Kategorie:
Dissertation ohne Themenbindung

Dr. Marie-Ann Sengewald

Zum Werdegang

• Zusätzlich seit Juli 2019 wissenschaftliche Mitarbeiterin des Leibniz-Instituts für Bildungsverläufe (Abteilung Methodenentwicklung)
• Seit September 2017 wissenschaftliche Mitarbeiterin der Professur für psychologische Methoden empirischer Bildungsforschung an der Universität Bamberg.
• 2012 - 2017 wissenschaftliche Mitarbeiterin am Lehrstuhl für Methodenlehre und Evaluationsforschung der Friedrich-Schiller-Universität Jena.
• 2005 - 2011 Studium der Psychologie an der Friedrich-Schiller-Universität Jena.

Dissertation: Latent Covariates

Zusammenfassung

In der psychologischen Forschung treten häufig Messfehler auf. Latente Variablen Modelle ermöglichen
es für Messfehler zu kontrollieren, allerdings finden entsprechende Methoden typischerweise
keine Anwendung bei der Schätzung von Behandlungseffekten. In nicht-randomisierten Studienwerden
in der Regel Kovariaten erhoben und adjustierte Behandlungseffekte in einer (generalisierten)
Kovarianzanalyse oder mit propensity score Methoden geschätzt. Ob der Effekt einer Behandlung
unverfälscht geschätzt werden kann, hängt von der Wahl der Kovariaten und der Implementierung
des Adjustierungsverfahrens ab. In der Praxis wird oft vernachlässigt, dass nicht alle Kovariaten
reliabel erfasst werden können, wobei die Adjustierung für unreliable Kovariaten zu einer verfälschten
Schätzung von kausalen Effekten führen kann. Adjustierungsverfahren mit latenten Kovariaten
wurden entwickelt. Ich untersuche die Bedeutung von latenten Kovariaten für die Effektschätzung,
sowie die Implementierung von Adjustierungsverfahren mit latenten Kovariaten. Hierfür stelle ich
analytische und empirische Befunde aus drei vorwiegend in Erstautorenschaft angelegten Studien
vor. Zwei Studien behandeln die Verfälschung des durchschnittlichen Behandlungseffektes durch die
Adjustierung für unreliable Kovariaten.Die dritte Studie stellt ein neuesMessmodell für latente Variablen
vor. Ich fasse unsere Ergebnisse zusammen und leite Implikationen für die psychologische und
psychometrische Forschung ab. Es ist nicht immer wichtig ist für latente Kovariaten zu adjustieren.
Aber unter bestimmten Bedingungen können latente Kovariaten die Schätzung des durchschnittlichen
Behandlungseffektes substantiell verbessern. Unsere Ergebnisse zeigen, dass Adjustierungsverfahren
mit latenten Kovariaten erfolgreich in empirischen Anwendungen implementiertwerden können.
Darüber hinaus kann unser Messmodell die Modellierung latenter Variablen verbessern. Weiterführende
psychometrische Forschungsfragen werden aufgezeigt. Die Erkenntnisse für die Anwendung
und Weiterentwicklung von Verfahren zur Modellierung latenter Variablen und zur Schätzung
von Behandlungseffekten in Quasi-experimenten können die psychologische Forschung bereichern.

Korrespondierende Publikationen

• Sengewald, M.-A., Pohl, S., & Steiner, P. M. (2019). When does measurement error in covariates impact causal effect estimates? - Analytical derivations of different scenarios and an empirical illustration. British Journal of Mathematical and Statistical Psychology,72(2), 244-270. https://doi.org/10.1111/bmsp.12146
• Sengewald, M.-A., & Pohl, S. (2019). Compensation and amplification of attenuation bias in causal effect estimates. Psychometrika. 84(2), 589-610. https://doi.org/10.1007/s11336-019-09665-6
• Thielemann, D., Sengewald, M.-A., Kappler, G., & Steyer, R. (2017). A probit latent state IRT
  model with latent item-effect variables. European Journal of Psychological Assessment, 33(4),
  271-284. doi: https://doi.org/10.1027/1015-5759/a000417