6-Variablen-Fall. Dipl.-Ök. John Yun Bergische Universität Wuppertal Gaußstraße Wuppertal

Transkript

1 Dipl.-Ök. John Yun Bergische Universität Wuppertal Gaußstraße Wuppertal

2 Allgemein 6 Konstrukte: - soziale Kontakte (6 Items) - Markenbewusstsein (6 Items) - Werbeakzeptanz (6 Items) - materielle Gütergebundenheit (6 Items) - Kaufverhalten bzw. -sucht (7 Items) - Persönlichkeit bzw. Selbstwertgefühl (7 Items) Umkodierung einiger Variablen es liegen keine Recency- und keine Primacy-Effekte vor 1

3 Vorgehensweise > 1. Schritt: Schwierigkeitsanalyse > 2. Schritt: Faktorenanalyse > 3. Schritt: Reliabilitätsanalyse > 4. Schritt: Korrelationsmatrix (mit neu gebildeten Faktoren/ bivariate Zusammenhänge) > 5. Schritt: Pfadanalyse über die Lineare Regression (um Kausalmodell aufzustellen) 2

4 1) Schwierigkeitsanalyse 3

5 1) Schwierigkeitsanalyse - Schwierigkeit = der Prozentsatz der Befragten, die einem Item zustimmen - bei der Skalenbildung sind diejenigen Items ungeeignet, die eine zu hohe oder zu geringe Schwierigkeit aufweisen - extreme Items diskriminieren nicht in Hinblick auf das zu messende Konstrukt und sind daher i. d. R. auszusondern die Schwierigkeit eines Items sollte zwischen 20 und 80 Prozent liegen dies entspricht einem akzeptierten Wertebereich zwischen 1,8 und 4,2 4

6 1) Schwierigkeitsanalyse Ergebnis: alle Items überstehen die Schwierigkeitsanalyse > einige etwas extremere Items: - MGG_6_um: Ich muss immer die neueste Generation von technischen Dingen haben. ; MW = 2, KS_7_um: Wenn es mir nicht so gut, habe ich das dringende Bedürfnis. Mir etwas zu kaufen. ; MW = 2, SW_1_um: Ich würde mich als selbstbewusst bezeichnen. ; MW = 3,9130 5

7 2) Faktorenanalyse 6

8 2) Faktorenanalyse Ziel: den Grad an Komplexität verringern, indem die Vielzahl der Einzelvariablen auf eine überschaubare Zahl von Hintergrundvariablen zurückgeführt wird solche Hintergrundvariablen werden im Rahmen der Faktorenanalyse als Faktoren bezeichnet 7

9 2) Faktorenanalyse Einige relevante Kennzahlen: > KMO-Test - wie gut sind die Daten (Variablen) für eine FA geeignet? - 1 = sehr gut/ unter.5 = inakzeptabel > Bartlett-Test -testet die H 0, dass die Korrelationsmatrix nur zufällig von der Einheitsmatrix abweicht - Signifikanz nach Bartlett = Irrtumswahrscheinlichkeit 8

10 2) Faktorenanalyse > Kommunalitäten - welchen Beitrag der Streuung einer Variable erklären alle extrahierten Faktoren? - evtl. Items rausnehmen, die durch das Modell schlecht erklärt werden > erklärte Gesamtvarianz Eigenwert - welchen Betrag der Gesamtstreuung aller beobachteten Variablen erklärt ein bestimmter Faktor? 9

11 2) Faktorenanalyse Kaiser-Kriterium - extrahiert werden alle Faktoren, die einen Eigenwert größer eins aufweisen - d.h., dass ein Faktor mindestens mehr als die Varianz eines einzigen Items erklären soll - es besteht auch die Möglichkeit, die Zahl der extrahierten Faktoren festzulegen 10

12 2) Faktorenanalyse > Komponentenmatrix Faktorladung - Beziehung zwischen Variablen und Faktor(en) - Faktorladungen entsprechen den Korrelationen der latenten Variablen (Faktoren) mit den Indikatoren - je höher die Ladung, desto größer die Bedeutung des Faktors für die Variable > rotierte Komponentenmatrix - wenn mehr als ein Faktor extrahiert wird - Varimax-Rotation (orthogonale Rotation) 11

13 2) Faktorenanalyse 1) soziale Kontakte (6 Items) - Kommunalität fast alle über.5 2 Faktoren extrahiert: a) soziale Kontakte (5 Items), b) emotionale Einsamkeit (SK_6) 2) Markenbewusstsein (6 Items) - Kommunalität bei MB_6 relativ niedrig (.243) evtl. rausnehmen (s. RA ) 1 Faktor extrahiert (6 Items) 12

14 2) Faktorenanalyse 3) Werbeakzeptanz (6 Items) - Kommunalität nur bei 2/3 von 6 Items okay Rest evtl. rausnehmen (s. RA ) einen Faktor extrahiert 4) materielle Gütergebundenheit (6 Items) - Kommunalität fast alle über.5 zwei Faktor extrahiert: a) mentale MGG (4 Items), b) umgesetzte MGG (MGG_4_um/ MGG_6_um) 13

