AMOS/SPSS output. One-factor model (9-item version)

Ähnliche Dokumente
Syntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.

SPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1

Einführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit

Ergebnisse der Analysen. 1. Auswahl von Überprüfungen der Verteilungscharakteristika (nur eine kleine Auswahl: )

Statistik II Übung 1: Einfache lineare Regression

1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.

Häufigkeiten, Mittelwerte Korrelationen u.a.m.

Einführung in SPSS Wintersemester 2000/2001

Statistik II Übung 1: Einfache lineare Regression

Faktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduktion. Interpretation des SPSS-Output s

Faktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduzierung. Interpretation des SPSS-Output s

Biostatistik 101 Korrelation - Regressionsanalysen

Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7. Tierkreiszeichen * Crosstabulation

1. Anhang Anhang A. Übersicht Unterscheidung verschiedener Varianten von Commitment (Moser 1997; S.167).

Statistik II Übung 2: Multivariate lineare Regression

Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg

6. Tutoriumsserie Statistik II

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung

Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen

Biometrische und Ökonometrische Methoden I! Lösungen 6

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen

Biostatistik 101 Korrelation - Regressionsanalysen

Crashkurs Einführung Biostatistik

11. weitere Übungsaufgaben Statistik II WiSe 2017/2018

FERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT

Einige Grundbegriffe der Statistik

Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell

Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r

Statistische Auswertung:

Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***

Statistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services

Are the Schwartz value orientations comparable in China, Russia and Germany?

Prognoseintervalle für y 0 gegeben x 0

Die Subskala besteht aus folgenden Items (Ausschnitt aus dem Codeplan):

Statistik-Quiz Sommersemester

Primärspannungsmessungen mit der. CSIRO Triaxialzelle

Statistik-Quiz Wintersemester

Teil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.

Auswertung und Lösung

GHF SoSe 2011 HS MD-SDL

Kovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen

Anhang zu Asexualität, sexuelle und nicht sexuelle Gewalt

Tutorial: Regression Output von R

A New Class of Equity Style Indices

Biometrische und Ökonometrische Methoden I Lösungen 7

Inferenzstatistik Vergleich mehrerer Stichproben - Varianzanalyse

Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik

Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test

Load Test DEFAULT : 750 logged in users buying an item every 60 -

Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik

Statistik II für Betriebswirte Vorlesung 8

Statistik II Übung 2: Multivariate lineare Regression

Blockkurs Geowissenschaftliches Modellieren Modul Statistik 1

Multiple Regression Mais-NP Zweidimensionale lineare Regression Data Display Dreidimensionale lineare Regression Multiple Regression

Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)

Interpretation SPPS Output mit PROCESS - Beispiele für parallele Mediatoren Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24

Eine Einführung in R: Varianzanalyse

Blockkurs Geowissenschaftliches Modellieren Modul Statistik 1

Multivariate Verfahren

Log-lineare Analyse I

7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien

Interpretation SPPS Output Bootstrapping Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24

Verallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen

Pflegewissenschaft: SE Quantitative Methoden II LV Nr SWS 6 ECTS SS 2009 Isabella Hager Claudia Tschipan.

Correlational analysis

meinungsraum.at 8. Jänner respekt.net Respekt-Barometer

Service-orientiertes Seniorenzentrum Arbeitsbedingungen und Dienstleistungsqualität in der Altenpflege

Statistik II Übung 2: Multivariate lineare Regression

Was ist guter Musikunterricht?

METHODENPRAKTIKUM II Kurs 1. Prof. Dr. Beat Fux SUZ Frühlingssemester 2009

Ergebnisse der schriftlichen Zwischenprüfung Frühjahr 2018 Gärtner/Gärtnerin - Fachrichtung Garten- und Landschaftsbau Zuständige Stelle: Gartenbauzen

> library(nlme) > fit <- lme(y ~ 1, random = ~1 id, data = sim.y.long) > summary(fit)

Einführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick

Fragestunde zur Übung

Deskriptive Statistik und Explorative Datenanalyse

Übungsblatt 10: Lineare Regression (Sitzung 11)

11. Übungsblatt zur Vorlesung Ökonometrie SS 2014

Multiple Regression III

Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten. Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere Lagemasse

# Befehl für den Lilliefors-Test

Kontrolle und Aufbereitung der Daten. Peter Wilhelm Herbstsemester 2014

Statistik II Übung 3: Hypothesentests

1 Analyse von Kontigenztafeln: Das loglineare Modell

SPSS (20.0) Hilfe Version 1

Eine Einführung in R: Varianzanalyse

Fragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)

