1. Auswertungsverfahren zu Analyse längsschnittlicher Daten
1.1. Grundlagen von Mehrebenenanalysen
1.2. Notwendigkeit von MEA
1.2.1. ICC
1.2.2. deff
1.3. Voraussetzungen von MEA
1.3.1. Multivariate Normalverteilung
1.3.2. Varianzhomogenität
1.3.3. Unkorreliertheit der Prädiktoren
1.3.4. Stichprobengröße
1.4. Modellklassen
1.4.1. Modellierung unterschiedlicher Ebenen
1.4.2. Berücksichtigung von Verzerrungen (TYPE=COMPLEX)
1.4.3. Analysen auf Individualebene
1.4.4. Analysen auf Klassenebene
1.5. Wachstumskurvenmodelle als Sonderfall
1.5.1. Modelierung von Zeit
1.5.1.1. Abgrenzung von Latent Change Modellen
1.5.2. Kodierung von Zeit
1.5.3. Nicht-Lineares Wachstum
1.5.3.1. Quadratisch
1.5.3.2. Piecewise
1.5.4. Second Order Growth (Exkurs)
1.5.4.1. Exkurs Messinvarianz
1.6. Schätzverfahren
1.6.1. ML
1.6.2. MLR
1.6.3. MLF
1.7. Gütekriterien
1.8. Interpretation von Effekten
2. Vorabanalysen
3. Lose Enden
3.1. Analyse von Querschnittsdaten
3.2. Kontexteffekte und Effekte auf Klassenebene
4. Problematik fehlender Werte
4.1. Was ist überhautpt das Problem, mit welchen Folgen?
4.2. Gründe für das Auftreten fehlernder Werte
4.3. Fehlende Werte in der vorliegenden Studie
4.3.1. wave-nonrepons
4.3.2. item-nonrepons
4.3.3. Besonderheit Ein-Item Maße
4.4. Ersetzen von fehlenden Werten
4.4.1. Klassische Verfahren
4.4.1.1. Nachteile
4.4.2. Single Imputation
4.4.2.1. Nachteile
4.4.3. Modellbasierte Verfahren
4.4.3.1. Vorteile
4.4.3.2. Nachteile
4.4.4. Multiple Imputation
4.4.4.1. Vorteile
4.4.4.2. Nachteile
4.4.4.2.1. Datenmassen
4.4.4.3. Vorraussetzungen
4.4.4.4. Verfahren
4.4.4.4.1. NORM
4.4.4.4.2. MICE
4.5. Konkretes Vorgehen in der Studie
4.5.1. Entscheidung MICE
4.5.1.1. Flexibilität
4.5.1.2. Einsetzen unterschiedlicher Verfahre
4.5.1.3. Normalverteilung
4.5.2. TWO-Way
4.5.3. Anzahl Datensätze
4.5.4. Spezieller Umgang mit längsschnittlichen Daten nötig?
4.5.5. Vorgehen in MEA-Setting
4.5.5.1. Prüfung anhand der ICCs
4.5.6. Wahl von Hilfsvariablen
4.5.7. Zusammenfassung des Vorgehens