Institut für Wirtschaftspädagogik Dipl. Hdl. Michael Fretschner Dipl. Hdl. Stephanie Starke, MBR

Transkript

1 Proseminar Einführung in SPSS Institut für Wirtschaftspädagogik Tutoren: Monika Doll Carolin Dollinger Carolin Teicht 1

2 Was kommt heute auf Sie zu? Orga Erste Schritte in SPSS - Variablenansicht vs. Datenansicht - Definition von Variablen - Datenerfassung - Umkodieren - Prüfung der Reliabilität - Berechnen - Fälle auswählen Deskriptive Statistik und Induktive Statistik - Deskriptiv: theoretisch + Vorgehen in SPSS - Induktiv: theoretisch Prinzip der Signifikanztestung, Effektstärke, etc. Testen von Zusammenhangshypothesen (Unterschiedshypothesen nächste Woche) Arbeitsauftrag (zur nächsten Übung) Ausblick in die nächsten Veranstaltungen 2

3 WiSe 09/10 Sandra Trost Starke

4 Variablen WiSe 09/10 Sandra Trost Starke

5 Variablen Fälle WiSe 09/10 Sandra Trost Starke

6 Was kommt heute auf Sie zu? Orga Erste Schritte in SPSS - Variablenansicht vs. Datenansicht - Definition von Variablen - Datenerfassung - Umkodieren - Prüfung der Reliabilität - Berechnen - Fälle auswählen 6

7 Variablen definieren Name: kurz prägnant (keine Sonderzeichen, keine Leerzeichen, keine Ziffern zu Beginn Typ: String (Texteingaben) Numerisch (Zahleneingaben) Spaltenformat: Dezimalstellen: Variablenlabel: Wertelabel: Fehlende Werte: Anz. der Dezimalstellen des Variablenwertes bzw. des Wertelabels ausführliche Bezeichnung der Variable (auch Sonder- und Leerzeichen möglich) Kodierung (Skalenlabels) 9 bzw. 99 steht für missing data Meßniveau: Skalenniveau (metrisch, ordinal, nominal) 7

8 Übung: Erfasst die Variablen des Übungs-Kodierplans (S.1) (siehe Anhang SPSS-Reader)! Die Übungsdatei (bzw. der Fragebogen) enthält biographische Daten sowie die WiSe 09/10 Konstrukte Trierer Inventar zur Messung von chronischem Stress (TICS) und den Aspiration Index (AI). Sandra Trost Starke

9 Variablen definieren Fehlende Werte: 9 bzw. 99 9

10 Exkurs: Das Konstrukt: TICS

11 Exkurs: Das Konstrukt: AI

12 Daten eingeben In Datenansicht wechseln: Variablen Fälle Fälle (Fragebögen) fortlaufend numerisch erfassen (Die Fragebögen unserer Erhebung werden in der ersten Tutoriumsveranstaltung erfasst.) 12

13 Umkodieren die Kodierung wird verändert - Umgepolte Items - Künstliche Dichotomie Vorgehen: - anlegen einer weiteren Variable (umk_...) - Wertelables werden angepasst (1 wird 5, 2 wird 4, usw.) - neue Variable unter der alten Variable platzieren SPSS: - Transformieren + Umkodieren in andere Variable Hinweis: Das Umkodieren von Daten ist erst nach vollständiger Dateneingabe und -bereinigung sinnvoll, da korrigierte Falscheingaben nicht ausgebessert werden. Öffnen Sie daher für die weiteren Schritte die Übungsdatei. 13

