Vergleich zwischen HAWIK-III und HAWIK-IV für Testanwender

Transkript

1 Sonderdruck aus: Vergleich zwischen Diagnostica, 55, und Heft 4, Hogrefe Verlag Göttingen Vergleich zwischen und für Testanwender Maike Lipsius und Franz Petermann Zusammenfassung. Mit der vorliegenden Studie soll anhand eines Vergleichs zwischen und, beides Versionen des Wechsler-Intelligenztests für Kinder und Jugendliche zwischen 6 und 16 Jahren, dem Testanwender eine Hilfestellung gegeben werden, wie mit den Modifikationen zwischen beiden Testversionen umgegangen werden kann. Dafür wurden 223 Kinder und Jugendliche mit beiden Testversionen untersucht. Es zeigen sich sehr hohe Korrelationen zwischen beiden Gesamt-IQ. Auf Indexebene ergaben sich höhere Korrelationen in den Indizes, die nur geringe Unterschiede zwischen und aufweisen. Dagegen zeigten diejenigen Indizes niedrigere Zusammenhänge, bei denen einschneidende Veränderungen durch eine neue Untertestzusammensetzung vorgenommen wurden. Um dem Testanwender eine Richtlinie vorzugeben, welche -Werte zu erwarten sind, wenn die -Ergebnisse vorliegen, wurden die erwarteten Werte und ihre Konfidenzintervalle berechnet und für ausgewählte IQ-Werte dargestellt. Die Ergebnisse der vorliegenden Studie sprechen dafür, im Regelfall den dem Vorgängerverfahren vorzuziehen. In der Verlaufsdiagnostik kann der weiterhin Anwendung finden, sofern er in der Eingangsdiagnostik eingesetzt wurde. Schlüsselwörter:,, Intelligenzdiagnostik, Flynn-Effekt, Validität A comparison of the German WISC-III and WISC-IV for practitioners Abstract. This study deals with the comparison of the German WISC-IV and its predecessor, the German WISC-III, both of which are intelligence tests for children aged between 6 and 16 years. Both test versions were administered to 223 children. Substantive correlations were found for Full Scale IQ as well as Composite and Scaled Scores. The highest correlation was found between the scales in which the least changes were made in the new test version, whereas scales with more differences in the subtest structure showed lower correlations. Ranges of expected WISC-IV composite scores were calculated for selected WISC-III IQ scores to give a guideline which WISC-IV score can be expected if the WISC-III score is available. The authors recommend using the recent version of the HAWIK as a general rule. Only if the was applied before an intervention or training is it advisable to administer the again in order to examine the effects of the intervention or training. Key words: WISC-III, WISC-IV, assessment of intelligence, Flynn effect, validity Die Intelligenzdiagnostik bildet den Schwerpunkt einer psychologischen Leistungsdiagnostik, die über die Darstellung eines normbasierten und ressourcenorientierten Leistungsprofils die Diagnose der kognitiven Leistungsfähigkeit einer Person ermöglicht (Daseking, Janke & Petermann, 2006; Petermann & Köller, 2008). Mit dem (Petermann & Petermann, 2008 b) steht seit einiger Zeit eine aktualisierte und grundlegend überarbeitete Version der Wechsler-Skalen für Kinder und Jugendliche zwischen 6 und 16 Jahren bereit, die damit die Vorgängerversion, den (Tewes, Rossmann & Schallberger, 2002), ablöst. Einen wichtigen Aspekt für die Praxis stellt die Vergleichbarkeit verschiedener Testergebnisse dar. Testanwender sollten von einer Vergleichbarkeit des neuen Testverfahrens mit der vorherigen Version ausgehen können, wenn beispielsweise mit Hilfe des Testverfahrens für eine Verlaufsdiagnostik die Entwicklung eines Patienten anhand der alten Version (hier ) vor Beginn der Maßnahme und der neuen Version (hier ) nach Beendigung der Maßnahme abgebildet werden soll. Abweichungen im Intelligenzniveau der Menschen über die vergangenen Jahre (Flynn-Effekt, Flynn, 1999, 2007) führen jedoch zu einer deutlichen Verschiebung in der zugrundeliegenden Vergleichspopulation, die eine ausreichende Übereinstimmung möglicherweise gefährden. Zudem stellt die WISC-IV und damit ebenso der eine deutliche Neuorientierung der Wechsler-Skalen dar, bei denen unter anderem auf die bisher übliche Einteilung in Verbalund Handlungsteil verzichtet wurde (Petermann & Petermann, 2008 a). Während der nach dem ursprünglichen Wechsler-Konzept entwickelt wurde, orientiert sich