Inhalte:
Konkret wird Prof. Dr. Webster vermitteln, wie man Zusammenhänge zwischen bestimmten Variablen in mehrere Datensätzen untersucht und das Ergebnis in einer integrativen Analyse zusammenfasst. Integrative Datenanalyse ist damit eine Alternative zu einer kleineren Metaanalyse. Dies ist insbesondere für Daten im Bildungsbereich sehr interessant, jedoch nicht darauf beschränkt.

Voraussetzungen:
Vorkenntnisse im Umgang mit SPSS sind erforderlich. Die Erbringung einer Studienleistung ist möglich, aber nicht notwendig.
Ebenso wird es möglich sein, mit eigenen Daten zu rechnen. Sollten Sie noch keine eigenen Daten mitbringen können, wird es Beispieldatensätze zur Verwendung geben.

Anmeldung
Melden Sie Ihre Teilnahme bis zum 10. Juni 2022 über bildungsforschung@iew.uni-hannover.de an oder tragen Sie sich bei StudIP in die Veranstaltung INTEGRATIVE DATA ANALYSIS ein.

Bei Rückfragen wenden Sie sich bitte ebenfalls an diese Email-Adresse.
Es wird auch möglich sein, nur einzelne Termine des Kursangebots zu nutzen (siehe Kursplan). Bitte geben Sie diesen Wunsch jedoch bitte zur besseren Planbarkeit bereits bei Ihrer Anmeldung an. Teilen Sie ebenfalls mit, ob Sie den Kurs mit eigenen Datensätzen bzw. einer eigenen Fragestellung besuchen möchten.

Gregory  D. Webster ist nicht nur ein exzellenter Forscher, er hat auch ein besonders Talent dafür, komplexe Methoden verständlich zu erklären und motivierend zu vermitteln.
Wir freuen uns sehr, Prof. Webster im Rahmen des Gastwissenschaftler*innen-Programms an der Philosophischen Fakultät begrüßen zu können.

Purpose and Description

When researchers have access to raw data from multiple studies (vs. solely effects sizes), then they may wish to use integrative data analysis (IDA; Curran & Hussong, 2009) instead of meta-analysis. Like meta-analysis, IDA requires that the independent and dependent variables be respectively similar across studies, preferably measuring the same underlying constructs. After aggregating or stacking the data, analyses — typically multiple regressions — are done at the case or person level instead of the study level. This allows for greater flexibility than meta-analysis, including the ability to test nonlinear and interactive effects (moderators). Like meta-analysis, one can also code for study-level differences (in design, participant demographics, etc.). IDA is especially useful for aggregating data across one’s own studies in multi-study papers because one often has the raw data and because IDA makes fewer implicit assumptions (e.g., linearity) than meta-analysis.

Schedule of Events and Topics

Articles

Curran, P. J., & Hussong, A. M. (2009). Integrative data analysis: The simultaneous analysis of multiple data sets. Psychological Methods, 14(2), 81–100. https://doi.org/10.1037/a0015914

Webster, G. D., Smith, C. V., Brunell, A. B., Paddock, E. L., & Nezlek, J. B. (2017). Can Rosenberg’s (1965) Stability of Self Scale capture within-person self-esteem variability? Meta-analytic validity and test–retest reliability. Journal of Research in Personality, 69, 156–169. https://doi.org/10.1016/j.jrp.2016.06.005