14 Umkodieren in andere Variable Kodierung ändern: 1 wird zu 5 2 wird zu 4 usw. 14

15 Prüfung der Reliabilität Ausgangsidee: Messung von Auslösern von Stress (Operationalisierung mit Hilfe des TICS-Fragebogens) und angestrebter Lebensziele (Aspirationen) (Operationalisierung mit Hilfe des AI-Fragebogens) Es handelt sich bei den interessierenden Variablen um latente Konstrukte, die nicht direkt beobachtbar sind, für deren theoretische Konstruktionen allerdings standardisierte Tests (Schulz & Schlotz bzw. Klusmann et al.) zur Verfügung stehen. Jede einzelne theoretische Subskala (z. B. auch Stress aus Arbeitsüberlastung: tics_uebe ) der Konstrukte wird im vorliegenden FB hilfsweise mit 3 bis 4 Items abgebildet. Um zu prüfen, ob die 4 Items für Arbeitsüberlastung ein genaues Messinstrument (einen reliablen Test) darstellen, prüfen wir die Reliabilität der Subskala. Erst wenn sich der Test in der vorliegenden Stichprobe als messgenau darstellt, dürfen wir die Variable Arbeitsüberlastung (tics_uebe_ges) als Gesamtvariable aus den 4 Items abbilden. 15

16 Prüfung der Reliabilität hier mittels Cronbachs Alpha als Vorraussetzung, um eine Gesamtvariable (Stress aus Arbeitsüberlastung: tics_uebe) zusammenfassen zu dürfen Hinweis: Vergessen Sie nicht, die umkodierten statt der ursprünglichen Items zu verwenden. SPSS: Analysieren + Skalieren + Reliabilitätsanalyse 16

17 Prüfung der Reliabilität Ergebnisinterpretation Anzahl der ausgewerteten Fälle (gültige) Ausgeschlossene Fälle insgesamt 4 gemessene Items Reliabilität: =.859 Wie hoch korreliert das einzelne Item mit der Skala? Wie hoch wird die interne Konsistenz, wenn eines der Items weggelassen wird? 17

18 Berechnen Da sich die Reliabilität als angemessen hoch erwies, können wir die Items zu einer Gesamtvariable zusammenfassen: hier: (tics_uebe): Hinweis: Vergessen Sie nicht die umkodierten statt der ursprünglichen Items zu verwenden. SPSS: Transformieren + Variable berechnen aus der Funktionsgruppe statistisch und aus den Funktionen Mean auswählen 18

19 Fälle auswählen Auswahl von Teilbereichen aus der Stichprobe hier: Auswahl der Studierenden, die älter als 25 Jahre sind SPSS: Daten + Fälle auswählen 19

20 Fälle auswählen Ergebnis: alle gefilterten Fälle (Alter<=25) sind durchgestrichen Sollen sich nachfolgende Untersuchungen wieder auf alle Pbn beziehen, muss die Fallauswahl wieder zurück gesetzt werden: SPSS: Daten + Fälle auswählen 20

21 Übungsaufgabe Berechnen Sie für folgende Konstrukte die Gesamtvariablen: - Aspiration Index: Gesundheit (AI_gesundh_ges) - Aspiration Index: intrinsische Aspirationen (AI_intrin_ges)! (Achtung: immer zuvor die Reliabilität prüfen!)

22 Was kommt heute auf Sie zu? Orga Deskriptive Statistik und Induktive Statistik - Deskriptive Statistik theoretisch Vorgehen in SPSS - Induktive Statistik theoretisch (Prinzip der Signifikanztestung) Testen von Zusammenhangshypothesen Testen von Unterschiedshypothesen nächste Woche 22

23 Deskriptive Statistik Deskriptive, beschreibende Statistik Eigenschaften der Merkmale der Stichprobe werden zu einem bestimmten Zeitpunkt beschrieben und analysiert. Deskriptiv statistische Ergebnisse sagen ausschließlich etwas über die Objekte aus, die tatsächlich untersucht wurden. Beispiel: 2000 Bundesbürger wurden befragt, wen sie wählen würden, wenn am Sonntag Wahl wäre; eines der Ergebnisse: 7% würden die Linkspartei wählen. Wirtz & Nachtigall (2006). 23

24 Univariate Analysen Lagemaße: Aussage über zentrale Größe einer Verteilung Modalwert (Modus): häufigster Wert (ab nominalem Messniveau) Median: teilt geordnete Reihe in zwei Hälften (ab ordinalem Messniveau) Arithmetisches Mittel: 1 x= n n x i i= 1 (ab metrischem Messniveau) Streuungsmaße: Aussage, wie stark Werte um ein Lagemaß schwanken Häufigkeitsverteilung (ab nominalem Messniveau) Quartilsabstand Varianz s Standardabweichung: Spannweite: 2 1 = n 1 n i= 1 SP (x x) i = max i 2 s = x i 2 s min i x i (ab ordinalem Messniveau) (ab metrischem Messniveau) Backhaus, Erichson, Plinke & Weiber (2003). 24

