IAT-Effekt
[engl. IAT effect], [DIA, KOG], IAT-Effekt ist das Ergebnis Impliziter Assoziationstests (IATs). Die Vielzahl von Algorithmen zur Berechnung des IAT-Effekts unterscheidet sich durch den jew. Berechnungsalgorithmus, den theoret. Hintergrund sowie den jew. Anwendungsbezug. Als traditionelle IAT-Effekte kann man die von Greenwald et al. (2003) postulierten 10 Algorithmen (d. h. sechs D measures: D1 bis D6 und vier conventional measures) verstehen, wobei Greenwald et al. (2003) – aufgrund besserer Messeigenschaften – für die Anwendung der D measures plädieren. Die D measures haben Gemeinsamkeiten, aber auch spezif. Unterschiede in ihrer Berechnung. Alle repräsentieren eine Reaktionszeitdifferenz zw. den inkompatiblen und kompatiblen IAT-Blöcken. Es gibt jedoch unterschiedliche Ein- und Ausschlusskriterien für die jew. IAT-trials hinsichtlich Reaktionszeit und Fehler. Eine Vielzahl von Studien verweist darauf, dass der IAT-Effekt ein geeigneter Index zur Messung impliziter Assoziationen ist. Allerdings ist kritisch zu sehen, dass die Prozesse hinter dem IAT-Effekt noch nicht vollst. geklärt sind. So können etwa Methodenvarianz (Multitrait-Multimethod-Analyse) oder Fälschung(-sverhalten) die Höhe des IAT-Effekts beeinflussen. Daher stehen mittlerweile neben den traditionell genutzten D measures komplexere Algorithmen zur Auswertung des IAT-Effekts zur Verfügung. Diese differenzieren u. a. versch. Varianzquellen von IAT-Effekten. Bsp. sind das Diffusionsmodell, das Quad-Modell und das ReAL-Modell. Mittels Diffusionsmodellanalysen können etwa statt einem globalen IAT-Effekt drei separate IAT-Effekte berechnet werden (d. h. IATv, IATa und IATt0), welche zu unterschiedlichen Anteilen Konstruktvarianz, Methodenvarianz und Fälschungsvarianz enthalten.