STATISTIK-FORUM.de

[jessy1611]

Hallo Zusammen,

ich möchte in meiner Abschlussarbeit untersuchen, ob es bei der Rekrutierung von Mitarbeitern Diskriminierungseffekte von Frauen gibt.
Ich habe Daten dazu zu wie vielen Bewerbungsgesprächen eine Person eingeladen wird. als abhängige Variable (AV) gilt also "Anzahl EInladungen".

Ich untersuchte dabei nicht nur den Einfluss des Geschlechts, sondern auch die Wichtigkeit der Arbeitserfahrung und akademischen Leistungen der Personen auf AV. Außerdem Untersuche ich den Moderationseffekt von Unternehmensattributen wie Unternehmensgröße (UG; Dummy) oder Branche (Br, Dummy = Männerdominierte Branche) auf den Diskriminierungseffekt.

Ich wollte hierfür folgende Regression berechnen

Anzahl EInladungen = b1 alter + b2 männlich + b3 Arbeitserfahrung + b4 ak. Leistungen + b5 UG + b6 (männlich * UG) + b7 br + b8 (br * männlich)

Gibt mir diese Gleichung das gewünschte Ergebnis?
b2 entspricht dem einfluss des Geschlechts und ist somit der doskriminierungseffekt?
b6 bzw b8 ist der moderationseffekt?

Als alternative habe ich gelesen, dass man auch eine Diskriminanzanalyse machen kann. Mir ist jedoch nicht klar, ob das nur eine zusätzliche Möglichkeit ist, oder in so einem Fall angewendet werden MUSS?

Kann mir da jemand weiterhelfen?
Vielen Dank!

[PonderStibbons]

Die Frage fußt aber nicht auf der Ähnlichkeit der Wörter Diskriminierung und Diskriminanzanalyse?

BTW, die Wechselwirkungen Arbeitserfahrung*Geschlecht und Leistung*Geschlecht fehlen, die aber werden (auch) die mögliche Diskriminierung repräsentieren (e.g. "Leistung ist bei Frauen weniger effektiv als bei Männern"). Den Stellenwert der beiden vorhandenen Interaktionen vermag ich hingegen nicht zu erkennen, wieso soll die WW Branche/Geschlecht was über Diskrimierung aussagen?

BTW, eine ordinale Regression wäre vielleicht angebrachter als eine lineare, wenn die Zahl der Einladungen in der Regel klein sein sollte (z.B. 1-3).

BTW, Deine Stichprobe sollte ausreichend groß sein, mindestens dreistellig.


Mit freundlichen Grüßen

P.

[jessy1611]

Nein, nein aber da ich zwei Gruppen (männer und Frauen) habe, ist mir nicht ganz klar, ob die Diskriminanzanalyse hier anwendbar wäre. allerdings müsste meine regression an sich auch zum gewünschten ergebnis führen, oder?

Warum ist die Anzahl der Einladungen ordinal, bzw ab wann wäre diese deiner Meinung nach nicht mehr ordinal? der schnitt liegt bei 6 einladungen und ich habe insgesamt ca 20.000 beobachtungen.

die akademischen leistungen drücke ich unter anderem durch noten aus. dies wiederum ist ja an sich eine ordinale varable, allerdings sind die werte nicht nur wie schulnoten (sechs kategorien). kommazahlen sind ebenfalls erlaubt. also alles zwischen 1,0 und 4,0. muss ich diese variable umwandeln, oder kann ich sie so ins modell aufnehmen?

vielen dank!

[PonderStibbons]

Nein, nein aber da ich zwei Gruppen (männer und Frauen) habe, ist mir nicht ganz klar, ob die Diskriminanzanalyse hier anwendbar wäre.

Wenn Du Geschlecht als abhängige Variable durch Einladungsfrequenz und andere Variablen vorhersagen wolltest.

Warum ist die Anzahl der Einladungen ordinal, bzw ab wann wäre diese deiner Meinung nach nicht mehr ordinal?

Mein Fehler. Poisson-Regression (unter anderem) wäre für Zählvariablen geeignet.

der schnitt liegt bei 6 einladungen und ich habe insgesamt ca 20.000 beobachtungen.

Das geht dann wohl.

die akademischen leistungen drücke ich unter anderem durch noten aus. dies wiederum ist ja an sich eine ordinale varable, allerdings sind die werte nicht nur wie schulnoten (sechs kategorien). kommazahlen sind ebenfalls erlaubt. also alles zwischen 1,0 und 4,0. muss ich diese variable umwandeln, oder kann ich sie so ins modell aufnehmen?

Das kann ich leider nicht beurteilen.

Mit freundlichen Grüßen

P.

[jessy1611]

Danke für Deine Hilfe.

Eine Poisson Regression wäre aber nur dann richtig, wenn mean=varianz, oder? das ist bei mir nicht der Fall. Wäre dann die richtige Wahl eine negative Binomial Regression? Wie werden die Koeffizienten in so einem Fall interpretiert?

Eine weitere Frage hättte ich noch: Da eine Person mehrmals eingeladen wird und somit öfter in meinem Datensatz auftaucht, sind diese Beobachtungen ja nicht unabhängig voneinander. Jede Person hat eine ID. Ist dieses Problem behoben, wenn ich nach der ID clustere?

Danke!

[PonderStibbons]

Da eine Person mehrmals eingeladen wird und somit öfter in meinem Datensatz auftaucht, sind diese Beobachtungen ja nicht unabhängig voneinander. Jede Person hat eine ID. Ist dieses Problem behoben, wenn ich nach der ID clustere?