25 Lage- und Streuungsparameter Zweck: - zur Gewinnung erster Eindrücke über die Verteilung der Merkmale - zur Beschreibung der Merkmale / Stichprobe - zur Bereinigung der Daten / Identifizierung von Fehleingaben - hier: Beschreibung der Stichprobe hinsichtlich des Alters SPSS: Analysieren +Deskriptive Statistik + Häufigkeiten (man kann mehrere Merkmale gleichzeitig testen hier nur Alter ausgewählt) 25

26 Lage- und Streuungsparameter Ergebnisdarstellung Anzahl der geprüften Fälle Lageparameter Streuungsparameter pro Altersklasse (von 15 bis 40) sind Häufigkeiten und Prozentwerte aufgelistet 26

27 Diagramme (insb. Histogramm) Zweck: - zur Gewinnung erster Eindrücke über die Verteilung der Merkmale - zur Beschreibung der Merkmale / Stichprobe - zur Bereinigung der Daten / Identifizierung von Fehleingaben - hier: Beschreibung der Stichprobe hinsichtlich des Alters SPSS: Analysieren +Deskriptive Statistik + Häufigkeiten 27

28 Explorative Datenanalyse Zweck: - Hier: zur Bereinigung der Daten / Identifizierung von Fehleingaben SPSS: Analysieren + Deskriptive Statistik + explorative Datenanalyse 28

29 Explorative Datenanalyse Ergebnisdarstellung Auflistung der 5 größten / kleinsten Werte der Variable Alter mit den dazugehörigen Fallnummern (Pbn): d.h. *der älteste Pbn ist 40 Jahre alt und ihr findet seinen Datensatz in der Datenansicht in Zeile 164 *im Alter von 30 Jahren sind die Pbn in Zeile 10 und 75, sowie weitere Pbn (siehe FN zu a.) 29

30 Inferenzstatistik Induktive, schließende Statistik (Inferenzstatistik) Die erfassten Objekte werden als repräsentative Teilmenge einer Population aufgefasst. Signifikanztests ermöglichen es, von den Verhältnissen in der Stichprobe auf die Verhältnisse in der Population zu schließen. Beispiel: Aus dem Ergebnis der Befragung schließen wir mit 95% Sicherheit, dass zwischen 6,7% und 7,3% die Linkspartei wählen würden. Wirtz & Nachtigall (2006). 30

31 Theoretische Grundlagen von Signifikanztestung Ablauf bei der Testung auf Signifikanz: 1. Schritt: Aufstellung der Alternativ-Hypothese (H 1 ) und der Null-Hypothese (H 0 ) Bsp: H 1 : Männer erzielen höhere Einkommen als Frauen. ( M > F ) H 0 : Männer erzielen gleich hohe oder niedrigere Einkommen als Frauen. ( M <= F ) 2. Schritt: Bestimmung einer Irrtumswahrscheinlichkeit α (0.05, 0.01 oder 0.001) 3. Schritt: Berechnung einer empirischen Teststatistik (empirischer Wert) Unterschiedshypothese: t-test (insofern Voraussetzungen erfüllt) Ergebnis: empirischer t-wert = t 4. Schritt: Ermittlung eines theoretischen Wertes für die Teststatistik unter Berücksichtigung von Irrtumswahrscheinlichkeit und Untersuchungsmerkmalen (Freiheitsgrade (df)) Ergebnis: Kritischer t-wert = t cvt (α,df) 5. Schritt: Vergleich von empirischem und theoretischem Wert der Teststatistik. Ist der empirische Wert größer als der theoretische Wert muss die Nullhypothese abgelehnt werden (interessierende Hypothese wird akzeptiert) Janssen, J, & Laatz, W., S

