Reliabilitätsanalyse Gruppe 2C
Übung WS-24-25 Akademische Prokrastination
1 Vorbereitung
1.1 Daten einlesen
setwd("~/Desktop/HU Psy/3_WS 24:25/08 Diagnostik/08 UE Diagnostik/_R Directory/_HA7 Reliabilität")
apro <- openxlsx::read.xlsx("apro_complete.xlsx")
codebook<- openxlsx::read.xlsx("Codebook_apro.xlsx")
names(apro)## [1] "apro_1a_1" "apro_1a_2" "apro_1a_3" "apro_1b_1" "apro_1b_2" "apro_1b_3"
## [7] "apro_1c_1" "apro_1c_2" "apro_1c_3" "apro_1d_1" "apro_1d_2" "apro_1d_3"
## [13] "apro_1e_1" "apro_1e_2" "apro_1e_3" "apro_2a_1" "apro_2a_2" "apro_2a_3"
## [19] "apro_2b_1" "apro_2b_2" "apro_2b_3" "apro_2c_1" "apro_2c_2" "apro_2c_3"
## [25] "apro_2d_1" "apro_2d_2" "apro_2d_3" "apro_2e_1" "apro_2e_2" "apro_2e_3"
## [31] "apro_3a_1" "apro_3a_2" "apro_3a_3" "apro_3a_4" "apro_3a_5" "apro_3b_1"
## [37] "apro_3b_2" "apro_3b_3" "apro_3b_4" "apro_3b_5" "apro_3c_1" "apro_3c_2"
## [43] "apro_3c_3" "apro_3d_1" "apro_3d_2" "apro_3d_3" "apro_3d_4" "apro_3d_5"
## [49] "apro_3e_1" "apro_3e_2" "apro_3e_3" "apro_4a_1" "apro_4a_2" "apro_4a_3"
## [55] "apro_4b_1" "apro_4b_2" "apro_4b_3" "apro_4c_1" "apro_4c_2" "apro_4c_3"
## [61] "apro_4d_1" "apro_4d_2" "apro_4d_3" "apro_4e_1" "apro_4e_2" "apro_4e_3"
## [67] "apro_5a_1" "apro_5a_2" "apro_5a_3" "apro_5b_1" "apro_5b_2" "apro_5b_3"
## [73] "apro_5c_1" "apro_5c_2" "apro_5c_3" "apro_5d_1" "apro_5d_2" "apro_5d_3"
## [79] "apro_5e_1" "apro_5e_2" "apro_5e_3"1.2 Pakete laden
library(psych)
library(openxlsx)## Warning: package 'openxlsx' was built under R version 4.4.12 Reliabilität schätzen
2.1 Für Faktor 1: Aufschiebeverhalten
# Items anhand des Namens auswählen
items_fac1 <- c("apro_4a_1", "apro_4c_2", "apro_5e_3", "apro_3a_4", "apro_3a_5", "apro_1c_1", "apro_2b_3", "apro_5a_1")
fac1 <- apro[items_fac1]
alpha_fac1 <- alpha(fac1, check.keys = TRUE)
alpha_fac1##
## Reliability analysis
## Call: alpha(x = fac1, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.95 0.95 0.95 0.72 21 0.0047 3.4 1.4 0.72
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.94 0.95 0.96
## Duhachek 0.94 0.95 0.96
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## apro_4a_1 0.94 0.94 0.94 0.71 17 0.0058 0.0031 0.72
## apro_4c_2 0.95 0.95 0.95 0.75 21 0.0048 0.0016 0.76
## apro_5e_3 0.95 0.95 0.94 0.73 19 0.0052 0.0034 0.76
## apro_3a_4 0.95 0.95 0.94 0.71 17 0.0057 0.0035 0.72
## apro_3a_5 0.95 0.95 0.94 0.72 18 0.0054 0.0038 0.72
## apro_1c_1 0.95 0.95 0.94 0.72 18 0.0056 0.0034 0.72
## apro_2b_3 0.95 0.95 0.94 0.72 18 0.0054 0.0032 0.72
## apro_5a_1 0.95 0.95 0.94 0.72 18 0.0055 0.0038 0.72
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## apro_4a_1 213 0.91 0.91 0.91 0.88 3.1 1.6
## apro_4c_2 212 0.80 0.79 0.75 0.73 3.8 1.7
## apro_5e_3 214 0.85 0.85 0.82 0.80 3.4 1.7
## apro_3a_4 213 0.90 0.90 0.89 0.86 3.5 1.7
## apro_3a_5 215 0.87 0.87 0.85 0.83 3.2 1.6
## apro_1c_1 219 0.89 0.89 0.88 0.86 3.6 1.7
## apro_2b_3 219 0.86 0.87 0.84 0.82 3.5 1.6
## apro_5a_1 213 0.87 0.88 0.86 0.83 3.4 1.6
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## apro_4a_1 0.23 0.19 0.18 0.16 0.15 0.09 0.03
