und Augenabdeckung Augenabdeckung Protection Motivation Theory

Transkript

1 Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Protection Motivation Theory und Augenabdeckung Urte Scholz & Benjamin Schüz berlin.de/gesund/ /gesund/schuezschuez Augenabdeckung Sehschwäche Abdecken des gesunden Auges Kinder unter 8 Eltern werden untersucht Abdeckung zwischen 30min und 24h tägl. Protection Motivation Theory, PMT (Rogers, 1975, 1983, Maddux & Rogers, 1983) ursprünglich zur Erklärung der Wirkung von Furchtappellen auf nachfolgendes Verhalten im Rahmen der Risikokommunikationsforschung entwickelt (Rogers, 1975) Die von Rogers 1983 revidierte Version beschränkt sich nicht mehr nur auf Furchtappelle als Informationsquellen, sondern bezieht auch weitere umweltbezogene (z. B. Beobachtungslernen) und intrapersonale (z. B. frühere Erfahrungen mit ähnlichen Gesundheitsbedrohungen) Informationsquellen mit ein Protection Motivation Theory Umgang mit Gesundheitsbedrohungen als Ergebnis von Bewertungsprozessen: Einschätzung der Bedrohung und der Einschätzung der Bewältigungsmöglichkeiten Bewertungsprozesse werden durch die Wahrnehmung gesundheitsbezogener Informationen ausgelöst beeinflussen die Bildung der Schutzmotivation (Intention), ein Risikoverhalten aufzugeben oder ein Gesundheitsverhalten auszuführen

2 Protection Motivation Theory Die Bewertungsprozesse mediieren den Zusammenhang zwischen den Gesundheitsinformationen und Verhalten Das durch die Schutzmotivation ausgelöste Gesundheitsverhalten wird in der PMT als Bewältigungsreaktion bezeichnet (adaptive oder maladaptive Bewältigungsreaktion) Protection Motivation Theory Informationsquellen Kognitive mediierende Prozesse Bewältigungsmodalitäten Umweltbezogene Verbale Überzeugung Beobachtungslernen Intrapersonale Persönlichkeitsvariablen Frühere Erfahrung Einschätzung der Bedrohung Intrinsische und extrinsische Belohnung - Schweregrad Vulnerabilität Einschätzung der Bewältigung - Schutzmotivation Handlungswirksamkeit Selbstwirksamkeit Handlungskosten Adaptive Bewältigung Maladaptive Bewältigung Threat Appraisal Einschätzung der Bedrohung = Bewertung von Kosten und Nutzen einer maladaptiven Bewältigung Kosten= wahrgenommene Schweregrad und wahrgenommene Vulnerabilität Wahrgenommene Vulnerabilität: Subjektive Einschätzung der Wahrscheinlichkeit, von der Bedrohung betroffen zu sein Nutzen maladaptiver Bewältigung: wahrgenommene intrinsische und extrinsische Belohnungen Coping Appraisal Die Einschätzung der Bedrohung ist der Einschätzung der Bewältigung zeitlich vorgeschaltet Die Einschätzung der Bewältigung setzt sich aus Selbstwirksamkeitserwartung, Handlungswirksamkeit = positive Handlungsergebniserwartungen Handlungskosten = negative Handlungsergebniserwartungen zusammen

3 Protection Motivation Prozesse der Einschätzung resultieren in der Bildung von Schutzmotivation Dabei hat sich Selbstwirksamkeit als bester Prädiktor erwiesen Schutzmotivation wird immer in Form von Zielintentionen erfasst Schutzmotivation mediiert ihrerseits den Einfluss dieser kognitiven Prozesse auf das Verhalten Früheres Verhalten Früheres Verhalten ist meist der beste Prädiktor für nachfolgendes Verhalten Alle Theorien sind Hypothesen; alle können umgestoßen werden. (Karl Popper) Funktion früheren Verhaltens: Strengerer Test der Hypothese (Modell) Früheres Verhalten Wenn alle Faktoren, die ein Verhalten beeinflussen, bekannt sind, kann es bis zum Messfehlerniveau vorhergesagt werden Bleiben diese Faktoren stabil, bleibt das Verhalten stabil Unter der Annahme stabiler Faktoren kann früheres Verhalten modellprüfende Funktionen haben Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Früheres Verhalten Unter der Annahme stabiler Determinanten von Verhalten sollte früheres Verhalten die Vorhersage nachfolgenden Verhaltens nicht signifikant verbessern Andersrum: Wenn früheres Verhalten einen signifikanten Einfluss neben den Prädiktoren des Modells hat, sind andere, nicht im Modell enthaltene Faktoren wichtig Einschränkung: Gemeinsame Fehlervarianz von Verhalten bei anderer Erfassung als die restlichen Variablen Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50,

