STATISTIK-FORUM.de

[HannaR]

Hallo zusammen,

für meine Masterarbeit habe ich hauptsächlich Konstrukte für die Abfrage gewählt, die bereits zuvor benutzt wurden und über eine hohe Konstruktvalidität verfügen. Ich habe dieses in Form einer Faktoranalyse pro Konstrukt noch einmal überprüft. Alle Items eines Konstruktes laden auf einen Faktor, sodass man von einer guten Validität ausgehen kann.

Nun mein Problem: Ein Konstrukt, das ich für meine Arbeit brauchte gab es so noch nicht. Es soll den selbst wahrgenommenen Wert von Kunden einer Marke messen (also als wie wertvoll erachtet man sich selber für eine Marke) und ich habe es selbst entwickelt. Bei dem Nachweis der Validität sieht man, dass 8 Items auf Faktor 1 laden, 1 Item auf Faktor 2 und 1 Item auf Faktor 3. Die Items sind wie folgt formuliert (wobei sie auf einer 7er-Skala gemessen wurden - ganz links=1 und ganz rechts=7):

1)…gebe ich viel weniger bei Shop x aus. …gebe ich viel mehr bei Shop x aus.
2)…werde ich in Zukunft viel weniger bei Shop x ausgeben. …werde ich in Zukunft viel mehr bei Shop x ausgeben.
3)…kaufe ich sehr selten bei Shop x ein. …kaufe ich sehr häufig bei Shop x ein.
4)…ist mein letzter Kauf bei Shop x sehr lange her. …ist mein letzter Kauf bei Shop x gar nicht lange her.
5)…bin ich noch gar nicht lange Kunde bei Shop x. …bin ich schon sehr lange Kunde bei Shop x.
6)…spreche ich sehr selten positiv über Shop x. …spreche ich sehr häufig positiv über Shop x.
7)…empfehle ich Shop x sehr selten weiter. ´ …empfehle ich Shop x sehr häufig weiter.
8)…haben meine Empfehlungen über Shop x einen …haben meine Empfehlungen über Shop x einen
sehr geringen Einfluss auf das Verhalten anderer. sehr hohen Einfluss auf das Verhalten anderer.
9)…beschwere ich mich sehr selten bei Shop x und zeige …beschwere ich mich sehr häufig bei Shop x und zeige
Shop x somit kein wichtiges Verbesserungspotential auf. Shop x somit wichtiges Verbesserungspotential auf.
10)…schicke ich bestellte Ware sehr häufig zu Shop x zurück. …schicke ich bestellte Ware sehr selten zu Shop x zurück.

1) bis 8) laden auf einen Faktor. 9) und 10) laden jeweils auf einen eigenen, sodass mir insgesamt 3 Faktoren empfohlen werden. Vermutlich laden 9) und 10) anders, weil sie andersherum formuliert wurden?! Ich habe das gemacht, damit rechts immer das steht, was sie wertvoller macht. Was tue ich nun? Sie müssen ja auf einen Faktor laden und Items löschen möchte ich eigentlich nicht. Die Reliabilität ist mit 0.78 recht gut.

DANKE an jeden Einzelnen, der mir hilft!!!

[strukturmarionette]

Hi,

zunächst sollten die Polungen der Itemformulierungen einheitlich sein (wie auch die Formulierungen der Antwortkategorien) bzw wären die Items umzupolen.

Gruß
S.

[quotmag]

Kannst du noch ein paar Informationen zu deiner genauen Vorgehensweise geben? Welchen Rotationsalgorithmus hast du verwendet? Wie hast du die Zahl der Faktoren bestimmt? Ich vermute du hast eine Hauptkomponentenanalyse mit Varimaxrotation durchgeführt und die Zahl der Faktoren mithilfe des Eigenwertekriteriums bestimmt (wird häufig gemacht). Mit dem Eigenwertekriterium erhält man oftmals mehr Faktoren als mit anderen Methoden. Alternativen wären ein Screeplot der Eigenwerte (kannst du leicht selbst erstellen), die Parallelanalyse nach Horn sowie der Minimum Average Partial Test. Ich hatte schon des öfteren den Fall, dass mir die drei letzteren Verfahren einen Faktor angezeigt haben, das Eigenwertekriterium jedoch 3 oder mehr.

Mit Reliabilität meinst du vermutlich Cronbachs Alpha. Hast du dir auch mal die Trennschärfe-Koeffizienten angeschaut? Wie sind denn hier die Werte der beiden Items, die nicht auf dem ersten Faktor laden?

Liebe Grüße
Tim

[HannaR]

Hallo ihr zwei,

Danke für eure Antworten. Zunächst zu deinem Kommentar S.: Ich muss die Items doch nicht recoden, weil weiterhin "rechts" (also mit der 7) jene Ausprägung ist, die den wahrgenommenen Kundenwert erhöht, oder stehe ich auf dem Schlauch?