32 Wiederholung: Null- und Alternativhypothese Prinzip der Signifikanztestung interessierende Forschungsfrage Alternativhypothese (H 1 ) Nullhypothese (H 0 ) komplementärer Rest Beibehaltung der Alternativhypothese Statistisch prüfbar: Verwerfung der Alternativhypothese Rost, 2007, S Prinzip der Falsifikation 32

33 Theoretische Grundlagen der Signifikanztestung Gerichtete Hypothese Ungerichtete Hypothese Einseitiger Test Kritischer Wert t cv Zweiseitiger Test Kritischer Wert t cv (1- ) Konfidenz niveau /2 (1- ) Konfidenz niveau /2 Kritischer Wert t cv H 0 beibehalten H 1 verwerfen H 0 verwerfen H 1 annehmen H 0 verwerfen H 1 annehmen H 0 beibehalten H 1 verwerfen H 0 verwerfen H 1 annehmen Das Signifikanzniveau definiert die Wahrscheinlichkeit, einen Effekt zu behaupten, der in Wirklichkeit nicht existiert. Rost, D. 2007, S und ; Bortz, J., S

34 Theoretische Grundlagen der Signifikanztestung 1. Schritt: Aufstellung der Alternativ-Hypothese (H 1 ) und der Null-Hypothese (H 0 ) Bsp: H 1 : Männer erzielen höhere Einkommen als Frauen. ( M > F ) H 0 : Männer erzielen gleich hohe oder niedrigere Einkommen als Frauen. ( M <= F ) einseitige Fragestellung t-test (Unterschiedshypothese) Festlegung des Signifikanzniveaus Ermittlung des theoretischen Wertes (Verteilungstafeln: Signifikanzniveau, Freiheitsgrade) Berechnung des empirischen Testwertes 5. Schritt: Vergleich von empirischem und theoretischem Wert der Teststatistik. Ist der empirische Wert größer als der theoretische Wert muss die Nullhypothese abgelehnt werden. Ergebnis: Entweder: t>t cv : d.h. der kritische Wert fällt in das Signifikanzniveau; H 0 konnte falsifiziert werden unsere Vermutung (dass Männer höhere Einkommen erzielen als Frauen) trifft zu oder: t<t cv : d.h. der kritische Wert fällt nicht in das Signifikanzniveau; H 0 konnte nicht falsifiziert werden unsere Vermutung (dass Männer höhere Einkommen erzielen als Frauen) trifft nicht zu 34

35 Die Jagd nach den Sternen? Die Signifikanz sagt noch nichts über die praktische Relevanz von Ergebnissen aus denn bei genügend großen Stichproben kann auch ein kleiner Effekt signifikant sein/werden! 35

36 Effektstärke Ein Beispiel: Forschungshypothese: Die Abiturdurchschnittsnote von erfolgreich Studierenden (Examen) ist signifikant besser als von Studienabbrecher (Abbruch). Genauer: 2 Gruppen-Design: Examen vs. Abbruch Untersuchte Variable: Abiturdurchschnittsnote Stichprobengröße / TN pro Gruppe? 36

37 Effektstärke Alpha=0.05 d.h. wenn mind. 95% aller Fälle zeigen, dass erfolgreiche Studierende zuvor bessere Abiturdurchschnittsnoten erzielten als Studienabbrecher, erachte ich die Hypothese als bestätigt Anzahl der maximal fehlerhaften Fälle (entspricht den 5%) Gesamtstichprobengröße Bei kleinen Stichproben sind Zufälligkeiten (von der Hypothese abweichendes Ergebnis) nur in sehr geringem Maße zulässig, um ein signifikantes Ergebnis zu erzielen. Bei steigender Stichprobengröße erhöht sich die absolute Anzahl der erlaubten Zufälligkeiten. Die Wahrscheinlichkeit ein signifikantes Ergebnis zu erzielen, erhöht sich also mit steigender Stichprobengröße! FAZIT: Mit genügend großer Stichprobe wird nahezu jeder Effekt signifikant. 37