der an der aktuellen Cattell-Horn-Carroll-Theorie (CHC-Modell, Daseking, Petermann & Petermann, 2007; McGrew, 2005). Dies beinhaltet deutliche strukturelle Veränderungen auf Untertest- und Indexebene. Zudem wurden in der WISC-IV inhaltliche Veränderungen vorgenommen. So wurden Bewertungskriterien überarbeitet, Durchführungsanweisungen modifiziert, eine größere Anzahl an Lern- und Übungsaufgaben eingefügt und der Zeitdruck reduziert. Insofern befasst sich die vorliegende Studie mit der Vergleichbarkeit als Aspekt der Validität und weniger der Reliabilität (der Frage etwa, in welchem Maße Differenzen zwischen den Tests einem Messfehler zuzurechnen sind). Auch wenn die psychometrische Äquivalenz hier nicht primärer Gegenstand ist, werden auch Ergebnisse einer gemeinsamen Faktorenanalyse berichtet. DOI: / Veröffentlicht unter der Hogrefe OpenMind-Lizenz [

2 256 Maike Lipsius und Franz Petermann Zur Prüfung, ob diese konzeptuellen Veränderungen die Vergleichbarkeit von und beeinträchtigen, wurde im Rahmen der Validierung des eine Korrelationsstudie zwischen ihm und seinem Vorgänger durchgeführt (Lipsius, 2009). Für die amerikanischen Versionen WISC-III und WISC-IV wurde eine entsprechende Korrelationsstudie bereits im Technical and Interpretive Manual zur WISC-IV (Wechsler, 2003) publiziert. Korrelationsstudien zwischen Wechsler-Versionen oder Wechsler-Tests und anderen Intelligenztestverfahren geben Hinweise auf die zu erwartende Höhe der Korrelationen zwischen den Ergebnissen der beiden hier gegenständlichen Testversionen und -IV (siehe u. a. Tewes, Rossmann & Schallberger, 2002; Wechsler, 1991, 2003). Innerhalb der Wechsler-Versionen ergaben sich auf Index- und Gesamt-IQ-Ebene Korrelationen zwischen r =.61 und.92. Der Untertestvergleich wies Korrelationen zwischen r =.42 und.88 auf. Demnach können für den Vergleich zwischen den Ergebnissen des und -IV ähnlich hohe Korrelationen erwartet werden. Die Reliabilitäten erweisen sich auf Ebene der Index- Werte und des Gesamt-IQ als nahezu identisch. Auf Ebene der Untertests sind teilweise größere Abweichungen zu verzeichnen (siehe Testmanuale). Als Untertest mit der höchsten Differenz zwischen der Reliabilität im HAWIK- III und stellt sich das Bilder ergänzen dar, gefolgt vom Gemeinsamkeiten finden. Methoden Stichprobe Den Analysen liegen Daten von 223 Kindern zugrunde. Der zeitliche Abstand zwischen beiden Testungen lag bei 128 Kindern und Jugendlichen durchschnittlich bei 39 Tagen (SD = 16 Tage, Minimum 5, Maximum 104 Tage), bei 95 Kindern und Jugendlichen lagen durchschnittlich 8 Monate und 18 Tage (SD = 5 Monate und 12 Tage, Minimum 4, Maximum 24 Monate) zwischen beiden Testungen (zum Studiendesign siehe Abb. 1). Die unterschiedlich großen Re-Testintervalle zwischen der ersten und zweiten Testung stellen demnach eine Kontrolltechnik für den Lerneffekt dar. Der Abstand von einem Monat entspricht dabei dem in Korrelationsstudien üblichen Intervall (siehe u. a. Wechsler, 2003). Für diese Stichprobe wird ein großer Lerneffekt erwartet. Ein Intervall von etwa einem halben Jahr wurde gewählt, da ab diesem Zeitpunkt von einem eher geringen Lerneffekt ausgegangen werden kann (siehe u. a. McCaffrey, Duff & Westervelt, 2000). Sowohl für das kurze als auch für das lange Intervall konnte eine annähernde Gleichverteilung hinsichtlich des Geschlechts (46 % männlich und 54 % weiblich im kurzen sowie 52 % männlich und 48 % weiblich im langen Intervall) erreicht werden. Jeweils etwa 34 % der Kinder besuchten zum Testzeitpunkt eine Grundschule bzw. das Gymnasium. Knapp 19 % gingen auf die Realschule, 11,2 % auf eine Gesamt- schule und lediglich 1,3 % waren zum Testzeitpunkt in der Hauptschule (vgl. zum Studiendesign, Lipsius, 2009). ca. 1 Monat ca. 6 Monate t 1 t 2a t 2b Gesamtstichprobe kurzes Intervall langes Intervall Das Studiendesign Anmerkungen: t 1 entspricht dem ersten Testzeitpunkt, an dem sämtliche Kinder getestet wurden. t 2a stellt den zweiten Testzeitpunkt für die Kinder mit einem kurzen Re-Testintervall und t 2b für die Kinder mit einem langen Re-Testintervall dar. Abbildung 1. Das Studiendesign. Statistische Methoden Um Reihenfolgeeffekte ausschließen zu können, wurden den 223 Kindern und in ausbalancierter Reihenfolge vorgegeben. Bei 111 Kindern