Differentielle Prognostizierbarkeit von Schulleistung (Forschungsberichte des Landes Nordrhein-Westfalen)

Kapitel. Besonders im Kontext der Typologischen Pradiktion spielen Klassifikationsverfahren (Clusteranalysen) eine bedeutsarne Rolle. 1. Zur Problematik der Vorhersage von Schulleistung.- 1.1 Notwendigkeit von Schulleistungsprognosen.- 1.2 Erstellung von Schulleistungsorognosen.- 1.3 Differentielle Prognostizierbarkeit.- 1.4 Zielsetzung der Untersuchung.- 2. Durchfhrung der Untersuchung.- 2.1 Prdiktorvariablen.- 2.1.1 Intelligenz.- 2.1.1.1 Faktorenstruktur des PSB.- 2.1.1.2 Grundintelligenztest CFT 3.- 2.1.2 Interessen.- 2.1.3 Schul- und Prfungsangst.- 2.1.4 Schulbezogene Motivation.- 2.1.5 Orientierung an institutionellen Normen.- 2.1.6 Einstellung zu Lehrern und Schule.- 2.2 Sozialer Kontext.- 2.2.1 Husliches und schulisches Lernumfeld.- 2.2.2 Freizeitverhalten und Zukunftsperspektiven.- 2.3 Kriteriumsvariablen.- 2.4 Stichproben.- 2.5 Datenanalyse.- 2.5.1 Datenmanagement.- 2.5.2 Gruppierungsverfahren (Clusteranalyse).- 2.5.3 Verfahren der deskriptiven Statistik und Inferenzstatistik.- 3. Zusammenhnge zwischen Einzelmerkmalen und Schulleistung.- 3.1 Intelligenz.- 3.2 Interessen.- 3.3 Schulbezogene Motivation und Angst.- 4. Multivariate Beziehungen zwischen den Prdiktoren und Schulleistung.- 4.1 Regressionsanalyse mit dem Gesamtprdiktorensatz.- 4.2 Analyse der Struktur der Prdiktoren und des Kriteriums.- 4.2.1 Analyse des Prdiktorensatzes.- 4.2.2 Analyse des Kriteriums.- 4.3 Regressionsanalyse mit einem reduzierten Prdiktorensatz.- 4.4 Auswahl optimaler Prdiktorkombinationen.- 4.5 Regressionsanalyse mit Hauptkomponenten.- 4.6 Kanonische Analyse.- 5. Differentielle Prognostizierbarkeit und Moderatoranalyse.- 5.1 Moderierte Regression.- 5.2 Untergruppen-Moderatoranalyse.- 5.2.1 Schulangstsyndrom als Moderator.- 5.2.2 Schulnoten der Untergruppen.- 5.2.3 Moderatorwirkungen.- 5.2.3.1 Gesamtintelligenz, Schulangst und Schulleistung.- 5.2.3.2 Intelligenzuntertestwerte, Schulangst und Schulnoten.- 5.2.4 Interkorrelationen und Faktorenstruktur der Schulnoten bei hoch- und niedrigngstlichen Schlern.- 5.2.5 Lngsschnittanalyse der Schulnoten von hoch- und niedrigngstlichen Schlern.- 5.2.6 Soziales Umfeld von Hoch- und Niedrigngstlichen.- 6. Differentielle Prognostizierbarkeit und Automatische Interaktionsaufklrung.- 6.1 Beschreibung des Verfahrens AID (Automatic Interaction Detector).- 6.2 AID-Analyse fr das Fach Deutsch.- 6.3 AID-Analyse fr die Fcher Mathematik und Englisch.- 7. Differentielle Prognostizierbarkeit und Typologische Prdiktion.- 7.1 Konzept der Typologischen Prdiktion.- 7.2 Typenanalyse und Schulleistung.- 7.2.1 Exhaustive versus nicht-exhaustive Gruppierung.- 7.2.2 Beschreibung der Schlertypen.- 7.2.3 Schlertypen und Schulleistung.- 7.2.4 Soziales und schulisches Umfeld der Schlertypen.- 7.2.5 Freizeitverhalten und Zukunftsperspektiven der Schlertypen.- 7.2.6 Person-Situations-Konfigurationen der Schlertypen.- 7.2.7 Schulleistungstypen und Schlertypen.- 7.3 Typenanalyse und Schullaufbahnverlauf.- 7.3.1 Beschreibung der Schlertypen.- 7.3.2 Schlertypen und Schullaufbahn.- 8. Diskussion der Ergebnisse.- 9. Methodenvergleich verschiedener Clusteranalyseverfahren.- 9.1 Ablaufschema einer Clusteranalyse.- 9.2 Darstellung und Transformation der Eingabedaten.- 9.3 hnlichkeits- und Distanzmae.- 9.4 Homogenittsmae.- 9.5 Gruppierungsarten.- 9.6 Beschreibung der zu vergleichenden Clusteranalysen.- 9.6.1 Automatische Klassifkation (AUKL).- 9.6.2 Mode-Analysis (MODE).- 9.6.3 Normal-mixture-analysis (NORMIX).- 9.6.4 Iterative Clusteranalyse von MCRAE (YMIKCA).- 9.7. Durchfhrung der Verfahrensvergleiche (I).- 9.7.1 Anwendung der Clusteranalysen auf die IRIS-Daten.- 9.7.2 Kriterien zum Vergleich von Clusteranalyseergebnissen.- 9.7.3 Ergebnisse der Automatischen Klassifikation.- 9.7.4 Ergebnisse der Mode-Analysis.- 9.7.5 Ergebnisse der Normal-mixture-analysis.- 9.7.6 Ergebnisse des iterativen Verfahrens von MCRAE.- 9.8 Durchfhrung der Verfahrensvergleiche (II).- 9.8.1 Anwendung der Clusteranalysen auf pschologische Daten.- 9.8.2 Kriterien zum Vergleich von Clusteranalyseergebnissen bei “natrlichen” Daten.- 9.8.3 Ergebnisse der Automatischen Klassifikation.- 9.8.4 Ergebnisse der Mode-Analysis.- 9.8.5 Ergebnisse der Normal-mixture-analysis.- 9.8.6 Ergebnisse des iterativen Verfahrens von MCRAE.- 9.9 Zusammenfassung und Diskussion.- 10. Ausblick.- Namenverzeichnis.