WS2014/15 FOSE Faktorenanalyse

939 Aufrufe

Veröffentlicht am

(Explorative) Faktorenanalyse und ihre Durchführung in SPSS. Kommunikationswissenschaftliches Forschungsseminar, WS 2014/15, Universität Wien.

Veröffentlicht in: Daten & Analysen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
939
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
9
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

WS2014/15 FOSE Faktorenanalyse

  1. 1. Explorative Faktorenanalyse und Skalierung0Kommunikationswissenschaftliches ForschungsseminarWS 2014/15 [LV 220064/9] Prof. Dr. Sabine EINWILLERDr. Wolfgang WEITZL LV-Leitung
  2. 2. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 2 •Den Ausgangspunkt einer Faktorenanalysebildet eine große Anzahl von Variablen, von denen a priori nicht bekannt ist, ob und in welcher Weise sie miteinander zusammenhängen, für die aber vermutet wird, dass sie bestimmte komplexe Sachverhalte repräsentieren … •… wie beispielsweise das Image eines CEOs. Anwendungsfall
  3. 3. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 3 Beispiel: CEO-Image Indikator 1 Indikator 2 Indikator 3 Indikator 4 Indikator 5 Indikator 6 Indikator 7 Vertrauens- würdigkeit Ehrlichkeit Sympathie Kompetenz Verantwortung- bewusstsein Klugheit Empathie In unsererStudienstellenwireinigeFragenzurMessungder Wahrnehmungdes CEO:
  4. 4. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 4 Beispiel: CEO-Image Mit der Faktorenanalyse lässt sich nun untersuchen, ob sich unter den betrachteten Variablen Gruppen von Variablen befinden, denen jeweils eine komplexe Hintergrundvariable(wie bspw. CEO-Image Dimensionen) zugrunde liegt. Nachder Befragungbetrachtenwirdie KorrelationenallerVariablen: Gruppe 1 Gruppe 2 (5 Variablen) (2 Variablen)
  5. 5. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 5 •Hintergrundvariable werden auch als Faktorenbezeichnet •Das Ziel der Faktorenanalyse ist es, eine Vielzahl von (beobachtbaren) Variablen auf wenige (verursachende) Faktoren zu reduzieren. •Die Annahme lautet, dass eine hinter mehreren miteinander korrelierten Variablen stehende Größe (z.B. CEO-Image) für die Korrelationsmuster verantwortlich ist •Die sog. latente (unbeobachtete) Variablen (Faktoren) sind die zentrale Idee der Faktorenanalyse Grundidee der (explorativen) Faktorenanalyse 1 1 2 3 4 5 2 Variablen (gegeben) Faktoren (gesucht) … Gruppe 2 Gruppe 1
  6. 6. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 6 Grundprinzip der Faktoranalyse (I) •NichtimmersindAnzahlund Bedeutungder Faktoren, die mitHilfeder Faktorenanalysenäherbestimmtwerdensollen, imVorausbekannt •Wir nehmen allerdings an, dass hinter den Variablen folgende Faktoren stehen: •Emotionales CEO-Image (EI) •Kognitives CEO-Image (KI) •D.h. die sieben Variablen werden durch die beiden Faktoren bestimmt/erklärt •Für jede Variable kann dies in einer Gleichung formuliert werden: Blessing_vertrauenswürdig= a1* EI + a2* KI + uBlessing_vertrauenswürdig Variable Faktor 1 Faktor 2 Einzelrestfaktor (Fehler) (Unique factor) Gemeinsame Faktoren(Common factors)
  7. 7. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 7 Grundprinzip der Faktoranalyse (II) •Häufig sind die zugrundeliegenden Faktoren im Voraus nicht bekannt, sondern sollen gerade erst durch die Faktorenanalyse ermittelt werden •Schritte: •Vergleich der Korrelationen unter den Variablen (hohe Korrelationen = 1 Faktor?!) •Anwendung unterschiedlicher Schätzverfahren, die versuchen die Hintergrundvariable abzuleiten. Gemeinsam haben sie, dass sie den Koeffizienten cischätzen wollen: •Alle sieben Variablen können einen Faktor erklären •Gesucht werden aber Hintergrundfaktoren, die sich möglichst klar voneinander unterscheiden und nur von einem Teil der Variablen wesentlich bestimmt werden •Eine erfolgreiche Faktorenanalyse erlaubt, dass eine Vielzahl der relevanten Variablen auf nur wenige, möglichst gut voneinander zu unterscheidende Faktoren zurückgeführt werden können EI= c1* Blessing_vertrauenswürdig+ c2* Blessing_ehrlich+ … Koeffizient 1 Faktor 1 Variable 2 Restliche Variablen Variable 1 Koeffizient 2
