Navigation auf uzh.ch
Navigation auf uzh.ch
Alle Themen sind für Studierende aus allen Master-Schwerpunkten geeignet. Bei allen Themen erlernen Sie die Grundlagen des Programmierens mit R und die Durchführung von Simulationsstudien in R. Bei vielen Themen ist zudem die Veranschaulichung der Ergebnisse mithilfe von shiny apps möglich (Beispiele aus früheren Arbeiten finden Sie hier). Unter den einzelnen Themenbereichen werden Beispiele für mögliche Masterarbeitsthemen dargestellt. Je nach Nachfrage können zu einem Themenbereich auch mehrere, thematisch ähnliche Themen vergeben werden.
Aufgrund von Personalwechseln können fürs HS 2024 leider keine weiteren Masterarbeiten angenommen werden. Wenn Sie sich für eine Arbeit ab dem FS 2025 oder später interessieren, lassen Sie sich bitte auf die Warteliste setzen. Schreiben Sie hierzu eine Email mit dem gewünschten Startsemester an: methoden@psychologie.uzh.ch
Durch Klick auf die einzelnen Themen werden die Detail-Informationen angezeigt.
Modelle der Item Response Theory (IRT) sind weit verbreitet, um psychologische Tests zu validieren und auf dieser Grundlage die Fähigkeiten von Testpersonen zu schätzen.
Eine typische Annahme in der Anwendung von IRT-Modellen ist, dass die psychometrischen Eigenschaften der Testitems, wie etwa ihre Schwierigkeit, für alle Personen gleich sind. Ist diese Annahme verletzt, kann das zu einer systematischen Benachteiligung von Testpersonen führen.
Am Lehrstuhl für Psychologische Methodenlehre wurden neuartige statistische Verfahren entwickelt, um solche Problemen aufzudecken. Die Eigenschaften dieser Verfahren sollen mithilfe von Simulationsstudien untersucht werden, um daraus praktische Empfehlungen abzuleiten. Da Arbeiten in diesem Bereich stark auf Methoden der IRT aufbaut, wird der vorherige Besuch des Seminars zu diesem Thema empfohlen. Alternativ ist die eigenständige Einarbeitung anhand eines Lehrbuches möglich.
Random Forests sind ein sog. Ensemble Verfahren, bei dem mehrere hundert Klassifikations- und Regressionsbäume aggregiert werden. Die Prognose des Ensembles wird dadurch stabiler als die eines einzelnen Baumes, die Ergebnisse sind jedoch inhaltlich nicht mehr interpretierbar. Zur Beurteilung der Relevanz der Einflussgrößen müssen daher zusätzlich sog. Variable Importance Maße berechnet werden. Diese Maße werden bereits häufig zur Auswahl und Beurteilung von Einflussgrößen eingesetzt; ihre statistischen Eigenschaften sind allerdings noch nicht gut erforscht. Das Ziel von Arbeiten in diesem Themenbereich ist es deshalb, mithilfe von systematischen Simulationsstudien in R herauszufinden, welche inhaltlichen Aussagen durch Random Forest Variable Importance Maße gerechtfertigt sind. Arbeiten in diesem Bereich bauen auf den Inhalten der Vorlesung Statistik 2 auf. Der Besuch von Master-Seminaren zu verwandten Themen ist möglich aber keine Voraussetzung.
Da die Ergebnisse von Random Forests und anderen sog. "Black Box" Verfahren, wie z.B. Neural Networks, nicht direkt interpretierbar sind, wurden in der Literatur diverse Arten von Grafiken und Masszahlen vorgeschlagen, um z.B. die Stärke oder Form des Einflusses einzelner Variablen oder Interaktionen von Variablen auf die Vorhersage abzubilden. Viele dieser Darstellungen bergen allerdings ein hohes Risiko für Fehlinterpretationen, weil die Anwender*innen sich über ihre Einschränkungen nicht bewusst sind, oder auf gewohnte Interpretationen aus der parametrischen Statistik zurückgreifen, die hier nicht zutreffen. Das Ziel von Arbeiten in diesem Themenbereich ist es, anhand von simulierten Beispielen die Unterschiede zu klassichen statistischen Verfahren sowie mögliche Fehlinterpretationen herauszuarbeiten und zu illustrieren. Arbeiten in diesem Bereich bauen auf den Inhalten der Vorlesung Statistik 2 auf. Der Besuch von Master-Seminaren zu verwandten Themen ist möglich aber keine Voraussetzung.