4 Früheres Verhalten Daher: Ein kleiner Residualeffekt ist nicht auszuschließen (weil Verhalten meist in einem anderen Format wie psychologische Variabeln erhoben wird) Vorschlag (Bentler & Speckart): Früheres Verhalten als unabhängigen Prädiktor in Modelle miteinbeziehen Kein kausaler Erklärungswert Kein Maß von Gewohnheit, reflektiert den Einfluss vieler anderer Variablen Früheres Verhalten Selbstwirksamkeit und Handlungs- Ergebnis-Erwartungen sind Resultat früheren Verhaltens Korrelation von früherem und nachfolgenden Verhalten als Decke der Validität eines Modells Zuwachs in TPB-Studien: Zwischen 5% und 42% durch Einbezug von früherem Verhalten Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Früheres Verhalten Erklärungsversuche für signifikanten Einfluss früheren Verhaltens: Gemeinsame methodische Varianz von früherem und nachfolgendem Verhalten Gemeinsame Determination von früherem und nachfolgendem Verhalten durch die Variablen des Modells Betrachten der Variablen, die neben früherem Verhalten signifikante Prädiktoren bleiben Protection Motivation Theory und früheres Verhalten Früheres Verhalten hatte in vielen Studien auch Einfluss auf die Vorhersage von Intentionen zu T1 Früheres Verhalten war in vielen Studien einziger Prädiktor nachfolgenden Verhaltens Hypothesen: PMT sagt Intentionen vorher Früheres Verhalten verbessert Vorhersage von Intentionen und nachfolgendem Verhalten

5 Design der Studie Längsschnittliche Untersuchung Zwei Monate Intervall Eltern werden bei einer Follow-up Untersuchung in der Augenklinik angesprochen Erster Drop-out: Familien, die diesen Termin nicht wahrnehmen Zweiter Drop-out: Familien, die nicht an T2 teilnehmen. Maße Pilotstudie für Items Skalenwerte als Indikatoren für PMT- Variablen Protection Motivation, Severity, Vulnerability, Response Efficacy, Costs: Distress, Prohibit, Stigma; Self-Efficacy Effekte von Itemanzahl auf Skalen? Bilden der Skalen? Maß für Verhalten? Methode: Hierarchische lineare sanalyse Vorhersage von Intentionen (PM) Blockweiser Aufbau der Gleichung: Alter, Geschlecht, Zeit seit Verschreibung Severity, Vulnerability, Response Efficacy, Distress, Prohibition, Stigma, Self-Efficacy Verhalten zu T1 Interpretation der Gleichung, die als letzte signifikanten Zuwachs in R² bringt Die srechnung ist ein Verfahren für die Berechnung von Zusammenhängen, das die Vorhersage eines Merkmals durch ein anderes Merkmal erlaubt. So lässt sich möglicherweise die Dauer der Zeit, die man für das Lernen von Vokabeln aufbringt, für die Vorhersage der Vokabelkenntnis nutzen. Die Genauigkeit der Vorhersage ist von der Höhe des Zusammenhangs zwischen den Variablen abhängig. Je größer die Korrelation ist, desto genauere Vorhersagen sind möglich. Vorhersagen setzen kausale Zusammenhänge zwischen den Variablen voraus, die theoretisch begründet werden können. Achtung: Eine Korrelation zwischen Variablen lässt nicht auf einen kausalen Zusammenhang schließen.

6 Die Variable, von der ausgehend eine Vorhersage getroffen werden soll, ist die Prädiktorvariable. Die vorhergesagte Variable ist die Kriteriumsvariable. Bei der linearen beruht die Vorhersage auf einer Funktionsgleichung vom Typ: y = a + bx Die Funktionsgleichung bestimmt eine Gerade, die bei einer graphischen Darstellung empirisch erhobener Werte durch den Punkteschwarm verläuft. Um eine möglichst genaue zu ermöglichen, muss die Gerade die Verteilung der Werte im Koordinatensystem optimal repräsentieren. Mathematisch wird die sgleichung bestimmt über die Methode der kleinsten Quadrate. Dabei wird die Gerade bestimmt, bei der die Summe der quadrierten Differenzen zwischen den vorhergesagten (auf der Linie liegenden) y- Werten und den empirischen y-werten minimal ist. Die Differenzen sind hier durch rote Linien markiert: Beispiel Es soll geprüft werden, ob das Nettoeinkommen sich durch die Arbeitszeit pro Monat vorhersagen lässt S Arbeitszeit Nettoeinkommen x² x*y Der skoeffizient b gibt den Zusammenhang zwischen den Variablen an. Graphisch wird das durch die Steigung der Geraden ausgedrückt: Der skoeffizient b lässt folgende Interpretation zu: Pro Stunde mehr geleisteter Arbeit steigt das Nettoeinkommen um 8,25. n n xiyi xi * yi i= 1 i= 1 i= 1 b = n 2 n xi xi ² i= 1 n 8 * * 4700 b = = 8,25 8 * ² n