13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017

Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen

Pobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:

TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3

Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller

Computergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am Autor: Ludwig Bothmann

Transkript:

One-factor model (9-item version) Fit Summary AMOS/SPSS output Default model 18 1817,639 27,000 67,320 Saturated model 45,000 0 Independence model 9 14251,254 36,000 395,868 Default model,872,830,874,832,874 Default model,163,156,169,000 Independence model,397,391,402,000

One-factor model (5-item version) Standardized factor loadings Estimates (Group number 1 - Default model) Standardized Regression Weights: (Group number 1 - Default model) Estimate q5301 <--- pos,822 q5302 <--- pos,835 q5303 <--- pos,858 q5304 <--- pos,825 q5308 <--- pos,741 Fit Summary Default model 10 41,373 5,000 8,275 Saturated model 15,000 0 Independence model 5 7936,291 10,000 793,629 Default model,995,990,995,991,995 Default model,054,039,070,309 Independence model,562,552,572,000

Tests of measurement invariance Unstandardized factor loadings and unstandardized item intercepts for men and women Regression Weights: (Group number 1 - Unconstrained) q5301 <--- pos,692,021 33,420 *** a1_1 q5302 <--- pos,761,021 35,678 *** a2_1 q5303 <--- pos,747,021 36,125 *** a3_1 q5304 <--- pos,709,021 34,063 *** a4_1 q5308 <--- pos,650,022 29,248 *** a5_1 Intercepts: (Group number 1 - Unconstrained) q5301 2,189,025 88,707 *** i1_1 q5302 2,193,026 84,293 *** i2_1 q5303 2,029,025 80,062 *** i3_1 q5304 2,011,025 80,489 *** i4_1 q5308 1,888,025 74,411 *** i5_1 Regression Weights: (Group number 2 - Unconstrained) q5301 <--- pos,671,019 35,814 *** a1_2 q5302 <--- pos,724,020 35,352 *** a2_2 q5303 <--- pos,728,019 37,971 *** a3_2 q5304 <--- pos,683,019 35,439 *** a4_2 q5308 <--- pos,609,020 30,160 *** a5_2 Intercepts: (Group number 2 - Unconstrained) q5301 2,196,022 98,783 *** i1_2 q5302 2,139,024 88,307 *** i2_2 q5303 2,002,023 86,139 *** i3_2 q5304 1,959,023 85,928 *** i4_2 q5308 1,882,023 82,890 *** i5_2

Unstandardized factor loadings and unstandardized item intercepts for six age groups Regression Weights: (Group number 1 - Unconstrained) q5301 <--- pos,721,035 20,572 *** a1_1 q5302 <--- pos,796,039 20,612 *** a2_1 q5303 <--- pos,764,037 20,577 *** a3_1 q5304 <--- pos,744,039 19,246 *** a4_1 q5308 <--- pos,686,038 17,858 *** a5_1 Intercepts: (Group number 1 - Unconstrained) q5301 2,462,042 58,598 *** i1_1 q5302 2,534,046 54,707 *** i2_1 q5303 2,255,045 50,637 *** i3_1 q5304 2,314,045 51,050 *** i4_1 q5308 2,199,044 50,014 *** i5_1 Regression Weights: (Group number 2 - Unconstrained) q5301 <--- pos,664,035 18,715 *** a1_2 q5302 <--- pos,707,039 18,358 *** a2_2 q5303 <--- pos,735,036 20,225 *** a3_2 q5304 <--- pos,677,036 18,804 *** a4_2 q5308 <--- pos,655,041 16,104 *** a5_2 Intercepts: (Group number 2 - Unconstrained) q5301 2,239,043 52,110 *** i1_2 q5302 2,272,046 49,083 *** i2_2 q5303 2,098,045 46,322 *** i3_2 q5304 2,091,044 47,944 *** i4_2 q5308 1,953,047 41,715 *** i5_2