  8. 8. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 8 1)Variablenauswahl und Bestimmung der Korrelationsmatrizen 2)Faktorenextraktion 3)Bestimmung der Zahl der Faktoren 4)Faktorinterpretation 5)Bestimmung der Faktorwerte Schritte der Faktorenanalyse
  9. 9. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 9 Variablenauswahl und Bestimmung der Korrelationsmatrizen SPSS: •Öffnen Sie die Datendatei COBA_Experiment_Daten_FOSE_1.sav •Wählen Sie den Befehl: Analysieren> Dimensionsreduktion> Faktorenanalyse Verschieben Sie die 7 Variablen in die Liste Variablen
  10. 10. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 10 •Die Qualität der Ergebnisse der Faktorenanalyse ist von der Zuverlässigkeit der Ausgangsdaten abhängig. •Ein erstes Indizfür mögliche Abhängigkeiten zwischen Variablen liegt dann vor, wenn die Variablen eine hohe Korrelationaufweisen. • Bestimmung der Korrelationsmatrizen Möglichst hohe Korrelationen! (Sonst keine Eignung für Faktorenanalyse)
  11. 11. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 11 •Es können zahlreiche relativ starke Korrelationen beobachtet werden. •Aber: um auszuschließen, dass diese Korrelationen zufälligsind, führen wir den Bartlett-Test auf Sphärizitätdurch. Test auf Sphärizität Die Hypothese, dass alle Korrelationen zwischen den 7 Variablen in der Grundgesamtheit gleich 0 ist, kann mit einer Irrtumswahrscheinlichkeit von 0 zurückgewiesen werden. Rückschluss: Zumindest zwischen einigen der 7 Variablen besteht auch in der Grundgesamtheit eine Korrelation Der Bartlett-Test prüft die Null-Hypothese, dass die Stichprobe aus einer Grundgesamtheit stammt, in der die Variablen unkorreliertsind. Ein Signifikanzniveau geringer als 0,05 deutet darauf hin, dass mit einer Wahrscheinlichkeit von 95% und mehr die Variablen korreliert sind und sich die Daten somit zur DurchführungeinerFaktorenanalyseeignen.
  12. 12. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 12 Anti-Image Korrelationsmatrix Faustregel: weniger als 25% der Nichtdiagonal-Elemente der AIC sollten >0,09 sein. Rückschluss: Die relativ hohen Werte in der Anti-Image Korrelationsmatrix weisen auf mäßige Korrelationen zwischen den Variablen hin. Anti-Image = Der Teil der Varianz, der nicht durch andere Variablen erklärt werden kann. Dieser sollte gering ausfallen, da Faktorenanalyse unterstellt, dassden FaktorengemeinsameVariablenunterliegen. Nicht-diagonale-Elementeder Anti-Image-Kovarianzmatrix(AIC) möglichstnahe0.
  13. 13. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 13 Ein zusammenfassendes Maß für die Qualität der Anti-Image Korrelationsmatrix liefert das Kaiser-Meyer-Olkin-Maß(KMO) Anti-Image Korrelationsmatrix Das KMO-Maß von 0,75 ist als mittelmäßig guteinzuschätzen. Die Daten sind für die Durchführung einer Faktoranalyse daher durchaus geeignet. Wert Beurteilung 0.9 –1.0 fabelhaft 0.8< 0.9 recht gut 0.7 < 0.8 mittelmäßig 0.6 < 0.7 mäßig 0.5< 0.6 schlecht < 0.5 inakzeptabel Das Kaiser-Meyer-Olkin-Kriterium zeigt an, in welchem Umfang die Ausgangsvariablen zusammenhängen. Es kann damit sowohl die Korrelationsmatrix insgesamt, auf ihre Eignung hin geprüft werden, als auch jede Ausgangsvariable. Wünschenswert sind Werte größer 0,8
  14. 14. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 14 MSA(MeasureofSampling Adequacy; Maß für die Eignung der Stichprobe) Anti-Image Korrelationsmatrix Der kleinste Wert beträgt 0,60 und ist immer noch „mäßig gut“. Die MSA-Werte geben daher keinen Anlass, eine oder mehrere Variablen aus dem faktoranalytischen Modell auszuschließen. Das variablen-spezifischeKaiser-Meyer- Olkin-Kriterium ist auf der Hauptdiagonalen der Anti-Image-Korrelationsmatrixabgetragen. Werte, die geringer als 0,50 sind, deuten darauf hin, dass die Variable ausder Analyse herausgenommenwerdensollte.