15 2) Faktorenanalyse 5) Kaufverhalten bzw. -sucht (7 Items) - Kommunalität bei KS_6_um (.213) sehr gering evtl. rausnehmen (s. RA ) einen Faktor extrahiert 14

16 2) Faktorenanalyse 6) Persönlichkeit/ Selbstwertgefühl (7 Items) - Kommunalität bei SW_2_um (.349) relativ niedrig evtl. rausnehmen zwei Faktor extrahiert: a) Selbstsicherheit (4 Items), b) soziales SW (3 Items) 15

17 3) Reliabilitätsanalyse 16

18 3) Reliabilitätsanalyse Einige relevante Kennzahlen: > Cronbachs Alpha - Maß der Reliabilität einer Skala - normalerweise.8, kann aber auch geringer sein - ist abhängig von der Anzahl der Variablen > korrigierte-item-skala-korrelation - Trennschärfeindex (normalerweise über.5) > Cronbachs Alpha, wenn Item weggelassen - eliminiert man ein schlechtes Item, dann verbessert sich Alpha 17

19 3) Reliabilitätsanalyse 1) soziale Kontakte (5 Items) SK_1_um/ SK_2_um/ SK_3_um/ SK_4/ SK_5_um - Cronbachs α =.752/ Trennschärfe = keine Verbesserung, wenn ein Item aus der Skala entfernt wird ist okay (5 Items) 18

20 3) Reliabilitätsanalyse 2) Markenbewusstsein (6 Items) - Cronbachs α =.843 Trennschärfe = MB_6_um relativ schlechte Trennschärfe (.367) - Verbesserung (Cronbachs α), wenn MB_6 wegfällt von.843 auf.867 MB mit 5 Items 18

21 3) Reliabilitätsanalyse 3) Werbeakzeptanz (6 Items) - eigentlich 3 Items schlechte Werte bei Kommunalitäten - Cronbachs α =.720/ Trennschärfe = keine Verbesserung (Cronbachs α) - inhaltliche Entscheidung alle Items zu behalten ist okay (6 Items) 19

22 3) Reliabilitätsanalyse 4) materielle Gütergebundenheit (4 Items) - mentale MGG MGG_1_um/ MGG_2_um/ MGG_3/ MGG_5_um - Cronbachs α =.707/ Trennschärfe = keine Verbesserung (Cronbachs α) ist okay (4 Items) 19

23 3) Reliabilitätsanalyse 5) Kaufverhalten/ -sucht (7 Items) - Cronbachs α =.847/ Trennschärfe = Verbesserung (Cronbachs α), wenn KS_6_um wegfällt von.847 auf.862 ist okay (6 Items) 20

24 3) Reliabilitätsanalyse 6) Persönlichkeit/ Selbstwertgefühl - Selbstsicherheit SW_1_um/ SW_4/ SW_5/ SW_6 - Cronbachs α =.813/ Trennschärfe = alle über.5 ist okay (4 Items) 21

25 Exkurs 22

26 Exkurs - im Anschluss an die Reliabilitätsanalyse werden zunächst die einzelnen Skalen gebildet man erhält also für jede Skala eine Variable, die verschiedene ursprüngliche Items bündelt - man kann sich nun die einzelnen Verteilungen der Variablen ansehen alle annähernd normalverteilt standardisierten Residuen der abhängigen Variable ( KS ) normalverteilt 23

27 Modellvariablen 24

28 Modellvariablen > Geschl Geschlecht (1 = Frau, 2 = Mann) > Alter Alter in Jahren > WA Werbeakzeptanz (6 Items) > MGG materielle Gütergebundenheit (4 Items) > MB Markenbewusstsein (5 Items) > KS Kaufverhalten/ -sucht (6 Items) 25

29 4) Auszüge aus der Korrelationsmatrix 26

30 4) Auszüge aus der Korrelationsmatrix Alter KS -.342** Alter MB -.248** Geschl KS -.307** MB MGG.514** WA KS.435** WA MGG.355** MGG KS.340** 27

31 5) Lineare Regression/ Pfadmodell 28

32 5) Lineare Regression /Pfadanalyse Einige relevante Kennzahlen: > Standardisierte Beta-Koeffizienten Pfadkoeffizienten > R-Quadrat (r²) - zu wieviel Prozent wird die abhängige Variable ( Kaufverhalten/ -sucht ) durch das gewählte Modell erklärt? das Modell basiert auf theoretischen Überlegungen es können verschiedene Modelle aus den Daten abgeleitet werden (Variationen der betrachteten Variablen und Veränderungen der Anordnung denkbar) - es ist nur ein Beispiel 29

33 6) Das 6-Variablen-Modell 30

34 6) Das 6-Variablen-Modell Alter MB WA KS Geschl MGG.184 r² =

35 6) Das 6-Variablen-Modell Alter MB WA KS Geschl MGG.184 r² =

36 Ende 33