wurde zuerst der durchgeführt, 112 Kinder bearbeiteten zuerst den. Auch getrennt nach der Höhe des Re-Testintervalls wurde auf eine ausbalancierte Reihenfolge geachtet. Dabei wurden Mittelwert (M), Standardabweichung (SD) und Korrelationen (r) zwischen und -Werten zunächst getrennt für diese beiden Gruppen berechnet. Aus den beiden Mittelwerten wurde das arithmetische Mittel gebildet, die gemittelten Standardabweichungen entsprechen der Wurzel aus der gepoolten Varianz (berechnet über Formel 10.4, Cohen, 1996), die Korrelationen wurden über eine Fisherz-Transformation gemittelt. Um die Höhe des Effektes der Testvorgabe anzugeben, wurde zusätzlich die Standarddifferenz angegeben. Die Korrelationen wurden hinsichtlich der Varianzeinschränkung bei Stichproben auf zweifache Weise korrigiert. Weist eine Validierungsstudie eine eingeschränkte Stichprobe auf, die nicht den gesamten Umfang möglicher Leistungsbereiche abdeckt, führt eine Korrektur dazu, dass die Werte eher der Gesamtstichprobe entsprechen. Gemäß Cascio (1991) schätzen korrigierte Koeffizienten den wahren Zusammenhang besser als Koeffizienten ohne Korrektur. Die Korrekturformel, wie sie für den Vergleich zwischen den entsprechenden amerikanischen Versionen WISC-III und WISC-IV verwendet wurde, lautet nach Guilford und Fruchter (1978): r corr 1 = r c ( S u S c ) r 1 r c 2 + r 2 c * ( S u 2 ) S c 2,

3 Vergleich zwischen und 257 wobei r c dem Korrelationswert der vorliegenden Validierungsstichprobe mit eingeschränkter Varianz, S c der SD der vorliegenden und S u der SD der Gesamtstichprobe der -Normierung entspricht (Epstein, Mooney, Ryser & Pierce, 2004). Für den Vergleich HAWIK-R und wurde die Formel r corr 2 = r 1 S c 2 1 r c 2 S u 2 verwendet (Lienert & Raatz, 1998). Im Folgenden werden die Ergebnisse beider Korrekturvarianten angegeben, aufgrund der moderateren Berechnungsweise jedoch nur die nach der amerikanischen Version korrigierten Werte interpretiert. Zudem wurde die Differenz beider Korrelationen je nach Testvorgabe auf Signifikanz überprüft. Mittels linearer Regressionsanalyse wurden aus den Skalenwerten des die korrespondierenden Werte des vorhergesagt und die entsprechenden 95 %-Konfidenz- bzw. Vertrauensintervalle bestimmt. Dabei wird der vorhergesagte Wert unter Ausschluss der Konstante in die Gleichung berechnet. Der vorhergesagte Wert für jeden empirisch ermittelten IQ-Wert des ergibt sich aus der Multiplikation des -Wertes mit der Steigung der Regressionsgerade (dem Beta-Gewicht). Ergebnisse Es zeigten sich keine signifikanten Unterschiede hinsichtlich der Höhe der Korrelationen zwischen den Stichproben mit langem und kurzem Re-Testintervall (Fisher-z- Test). Daher konnte bei den folgenden Berechnungen auf die Gesamtstichprobe zurückgegriffen werden. Hinweise auf die Konstruktvalidität gibt eine gemeinsame Faktorenanalyse, welche sämtliche Untertests beider Testversionen berücksichtigt (vgl. dazu Lipsius, 2009). Dabei laden die Untertests der beiden Sprachverständnis- Indizes auf einem Faktor, die Untertests der Indizes Wahrnehmungsorganisation (WO) und Wahrnehmungsgebundenes Logisches Denken (WLD) auf einem zweiten Faktor, die Untertests der Indizes Unablenkbarkeit und Arbeitsgedächtnis auf einem dritten und die Untertests der beiden Geschwindigkeitsindizes auf einem vierten Faktor. Somit kann davon ausgegangen werden, dass sich trotz der unterschiedlichen theoretischen Einbettung beider Testversionen keine interpretatorisch bedeutsamen Unterschiede ergeben. Stichprobenkennwerte Aufgrund des Flynn-Effekts ist zu erwarten, dass die Mittelwerte in den Indizes und im Gesamt-IQ des Tabelle 1. Korrelationen zwischen und -IV gesamt N M SD N M SD St.-diff. r r corr 1 r corr 2 p a MT MT GF GF ZN ZN ZST ZST WT WT AV AV **.005 SYS SS BE BE AW AW RD RD SV V-IQ WLD H-IQ SV SV WLD WO AGD UA VG AG Gesamt-IQ Gesamt-IQ Anmerkungen: N = Anzahl der Personen, M = Mittelwert, SD = Standardabweichung, St.-diff. = Standarddifferenz, r = Höhe der Korrelation, r corr 1 und r corr 2 = korrigierte Korrelationen, p = Signifikanz der Differenzen * = signifikantes Ergebnis auf dem.05-signifikanzniveau. a = jeweiliges -adjustiertes Signifikanzniveau nach Bonferroni-Holm. ** = signifikantes Ergebnis auf dem adjustierten Signifikanzniveau.