## apro_4c_2 0.15 0.10 0.13 0.22 0.19 0.20 0.03
## apro_5e_3 0.19 0.19 0.14 0.18 0.14 0.16 0.02
## apro_3a_4 0.13 0.24 0.14 0.17 0.13 0.19 0.03
## apro_3a_5 0.20 0.22 0.17 0.18 0.13 0.11 0.02
## apro_1c_1 0.12 0.21 0.15 0.17 0.18 0.16 0.00
## apro_2b_3 0.11 0.18 0.23 0.16 0.20 0.12 0.00
## apro_5a_1 0.15 0.15 0.20 0.21 0.18 0.10 0.03alpha_fac1$item.stats## n raw.r std.r r.cor r.drop mean sd
## apro_4a_1 213 0.9137276 0.9133905 0.9054477 0.8835840 3.103286 1.636448
## apro_4c_2 212 0.7957760 0.7943861 0.7469663 0.7330671 3.820755 1.687968
## apro_5e_3 214 0.8506028 0.8480002 0.8212804 0.7988396 3.373832 1.736238
## apro_3a_4 213 0.8987365 0.8988374 0.8873365 0.8647120 3.488263 1.706288
## apro_3a_5 215 0.8732745 0.8738716 0.8523925 0.8291040 3.153488 1.634807
## apro_1c_1 219 0.8901347 0.8904636 0.8755716 0.8563355 3.575342 1.658322
## apro_2b_3 219 0.8611324 0.8658090 0.8449767 0.8230615 3.520548 1.554304
## apro_5a_1 213 0.8736407 0.8757165 0.8560221 0.8342581 3.422535 1.563094# Dataframe mit Itemnamen
Itemname <- data.frame(Itemname = items_fac1)
# Neues Objekt mit Itemname und Klartext für die ausgewählten Items
item_texts <- merge(codebook, Itemname, by = "Itemname")
knitr::kable(item_texts)| Itemname | Iteminhalt |
|---|---|
| apro_1c_1 | Ich verschiebe akademische Aufgaben regelmäßig, selbst wenn dadurch Zeitdruck und Stress entstehen. |
| apro_2b_3 | Obwohl ich weiß, dass es besser für mich wäre, kann ich mich nicht dazu durchringen mein Aufschiebeverhalten, im akademischen Kontext zu ändern. |
| apro_3a_4 | Ich schiebe häufig so lange studienbezogene Tätigkeiten auf, bis ich Aufgaben unter großem Zeitdruck erledigen muss. |
| apro_3a_5 | Selbst, wenn ich ausreichend Zeit und Ressourcen habe, beginne ich studienbezogene Tätigkeiten erst kurz vor der Deadline. |
| apro_4a_1 | Trotz guter Vorsätze, zögere ich die Bearbeitung anstehender Aufgaben immer bis zum letzten Moment hinaus. |
| apro_4c_2 | Ich brauche zeitlichen Druck, um meine akademischen Aufgaben fertigzustellen. |
| apro_5a_1 | Es fällt mir schwer, meine Hausaufgaben sofort zu erledigen, obwohl ich genug Zeit habe. |
| apro_5e_3 | Ich tendiere dazu, mit meinen Aufgaben erst einige Tage vor der Abgabefrist zu beginnen. |
2.2 Mittelwerte für Faktor 1
score <- rowMeans(fac1[c(1:8)], na.rm=TRUE)
hist(score, main = "Aufschiebeverhalten", col = "purple") 
2.3 Für Faktor 2: Emotionalität
items_fac2<- c("apro_4e_3", "apro_1a_2", "apro_5b_3", "apro_4d_3", "apro_2c_1", "apro_3a_2", "apro_3e_1", "apro_5c_1")
fac2 <- apro[items_fac2]
alpha_fac2 <- alpha(fac2)
alpha_fac2##
## Reliability analysis
## Call: alpha(x = fac2)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.9 0.9 0.91 0.53 9.2 0.01 3.7 1.2 0.54
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.88 0.9 0.92
## Duhachek 0.88 0.9 0.92
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## apro_4e_3 0.88 0.88 0.89 0.52 7.5 0.012 0.0109 0.51
## apro_1a_2 0.89 0.89 0.90 0.54 8.4 0.011 0.0102 0.55
## apro_5b_3 0.89 0.89 0.89 0.54 8.1 0.012 0.0114 0.55
## apro_4d_3 0.88 0.88 0.89 0.52 7.7 0.012 0.0107 0.54
## apro_2c_1 0.90 0.90 0.90 0.56 8.9 0.010 0.0073 0.55
## apro_3a_2 0.89 0.89 0.89 0.53 8.0 0.012 0.0073 0.55
## apro_3e_1 0.88 0.89 0.89 0.53 7.8 0.012 0.0090 0.54
## apro_5c_1 0.89 0.89 0.89 0.53 8.0 0.012 0.0081 0.55
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## apro_4e_3 212 0.83 0.83 0.80 0.76 3.6 1.6
