Modellierung und Vorhersage nicht-linearer Bildungsverläufe

 
  • Förderung: RWTH Start-Up Programm
  • Projekttitel: Modeling and predicting non-linear changes in educational trajectories: The multilevel latent growth components approach
  • Antragsteller: Prof. Dr. Axel Mayer
  • Projektmitarbeiter: Christoph Kiefer, M. Sc. & Caroline Keck, B. Sc.
  • Laufzeit: 12 Monate, 2017-2018

Zusammenfassung

Die Untersuchung von Bildungsverläufen ist eine zentrale Aufgabe der Sozial- und Bildungswissenschaften. Allerdings erfordert die Beantwortung einer Forschungsfrage wie "Verbessert ein Fachwechsel nach dem ersten Studienjahr die Studienzufriedenheit nachhaltig?" bereits ein statistisches Modell, welches a) die potenziell nicht-linearen Verläufe von Zufriedenheit, b) multiplen Analyseebenen (d.h. Studenten, Universitäten etc.) und c) ein Messmodell für Studienzufriedenheit, die nicht direkt beobachtbar ist, berücksichtigt. In diesem Projekt nutzen wir Daten des Nationalen Bildungspanels (NEPS) um einen neuen statistischen Ansatz zu entwickeln und illustrieren, der alle drei genannten Herausforderungen berücksichtigt. Bei diesem Ansatz handelt es sich um ein latentes Mehrebenen-Wachstumskomponenten-Modell (ML-LGCoM), das den Verlauf eines interessierenden Outcomes mit entsprechender Komplexität modellieren kann. Ein wichtiges Feature ist, dass die funktionelle Form des Verlaufs nicht vordefiniert werden muss - im Gegensatz zu latenten Wachstumskurven-Modellen. Damit können auch individuelle Verläufe adequat modelliert werden.

In unserem NEPS-Beispiel modellieren wir die (nicht-lineare) Entwicklung von Studienzufriedenheit über vier Jahre. Dabei untersuchen wir Verläufe auf individuelller und Studiengangs-Ebene. Das neue statistische Modell ist vielfältig anwendbar und hilft Forschern einen detaillierten Blick in die menschlische Entwicklung über die Lebensspanne zu erhalten.

Publikationen

Kiefer, C., Rosseel, Y., Wiese, B. S. & Mayer, A. (2018). Modeling and predicting non-linear changes in educational trajectories: The multilevel latent growth components approach. Psychological Test and Assessment Modeling, 60(2), 189-221.