4 258 Maike Lipsius und Franz Petermann durchweg niedriger ausfallen als im (siehe Tab. 1). Einzig im Vergleich zwischen den Indizes Wahrnehmungsorganisation und Wahrnehmungsgebundenes Logisches Denken zeigen sich gleich hohe Mittelwerte. Einschränkend ist hier festzuhalten, dass beide Gesamt- IQ-Mittelwerte mit und deutlich oberhalb der Mittelwerte der Normstichprobe liegen. Bei den Untertests liegt der größte Mittelwertunterschied im Untertest Gemeinsamkeiten finden. Zusammenhangsmaße Die Untersuchung der Korrelationen gibt Aufschluss über die Höhe und Richtung des Zusammenhangs der Untertests und Indizes beider Testversionen. Dabei stellt sich die Frage, ob die Korrelationen zwischen den sich entsprechenden Werten ebenso hoch ausfallen, wie es in vergleichbaren Studien der Fall ist. Tabelle 1 enthält neben den Stichprobenkennwerten auch die unkorrigierten Korrelationskoeffizienten sowie die, bezogen auf die Varianzeinschränkungen der vorliegenden Stichprobe, korrigierten Korrelationskoeffizienten für alle verfügbaren Paarungen (Untertests sowie Indizes); die Ergebnisdarstellung bezieht sich ausschließlich auf die nach der Korrekturformel von Guilford und Fruchter (1978) korrigierten Werte. Die Gesamtwerte beider Testversionen weisen mit r =.87 (siehe Tab. 1) einen hohen Zusammenhang auf. Der Index Sprachverständnis und der Verbalteil korrelieren ebenso hoch, während der Index Wahrnehmungsgebundenes Logisches Denken mit dem Handlungs-IQ mit r =.68 nach Korrektur einen niedrigeren Zusammenhang aufweist. Auf Indexebene liegen für die beiden Sprachverständnis-Indizes mit r =.88 die höchsten Korrelationen vor. Auch der Vergleich zwischen den beiden Geschwindigkeitsindizes (AG und VG) zeigt mit r =.84 hohe Zusammenhänge. Dahingegen fallen die Korrelationen der Indexvergleiche Wahrnehmungsorganisation und Wahrnehmungsgebundenes Logisches Denken sowie Unablenkbarkeit und Arbeitsgedächtnis mit r =.67 und.72 etwas niedriger aus. Insgesamt kann demnach von hohen Zusammenhängen zwischen den Indizes und Gesamtwerten des und -IV gesprochen werden. Zudem weisen die Koeffizienten mit Werten zwischen r =.63 (Symbol-Suche und Bilder ergänzen) und r =.81 (Allgemeines Wissen) auch auf Untertestebene durchgängig auf starke Zusammenhänge hin. Standarddifferenzen können als Effektstärken der Testvorgabe interpretiert werden; je höher der Wert, desto stärker ist der der Einfluss der Testreihenfolge auf Mittelwerte und Standardabweichungen. Bei allen Differenzen dieser Studie sind nur sehr geringe Effekte nachzuweisen, die höchsten Werte werden mit d =.29 für die Paarungen des Untertests Gemeinsamkeiten finden sowie auf Indexebene mit d =.34 für die Paarungen der Sprachverständnis-Indizes erreicht (siehe Tab. 1; zur Klassifizierung von Effektstärken siehe Cohen, 1992). Die Reihenfolge der Testvorgabe spielt für die Interpretation von Ergebnissen aus beiden Verfahren also nur eine untergeordnete Rolle. Einzig bei den beiden Versionen des Untertests Allgemeines Verständnis erweist sich die Höhe der Korrelationen, je nachdem, welcher Test zuerst durchgeführt wurde, als signifikant voneinander different. Regressionsanalysen Um die Frage beantworten zu können, welche Werte bei einer Testung mit dem zu erwarten sind, wenn bereits ein Befund aus einer Untersuchung mit dem HA- WIK-III vorliegt, werden im Folgenden die Ergebnisse der Regressionsanalysen vorgestellt (siehe Tab. 2). Tabelle 2. Erwartete Wertebereiche des Gesamt-IQ und der Indizes des für ausgewählte IQ-Werte des entsprechender Wert Erwartete Wertebereiche im (95 %-Konfidenzintervall) Gesamt-IQ SV WLD AGD VG