## apro_1a_2 219 0.73 0.73 0.68 0.64 4.3 1.5
## apro_5b_3 214 0.76 0.77 0.73 0.69 4.3 1.5
## apro_4d_3 213 0.80 0.81 0.78 0.74 3.6 1.5
## apro_2c_1 218 0.69 0.68 0.61 0.58 4.0 1.6
## apro_3a_2 215 0.78 0.78 0.75 0.70 3.3 1.6
## apro_3e_1 215 0.80 0.80 0.77 0.73 3.6 1.5
## apro_5c_1 214 0.78 0.77 0.74 0.69 3.3 1.6
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## apro_4e_3 0.13 0.16 0.17 0.17 0.25 0.12 0.03
## apro_1a_2 0.06 0.10 0.11 0.22 0.30 0.22 0.00
## apro_5b_3 0.04 0.11 0.14 0.22 0.22 0.27 0.02
## apro_4d_3 0.11 0.15 0.19 0.23 0.20 0.11 0.03
## apro_2c_1 0.10 0.15 0.10 0.21 0.21 0.23 0.00
## apro_3a_2 0.15 0.19 0.20 0.21 0.12 0.13 0.02
## apro_3e_1 0.10 0.19 0.18 0.22 0.17 0.14 0.02
## apro_5c_1 0.15 0.22 0.18 0.22 0.08 0.14 0.02alpha_fac2$item.stats## n raw.r std.r r.cor r.drop mean sd
## apro_4e_3 212 0.8288183 0.8260392 0.8016371 0.7617433 3.627358 1.599113
## apro_1a_2 219 0.7311738 0.7338890 0.6841974 0.6400339 4.264840 1.463061
## apro_5b_3 214 0.7629427 0.7666506 0.7263697 0.6851044 4.289720 1.463223
## apro_4d_3 213 0.8032904 0.8057393 0.7768595 0.7363777 3.605634 1.512329
## apro_2c_1 218 0.6871353 0.6794300 0.6136290 0.5750142 3.977064 1.647349
## apro_3a_2 215 0.7804597 0.7770462 0.7545751 0.6966213 3.325581 1.587347
## apro_3e_1 215 0.7985541 0.7984195 0.7716171 0.7295040 3.595349 1.549488
## apro_5c_1 214 0.7751567 0.7702772 0.7397039 0.6904843 3.294393 1.619212Itemname <- data.frame(Itemname = items_fac2)
item_texts <- merge(codebook, Itemname, by = "Itemname")
knitr::kable(item_texts)| Itemname | Iteminhalt |
|---|---|
| apro_1a_2 | Das Aufschieben von Studienaufgaben verursacht bei mir Schuldgefühle. |
| apro_2c_1 | Es belastet mich emotional, wenn ich akademische Fristen kaum einhalten kann. |
| apro_3a_2 | Ich fühle mich oft schuldig, weil ich studienbezogene Tätigkeiten aufschiebe. |
| apro_3e_1 | Dass ich akademische Aufgaben nicht rechtzeitig beginne, wirkt sich oft negativ auf mein emotionales Wohlbefinden aus. |
| apro_4d_3 | Ich fühle mich häufig schuldig, wenn ich eine geplante akademische Aufgabe bewusst auf später verschiebe. |
| apro_4e_3 | Wenn ich studienbezogene Aufgaben aufschiebe, empfinde ich starke emotionale Belastung, weil ich weiß, dass dies negative Konsequenzen haben könnte. |
| apro_5b_3 | Das Hinauszögern meiner akademischen Aufgaben führt bei mir zu Stress. |
| apro_5c_1 | Durch das ständige Aufschieben meiner Studienaufgaben fühle ich mich häufig gestresst. |
2.4 Mittelwerte für Faktor 2
score <- rowMeans(fac2[c(1:8)], na.rm=TRUE)
hist(score, main = "Emotionalität", col = "green") 
2.5 Für Faktor 3: Ablenkung
items_fac3<- c("apro_2b_1", "apro_2a_2", "apro_1d_2", "apro_3e_2", "apro_2d_1", "apro_1b_2")
fac3 <- apro[items_fac3]
alpha_fac3 <- alpha(fac3, check.keys = TRUE)
alpha_fac3##
## Reliability analysis
## Call: alpha(x = fac3, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.9 0.9 0.89 0.59 8.7 0.011 3.6 1.1 0.57
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.87 0.9 0.92
## Duhachek 0.88 0.9 0.92
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## apro_2b_1 0.88 0.89 0.87 0.61 7.7 0.012 0.0051 0.60