Verstehe ich nicht. Laut initialer Beschreibung:

als abhängige Variable (AV) gilt also "Anzahl EInladungen"

Wie kann da dieselbe Person mehrmals auftreten?

[jessy1611]

Ich werte jede Einladung als eine Beobachtung. Mich interessiert, welche Attribute des Bewerbers wichtig bei der Entscheidung waren, ihn zu einem Bewerbungsgespräch einzuladen. Außerdem schaue ich, ob es sinifikante Unterschiede zwischen Unternehmen gibt. Z.B. ob ein großes Unternehmen andere Bwerber einläd, als ein kleines. Oder ob es Unterschiede gibt, je nachdem in welcher Branche das Unternehmen agiert.

Das heißt also wenn der Kandidat 3 Einladungen bekommen hat, sind das 3 Beobachtungen, bei denen die personenspezifischen Daten (z.B. Noten) jeweils gleich sind, aber die Unternehmensspezifischen Daten sind immer unterschiedlich, weil er Anfragen von 3 unterschiedlichen Unternehmen bekommen hat.

Bewerber-ID Note Unternehmen Unternehmensgröße Branche
1 2 A groß Produktion
1 2 B mittel Service
1 2 C groß Forstwirtschaft

[PonderStibbons]

Deine abhängige Variable ist demnach eine andere, als Du im ersten Beitrag angabst.
Allerdings kann ich aus der letzten Beschreibung nicht ersehen, was in Wirklichkeit
nun die abhängige Variable sein soll.

Vielleicht beschreibst Du einmal Deine Studienanlage und Dein Erhebungsdesign.


Mit freundlichen Grüßen

P.

[jessy1611]

Das hört sich so an, als hätte ich einen grundlegenden Denkfehler in meiner Analyse...

Hier nochmal ein bisschen mehr Infos zu meinen Daten und meinen Hypothesen.

Mein Datzensatz setzt sich zusammen aus personenspezifischen Infos und unterehmensspezifischen Infos. Da es sich um Daten bei einer Onlinejobbörse handelt, ist die Anzahl der Beobachtungen groß. Ich habe also einerseits Daten wie Geschlecht, Alter, Noten, Abschluss, Studiengang und Arbeitserfahrung. Jeder Bewerber hat hierbei eine ihm zugeordnete ID. Andererseits haben auch die Unternehmen eine indivduelle ID und Ifos wie Unternehmensgröße, Branche, Umsatz, Rechtsform etc. . Der Datensatz ordnet jedem Bewerber die Gesamtanzahl der Einladungen zu. Bewerber, die mehr als eine Einladung bekommen haben, kommen mehrmals im Datensatz vor. Die personenspzeifischen Informationen sind dabei immer gleich, die unternehmensspezifischen jedoch nicht, da auch die Einladungen von unterschiedlichen Unternehmen eingehen.

Ich möchte einserseits untersuchen welche Bedeutung gewisse Attribute be der Auswahl der Bewerber haben; also welche Attribute wichtig für Unternehmen sind:
z.B. "Der Bewerber bekommt mehr Einladungen, je besser die Noten"

Das soll sich auch darauf beziehen, was einen Bewerber attraktiv für ein Unternehmen macht. Ich beschäftige mich Hauptsächlich damit, welchen EInfluss das Geschlecht bei der Attraktivität der Bewerber hat. Thema ist also die Diskriminierung von Frauen
"Bei gleicher Qualifikation bekommen Männer mehr Einladungen als Frauen"

Und dies unter Berücksichtigung unternehmensspezifischer Attribute
"Die Diskriminierung von Frauen fällt bei großen Unternehmen geringer aus, als bei kleinen Unternehmen"

Ich hatte schon geplant die absolute Anzahl der Einladungen als AV zu benutzen...
Ich betrachte somit jede Einladungung getrennt, also als individuelle Beobachtung. Ein Bewerber mit Profil A hat X Einladungen bekommen. Jedoch sind ja die Beobachtungen eines Bewerbers nicht wirklich unabhängig, was ich bei der Analyse berückichtigen möchte.

Habe ich das Problem grundlegend falsch verstanden? Wenn ja, warum und wie löse ich es?

[PonderStibbons]

Mein Datzensatz setzt sich zusammen aus

Ich hatte nmun aber doch um die Studienanlage und das Erhebungsdesign gebeten,
nicht um Angaben zum daraus entstandenen Datensatz.

Ich hatte schon geplant die absolute Anzahl der Einladungen als AV zu benutzen...
Ich betrachte somit jede Einladungung getrennt, also als individuelle Beobachtung.

Inwiefern denn "somit"? Beide Aussagen widersprechen sich, soweit ich sehe.
In dem letzteren Fall ist "Einladung" (ja/NEIN - und hast Du überhaupt Daten zu
Nichteinladungen?) die abhängige Variable, im ersten Fall "Anzahl der Einladungen".
Da aber nicht nur personenbezogene Merkmale einbezogen werden, vermute ich mal,
dass die Fragestellung lautet "welche Merkmale des Bewerbers und welche Merkmale
des Unternehmens haben einen Einfluss darauf, ob eine Bewerbung zu einer Einladung
führt". Dann braucht es aber wie gesagt Angaben zu vergeblichen Bewerbungen.

Mit freundlichen Grüßen

P.