5 Vergleich zwischen und 259 Tabelle 3. Ergebnisse der Regessionsanalysen zur Vorhersage von -IQ-Werten aus dem Prädiktor Kriterium Regressionsmaße Steigung RMSE R² Adj. R 2 t df p G-IQ G-IQ VT SV HT WLD SV SV WO WLD UA AGD AG VG Anmerkungen: RMSE = root mean square error (Mittelwert der quadrierten Fehler aller Datenpunkte im Modell), R 2 = erklärte Varianz, Güte der Anpassung der Regressionsgeraden an die empirischen Daten, Adj. R 2 = korrigiertes Bestimmtheitsmaß. Aufgrund der Normverschiebung im Sinne des Flynn- Effekts liegen die erwarteten Werte des durchweg etwas unterhalb der Werte des. Bei einem Beta-Gewicht von.971 ergibt sich für die Berechnung der zu erwartenden Werte im Gesamt-IQ folgende Gleichung: Gesamt-IQ des = * Gesamt-IQ des. Die Beta-Gewichte (Steigung) für die Gesamt- IQ, die Indexpaarungen sowie die Vorhersage des Index Sprachverständnis des durch den Verbalteil des und des Index Wahrnehmungsgebundenes Logisches Denken durch den Handlungsteil des HA- WIK-III können Tabelle 3 entnommen werden. Für einen Gesamt-IQ von 100 im ergibt sich daraus gerundet ein vorhergesagter -Gesamt- IQ von 97. Wurde also der durchgeführt und beispielweise ein Gesamt-IQ von 100 erreicht, liegt das 95 %-Konfidenzintervall zwischen 96 und 99. Bei einem IQ von 115 im Sprachverständnis des zeigt diese Studie ein 95 %-Konfidenzintervall von 109 bis 111 im Sprachverständnis des. Bei den Konfidenzintervallen handelt es sich um die sogenannten Konfidenzintervalle der Erwartung (siehe auch Daseking, Petermann & Waldmann, 2009). Hierbei wird der Erwartungswert einer neuen, unabhängigen Beobachtung aufgrund ihres Prädiktorwertes vorhergesagt. Dabei ergibt sich ein schmaleres Band um die Regressionsgerade als beim Konfidenzintervall der individuellen Vorhersage, da verschiedene Ausprägungen des Prädiktors auf denselben Kriteriumswert (Mittelwert) projiziert werden und die stochastische Variation des Individuums entfällt. Dieser Erwartungswert stellt im Regressionsmodell eine Konstante dar, die geschätzt und nicht vorhergesagt wird, die geordnete Serie dieser Werte ergibt die Regressionsgerade. Das Konfidenzintervall der Erwartung gibt demnach den Bereich an, in welchen der Mittelwert aller Kriteriumswerte für einen bestimmten Prädiktorwert mit 95 % Wahrscheinlichkeit fallen wird. So beträgt das Konfidenzintervall der Erwartung (95 %) für den Gesamt-IQ zwischen ±2 und ±5 IQ-Punkte. Diskussion Aus den Korrelationen von und resultiert: die Testreihenfolge und die Höhe des Re-Testintervalls haben keinen Einfluss auf die Höhe der Korrelationen der Indizes und Gesamtwerte, die beiden Gesamt-IQ korrelieren in den zusammengefassten Korrelationsanalysen (Mittelung der Korrelationen bei als erstem bzw. als erstem Test) durchweg mit r >.80, der Verbalteil des korreliert höher mit dem Sprachverständnis des als der Handlungsteil des mit dem Wahrnehmungsgebundenen Logischen Denken des und die Indexpaare Sprachverständnis und Be- bzw. Verarbeitungsgeschwindigkeit korrelieren höher als die Indexpaarungen Wahrnehmungsorganisation und Wahrnehmungsgebundenes Logisches Denken sowie Unablenkbarkeit und Arbeitsgedächtnis. Bei der Untersuchung des Zusammenhangs beider Testversionen zeigen sich sehr hohe Korrelationen zwischen den Gesamt-IQ. Dies lässt den Schluss zu, dass beide Testversionen das gleiche Konstrukt (die allgemeine Intelligenz im Sinne eines g-faktors) erfassen und demnach miteinander verglichen werden können. Auch der Vergleich der Indizes, innerhalb derer geringe oder keine inhaltlichen Veränderungen vorgenommen wurden, scheint dank hoher Korrelationen zulässig. Die niedrigeren Korrelationen zwischen Wahrnehmungsorganisation und Wahrnehmungsgebundenem Logischen Denken sowie Unablenkbarkeit und Arbeitsgedächtnis bestätigen die Angaben der Testautoren der WISC-IV, dass der Schwerpunkt der von den Indizes erfassten kognitiven Fähigkeiten aufgrund modifizierter Modellvorstellungen