7 Um die sgleichung vollständig bestimmen zu können, muss der konstante Term a bestimmt werden, der eine kontinuierliche Verschiebung zwischen den Werteverteilungen anzeigt. Dabei wird der Umstand genutzt, dass sich die sgerade mit dem Schnittpunkt der Mittelwerte beider Variablen trifft: a = y bx a = 587,5 8,25 37,5 = 278,125 Die komplette sgleichung lautet demnach: y = 278, ,25x Sofern zwei standardisierte Variablen in die srechnung eingehen (gleicher Mittelwert; gleiche Standardabweichung) ist der skoeffizient gleich dem Korrelationskoeffizienten r. Das gilt nur für die einfache (eine unabhängige, eine abhängige Variable). Dieser standardisierte skoeffizient heißt β. Wenn zwei Variablen mit ungleicher Messskala in die Berechnung eingegangen sind, wird β folgendermaßen berechnet: s 28,53 x β = b β = 8,25 = 0, 89 sy 264,24 Interpretation des Ergebnisses Für die Signifikanzprüfung des Zusammenhangs kann wie bei der Korrelation die t-statistik verwendet werden: Ausgabe in SPSS β * n 2 0,89* 8 2 t = t = = 4, 78 1 β² 1 0,89² df = n 2 df = 8 2 = 6 Der kritische t-wert bei 6 Freiheitsgraden und 5% Signifikanzniveau liegt bei 2,45. Der empirische t-wert liegt deutlich darüber und damit in einem Bereich, dessen zufällige Eintrittswahrscheinlichkeit unter 5% liegt. Der durch die belegte Zusammenhang ist statistisch signifikant.

8 Methode: Hierarchische lineare sanalyse Hierarchische Bekannte Variablen werden zuerst in die Gleichung gegeben Neue Prädiktoren in einem zweiten Block Gut zum Theorien testen! Zuwachs an aufgeklärter Varianz für jede neue Variable, weil die anderen konstant gehalten werden Beispiel: Zahnseidennutzung Beispiel: Zahnseidennutzung Modell 1 2 Korrigiertes Modellzusammenfassung Standardf ehler des Änderung in Änderungsstatistiken Änderung in Signifikanz R R-Quadrat R-Quadrat Schätzers R-Quadrat Änderung in F df1 df2 von F,536 a,287,284 2,1845,287 77, ,000,558 b,311,304 2,1533,024 6, ,011 a. Einflußvariablen : (Konstante), Intentionen T1 b. Einflußvariablen : (Konstante), Intentionen T1, Task Self-Efficacy T1 R² Modell 1: Intentionen klären 28,7% Varianz auf (Korrigiert: Adjustiert für Anzahl Prädiktoren R² Modell 2: Zuwachs an aufgeklärter Varianz durch Selbstwirksamkeit (inkl. Signifikanz dieses Zuwachses) Modell 1 2 (Konstante) Intentionen T1 (Konstante) Intentionen T1 Task Self-Efficacy T1 Nicht standardisierte Koeffizienten Koeffizienten a a. Abhängige Variable: Flossing gedeckelt auf 7/wöchentlich Standardi sierte Koeffizien ten Kollinearitätsstatistik Standardf B ehler Beta T Signifikanz Toleranz VIF -1,935,496-3,899,000 1,482,168,536 8,823,000 1,000 1,000-3,433,760-4,516,000 1,242,190,449 6,528,000,758 1,319,756,294,177 2,575,011,758 1,319 B (nicht standardisiert): Veränderung in der AV durch Änderung der UV um eine Einheit Standardisiertes Beta: Dasselbe als Standardabweichung