38 Mit genügend großer Stichprobe wird nahezu jeder Effekt signifikant! d.h. die Signifikanz reicht zur Bewertung der Qualität der Ergebnisse nicht aus! Ergebnisdokumentation: p-wert oder t-wert inkl. Symbolisierung (Signifikanz) (*=0.05; **=0.01;) UND Effektstärke (=praktische Relevanz) (Effektstärkenmaße sind abhängig vom Analyseinstrumentarium) Großer Effekt: Es gibt einen offensichtlichen Effekt (Studienabbrecher haben deutlich schlechtere Abiturdurchschnittsnoten, als erfolgreich Examinierte), auch in kleinen Stichproben finden sich nur wenig Zufälligkeiten (dass Studienabbrecher im Abitur bessere Noten aufweisen, als erfolgreich Examinierte). Kleiner Effekt: Der vermutete Effekt ist nur sehr vage, er lässt sich daher nur in großen Stichproben nachweisen. 38

39 Effektstärkenmaße müssen abhängig vom Analyseverfahren gewählt werden! ε d (oder ) als Effektstärkenmaß beim Mittelwertsvergleich zweier Gruppen Das Differenzmaß d ( ε) wird berechnet, indem man die Differenz zweier Mittelwerte durch die gemittelte Standardabweichung dividiert. Richtwerte für die Interpretation von Effekten ε Effektstärkenmaß d ( ) ab 0,20 kleiner Effekt ab 0,50 mittlerer Effekt ab 0,80 großer Effekt r als Effektstärkenmaß bei Korrelation von zwei Variablen Der Korrelationskoeffizient r quantifiziert die Enge des Zusammenhangs zweier Variablen. Richtwerte für die Interpretation von Effekten Effektstärkenmaß r Rost, 2007; Bortz, 2005; Bortz & Döring, ab 0,10 kleiner Effekt ab 0,30 mittlerer Effekt ab 0,50 großer Effekt 39

40 Hypothesentestung: -Fehler und -Fehler Aufgrund seiner empirischen Daten entscheidet sich der Forscher: H 0 nicht zurückzuweisen: Es gibt keinen Effekt. für H 1 : Es gibt einen Effekt. In Wirklichkeit trifft H 0 zu: Es gibt tatsächlich keinen Effekt. In Wirklichkeit trifft H 1 zu: Es gibt tatsächlich einen Effekt. Falsche Entscheidung: Fehler 2. Art: beta-fehler Falsche Entscheidung: Fehler 1. Art: alpha-fehler Rost,

41 Hypothesentestung: -Fehler und -Fehler Einflussfaktoren auf die optimale Stichprobe Populationsgröße Power (=1- ) Streuung in der Population Effektstärke Optimale Stichprobengröße Streuung in der Stichprobe Signifikanzniveau Anzahl der unabhängigen Variablen Art der Hypothese/ Art der Testung 41

42 Hypothesentestung: -Fehler und -Fehler Einflussfaktoren auf die optimale Stichprobe Populationsgröße Power (=1- ) Streuung in der Population Effektstärke Optimale Stichprobengröße Streuung in der Stichprobe Signifikanzniveau Anzahl der unabhängigen Variablen Art der Hypothese/ Art der Testung 42

43 und nun zur Inferenzstatistik Bevor wir... - Zusammenhangshypothesen / - Unterschiedshypothesen testen, führen wir zunächst eine Verteilungsanalyse der Daten durch. 43

44 Kriterien zur für die Auswahl Auswahl von von statistischen VerfahrenTest: Skalenniveau Verteilung (v. a. Normalverteilung) Fallzahl/ Stichprobengröße abhängige/ unabhängige Stichproben Anzahl der zu vergleichenden Stichproben 44

45 Verteilungsanalyse Der K-S-Test zur Prüfung auf Normalverteilung Prüfung der Normalverteilung: Kolmogorov-Smirnoff-Test H 0 : Das Merkmal xy ist normalverteilt. H 1 : Das Merkmal xy ist nicht normalverteilt. SPSS: Analysieren + Nichtparametrische Tests + K-S bei einer Stichprobe Idee: 45

