PropertyValue
?:abstract
  • In dieser Arbeit werden Informationskriterien für die Klassenidentifikation im Rahmen von Multiple Indicator Growth Mixture Modellen evaluiert. Diese Identifikation von latenten Verlaufsklassen wird unter den Simulationsbedingungen von fehlender Invarianz der Messung und unterschiedlichen Klassendistanzen bewertet. Die dabei verwendeten Daten basieren auf einer Monte-Carlo-Simulationsstudie. Dieses Paper erweitert bisherige Ergebnisse dahingehend, dass ein breiteres Spektrum an IC-Indizes evaluiert wird. Dabei werden alle bisher vorgeschlagenen IC-Maße auf ihre Fähigkeit zur Klassenidentifikation untersucht und mit neueren Vorschlägen in Bezug gesetzt. Darunter auch der Hierarchical BIC, welcher die latente Klassenstruktur explizit bei seiner Berechnung berücksichtigt. Die Auswertungen der Simulationsergebnisse zeigen, dass der Hierarchical BIC eine gänzlich andere Indentifikationsstruktur aufweist als alle anderen betrachten IC-Indizes und besonders bei geringer Distanz zwischen den Verlaufsklassen vergleichsweise gute Ergebnisse liefert. (xsd:string)
?:contributor
?:dateModified
  • 2019 (xsd:gyear)
?:datePublished
  • 2019 (xsd:gyear)
?:doi
  • 10.18419/opus-10599 ()
?:duplicate
?:hasFulltext
  • true (xsd:boolean)
is ?:hasPart of
?:inLanguage
  • de (xsd:string)
?:issn
  • 2199-7780 ()
?:linksDOI
?:linksURN
?:location
is ?:mainEntity of
?:name
  • Informationskriterien zur latenten Klassenidentifikation für Multiple Indicator Growth Mixture Models (xsd:string)
?:provider
?:publicationType
  • Arbeitspapier (xsd:string)
?:sourceInfo
  • GESIS-SSOAR (xsd:string)
rdf:type
?:url
?:urn
  • urn:nbn:de:bsz:93-opus-ds-106160 ()
?:volumeNumber
  • 46 (xsd:string)