Regression Weights: (Group number 3 - Unconstrained) q5301 <--- pos,671,033 20,459 *** a1_3 q5302 <--- pos,687,034 20,066 *** a2_3 q5303 <--- pos,763,033 23,249 *** a3_3 q5304 <--- pos,680,032 20,976 *** a4_3 q5308 <--- pos,630,034 18,333 *** a5_3 Intercepts: (Group number 3 - Unconstrained) q5301 2,238,039 57,869 *** i1_3 q5302 2,152,040 53,675 *** i2_3 q5303 2,039,040 50,380 *** i3_3 q5304 2,009,039 52,088 *** i4_3 q5308 1,892,039 48,343 *** i5_3 Regression Weights: (Group number 4 - Unconstrained) q5301 <--- pos,641,030 21,341 *** a1_4 q5302 <--- pos,732,032 23,183 *** a2_4 q5303 <--- pos,718,031 23,261 *** a3_4 q5304 <--- pos,684,030 23,053 *** a4_4 q5308 <--- pos,588,032 18,607 *** a5_4 Intercepts: (Group number 4 - Unconstrained) q5301 2,078,036 58,514 *** i1_4 q5302 2,042,038 53,151 *** i2_4 q5303 1,932,038 51,358 *** i3_4 q5304 1,872,036 51,953 *** i4_4 q5308 1,780,036 49,767 *** i5_4

Regression Weights: (Group number 5 - Unconstrained) q5301 <--- pos,646,033 19,547 *** a1_5 q5302 <--- pos,713,035 20,327 *** a2_5 q5303 <--- pos,670,033 20,122 *** a3_5 q5304 <--- pos,588,032 18,132 *** a4_5 q5308 <--- pos,503,035 14,534 *** a5_5 Intercepts: (Group number 5 - Unconstrained) q5301 2,007,039 51,798 *** i1_5 q5302 1,952,042 46,838 *** i2_5 q5303 1,800,039 45,629 *** i3_5 q5304 1,743,037 46,920 *** i4_5 q5308 1,671,037 44,709 *** i5_5 Regression Weights: (Group number 6 - Unconstrained) q5301 <--- pos,644,037 17,494 *** a1_6 q5302 <--- pos,658,037 17,878 *** a2_6 q5303 <--- pos,693,035 19,997 *** a3_6 q5304 <--- pos,644,036 17,701 *** a4_6 q5308 <--- pos,568,040 14,327 *** a5_6 Intercepts: (Group number 6 - Unconstrained) q5301 2,151,043 50,591 *** i1_6 q5302 2,065,043 48,219 *** i2_6 q5303 1,989,042 47,521 *** i3_6 q5304 1,899,042 45,068 *** i4_6 q5308 1,841,043 42,546 *** i5_6

Results of measurement invariance tests across men and women Unconstrained 30 47,888 10,000 4,789 Measurement weights 25 50,427 15,000 3,362 Measurement intercepts 20 58,672 20,000 2,934 Measurement residuals 15 69,202 25,000 2,768 Saturated model 40,000 0 Independence model 20 7951,453 20,000 397,573 Unconstrained,994,988,995,990,995 Measurement weights,994,992,996,994,996 Measurement intercepts,993,993,995,995,995 Measurement residuals,991,993,994,996,994 Unconstrained,039,028,050,946 Measurement weights,031,022,040 1,000 Measurement intercepts,028,020,036 1,000 Measurement residuals,027,019,034 1,000 Independence model,398,390,405,000

Results of measurement invariance tests across six age groups Fit Summary Unconstrained 90 80,209 30,000 2,674 Measurement weights 65 113,553 55,000 2,065 Measurement intercepts 40 279,140 80,000 3,489 Measurement residuals 15 354,213 105,000 3,373 Saturated model 120,000 0 Independence model 60 7693,118 60,000 128,219 Unconstrained,990,979,993,987,993 Measurement weights,985,984,992,992,992 Measurement intercepts,964,973,974,980,974 Measurement residuals,954,974,967,981,967 Unconstrained,026,019,033 1,000 Measurement weights,021,015,026 1,000 Measurement intercepts,032,028,036 1,000 Measurement residuals,031,027,034 1,000 Independence model,225,221,230,000

Results of CFAs for men and women separately Men Default model 10 13,280 5,021 2,656 Saturated model 15,000 0 Independence model 5 3865,290 10,000 386,529 Default model,997,993,998,996,998 Default model,038,013,063,763 Independence model,575,560,590,000 Women Default model 10 34,609 5,000 6,922 Saturated model 15,000 0 Independence model 5 4086,144 10,000 408,614 Default model,992,983,993,985,993 Default model,066,047,088,084 Independence model,551,537,565,000