46 Verteilungsanalyse Der K-S-Test zur Prüfung auf Normalverteilung Prüfung der Normalverteilung: Kolmogorov-Smirnoff-Test Interpretation des Ergebnisses H 0 : Das Merkmal xy ist normalverteilt. H 1 : Das Merkmal xy ist nicht normalverteilt. p-wert> :.041<.05 d.h. statistisch signifikantes Ergebnis d.h. H 0 wird abgelehnt d.h. H 1 wird akzeptiert Ergebnis: Merkmal xy ist nicht normalverteilt 46

47 Verteilungsanalyse Der K-S-Test zur Prüfung auf Normalverteilung Prüfung der Normalverteilung: Kolmgorov-Smirnoff-Test Interpretation des Ergebnisses Variable: AI_Gesundh_ges (Gesundheit als angestrebtes Lebensziel) p-wert> :.000<.05 d.h. statistisch signifikantes Ergebnis d.h. H 0 wird abgelehnt d.h. H 1 wird akzeptiert Ergebnis: Merkmal xy ist nicht normalverteilt 47

48 Inferenzstatistik Das Testen von Zusammenhangshypothesen 48

49 Zusammenhangshypothesen Fragen danach, ob und wie stark die Ausprägungen zweier oder mehrer Variablen miteinander variieren. Beispiele: * Je höher der Grad der Selbstwirksamkeit, desto höher der Grad der Zufriedenheit mit dem Studium. * Zwischen den motivationalen Zuständen von Studierenden und der Wahl ihrer Lebensziele besteht ein Zusammenhang. Veranschaulichung mittels Streudiagrammen (scatterplots) Bortz & Döring,

50 Zusammenhangshypothesen - Bewertung von Korrelationskoeffizienten - Die Höhe und Ausrichtung des Zusammenhangs: Die (betragsmäßige) Höhe des Effektes: Beller,

51 Zusammenhangshypothese - Zusammenhangsmaße - Zusammenhang zwischen zwei Variablen: bivariate Zusammenhänge Korrelationsrechnung Variable B Variable A Intervallskala Ordinalskala Nominalskala Intervallskala Produkt-Moment- Korrelation (Pearson) Rangkorrelation (Spearmann, Kendalls tau) Punktbiserale Korrelation Ordinalskala Rangkorrelation Biserale Korrelation Nominalskala (2stufig) Phi-Koeffizient Zusammenhang zwischen mehr als zwei Variablen: multivariate Zusammenhänge Regressionsrechnung (wird im Vertiefungsteil behandelt) Bortz & Döring,

52 Zusammenhangshypothesen Die Pearsonsche Produkt-Moment Korrelation Die Produkt-Moment Korrelation beschreibt die Enge eines linearen Zusammenhangs zwischen zwei mindestens intervallskalierten Variablen. Voraussetzung: Metrisches Variablenniveau Normalverteilte Daten Korrelationskoeffizient: r = Kovarianz: n cov * sx sy ( xi mx)*( yi my) i= cov = 1 n Signifikanztestung der P-M-Korrelation: Prüfgröße: Signifikanzprüfung: - t-verteilung - Freiheitsgrade: - Signifikanzniveau Bortz & Döring, t r * N 2 = 2 1 r df = ( N 2) 52

53 Zusammenhangshypothesen Die Pearsonsche Produkt-Moment Korrelation Korrelation von zwei (metrischen) Merkmalen: H 0 : Es existiert kein Zusammenhang zwischen den Merkmalen x und y. H 1 : Es existiert ein Zusammenhang zwischen den Merkmalen x und y. SPSS: Analysieren + Korrelation + bivariat Merkmale: x: TICS_UEBE y: AI_gesundh (beide Merkmale sind nicht normalverteilt und haben metrisches Skalenniveau) Wahl des Testes: Pearson (P-M Korrelation) Spearman Richtung des postulierten Verhältnisses: zweiseitiger vs. einseitiger Test 53

54 Zusammenhangshypothesen Die Pearsonsche Produkt-Moment Korrelation Ergebnisinterpretation: Korrelationskoeffizient: r=.-163 Höhe der Korr.: gering Höhe des Effektes: klein p-wert:.007 Korrelation wird auf dem.01-niveau signifikant (ungerichtete Hypothese) N=256 (1 missing data) 54