## apro_2a_2 0.88 0.88 0.87 0.61 7.7 0.013 0.0062 0.60
## apro_1d_2 0.88 0.88 0.87 0.59 7.3 0.013 0.0065 0.57
## apro_3e_2 0.88 0.88 0.87 0.59 7.2 0.013 0.0071 0.57
## apro_2d_1 0.87 0.87 0.85 0.57 6.6 0.014 0.0031 0.57
## apro_1b_2 0.88 0.88 0.86 0.59 7.3 0.013 0.0022 0.58
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## apro_2b_1 218 0.79 0.78 0.73 0.68 3.0 1.4
## apro_2a_2 219 0.79 0.79 0.73 0.69 3.5 1.5
## apro_1d_2 216 0.81 0.81 0.76 0.72 3.9 1.4
## apro_3e_2 215 0.82 0.82 0.77 0.73 3.5 1.4
## apro_2d_1 219 0.86 0.86 0.84 0.79 3.7 1.4
## apro_1b_2 219 0.81 0.81 0.78 0.72 3.9 1.3
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## apro_2b_1 0.15 0.28 0.21 0.19 0.11 0.06 0.00
## apro_2a_2 0.09 0.20 0.19 0.26 0.16 0.11 0.00
## apro_1d_2 0.03 0.16 0.19 0.26 0.18 0.18 0.01
## apro_3e_2 0.07 0.19 0.21 0.27 0.17 0.08 0.02
## apro_2d_1 0.03 0.22 0.16 0.26 0.23 0.10 0.00
## apro_1b_2 0.04 0.16 0.17 0.31 0.21 0.12 0.00alpha_fac3$item.stats## n raw.r std.r r.cor r.drop mean sd
## apro_2b_1 218 0.7876805 0.7830696 0.7262533 0.6836930 3.041284 1.447433
## apro_2a_2 219 0.7941423 0.7878921 0.7285809 0.6874469 3.520548 1.459951
## apro_1d_2 216 0.8139735 0.8130312 0.7605854 0.7225923 3.921296 1.420223
## apro_3e_2 215 0.8165220 0.8190793 0.7684237 0.7314425 3.534884 1.379910
## apro_2d_1 219 0.8580294 0.8607167 0.8417968 0.7872718 3.735160 1.369121
## apro_1b_2 219 0.8079574 0.8132221 0.7799901 0.7208235 3.863014 1.340769Itemname <- data.frame(Itemname = items_fac3)
item_texts <- merge(codebook, Itemname, by = "Itemname")
knitr::kable(item_texts)| Itemname | Iteminhalt |
|---|---|
| apro_1b_2 | Ich neige dazu, mich von unwichtigeren Aufgaben ablenken zu lassen, anstatt mich auf meine akademischen Aufgaben zu konzentrieren. |
| apro_1d_2 | Oft lasse ich mich, während einer akademischen Aufgabe von anderen, unterhaltsameren und weniger wichtigen Aufgaben ablenken. |
| apro_2a_2 | Ich unterbreche oft meine Hausaufgaben, um mich ablenkenden Tätigkeiten zu widmen, wie z.B. putzen. |
| apro_2b_1 | Ich breche die Bearbeitung meiner akademischen Aufgaben frühzeitig ab, um mich angenehmeren Tätigkeiten zu widmen. |
| apro_2d_1 | Ich neige dazu, mich weniger dringenden Tätigkeiten zu widmen, anstatt akademische Aufgaben zu erledigen. |
| apro_3e_2 | Wenn ich mir eigentlichen vorgenommen habe an akademische Aufgaben zu arbeiten und mir diese Schwierigkeiten bereiten, führe ich stattdessen oft alternative Tätigkeiten aus. |
2.6 Mittelwerte für Faktor 3
score <- rowMeans(fac3[c(1:6)], na.rm=TRUE)
hist(score, main = "Ablenkung", col = "pink") 
2.7 Für Faktor 4: Verhaltenskongruenz
items_fac4<- c("apro_4d_2", "apro_5b_2", "apro_4b_1", "apro_3d_1", "apro_1e_3", "apro_2d_2")
fac4 <- apro[items_fac4]
alpha_fac4 <- alpha(fac4, check.keys = TRUE)
alpha_fac4##
## Reliability analysis
## Call: alpha(x = fac4, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.91 0.91 0.91 0.63 10 0.0093 3.4 1.2 0.61
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.89 0.91 0.93
## Duhachek 0.89 0.91 0.93
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## apro_4d_2 0.89 0.89 0.87 0.61 7.9 0.012 0.0019 0.61
## apro_5b_2 0.90 0.90 0.88 0.64 8.8 0.011 0.0024 0.62
## apro_4b_1 0.90 0.90 0.89 0.63 8.7 0.011 0.0051 0.61
## apro_3d_1 0.89 0.89 0.89 0.63 8.5 0.011 0.0052 0.60
## apro_1e_3 0.90 0.90 0.88 0.64 8.8 0.011 0.0047 0.62
## apro_2d_2 0.90 0.90 0.89 0.65 9.1 0.011 0.0048 0.63
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## apro_4d_2 210 0.87 0.87 0.86 0.81 3.8 1.4