Results of CFAs for six age groups separately Group 1 Default model 10 16,659 5,005 3,332 Saturated model 15,000 0 Independence model 5 1319,059 10,000 131,906 Default model,987,975,991,982,991 Default model,075,037,116,128 Independence model,558,533,584,000 Group 2 Default model 10 2,943 5,709,589 Saturated model 15,000 0 Independence model 5 1168,308 10,000 116,831 Default model,997,995 1,002 1,004 1,000 Default model,000,000,056,926 Independence model,585,557,614,000

Group 3 Default model 10 13,594 5,018 2,719 Saturated model 15,000 0 Independence model 5 1430,686 10,000 143,069 Default model,990,981,994,988,994 Default model,061,023,101,270 Independence model,556,532,580,000 Group 4 Default model 10 22,432 5,000 4,486 Saturated model 15,000 0 Independence model 5 1642,840 10,000 164,284 Default model,986,973,989,979,989 Default model,084,050,120,048 Independence model,572,549,596,000

Group 5 Default model 10 16,488 5,006 3,298 Saturated model 15,000 0 Independence model 5 1132,682 10,000 113,268 Default model,985,971,990,980,990 Default model,074,036,115,131 Independence model,518,493,544,000 Group 6 Default model 10 8,100 5,151 1,620 Saturated model 15,000 0 Independence model 5 999,558 10,000 99,956 Default model,992,984,997,994,997 Default model,041,000,090,549 Independence model,518,491,545,000

Norm values (Output sorted according to table 6) N Valid 117 Missing 0 Mean 12,2906 Std. Deviation 3,92837 Percentiles 5 6,0000 25 9,0000 50 12,0000 75 15,0000 95 19,0000 N Valid 302 Missing 4 Mean 11,5530 Std. Deviation 3,87712 25 9,0000 50 11,0000 75 15,0000 95 19,0000 N Valid 334 Missing 9 Mean 10,6407 Std. Deviation 3,59883 25 8,0000 50 10,0000 75 13,0000 95 17,2500 N Valid 460 Missing 3 Mean 10,3261 Std. Deviation 3,61101 25 7,0000 50 10,0000 75 13,0000 95 16,0000 N Valid 494 Missing 9 Mean 9,6923 Std. Deviation 3,53918 25 7,0000 50 9,0000 75 12,0000 95 16,0000

N Valid 418 Missing 5 Mean 9,1842 Std. Deviation 3,31077 25 6,0000 50 9,0000 75 11,0000 95 15,0000 N Valid 366 Missing 6 Mean 9,9481 Std. Deviation 3,40910 25 7,0000 50 10,0000 75 12,0000 95 15,6500 Women N Valid 47 Missing 0 Mean 11,2128 Std. Deviation 3,85011 Percentiles 5 5,4000 25 8,0000 50 11,0000 75 14,0000 95 18,6000 N Valid 167 Missing 1 Mean 11,1976 Std. Deviation 3,76451 25 9,0000 50 11,0000 75 14,0000 95 18,6000 N Valid 183 Missing 7 Mean 10,6011 Std. Deviation 3,53000 25 8,0000 50 10,0000 75 13,0000 95 16,8000

N Valid 248 Missing 1 Mean 10,2823 Std. Deviation 3,60961 25 7,2500 50 10,0000 75 13,0000 95 16,5500 N Valid 269 Missing 3 Mean 9,5762 Std. Deviation 3,63528 25 7,0000 50 9,0000 75 12,0000 95 16,0000 N Valid 208 Missing 2 Mean 9,4615 Std. Deviation 3,39913 25 7,0000 50 9,0000 75 11,7500 95 15,0000 N Valid 211 Missing 3 Mean 10,1185 Std. Deviation 3,28781 25 8,0000 50 10,0000 75 12,0000 95 15,0000 Men N Valid 70 Missing 0 Mean 13,0143 Std. Deviation 3,83913 Percentiles 5 6,0000 25 10,0000 50 13,0000 75 16,0000 95 19,0000

N Valid 135 Missing 3 Mean 11,9926 Std. Deviation 3,98223 25 9,0000 50 12,0000 75 15,0000 95 19,2000 N Valid 151 Missing 2 Mean 10,6887 Std. Deviation 3,69177 25 8,0000 50 10,0000 75 13,0000 95 19,0000 N Valid 212 Missing 2 Mean 10,3774 Std. Deviation 3,62051 25 7,0000 50 10,0000 75 13,0000 95 16,0000 N Valid 225 Missing 6 Mean 9,8311 Std. Deviation 3,42365 25 7,0000 50 10,0000 75 12,0000 95 15,7000 N Valid 210 Missing 3 Mean 8,9095 Std. Deviation 3,20532 25 6,0000 50 9,0000 75 10,0000 95 15,0000

