Hypothesen (mit Tipps)

Workshop: Ein bisschen KI schadet nie?

Datensatz: paco_sim_workshop.csv

500 Kinder (4 Schulformen: Gymnasium, Realschule, Hauptschule, Grundschule), bis zu 21 Tagebuchmesspunkte pro Kind. Zentrale Variablen: child_selfesteem_1–3 (State-Selbstwert, je 1–7), child_selfefficacy_1–3 (Selbstwirksamkeit, je 1–7), school_type, parent_inv_1–3, parent_overload_1–3, day, child_id.

Erster Schritt für alle: Komposita bilden (rowMeans über die drei Items je Konstrukt).

✅ Pflicht – H1 & H2

Alle Teilnehmenden bearbeiten H1 und H2.

H1 – Unterschiede zwischen Schulformen

Kinder aus unterschiedlichen Schulformen unterscheiden sich bereits zu Beginn des Untersuchungszeitraums in ihrem Selbstwert.

Hinweise zur Analyse:

  • Nur Tag 1 verwenden (day == 1) → querschnittlicher Gruppenvergleich
  • Selbstwert als Summenscore oder Mittelwert der drei Items operationalisieren
  • Methode: einfaktorielle ANOVA oder lineares Modell mit school_type als Prädiktor
  • Visualisierung: Boxplot oder Stripchart nach Schulform

H2 – Zusammenhang zwischen Selbstwirksamkeit und Selbstwert

An Tagen, an denen Kinder eine höhere Selbstwirksamkeit berichten, berichten sie auch einen höheren Selbstwert.

Diese Hypothese betrifft primär within-person Variation.

Hinweise zur Analyse:

  • Alle Tage verwenden (Längsschnittstruktur)
  • Selbstwirksamkeit und Selbstwert als Summenscores operationalisieren
  • Einstieg: einfache Regression oder Korrelation über alle Beobachtungen
  • Methodisch korrekt: Mehrebenenmodell mit lme4 (Random Intercept für child_id)
  • Person-Mean-Centering empfohlen, um Within- und Between-Person-Effekte zu trennen

➕ Optional – H3

Wer H1 und H2 abgeschlossen hat, bearbeitet H3.

H3 – Heterogenität des Zusammenhangs

Der Zusammenhang zwischen Selbstwirksamkeit und Selbstwert variiert zwischen Kindern.

Diese Unterschiede könnten mit familiären Merkmalen zusammenhängen, insbesondere:

  • elterliche Beteiligung am Distanzlernen (parent_inv_1–3)
  • elterliche Überforderung (parent_overload_1–3)
  • Schulform (school_type)

Hinweise zur Analyse:

  • Aufbauend auf dem H2-Multilevel-Modell: Random Slope für Selbstwirksamkeit hinzufügen
  • Modellvergleich: Random Intercept (H2) vs. Random Slope (H3) via anova()
  • Cross-Level-Interaktionen: selfefficacy_within × parent_inv_sum etc.
  • Visualisierung: Histogramm oder Ridgeline-Plot der individuellen Slopes

⭐ Bonus – H4 bis H7

Für sehr schnelle Teilnehmende. Keine Musterlösung vorhanden — explorativer Charakter.

H4 – Veränderungen im Zeitverlauf

Der Zusammenhang zwischen Selbstwirksamkeit und Selbstwert könnte sich vor und nach Tag 11 (Verschärfung der Lockdown-Maßnahmen) verändern. Variable: critical_event (0/1).

H5 – Zeitverzögerte Effekte (Lagged)

Die Selbstwirksamkeit an einem Tag sagt den Selbstwert am folgenden Tag vorher. Erfordert eine Lag-Variable (selfefficacy_lag1).

H6 – Wechselseitige Dynamik (Cross-Lagged)

Selbstwert und Selbstwirksamkeit beeinflussen sich gegenseitig über die Zeit:

  • Selbstwirksamkeit → zukünftiger Selbstwert
  • Selbstwert → zukünftige Selbstwirksamkeit

H7 – Veränderung der Dynamik über die Zeit

Die Stärke der wechselseitigen Effekte zwischen Selbstwert und Selbstwirksamkeit verändert sich im Verlauf der Studie.