## apro_5b_2 212 0.82 0.82 0.79 0.74 3.4 1.4
## apro_4b_1 211 0.83 0.83 0.78 0.75 3.3 1.3
## apro_3d_1 214 0.84 0.84 0.80 0.76 3.9 1.4
## apro_1e_3 219 0.83 0.82 0.78 0.74 3.0 1.5
## apro_2d_2 218 0.81 0.81 0.75 0.72 3.2 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## apro_4d_2 0.02 0.21 0.22 0.20 0.20 0.14 0.04
## apro_5b_2 0.07 0.24 0.24 0.21 0.16 0.09 0.03
## apro_4b_1 0.08 0.20 0.27 0.22 0.18 0.04 0.04
## apro_3d_1 0.04 0.16 0.21 0.18 0.26 0.15 0.02
## apro_1e_3 0.18 0.26 0.19 0.20 0.12 0.05 0.00
## apro_2d_2 0.13 0.23 0.23 0.17 0.20 0.04 0.00alpha_fac4$item.stats## n raw.r std.r r.cor r.drop mean sd
## apro_4d_2 210 0.8736865 0.8743273 0.8611032 0.8104090 3.771429 1.409178
## apro_5b_2 212 0.8214136 0.8234739 0.7871413 0.7384742 3.443396 1.418097
## apro_4b_1 211 0.8278060 0.8305212 0.7831714 0.7455695 3.341232 1.319147
## apro_3d_1 214 0.8421981 0.8402526 0.8000883 0.7648835 3.929907 1.437180
## apro_1e_3 219 0.8286791 0.8225902 0.7789934 0.7391575 2.968037 1.453841
## apro_2d_2 218 0.8064180 0.8077018 0.7519552 0.7228240 3.174312 1.426181Itemname <- data.frame(Itemname = items_fac4)
item_texts <- merge(codebook, Itemname, by = "Itemname")
knitr::kable(item_texts)| Itemname | Iteminhalt |
|---|---|
| apro_1e_3 | Ich plane und erledige akademische Aufgaben meist pünktlich und gewissenhaft. (-) |
| apro_2d_2 | Ich nehme mir vor, akademische Aufgaben bis zu einem bestimmten Zeitpunkt zu erledigen und halte diesen dann auch ein. (-) |
| apro_3d_1 | Ich plane meine Aufgaben sorgfältig und halte mich immer an meinem Zeitplan. (-) |
| apro_4b_1 | Wenn ich mir ein Lernziel setze, fällt es mir leicht, dieses zu verfolgen. (-) |
| apro_4d_2 | Wenn ich einen Lernplan erstelle, schaffe ich es konsequent, mich daran zu halten. (-) |
| apro_5b_2 | Wenn ich mir während der Klausurenphase Zeitpläne erstelle, halte ich sie ein. (-) |
2.8 Mittelwerte für Faktor 4
score <- rowMeans(fac4[c(1:6)], na.rm=TRUE)
hist(score, main = "Verhaltenskongruenz", col = "orange") 
2.9 Für alle Faktoren
items_all <- c("apro_4a_1", "apro_4c_2", "apro_5e_3", "apro_3a_4", "apro_3a_5", "apro_1c_1", "apro_2b_3", "apro_5a_1", "apro_4e_3", "apro_1a_2", "apro_5b_3", "apro_4d_3", "apro_2c_1", "apro_3a_2", "apro_3e_1", "apro_5c_1", "apro_2b_1", "apro_2a_2", "apro_1d_2", "apro_3e_2", "apro_2d_1", "apro_1b_2", "apro_4d_2", "apro_5b_2", "apro_4b_1", "apro_3d_1", "apro_1e_3", "apro_2d_2")
all_factors <- apro[items_all]
alpha_all <- alpha(all_factors, , check.keys = TRUE)
alpha_all##
## Reliability analysis
## Call: alpha(x = all_factors, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.95 0.95 0.97 0.41 19 0.0048 3.6 0.99 0.43
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.94 0.95 0.96
## Duhachek 0.94 0.95 0.96
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## apro_4a_1 0.95 0.95 0.97 0.40 18 0.0051 0.037 0.42
