Der Implizite Assoziationstest (IAT; Greenwald, McGhee, & Schwartz, 1998) ist ein populäres, jedoch auch verfälschbares Verfahren (z. B. Röhner, Schröder-Abé, & Schütz, 2011). Die Prozesse hinter dem Zustandekommen und der Verfälschbarkeit des IAT-Effektes sind noch nicht umfänglich verstanden. Der traditionelle IAT-Effekt (D measure) lässt sich durch Diffusionsmodellanalysen in drei neue IAT-Effekte aufteilen: IATv, IATa und IATt0. Für IATv wurde gezeigt, dass er mit Konstruktvarianz assoziiert ist (Klauer, Voss, Schmitz, & Teige-Mocigemba, 2007). Bei IATa und IATt0 vermutet man hingegen, sie seien mit Fälschungsverhalten assoziiert (Klauer et al., 2007). Anhand von Re-Analysen eines Datensets mit gefälschten und ungefälschten IAT-Effekten wurde untersucht, ob es mittels Diffusionsmodellanalysen möglich ist, konstrukt- und fälschungsbezogene Varianz voneinander zu trennen (Röhner & Ewers, 2016a, 2016b; Röhner & Thoss, 2018). Im Rahmen des Vortrages soll die Frage geklärt werden, ob diffusionsmodelbasierte IAT Effekte eine Trennung von fälschungs- und konstruktbezogener Varianz erlauben. Es soll weiterhin ein Einblick in das Vorgehen zur Analyse von IAT Effekten mit Diffusionsmodellanalysen gegeben werden. Zu guter Letzt werden potenzielle Vor- und Nachteile für Anwendende erörtert.