  15. 15. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 15 Faktorenextration •Der erste Faktor wird so gebildet, dass er einen möglichst großen Teil der Gesamtstreuung aller beobachteten Variablen erklärt. •Der zweite Faktor wird so gebildet, dass er zum ersten Faktor orthagonalist (mit diesem also vollkommen unkorreliertist) und einen möglichst großen Teil der verbliebenen, durch den ersten Faktor nicht erklärten Streuung, erklärt. •Weitere Faktoren werden gebildet … bis maximal #Faktoren = #Variablen •Die Faktorenanalyse gibt verschiedene Lösungen an. Der Nutzermuss entscheiden wie viele der potentiellen (7) Faktoren ausgeschlossen werden sollen (Info-Verlust vs. Purifikation) Es gibt verschiedene Verfahren. Das gebräuchlichste: Hauptkomponentenanalyse (PrincipalComponentAnalysis)
  16. 16. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 16 SPSS: Wählen Sie den Befehl:Analysieren> Dimensionsreduktion> Faktorenanalyse Dann: Faktorextraktion
  17. 17. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 17 Der Eigenwert Der Eigenwert gibt an, wieviel ein Faktor an der Varianz aller Ausgangsvariablen erklärt. (Eigenwert = Erklärungsbeitrag eines Faktors an allen Variablen) Es gibt zwei wichtige „Gütekriterien“ der Faktorenanalyse: Eigenwert und Kommunalität Σ Varianzanteil an allen Variablen = Eigenwert des Faktors 1 Σ Varianzanteil an allen Variablen = Eigenwert des Faktors 2
  18. 18. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 18 Der Eigenwert Der Eigenwertgibt an, wieviel ein Faktor an der Varianz aller Ausgangsvariablen erklärt. (Eigenwert = Erklärungsbeitrag einesFaktors an allenVariablen) Anzahl der Faktoren = Anzahl der Variablen Anfangslösung Gefundene Lösung Kumulierten Anteile der erklärten Streuung an der Gesamtstreuung Die ersten beiden Faktoren erklären bereits 68% der Gesamtstreuung
  19. 19. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 19 Die Kommunalität Die Kommunalitätgibt den Teil der Gesamtvarianz einerVariablen an, der durch alleFaktoren erklärt wird (=Summe der quadrierter Faktorladungen aller Faktoren für eine Variable) 1 2 Variablen (gegeben) Faktoren (gesucht) Erklärung durch 7 Faktoren Erklärung durch 2 Faktoren Anfangslösung Gefundene Lösung Jede Variable hat eine Streuung (SD) von 1 Wieviel Streuung der Variable können die 2 Faktoren erklären? Kommunalität= 1 wenn die Streuung einer Variablen restlos durch die Faktoren erklärt wird). Variable 1 Variable 2 …
  20. 20. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 20 Für die Bestimmung der Anzahl der zu extrahierenden Faktoren stehen verschiedeneVerfahrenzurVerfügung: Bestimmung der Faktorenzahl •Kaiser-Kriterium •Scree-Test •„Anteil der Gesamtvarianz“-Regel •Mindestvarianzregel •Theorie-Basiert Ziel ist es die Anzahl der Faktoren auszuwählen, bei der noch ein hinreichend großer Teil der Streuung erklärt wird und die zugleich eine ausreichend große Reduzierung der Komplexität erzielt. Standard
  21. 21. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 21 Bestimmung der Faktorenzahl durch Kaiser-Kriterium Diese zwei Faktoren haben einen Eigenwert >1 und werden deshalb extrahiert Im Beispiel ergibt sich nach dem Kaiser-Kriterium ( Eigenwert der Faktoren größer eins) eine Faktorenzahl von 2. Die von ihr erklärte Gesamtvarianz wird auf rund 68% geschätzt (32% Infoverlust). Kaiser-Kriterium: Eigenwert eines Faktors > 1. Damit wird erreicht, dass ein Faktor mindestens soviel Varianz erklärt wie eine Ausgangsvariable.