## apro_4c_2 0.95 0.95 0.97 0.41 19 0.0049 0.037 0.43
## apro_5e_3 0.95 0.95 0.97 0.40 18 0.0050 0.037 0.43
## apro_3a_4 0.95 0.95 0.97 0.40 18 0.0052 0.037 0.42
## apro_3a_5 0.95 0.95 0.97 0.40 18 0.0051 0.037 0.42
## apro_1c_1 0.95 0.95 0.97 0.40 18 0.0051 0.037 0.42
## apro_2b_3 0.95 0.95 0.97 0.40 18 0.0051 0.038 0.42
## apro_5a_1 0.95 0.95 0.97 0.40 18 0.0051 0.037 0.42
## apro_4e_3 0.95 0.95 0.97 0.42 19 0.0047 0.036 0.44
## apro_1a_2 0.95 0.95 0.97 0.42 20 0.0046 0.034 0.44
## apro_5b_3 0.95 0.95 0.97 0.42 20 0.0047 0.036 0.44
## apro_4d_3 0.95 0.95 0.97 0.41 19 0.0048 0.039 0.44
## apro_2c_1 0.95 0.95 0.97 0.42 20 0.0046 0.035 0.44
## apro_3a_2 0.95 0.95 0.97 0.41 18 0.0050 0.040 0.43
## apro_3e_1 0.95 0.95 0.97 0.41 18 0.0050 0.040 0.43
## apro_5c_1 0.95 0.95 0.97 0.40 18 0.0051 0.040 0.42
## apro_2b_1 0.95 0.95 0.97 0.41 19 0.0048 0.039 0.44
## apro_2a_2 0.95 0.95 0.97 0.41 19 0.0048 0.039 0.44
## apro_1d_2 0.95 0.95 0.97 0.41 19 0.0049 0.039 0.43
## apro_3e_2 0.95 0.95 0.97 0.40 18 0.0050 0.039 0.41
## apro_2d_1 0.95 0.95 0.97 0.40 18 0.0050 0.038 0.42
## apro_1b_2 0.95 0.95 0.97 0.41 18 0.0050 0.039 0.42
## apro_4d_2 0.95 0.95 0.97 0.41 19 0.0049 0.038 0.42
## apro_5b_2 0.95 0.95 0.97 0.41 19 0.0049 0.039 0.43
## apro_4b_1 0.95 0.95 0.97 0.41 18 0.0050 0.039 0.42
## apro_3d_1 0.95 0.95 0.97 0.41 18 0.0050 0.038 0.42
## apro_1e_3 0.95 0.95 0.97 0.41 19 0.0049 0.038 0.42
## apro_2d_2 0.95 0.95 0.97 0.41 18 0.0050 0.038 0.42
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## apro_4a_1 213 0.82 0.81 0.81 0.80 3.1 1.6
## apro_4c_2 212 0.63 0.62 0.61 0.59 3.8 1.7
## apro_5e_3 214 0.71 0.70 0.69 0.67 3.4 1.7
## apro_3a_4 213 0.82 0.82 0.82 0.80 3.5 1.7
## apro_3a_5 215 0.76 0.76 0.76 0.74 3.2 1.6
## apro_1c_1 219 0.82 0.81 0.81 0.80 3.6 1.7
## apro_2b_3 219 0.82 0.82 0.82 0.81 3.5 1.6
## apro_5a_1 213 0.81 0.81 0.80 0.79 3.4 1.6
## apro_4e_3 212 0.46 0.46 0.45 0.41 3.6 1.6
## apro_1a_2 219 0.35 0.35 0.33 0.30 4.3 1.5
## apro_5b_3 214 0.41 0.41 0.39 0.37 4.3 1.5
## apro_4d_3 213 0.56 0.56 0.54 0.52 3.6 1.5
## apro_2c_1 218 0.36 0.35 0.32 0.30 4.0 1.6
## apro_3a_2 215 0.69 0.69 0.68 0.66 3.3 1.6
## apro_3e_1 215 0.70 0.70 0.69 0.67 3.6 1.5
## apro_5c_1 214 0.77 0.76 0.76 0.74 3.3 1.6
## apro_2b_1 218 0.54 0.55 0.53 0.50 3.0 1.4
## apro_2a_2 219 0.53 0.53 0.52 0.48 3.5 1.5
## apro_1d_2 216 0.65 0.65 0.64 0.61 3.9 1.4
## apro_3e_2 215 0.75 0.76 0.75 0.73 3.5 1.4
## apro_2d_1 219 0.74 0.74 0.74 0.72 3.7 1.4
## apro_1b_2 219 0.68 0.68 0.68 0.65 3.9 1.3
## apro_4d_2 210 0.64 0.65 0.64 0.61 3.8 1.4
## apro_5b_2 212 0.61 0.62 0.61 0.58 3.4 1.4
## apro_4b_1 211 0.68 0.69 0.67 0.65 3.3 1.3
## apro_3d_1 214 0.68 0.69 0.68 0.66 3.9 1.4
## apro_1e_3 219 0.65 0.66 0.65 0.63 3.0 1.5
## apro_2d_2 218 0.68 0.69 0.68 0.66 3.2 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## apro_4a_1 0.23 0.19 0.18 0.16 0.15 0.09 0.03
## apro_4c_2 0.15 0.10 0.13 0.22 0.19 0.20 0.03
## apro_5e_3 0.19 0.19 0.14 0.18 0.14 0.16 0.02
## apro_3a_4 0.13 0.24 0.14 0.17 0.13 0.19 0.03
## apro_3a_5 0.20 0.22 0.17 0.18 0.13 0.11 0.02
## apro_1c_1 0.12 0.21 0.15 0.17 0.18 0.16 0.00
## apro_2b_3 0.11 0.18 0.23 0.16 0.20 0.12 0.00
## apro_5a_1 0.15 0.15 0.20 0.21 0.18 0.10 0.03
## apro_4e_3 0.13 0.16 0.17 0.17 0.25 0.12 0.03
## apro_1a_2 0.06 0.10 0.11 0.22 0.30 0.22 0.00
## apro_5b_3 0.04 0.11 0.14 0.22 0.22 0.27 0.02
## apro_4d_3 0.11 0.15 0.19 0.23 0.20 0.11 0.03
## apro_2c_1 0.10 0.15 0.10 0.21 0.21 0.23 0.00
## apro_3a_2 0.15 0.19 0.20 0.21 0.12 0.13 0.02
## apro_3e_1 0.10 