6 260 Maike Lipsius und Franz Petermann von Intelligenz verändert wurde (Wechsler, 2003 b). Der Vergleich dieser Indizes kann demnach nicht generell vorgenommen werden. Aufgrund der niedrigeren und uneinheitlichen Korrelationen auf Ebene der Untertests stellt sich ein Vergleich auf Untertestebene als zumindest fragwürdig dar. Untertests weisen allgemein aufgrund der geringeren Informationsmenge, die in den Untertest-Wert einfließt, einen höheren Messfehler und somit niedrigere Reliabilitäten auf. Daraus kann gefolgert werden, dass nur der Gesamt-IQ und die Indizes ein wirklich aussagekräftiges Abbild der kognitiven Leistungen geben. Die Untertestergebnisse sollten demnach nur für die Analyse der Stärken und Schwächen eines Kindes herangezogen werden. Zudem besitzen die Untertests des und teilweise unterschiedliche Reliabilitäten. Dies kann ein Grund dafür sein, weshalb Kinder auch beim Vergleich identischer Untertests unterschiedliche Werte erzielen, die nicht auf einen Lern- oder Flynn-Effekt zurückgeführt werden können. Daraus sollte ebenfalls resultieren, von einem Vergleich auf Untertestebene abzusehen. Die erwarteten Werte und Konfidenzintervalle sollen dem Testanwender verdeutlichen, von welchen Werten er bei einer Testung mit dem ausgehen kann, wenn bereits der durchgeführt wurde. Liegen die Werte außerhalb der Konfidenzintervalle weist dies auf ein abweichendes Leistungsprofil zur - Testung hin. Die Veränderungen können jedoch auch durch die spezifischen Stärken und Schwächen des Kindes entstanden sein, die durch die Verschiebung der erfassten Fähigkeiten mehr oder weniger betont werden. Zudem sollten auch Lerneffekte (vor allem im Bereich der Erfassung von Verarbeitungsgeschwindigkeit), Testleitereffekte (Lipsius, Petermann & Daseking, 2008) oder andere Störvariablen (siehe auch Daseking, Lipsius, Petermann & Waldmann, 2008; Gienger, Petermann & Petermann, 2008) berücksichtigt werden. Schlussfolgerungen für die Praxis Aufgrund der Interpretationsprobleme und dem Mangel an ausreichender Forschung zum Thema der Vergleichbarkeit zweier Testversionen empfehlen Strauss, Spreen und Hunter (2000) den Testanwendern je nach Zweck ihrer Untersuchung eine Kombination von Richtlinien. Im Folgenden werden nur die Richtlinien angegeben, die für die hier gegenständliche Art von Testrevision gültig sind: Konnte eine Normverschiebung (z. B. durch einen großen Flynn-Effekt) nachgewiesen werden, sollte die überarbeitete Version verwendet werden. Sind neue Normen vorhanden, sollten nur diese verwendet werden. Bei Vorher-Nachher-Testungen, die nicht der Erfassung des kognitiven Leistungsstandes im Sinne einer Statusdiagnostik, sondern des Erfolgs einer therapeutischen Maßnahme dienen, sollte immer die gleiche Version verwendet werden. Entscheidungsregeln, die auf unterschiedlichen Testversionen beruhen, sollten vermieden werden. Wenn die Faktorenstrukturen voneinander abweichen, sollte beim Vergleich beider Versionen die Interpretation der Gesamtwerte vermieden werden. Es sollte sich nur auf die Komponenten beschränkt werden, die in beiden Versionen äquivalent erscheinen. Es sollten generell stets mehrere Verfahren zur Messung eines Konstrukts verwendet werden. Unter Bezugnahme auf diese Kriterien sollte im Hinblick auf den HAWIK im Regelfall immer der zum Einsatz kommen. So zeigt sich ein Flynn-Effekt im Vergleich des mit seinem Vorgängerverfahren, dem. Die Verwendung älterer Testversionen kann angesichts des Flynn-Effekts in eine geringere Anzahl an Diagnosen von Entwicklungsbeeinträchtigungen münden, in dem vorhandene Beeinträchtigungen nicht ernst genommen werden (Strauss et al., 