  22. 22. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 22 Bestimmung der Faktorenzahl durch Scree-Plot Im Beispiel ergibt sich nach dem Scree-Plot ebenfalls eine Faktorenzahl von 2. Scree-Plot mit Elbow-Kriterium: Knick im Plot „Eigenwert x Faktoren“ deutet auf den höchsten Eigenwert-Abfall hin. Punkt am Knick kennzeichnet optimale Lösung. Kaiser-Kriterium (EW>1) „Knick“ (Elbow) „Geröll“ (Scree)
  23. 23. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 23 Faktoren nur sinnvoll, wenn sie inhaltlich interpretiert werden können. Eine Interpretation kann durchgeführt werden, wenn man die Beziehung der Faktoren zu den beobachteten Variablen betrachtet. Faktorladungen Faktor(ladungs-)matrix: Korrelation zwischen den Ausgangsvariablen und den extrahierten Faktoren (mit Koeffizienten a1 und a2) Interpretation der Faktoren anhand der auf sie hoch ladenden Variablen. Die Ladung sollte >.5 sein Interpretationsschwierigkeiten, wenn Variablen ähnlich hoch auf verschiedene Faktoren laden Diese Variablen laden auf zwei Faktoren relativ hoch Bedeutung des Faktors
  24. 24. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 24 Manchmal bereitet die „normale“ Faktorlösung Interpretationsschwierigkeiten. In diesem Fall wird rotiert, d.h. man dreht die Faktoren so, dass sie zwar rechtwinklig zueinander bleiben, jedoch „näher an die Variablen heranrücken“ (sog. Varimax-Rotation) Rotation Lösung = Rotation: Durch Rotation wird die Faktorenlösung eindeutiger und somit leichter zu interpretieren Zweck der Rotation Unrotiert Rotiert Diese Variablen laden auf beide Faktoren relativ hoch Jetzt laden alle Variablen klar auf einen der beiden Faktoren
  25. 25. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 25 1.Orthagonale(rechtwinklige) Rotation: Varimax, Quartimax, Equamax 2.Schiefwinklige (oblique) Rotation: Direkte Oblimin, Promax Rotation Rotationsmethoden
  26. 26. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 26 1.Orthogonale (rechtwinklige) Rotation: Varimax, Quartimax, Equamax 2.Schiefwinklige (oblique) Rotation: Direkte Oblimin, Promax Rotation Rotationsmethoden Die Variablen laden eindeutig auf einen der zwei Faktoren. Eine Interpretation der Faktoren ist somit möglich Faktor 1 Faktor 2
  27. 27. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 27 Rotation Sortierte Darstellung der Faktorladungen Ladungen, die kleiner als 0.5 sind, sollen gar nicht ausgewiesen werden Variablen eines Faktors sollen in einer Gruppe dargestellt werden
  28. 28. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 28 Rotation Sortierte Darstellung der Faktorladungen Faktor 1: emotionales CEO-Image Faktor 2: kognitives CEO-Image
  29. 29. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 29 Skalenbildung Häufig sollen die Faktoren als Variable in weitere Untersuchungen einfließen… aus diesem Grund bildet man Skalen 5 Variablen sind als Items der gemeinsamen Hintergrundvariable Emotionalen CEO-Imageidentifiziert worden. Es könnte daher sinnvoll sein, aus den Items eine gemeinsame Skalazu bilden. 2 Variablen stehen für die Skalenbildung von Kognitiven CEO-Image Verfügung CEO-Image besteht also aus zwei unterschiedlichen Sub-Dimensionen, die jeweils möglichst verlässlich durch zwei Skalen gemessen werden sollen Welche Items sollen in die beiden Skalen aber tatsächlich einfließen? Wie gut sind die beiden Skalen wirklich? Reliabilitäts- analyse