0.19 0.18 0.22 0.17 0.14 0.02
## apro_5c_1 0.15 0.22 0.18 0.22 0.08 0.14 0.02
## apro_2b_1 0.15 0.28 0.21 0.19 0.11 0.06 0.00
## apro_2a_2 0.09 0.20 0.19 0.26 0.16 0.11 0.00
## apro_1d_2 0.03 0.16 0.19 0.26 0.18 0.18 0.01
## apro_3e_2 0.07 0.19 0.21 0.27 0.17 0.08 0.02
## apro_2d_1 0.03 0.22 0.16 0.26 0.23 0.10 0.00
## apro_1b_2 0.04 0.16 0.17 0.31 0.21 0.12 0.00
## apro_4d_2 0.02 0.21 0.22 0.20 0.20 0.14 0.04
## apro_5b_2 0.07 0.24 0.24 0.21 0.16 0.09 0.03
## apro_4b_1 0.08 0.20 0.27 0.22 0.18 0.04 0.04
## apro_3d_1 0.04 0.16 0.21 0.18 0.26 0.15 0.02
## apro_1e_3 0.18 0.26 0.19 0.20 0.12 0.05 0.00
## apro_2d_2 0.13 0.23 0.23 0.17 0.20 0.04 0.00alpha_all$item.stats## n raw.r std.r r.cor r.drop mean sd
## apro_4a_1 213 0.8179168 0.8130399 0.8141955 0.7984696 3.103286 1.636448
## apro_4c_2 212 0.6253426 0.6174395 0.6050466 0.5883901 3.820755 1.687968
## apro_5e_3 214 0.7074093 0.7006178 0.6947498 0.6744141 3.373832 1.736238
## apro_3a_4 213 0.8216721 0.8166439 0.8178282 0.8028109 3.488263 1.706288
## apro_3a_5 215 0.7647902 0.7601182 0.7573852 0.7384019 3.153488 1.634807
## apro_1c_1 219 0.8161051 0.8132001 0.8129272 0.7983797 3.575342 1.658322
## apro_2b_3 219 0.8200682 0.8188472 0.8169614 0.8053239 3.520548 1.554304
## apro_5a_1 213 0.8125015 0.8071883 0.8046911 0.7903338 3.422535 1.563094
## apro_4e_3 212 0.4625341 0.4580418 0.4463144 0.4145393 3.627358 1.599113
## apro_1a_2 219 0.3478515 0.3470619 0.3266299 0.2999864 4.264840 1.463061
## apro_5b_3 214 0.4115517 0.4079360 0.3917725 0.3657486 4.289720 1.463223
## apro_4d_3 213 0.5557831 0.5565064 0.5440910 0.5171016 3.605634 1.512329
## apro_2c_1 218 0.3555603 0.3493083 0.3236215 0.3000588 3.977064 1.647349
## apro_3a_2 215 0.6938300 0.6918536 0.6836252 0.6607243 3.325581 1.587347
## apro_3e_1 215 0.6999951 0.6957278 0.6874983 0.6704417 3.595349 1.549488
## apro_5c_1 214 0.7667155 0.7631494 0.7581954 0.7420447 3.294393 1.619212
## apro_2b_1 218 0.5374438 0.5478237 0.5315921 0.5024721 3.041284 1.447433
## apro_2a_2 219 0.5260892 0.5321398 0.5157680 0.4821168 3.520548 1.459951
## apro_1d_2 216 0.6461285 0.6500537 0.6358077 0.6145655 3.921296 1.420223
## apro_3e_2 215 0.7509925 0.7569634 0.7485100 0.7284313 3.534884 1.379910
## apro_2d_1 219 0.7403765 0.7449115 0.7405266 0.7160283 3.735160 1.369121
## apro_1b_2 219 0.6800255 0.6841469 0.6760843 0.6533378 3.863014 1.340769
## apro_4d_2 210 0.6414836 0.6476182 0.6437047 0.6093354 3.771429 1.409178
## apro_5b_2 212 0.6111590 0.6211815 0.6124444 0.5803446 3.443396 1.418097
## apro_4b_1 211 0.6769381 0.6854737 0.6743694 0.6486027 3.341232 1.319147
## apro_3d_1 214 0.6825861 0.6893254 0.6808608 0.6564912 3.929907 1.437180
## apro_1e_3 219 0.6539011 0.6613361 0.6524511 0.6250246 2.968037 1.453841
## apro_2d_2 218 0.6805249 0.6915286 0.6810270 0.6625645 3.174312 1.426181# Itemtexte
Itemname <- data.frame(Itemname = items_all)
item_texts <- merge(codebook, Itemname, by = "Itemname")
knitr::kable(item_texts)| Itemname | Iteminhalt |
|---|---|
| apro_1a_2 | Das Aufschieben von Studienaufgaben verursacht bei mir Schuldgefühle. |
| apro_1b_2 | Ich neige dazu, mich von unwichtigeren Aufgaben ablenken zu lassen, anstatt mich auf meine akademischen Aufgaben zu konzentrieren. |