N Valid 155 Missing 3 Mean 9,7161 Std. Deviation 3,56526 25 7,0000 50 9,0000 75 12,0000 95 16,0000

Item descriptive statistics and corrected item-total correlation 9-Items Reliabilitätsstatistiken Cronbachs Alpha Anzahl der Items,920 9 Deskriptive Statistik N Mittelwert Standardabweic hung ProkScore 2463 19,2253 5,86415 Gültige Werte (Listenweise) 2463 5-Items Reliabilitätsstatistiken Cronbachs Alpha Anzahl der Items,909 5 Deskriptive Statistik N Mittelwert Standardabweic hung 2489 10,2358 3,65881 Gültige Werte (Listenweise) 2489

Itemstatistiken Mittelwert Standardabweic hung N q5305_rec 2,2241,85796 2463 q5306_rec 2,3719,79890 2463 q5307_rec 2,1989,78380 2463 q5309_rec 2,2054,78987 2463 53. Aussagen: 01 Ich ertappe mich häufig dabei, Aufgaben zu erledigen, die 2,1888,82783 2463 ich eigentlich schon vor Tagen tun wollte. 53. Aussagen: 02 Ich erledige Aufgaben immer erst kurz vor dem 2,1604,88806 2463 Abgabetermin. 53. Aussagen: 03 Selbst kleine Sachen, bei denen man sich nur hinsetzen und 2,0102,85902 2463 sie erledigen müsste, bleiben häufig für Tag 53. Aussagen: 04 Bei der Vorbereitung auf einen Abgabetermin vergeude ich 1,9825,84460 2463 häufig meine Zeit mit anderen Dingen. 53. Aussagen: 08 Ich sage dauernd: "Das mache ich morgen". 1,8831,85132 2463 Item-Skala-Statistiken Cronbachs Skalenmittelwert Skalenvarianz, Korrigierte Item- Quadrierte Alpha, wenn, wenn Item wenn Item Skala- multiple Item weggelassen weggelassen Korrelation Korrelation weggelassen q5305_rec 17,0012 27,593,672,524,914 q5306_rec 16,8534 28,176,657,505,915 q5307_rec 17,0264 27,855,715,606,911 q5309_rec 17,0199 28,102,676,549,914

53. Aussagen: 01 Ich ertappe mich häufig dabei, Aufgaben zu erledigen, die ich eigentlich schon vor Tagen tun wollte. 53. Aussagen: 02 Ich erledige Aufgaben immer erst kurz vor dem Abgabetermin. 53. Aussagen: 03 Selbst kleine Sachen, bei denen man sich nur hinsetzen und sie erledigen müsste, bleiben häufig für Tag 53. Aussagen: 04 Bei der Vorbereitung auf einen Abgabetermin vergeude ich häufig meine Zeit mit anderen Dingen. 53. Aussagen: 08 Ich sage dauernd: "Das mache ich morgen". 17,0365 27,292,741,615,909 17,0650 26,656,757,642,908 17,2152 26,746,777,664,907 17,2428 27,119,745,620,909 17,3423 27,442,698,527,912 Correlations Korrelationen PSS_sumscore FLZ_score CBI_mean Sum_D Korrelation nach Pearson 1,388 ** -,330 **,286 ** Signifikanz (2-seitig),000,000,000 N 2489 2458 2487 2486 PSS_sumscore Korrelation nach Pearson,388 ** 1 -,434 **,512 ** Signifikanz (2-seitig),000,000,000 N 2458 2489 2487 2486 FLZ_score Korrelation nach Pearson -,330 ** -,434 ** 1 -,437 ** - Signifikanz (2-seitig),000,000,000 N 2487 2487 2520 2519 CBI_mean Korrelation nach Pearson,286 **,512 ** -,437 ** 1 Signifikanz (2-seitig),000,000,000 N 2486 2486 2519 2519

Sum_Dep Korrelation nach Pearson,354 **,532 ** -,499 **,595 ** Signifikanz (2-seitig),000,000,000,000 N 2477 2474 2506 2505 Sum_Angst Korrelation nach Pearson,320 **,539 ** -,441 **,591 ** Signifikanz (2-seitig),000,000,000,000 N 2481 2479 2512 2511 **. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig) signifikant.