  30. 30. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 30 Skalenbildung Wie werden Skalen gebildet? Was heißt Reliabilität? Eine Skala wird als Summe der einzelnen Items gebildet ... Emotionales CEO-Image Item 1 Item 2 Item 3 Item 4 Item ... •Der gesuchte wahre Wert wird in mehrerenMessvorgängen (z.B. Items im Fragebogen ermittelt •Bei jedem Messvorgang entstehen Messfehler (wahrer Wert wird unter-oder überschätzt), die sich jedoch –wenn sie zufällig sind –über viele Messvorgänge hinweg ausmitteln Als Reliabilität oder Zuverlässigkeit wird das Ausmaß bezeichnet, in dem wiederholte Messungen eines Objektes mit einem Messinstrument die gleichen Werte liefern D.h.: Eine Person, die bei der ersten Messung (z.B. Item 1) den höchsten Wert erzielt, sollte auch bei der zweiten Messung (Item 2) den höchsten Wert erzielen
  31. 31. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 31 Skalenbildung Messung der Reliabilität •Die klassische Testtheorie besagt, dass sich die Gesamtvarianz (= S(X)²) eines Tests (also z.B. die Unterschiede im Antwortverhalten der Befragten) auf zwei Komponenten zurückführen lässt: •Zum einen variieren die Werte, weil die gemessene Größe (z.B. CEO-Image) bei den verschiedenen beobachteten Objekten (Personen) unterschiedliche Ausprägungen aufweist (der wahre Wert) = S(T)² •Zum anderen aber auch Messfehlern (Zufallsfehlern) = S(E)² S(X)² = S(T)² + S(E)²
  32. 32. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 32 Skalenbildung Messung der Reliabilität • Die Reliabilität eines Tests (rtt) ist nun als Varianzverhältnis zwischen wahren und beobachteten Werten (wahrer Wert + Fehler) definiert und zeigt, wie hoch der Anteil der „wahren“ Varianz an der Gesamtvarianz ist: • Je größer die Messfehlervarianz ist, je mehr unsystematische Messfehler also vorkommen, desto weniger genau (reliabel) misst ein Test
  33. 33. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 33 Skalenbildung CronbachsAlpha •Eines der gebräuchlistenMaße für die Reliabilität einer Skala ist CronbachsAlpha •Es wie folgt berechnet: •Erlaubt Rückschlüsse über die Anteile von Erklärter Varianz und Fehlervarianz •Entscheidend ist das Verhältnis der Varianz zwischen den Testpersonen und der Varianz zwischen den Items •Je höher die Varianz zwischen den Testpersonen (= Testvarianz) im Verhältnis zur Varianz zwischen den Items (= Itemvarianz) ist, desto höher fällt Alpha aus
  34. 34. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 34 Skalenbildung CronbachsAlpha •Alpha kann Werte zwischen 0 und 1 annehmen, wobei Werte von über 0.7als akzeptabel und Werte von über 0.8als gutbetrachtet werden •Unabhängig von der mittleren Interkorrelation der Items steigt Alpha mit zunehmender Zahl der Items •Ein hoher Wert von Alpha kann somit auch bei niedriger mittlerer Interkorrelation mit einer großen Zahl von Items erzielt werden •Alpha muss also bei der Interpretation immer zu der Anzahl der Items in Bezug gesetzt werden –insbesondere dann, wenn es sich um sehr wenige Items (<5) handelt
  35. 35. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 35 Skalenbildung Bevor die Skala und die Reliabilität berechnet werden können … … muss geklärt werden, ob die einzelnen Items hierfür überhaupt geeignet sind. Folgende Voraussetzungen müssen daher erfüllt werden: 1.) Die Items sollten dichotom, ordinal-oder intervallskaliert sein 2.) Bei allen Items muss die inhaltliche Bedeutung der großen/kleinen Werte übereinstimmen 3.) Alle Items müssen einen einheitlichen Wertebereich aufweisen (z.B. 1-5) Werden diese Voraussetzungen erfüllt?
  36. 36. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 36 Skalenbildung Reliabilitätsanalyse in SPSSSkalenbildung zum Emotionalen CEO-Image
  37. 37. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 37 Skalenbildung Reliabilitätsanalyse für Skala „Emotionales CEO-Image“ Unter „Reliabilitätsstatistiken“ ist die Gesamtreliabilität der Skala unter Berücksichtigung aller 5 Items angegeben. Sie fällt mit 0.85 bei 5 Items recht gut aus.