| apro_1c_1 | Ich verschiebe akademische Aufgaben regelmäßig, selbst wenn dadurch Zeitdruck und Stress entstehen. |
| apro_1d_2 | Oft lasse ich mich, während einer akademischen Aufgabe von anderen, unterhaltsameren und weniger wichtigen Aufgaben ablenken. |
| apro_1e_3 | Ich plane und erledige akademische Aufgaben meist pünktlich und gewissenhaft. (-) |
| apro_2a_2 | Ich unterbreche oft meine Hausaufgaben, um mich ablenkenden Tätigkeiten zu widmen, wie z.B. putzen. |
| apro_2b_1 | Ich breche die Bearbeitung meiner akademischen Aufgaben frühzeitig ab, um mich angenehmeren Tätigkeiten zu widmen. |
| apro_2b_3 | Obwohl ich weiß, dass es besser für mich wäre, kann ich mich nicht dazu durchringen mein Aufschiebeverhalten, im akademischen Kontext zu ändern. |
| apro_2c_1 | Es belastet mich emotional, wenn ich akademische Fristen kaum einhalten kann. |
| apro_2d_1 | Ich neige dazu, mich weniger dringenden Tätigkeiten zu widmen, anstatt akademische Aufgaben zu erledigen. |
| apro_2d_2 | Ich nehme mir vor, akademische Aufgaben bis zu einem bestimmten Zeitpunkt zu erledigen und halte diesen dann auch ein. (-) |
| apro_3a_2 | Ich fühle mich oft schuldig, weil ich studienbezogene Tätigkeiten aufschiebe. |
| apro_3a_4 | Ich schiebe häufig so lange studienbezogene Tätigkeiten auf, bis ich Aufgaben unter großem Zeitdruck erledigen muss. |
| apro_3a_5 | Selbst, wenn ich ausreichend Zeit und Ressourcen habe, beginne ich studienbezogene Tätigkeiten erst kurz vor der Deadline. |
| apro_3d_1 | Ich plane meine Aufgaben sorgfältig und halte mich immer an meinem Zeitplan. (-) |
| apro_3e_1 | Dass ich akademische Aufgaben nicht rechtzeitig beginne, wirkt sich oft negativ auf mein emotionales Wohlbefinden aus. |
| apro_3e_2 | Wenn ich mir eigentlichen vorgenommen habe an akademische Aufgaben zu arbeiten und mir diese Schwierigkeiten bereiten, führe ich stattdessen oft alternative Tätigkeiten aus. |
| apro_4a_1 | Trotz guter Vorsätze, zögere ich die Bearbeitung anstehender Aufgaben immer bis zum letzten Moment hinaus. |
| apro_4b_1 | Wenn ich mir ein Lernziel setze, fällt es mir leicht, dieses zu verfolgen. (-) |
| apro_4c_2 | Ich brauche zeitlichen Druck, um meine akademischen Aufgaben fertigzustellen. |
| apro_4d_2 | Wenn ich einen Lernplan erstelle, schaffe ich es konsequent, mich daran zu halten. (-) |
| apro_4d_3 | Ich fühle mich häufig schuldig, wenn ich eine geplante akademische Aufgabe bewusst auf später verschiebe. |
| apro_4e_3 | Wenn ich studienbezogene Aufgaben aufschiebe, empfinde ich starke emotionale Belastung, weil ich weiß, dass dies negative Konsequenzen haben könnte. |
| apro_5a_1 | Es fällt mir schwer, meine Hausaufgaben sofort zu erledigen, obwohl ich genug Zeit habe. |
| apro_5b_2 | Wenn ich mir während der Klausurenphase Zeitpläne erstelle, halte ich sie ein. (-) |
| apro_5b_3 | Das Hinauszögern meiner akademischen Aufgaben führt bei mir zu Stress. |
| apro_5c_1 | Durch das ständige Aufschieben meiner Studienaufgaben fühle ich mich häufig gestresst. |
| apro_5e_3 | Ich tendiere dazu, mit meinen Aufgaben erst einige Tage vor der Abgabefrist zu beginnen. |
3 Mittelwerte der Items über die Personen
score <- rowMeans(all_factors[c(1:28)], na.rm=TRUE)
hist(score, main = "Akademische Prokrastination", col = "blue") 