2000). Testergebnisse sollten auf normativen Informationen basieren, die sowohl aktuell als auch repräsentativ für die jeweilige Population sind. Es wird davon ausgegangen, dass Normen von Intelligenztests spätestens nach 15 Jahren als ungültig gelten und durch neue Vergleichswerte zu ersetzen sind (Kanaya, Ceci & Scullin, 2005). Die Normen des wurden zwischen 1995 und 1998 erhoben. Demnach sind die erhobenen -Werte mittlerweile bis zu 14 Jahre alt. Außerdem konnte anhand von Faktorenanalysen (siehe u. a. Keith, Fine, Taub, Reynolds & Kranzler, 2006) nachgewiesen werden, dass für die WISC-IV und damit auch den erfolgreich Änderungen in der Erfassung kognitiver Fähigkeiten vorgenommen wurden, die als wichtige Konstrukte im Bereich der Intelligenzdiagnostik gelten (siehe auch Petermann & Petermann, 2008 a). Einzig im Bereich der Verlaufsdiagnostik, beispielsweise bei Testungen vor und nach einer Therapie, ist es angebracht, erneut auf den zurückzugreifen, wenn er bereits vor der Maßnahme durchgeführt wurde. Nur so können Veränderungen im Leistungsprofil des Kindes auf tatsächliche Leistungsveränderungen zurückgeführt werden, ohne dass Verzerrungen wie Unterschiede in den Tests oder veraltete Normen berücksichtigt werden müssen. Allerdings müssen in diesem Fall mögliche Lerneffekte unbedingt berücksichtigt werden. Liegt die erste Testung mehrere Jahre zurück, kann zwar ein Lerneffekt ausgeschlossen werden, jedoch kann dann bereits der Flynn- Effekt zum Tragen kommen. In Einzelfällen kann die Vorher- Nachher-Testung mit unterschiedlichen Testversionen Auswirkungen auf Schulformentscheidungen, Diagnosestellungen oder Therapieplanungen haben. Daher sollte bei einer Wiederholungstestung für die Katamnese unbedingt auf das ursprünglich eingesetzte Verfahren zurückgegriffen werden. Analysen zum Zusammenhang beider Versionen ergaben jedoch hohe Korrelationen. Es zeigten sich zudem gemeinsame Faktorenstrukturen, die den Schluss zulas-

7 Vergleich zwischen und 261 sen, dass der und -IV trotz inhaltlicher Unterschiede dasselbe Konstrukt erfassen. Unter Berücksichtigung der Erkenntnisse, die aus der vorliegenden Studie gezogen werden können, scheint es demnach zulässig, die Ergebnisse beider Testversionen miteinander zu vergleichen. Als Richtlinie sollten dabei die erwarteten Werte und ihre Konfidenzintervalle herangezogen werden. Sie bieten eine praktische Hilfestellung bei der Einschätzung der Ergebnisse hinsichtlich potentieller Veränderungen der Leistungen eines Kindes nach einer psychologischen, medizinischen Behandlung oder pädagogischen Maßnahme. Aufgrund der teilweise relativ niedrigen Zusammenhänge zwischen den Indexpaarungen scheint ein Vergleich dieser Indizes zumindest nur eingeschränkt möglich zu sein. Dabei liegen die Veränderungen nicht nur in den unterschiedlichen Untertests, sondern auch in den damit verbundenen unterschiedlichen kognitiven Fähigkeiten, die in den Indizes erfasst werden. Außerdem scheinen identische Wertpunkte, beispielsweise in den Indizes Wahrnehmungsorganisation und Wahrnehmungsgebundenes Logisches Denken, nicht gleichbedeutend damit zu sein, dass das Kind in beiden Indizes identische Leistungen gezeigt hat oder dass die Tests dasselbe messen. Genauso bedeutet eine IQ- Steigerung von Wahrnehmungsorganisation zu Wahrnehmungsgebundenem Logischem Denken nicht zwangsläufig eine Verbesserung der Leistung des Kindes. Durch die Standardisierung auf ein Mittel von 10 Wert- bzw. 100 IQ-Punkten bedeuten jeweils 10 Wertpunkte bzw. ein IQ von 100 in beiden Testversionen lediglich, dass das Kind verglichen mit Kindern des gleichen Alters ein durchschnittliches kognitives Niveau aufweist. Literatur Cascio, W. F. (Ed.). (1991). Applied psychology in personnel management (4 th ed.). Upper Saddle River, NJ: Prentice Hall. Cohen, J. (1992). A power primer. Psychological Bulletin, 112, Cohen, J. (1996). Explaining psychological statistics. Pacific Grove, CA: Brooks/Cole. Daseking, M., Janke, N. & Petermann, F. (2006). Intelligenzdiagnostik. Monatsschrift Kinderheilkunde, 154, Daseking, M., Lipsius, M., Petermann, F. & Waldmann, H.