55 Zusammenhangshypothesen Die Pearsonsche Produkt-Moment Korrelation im Vergleich zu Spearman Ergebnisinterpretation: Pearson Korrelationskoeffizient: r=-.163 Höhe der Korr.: gering Höhe des Effektes: klein p-wert:.007 Korrelation wird auf dem.01-niveau signifikant (ungerichtete Hypothese) N=256 (1 missing data) Spearman Korrelationskoeffizient: r=-.139 (Höhe des Zusammenhangs geringer) p-wert:.026 Korrelation wird auf dem.05-niveau signifikant (p-wert größer, Signifikanz weniger offensichtlich) 55

56 Zusammenhangshypothesen Kreuztabelle: Stress aus Arbeitsüberlastung Lebensziel: Gesundheit SPSS: Analysieren + Deskriptive Statistiken + Kreuztabellen Anzahl TICS UEBE GESAMT Gesamt TICS UEBE GESAMT * AspirationIndex Gesundheit gesamt Kreuztabelle AspirationIndex Gesundheit gesamt 1 1,33 1,67 2,00 2,33 2,67 3,00 3,33 3,67 4,00 4,33 4,67 5 1, , , , , , , , , , , Gesamt 4, , , ,

57 Zusammenhangshypothesen Streudiagramm: Stress aus Arbeitsüberlastung Lebensziel: Gesundheit SPSS: Diagramme+ Diagrammerstellung 57

58 Zusammenhangshypothesen Streudiagramm: Stress aus Arbeitsüberlastung Lebensziel: Gesundheit 58

59 Zusammenhangshypothese Das Effektstärkenmaß für Pearsonsche P-M-Korrelationen Effektstärkenmaß für P-M Korrelationen: r Optimale Stichprobengröße für eine Power von 0.8: α -Niveau Kleiner Effekt Mittlerer Effekt Großer Effekt Einseitiger Test Zweiseitiger Test r ( =0,1) r ( =0,3) r ( =0,5) Beller, 2004, S

60 Zusammenhangshypothese - Schwächen von Korrelationen - Keine Schlussfolgerung auf Kausalbeziehung der Variablen möglich! Existiert ein kausaler Mechanismus? Welche Variable ist die Ursache und welche die Wirkung? Kommt der Zusammenhang direkt zustande, oder ist er vielleicht über andere Variablen vermittelt? Fazit: Korrelationen können nur Hinweise auf kausale Zusammenhänge liefern; untermauern muss man sie aber auf andere Weise. Bortz & Döring, 2006, S

61 Wie geht s jetzt weiter? Ausblick in die nächsten Veranstaltungen 61

62 Was ist Thema der nächsten Übung! Orga Beispielstudien weiter analysieren: - Welche Untersuchungen wurden genau getestet? - Wie erfolgt die Ergebnisdarstellung? - Welche Inhalte enthält die Diskussion / der Ausblick? Projektthema weiter explizieren (Arbeitsauftrag): - Welche Zusammenhangshypothesen / Unterschiedshypothesen könnten interessante Fragestellungen für die eigene Forschung sein? 62

63 Arbeitsauftrag zur nächsten Übung Orga Ein weiterer Schritt in Ihrer Projektarbeit! Versuchen Sie Ihr Forschungsvorgehen weiter zu explizieren! - Welche theoretischen Zusammenhänge / Verbindungen lassen sich zwischen Ihren beiden zu untersuchenden Konstrukten herstellen? - Finden sich in der vorliegenden Literatur bereits Evidenzen für Abhängigkeiten / Zusammenhänge? Welche konkreten Ergebnisse lassen sich als Voraussetzung aufgreifen? - Finden sich in der Literatur Implikationen / Anregungen, die auf eine Abhängigkeit / einen Zusammenhang schließen lassen? - Formulieren Sie konkrete Zusammenhangs- und Unterschiedshypothesen, welche Sie in ihrer Projektarbeit mit Hilfe von SPSS testen wollen! Nicht vergessen: - Noch ausstehende ausgefüllte Fragebögen mitbringen! 63