Zu dir Tim: Also ich habe eine Varimax Rotation gemacht und mir Eigenvalue, Screeplot und angeschaut. Ich habe mir jetzt mal die Trennschärfe-Koeffizienten bei der Ermittlung der Reliabilitäten (ja genau, damit meine ich Chronbach's Alpha) angesehen:

Die erste Zahl ist "corrected item-total correlation" und die zweite "Chronbach's Alpha when item is deleted"
Item 1: 0.491; 0.700
Item 2: 0.565; 0.694
Item 3: 0.624; 0.674
Item 4: 0.434; 0.705
Item 5: 0.344; 0.721
Item 6: 0.611; 0.679
Item 7: 0.579; 0.682
Item 8: 0.424; 0.708
Item 9: 0.058; 0.755
Item 10: 0.039; 0.782

Wenn ich alle items drin lasse, ist Chronbach's Alpha 0.733, sprich es würde sich verbessern, wenn ich Item 9 oder 10 löschen würde. Ich möchte das nur eigentlich ungern, weil es wichtige Bestandteile für den selbst wahrgenommenen Wert sind. Kann es sein, dass mich meine Ergebnisse darauf hinweisen, dass die Befragten die letzten beiden Items falschrum beantwortet haben?

Danke für eure Mühe!!!

[PonderStibbons]

"Beschwere mich sehr häufig" soll ein positves Merkmal sein? Zudem ist die Kombination von 2 Aussagen in einem Item
stets heikel. Das Item ist in der Form kein gutes. Und inhaltlich passt "zeige Verbesserungspotenzial auf" nicht so recht zu den anderen Aussagen (kaufe viel, kaufe oft, empfehle weiter...).

Was mit dem letzten Item ist...es ist eben das Paradoxe, dass man online-Läden deswegen schätzt und vermehrt dort bestellt, weil man dort problemlos zurückschicken kann und das dann auch nutzt...

[HannaR]

Hey PonderStibbons,

Danke für deinen Rat. Sich häufig beschweren ist insofern gut, weil dem Unternehmen dadurch Verbesserungspotential aufgezeigt wird.

Aufgrund der werte würdest du mir also raten, die letzten beiden Items des Konstruktes zu löschen, oder? Wenn ich das mache, dann zeigt der Screeplot einen Faktor an, aber gemäß der Faktorladungen und dem Eigenwert sind es immer noch zwei, weil dann Item 6-8 auf einen anderen Faktor lädt.

Danke dir!

[quotmag]

Ich würde mit Item 1-8 eine Summenskala bilden (Alternativ kannst du die Faktorwerte verwenden) und Item 9 und 10 einzeln in die weiteren Analyse eingehen lassen. Es macht bei derart kleinen Trennschärfekoeffizienten wenig Sinn die beiden Items in die Skalenbildung einfließen zu lassen.

Bei der Bestimmung der Zahl der Faktoren würde ich mich nicht blind auf das Eigenwertekriterium stützen. Wenn es dir möglich, führe die von mir oben vorgeschlagenen alternativen Tests durch. Es kann gut sein, dass diese die Extraktion eines Faktors nahelegen (für eine Analyse mit den Items 1-8). Darüberhinaus würdest du mit Items 1-8 (wie die Reliabilitätsanalyse zeigt) eine ausreichend konsistente Skala erhalten. Es spricht also nichts dagegen dies zu tun.

Welche Software benutzt du für die Analyse? SPSS? Wenn der Screeplot eindeutig einen Faktor nahelegt, kannst du Extraktion eines Faktor (bzw. der von dir gewünschten Faktorenzahl) auch unabhängig vom Eigenwert erzwingen.

Liebe Grüße
Tim

[HannaR]

Danke Tim, deine Antwort ist sehr hilfreich. Ich habe Summenwerte der Items 1-8 gebildet. Es ergibt sich nur ein Problem, wenn ich Item 9 und 10 getrennt in die Analyse integriere: Die Items 1 bis 10 sollten ja ursprünglich ein Konstrukt bilden, das ist ja nun leider nicht der Fall. Und dieses Konstrukt (also der selbst wahrgenommene Wert) wird als Moderator untersucht. Das bedeutet, dass ich die Items 9 und 10 wenn dann komplett "wegfallen" lassen muss. Oder denke ich da falsch?

Liebe Grüße

Hanna

[quotmag]

Welches Verfahren möchtest du denn anwenden? Wie sieht dein Modell aus?

Ferner: Die oben vorgeschlagene Strategie ist eine Empfehlung aus der Ferne, ohne die Daten und den Kontext genau zu kennen. Ich spiele in der Regel verschiedene Lösungen durch (mit verschiedenen Rotationsalgorithmen und Faktorenzahlen) und fälle dann eine Entscheidung.

Liebe Grüße
Tim

[HannaR]

Danke dir.

Mein Modell sieht wie folgt aus:

Monetary compensation --> distributive justice --> recovery satisfaction --> word-of-mouth

Der Moderator (selbst wahrgenommener Wert) wird auf die Beziehung zwischen Empathy und interactional justice vermutet. Sprich, Leute die sich als wertvoller wahrnehmen, erwarten eine höhere monetäre Entschädigung nach einer Beschwerde um sich gerecht behandelt zu fühlen.

DANKE und liebe Grüße!