-C. (2008). Differenzen im Intelligenzprofil bei Kindern mit Migrationshintergrund: Befunde zum. Kindheit und Entwicklung, 17, Daseking, M., Petermann, U. & Petermann, F. (2007). Intelligenzdiagnostik mit dem. Kindheit und Entwicklung, 16, Daseking, M., Petermann, F. & Waldmann, H.-C. (2009). Vergleichbarkeit von HAWIVA-III und. Zeitschrift für Kinder- und Jugendpsychiatrie und psychotherapie, 37, Heft 6. Epstein, M. H., Mooney, P., Ryser, G. & Pierce, C. D. (2004). Validity and reliability of the Behavioral and Emotional Rating Scale (2nd ed.): Youth Rating Scale. Research on Social Work Practice, 14, Flynn, J. R. (1999). Searching for justice: The discovery of IQ gains over time. American Psychologist, 54, Flynn, J. R. (2007). What is intelligence? Beyond the Flynn effect. Cambridge: Cambridge University Press. Gienger, C., Petermann, F. & Petermann, U. (2008). Wie stark hängen die -Befunde vom Bildungsstand der Eltern ab? Kindheit und Entwicklung, 17, Guilford, J. P. & Fruchter, B. (1978). Fundamental statistics in psychology and education (6 th ed.). New York: McGraw- Hill. Kanaya, T., Ceci, S. J. & Scullin, M. H. (2005). Age differences within secular IQ trends: An individual growth modeling approach. Intelligence, 33, Keith, T. Z., Fine, J. G., Taub, G. E., Reynolds, M. R. & Kranzler, J. H. (2006). Higher order, multisample, confirmatory factor analysis of the Wechsler Intelligence Scale for Children - Fourth Edition: What does it measure? School Psychology Review, 35, Lienert, G. A. & Raatz, U. (1998). Testaufbau und Testanalyse (6. Aufl.). Weinheim: Beltz. Lipsius, M. (2009). Validitätsstudie zum im Vergleich zum. Bremen: Universität, Zentrum für Klinische Psychologie und Rehabilitation. Lipsius, M., Petermann, F. & Daseking, M. (2008). Wie beeinflussen Testleiter die -Befunde? Kindheit und Entwicklung, 17, McCaffrey, R. J., Duff, K. & Westervelt, H. J. (2000). Practitioner s guide to evaluation change with intellectual assessment instruments. New York: Kluwer. McGrew, K. S. (2005). The Cattell-Horn-Carroll Theory of Cognitive Abilities: Past, present, and future. In D. P. Flanagan & P. L. Harrison (Eds.), Contemporary intellectual assessment: Theories, tests, and issues (2nd ed., pp ). New York: Guilford. Petermann, F. & Köller, O. (2008). Intelligenzdiagnostik. Diagnostica, 54, Petermann, F. & Petermann, U. (2008 a).. Kindheit und Entwicklung, 17, Petermann, F. & Petermann, U. (Hrsg.). (2008 b). Hamburg- Wechsler-Intelligenztest für Kinder-IV () (2. ergänzte Aufl.). Bern: Huber. Strauss, E., Spreen, O. & Hunter, M. (2000). Implications of test revisions for research. Psychological Assessment, 12, Tewes, U., Rossmann, P. & Schallberger, U. (Hrsg.). (2002). Hamburg-Wechsler-Intelligenztest für Kinder-III (HAWIK- III) (3. ergänzte Aufl.). Bern: Huber. Wechsler, D. (1991). Wechsler Intelligence Scale for Children - Third Edition. San Antonio: Psychological Corporation. Wechsler, D. (2003). Wechsler Intelligence Scale for Children - Fourth Edition (WISC-IV). Technical and interpretive manual. San Antonio: The Psychological Corporation. Dr. Maike Lipsius Zentrum für Klinische Psychologie und Rehabilitation der Universität Bremen Grazer Straße Bremen mlipsius@uni-bremen.de Prof. Dr. Franz Petermann Zentrum für Klinische Psychologie und Rehabilitation der Universität Bremen Grazer Straße Bremen