  38. 38. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 38 Skalenbildung Reliabilitätsanalyse für Skala „Emotionales CEO-Image“ Unter „Alpha, wenn Item weggelassen“ wird die Reliabilität der verbliebenen Items ausgegeben, nachdem das vorliegende Item aussortiert wurde Es ist nach den Ergebnissen nicht sinnvoll, eines der Items aus der Skala zu entfernen, da die Gesamtreliabilität in jedem Fall sinken würde Übersteigt eines der „Alphas, wenn Item weggelassen“ das unter „Reliabilitätsstatistiken“ angegebene Alpha, sollte das betreffende Item aus der Analyse ausgeschlossen werden
  39. 39. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 39 Skalenbildung Reliabilitätsanalyse für Skala „Emotionales CEO-Image“ Bei den in der Item-Gesamtstatistik ausgegebenen „korrigierten Item-Skala Korrelationen“ handelt es sich um die sog. Eigentrennschärfe Sie ist die Korrelation zwischen dem jeweiligen Item und der Gesamtskala, die sich unter Ausschluss des jeweiligen Items ergäbe Ein Trennschärfekoeffizient von kleiner 0.3 wird als niedrig, von 0.3 bis 0.5 als mittelund von größer als 0.5 als hochbezeichnet
  40. 40. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 40 Skalenbildung Reliabilitätsanalyse für Skala „Kognitives CEO-Image“ Führen Sie nun die Reliabilitätsanalyse für die Skala „Kognitives CEO-Image“ selbst durch! Wie interpretieren Sie die Ergebnisse?
  41. 41. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 41 Skalenbildung Bildung der Skala in SPSS •Der letzte Schritt der Skalenkonstruktion ist die Bildung der Skala •Möglichkeit 1: In der Regel verwendet man hier die Syntax-Funktion MEAN (Mittelwert), bei der die Itemsummeauf die Anzahl gültiger Werte relativiert wird, so dass vergleichbare Werte entstehen: COMPUTE Variable=MEAN (Item 1, Item 2, Item 3). EXECUTE. oderCOMPUTE Variable=(Item 1+Item 2+Item 3)/#Variables. EXECUTE. •COMPUTE idx_ceo_emo=(bles_vert+bles_ehrl+bles_symp+bles_verant+bles_mitf)/5. EXECUTE. •COMPUTE idx_ceo_kog=(bles_klug+bles_komp)/2. EXECUTE.
  42. 42. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 42 Skalenbildung Bildung der Skala in SPSS •Möglichkeit 2: Bildung der Skala Emotionales CEO-Imagemit seinen 5 Indikatoren (Items)
  43. 43. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 43 Skalenbildung Bildung der Skala in SPSS •Möglichkeit 2: Bildung der Skala Kognitives CEO-Imagemit seinen 2 Indikatoren (Items)
  44. 44. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 44 Skalenbildung Bildung der Skala in SPSS •Ergebnis: Für jedes Objekt (Person) erhalten wir einen Wert für emotionale und kognitive CEO-Image Wahrnehmung Kognitives CEO-Image Emotionales CEO-Image
  45. 45. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 45 Skalenbildung Bildung der Skala in SPSS •Möglichkeit 3: Im Rahmen der explorativen Faktorenanalyse besteht die Möglichkeit, Faktorenwerte für die einzelnen Faktoren als neue Variable im Datensatz abzuspeichern
  46. 46. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 46 Korrelationen Anwendung der CEO-Image Skalen •Wir können nun die neuen Skalen dazu verwenden, um konkrete Fragestellungen zu beantworten bzw. Hypothesen zu testen. •z.B.: Gibt es einen positiven Zusammenhang bei der Wahrnehmung des (a) Unternehmens-Images, (b) des emotionalen CEO-Images, und (c) des kognitiven CEO-Image? •Antwort auf diese Frage gibt die Berechnung der Korrelationzwischen den drei Variablen (Skalen)
  47. 47. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 47 Korrelationen Korrelationskoeffizient •Der Korrelationskoeffizient(r) ist ein Maß für die Stärke und die Richtung des Zusammenhang von Variablen. •Er ist darauf beschränkt, lineareZusammenhänge zu identifizieren. •Er versucht die Stärke des linearen Zusammenhangs in einer einzigen zwischen -1 und +1 liegenden Maßzahl auszudrücken. Ein positiver (negativer) Wert weist auf einen positiven (negativen) Zusammenhang hin (Richtung). •Der Betrag des Korrelationskoeffizienten ist umso größer, je stärker der lineare Zusammenhang zwischen den betrachteten Variablen ist. Ein Korrelationskoeffizient von 0 deutet darauf hin, dass kein linearer Zusammenhang gemessen werden konnte.
