variability. Psychological Methods, 17, 567–581.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für ErziehungswissenschaftFriedrich-Schiller-Universität JenaJenaDeutschland

Personalised recommendations