9 Methode: Hierarchische lineare sanalyse Vorhersage von Verhalten: Blockweiser Aufbau: Alter, Geschlecht, Zeit seit Verschreibung Protection Motivation (Intention) Severity, Vulnerability, Response Efficacy, Distress, Prohibition, Stigma, Self-Efficacy Verhalten zu T1 Suppressor-Effekt wirkt auf Protection Motivation Suppressor-Effekte Korrelieren unabhängige Variablen hoch miteinander, kann dies zu einem Suppressoreffekt führen Auswirkung: größere Betas als die bivariaten Korrelationen Umgekehrte Vorzeichen als bivariate Korrelation Suppressor-Effekte Es gibt keinen Test, der aussagt, wie sehr sich Korrelation und Beta unterscheiden müssen Suppressorvariable erhöht die Vorhersageleistung, weil irrelevante Varianz anderer Variablen unterdrückt wird Kaum mit dem Kriterium, dafür hoch mit anderen Prädiktoren korreliert Suppressor-Effekte Abhängige Variable Unabhängige Variable 1 Unabhängige Variable 2 (Suppressorvariable)

10 Suppressor-Effekt Durch die hohe Korrelation der Suppressorvariable mit der UV1 wird irrelevante Varianz abgezogen Bei mehreren UV ist die Suppressorvariable schwer zu identifizieren Effekt zeigt sich im Prädiktionsmuster (hier Vorzeichenumkehr) Interpretation: Ignorieren der suprimierten Variable Beispiel: Klassische Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Testausfüllfähigkeit AV: Bauchtanzen Erster Test sagt AV schlecht vorher, zweiter überhaupt nicht Beide gemeinsam: AV wird gut durch Test 1 vorhergesagt Zweiter Test zieht Varianz, die der Testausfüllfähigkeit geschuldet ist, ab Klassische Suppressorvariable (suprimiert irrelevante Varianz) Beispiel: Reziproke Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Frühere musikalische Erziehung AV: Bauchtanzen Beide positiv mit AV korreliert, negativ miteinander Beide gemeinsam: Bessere Vorhersage der AV durch beide Tests als erwartet Unterdrücken gemeinsamer irrelavanter Varianz Reziproke Suppressorvariablen (suprimieren sich gegenseitig) Beispiel: Negative Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Früher Tanzen gelernt AV: Bauchtanzen Beide positiv mit AV korreliert, positiv miteinander Beide gemeinsam: Negatives Betagewicht für früheres Tanztraining Tanzschritte aufzählen als negative Suppressorvariable für Tanztraining

11 Wie kommt das? Grundgleichung: y = b 1 x 1 +b 2 x 2 wobei: b 1 = r yx1 -r yx2 *r x1x2 1-r² x1x2 und b 2 = r yx2 -r yx1 *r x1x2 1-r² x1x2 Wie kommt das? Wenn nun z.b. r yx1 =.60, r ys =.00 und r x1s =.50, dann: y = b 1 x 1 + b 2 s Eingesetzt in b 2 = r ys -r yx1 *r x1s 1-r² x1s ergibt sich für b 1 =.80 und für b 2 =-.40 Negatives b immer dann, wenn r ys < r yx1 *r x1x2, v.a. wenn r ys ~0. Diskussion PMT kann Intentionen mit R²=30% und Verhalten mit R²=23% vorhersagen Protection Motivation ist zu Verhalten T2 nicht korreliert Prohibition Barrier: Eltern, die ihre Kinder patchen, nehmen dieses Hindernis als weniger gravierend wahr Diskussion Vulnerability: Eltern sind mehr davon überzeugt, dass auf Patching zu verzichten negative Konsequenzen hat PMT kann die Effekte von früherem Verhalten nicht mediieren Gemeinsame Methodenvarianz von T1 und T2-Verhalten PMT sollte um postintentionale Variablen angereichert werden

12 Diskussion: Früheres Verhalten Wir erinnern uns: Wenn früheres Verhalten einen signifikanten Einfluss neben oder über die Prädiktoren des Modells hinaus hat, sind nicht im Modell enthaltene Faktoren wichtig Welche Faktoren könnten hier noch fehlen? Diskussion Empfehlungen für Interventionen: Kombination von Risikokommunikation mit Handlungsalternativen Vulnerabilität (i.e. negative Situations- Ergebnis-Erwartungen) mit Barrierenreduktion kombinieren Früheres Verhalten Vorhersage von Verhaltensänderungen: Baseline (T1-Maß) zwingend im Modell erforderlich Prädiktion darüber hinaus sagt Verhaltensänderung (Residualised Change Scores) voraus Alternative: Vergleich von früher inaktiven und aktiven Teilnehmern Aufgabe: Entwerft eine PMT-Intervention für Körperliche Aktivität bei Herzinfarktpatienten Darmspiegelung als Krebsvorsorge Rauchabstinenz Evaluation der Intervention?