  48. 48. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 48 Korrelationen Streudiagramme können einen Hinweis liefern, ob ein Zusammenhang besteht Emotionales CEO-Image Unternehmens- Image
  49. 49. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 49 Korrelationen Streudiagramme können einen Hinweis liefern, ob ein Zusammenhang besteht Wert Emotionales CEO-Image je Proband Wert Unternehmens-Image je Proband Es scheint ein mehr oder weniger stark positiver Zusammenhangzwischen den beiden Variablen zu geben: Personen welche das Unternehmens-Image niedrig beurteilen, beurteilen auch das emotionale Image des CEO niedrig. Und vice versa.
  50. 50. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 50 Korrelationen Berechnung der Korrelation in SPSS
  51. 51. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 51 Korrelationen Berechnung der Korrelation in SPSS Richtung des Zusammenhangs: Die Korrelationskoeffizienten sind alle positiv, dies deuten auf einen positiven linearen Zusammenhang hin z.B. Je höher das Unternehmens- Image ist, desto höher ist auch die Wahrnehmung des (emot./kogn.) CEO-Images. Stärke des Zusammenhangs: Die Korrelationen bewegen sich von .18 bis .37 wodurch nur eine sehr schwache bis schwacheKorrelation gegeben ist. Betrag des Korrelationskoeffizienten Mögliche Interpretation 0 Keine Korrelation Über 0 bis 0.2 Sehr schwache Korrelation 0.2bis 0.4 Schwache Korrelation 0.4 bis 0.6 Mittlere Korrelation 0.6 bis 0.8 Starke Korrelation 0.8bis unter 1 Sehr starke Korrelation 1 Perfekte Korrelation Emot. CEO-Image Kogn. CEO-Image Untern.-Image
  52. 52. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 52 Korrelationen Berechnung der Korrelation in SPSS Signifikanzwert: Ist die Wahrscheinlichkeit, mit der sich in einer Stichprobe auch dann ein Korrelationskoeffizient der beobachteten Größenordnung ergeben kann, wenn in der Grundgesamtheit tatsächlich überhaupt kein (linearer) Zusammenhang zwischen den Variablen vorliegt. signifikant In der Grundgesamtheit besteht ein linearer Zusammenhang Signifikanztest: Kann aus der Stichprobe geschlossen werden, ob in der Grundgesamtheit ein solcher linearer Zusammenhang besteht? Nicht signifikant In der Grundgesamtheit besteht KEIN linearer Zusammenhang Signifikanzniveaus: p > 0.05 nicht signifikantp ≤ 0.05 signifikant* p ≤ 0.01 sehr signifikant** p ≤ 0.001 höchst signifikant***
  53. 53. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 53 Faktorenanalyse •Brosius, Felix (2013): SPSS 21. Heidelberg: mitp. •Backhaus et al. (2006): Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. Berlin: Springer. Testkonstruktion •Bühner, Markus (2004): Einführung in die Test-und Fragebogenkonstruktion. München: Pearson. Literatur
  54. 54. Institute for Communication | PR & Corporate Communications Research Center (PRCC) | © Sabine Einwiller, Wolfgang Weitzl | Slide 54 Danke! INSTITUT FÜR PUBLIZISTIK-UND KOMMUNIKATIONSWISSENSCHAFTEN INSTITUTE FOR COMMUNICATION PUBLIC RELATIONS RESEARCH DR. WOLFGANG WEITZL T +43-660-360 16 53 wolfgang.weitzl@univie.ac.at publizistik.univie.ac.at @wweitzlwolfgangweitzl.com

×