STATISTIK-FORUM.de

[Eddy54]

Hallo liebe Community,

ich bin neu hier und schreibe derzeit meine Masterarbeit im Bereich Führungsforschung.
Leider habe ich nun erstmals in meinem Studium mit empirischer Arbeit und Statistik zu tun und die Unterstützung der Uni ist leider unzureichend.

Daher hoffe ich nun sehr nach 3 durchzechten Nächten mit diversen Statistik Büchern hier qualifizierte Antworten auf meine Fragen zu erhalten.

Meine Ausgangsituation:

Anhand eines Fragebogens (erstellt vom Lehrstuhl der Uni) sollen wir eine eigens formulierte Forschungsfrage untersuchen und ein Modell aufstellen.
Es handelt sich um eine Dyadenstudie (Befragung Mitarbeiter und Führungskraft) zu je zwei verschiedenen Untersuchungszeitpunkten im Abstand von 4 Wochen (Längsschnittuntersuchung).

Das Untersuchungsmodell:
n = 48 Dyaden, davon 17 FK weiblich und 31 FK männlich
UV= Führungsstil der FK (metrisch)
AV=Emotionale Erschöpfung der FK (metrisch)
Mediator=Workload der FK (metrisch)
Moderator=Geschlecht der FK

Meine Resultate:
UV -> gemessen durch 7 Items -> Cronbachs Alpha .790 -> KS-Test nicht signifikant, demnach normalverteilt -> Boxplot, keine Ausreißer
AV -> gemessen durch 4 Items -> Cronbachs Alpha .909 -> KS-Test nicht signifikant, demnach normalverteilt -> Boxplot, keine Ausreißer
Mediator -> gemessen durch 6 Items -> Cronbachs Alpha .910 -> KS-Test nicht signifikant, demnach normalverteilt -> Boxplot, 1 Ausreißer


FRAGE 1:
Ich habe einen KS-Test auch für die einzelnen Items durchgeführt. Ergebnis: Mehrere Items sind nicht normalverteilt, KS Test war signifikant.
Was sagt mir das? Das mein Sample zu klein ist? Wieso ist die erstellte Skala der Items (Mittelwerte der Items), aber beim KS-Test nicht signifikant und demnach normalverteilt sind?

Korrelation nach Pearson:
UV - AV = kein signifikanter Zusammenhang UND negativ, obwohl meine These ist, die Korrelation sei positiv (-,122)
M - AV = signifikant -,536**
UV - M = kein signifikanter Zusammenhang -,002

FRAGE 2: Kann ich aufgrund dieses nicht signifikanten Ergebnisses, eine Mediation durch Workload ausschließen und mir die Analyse mittels PROCESS sparen?
FRAGE 3: Mit welcher Relevanz muss ich erwähnen, dass das Ergebnis M - AV signifikant ist? Muss ich hier eine Regression M -> AV ansetzen, um zu prüfen wieviel Varianz der AV durch M erklärt wird?

Moderation:
Da Moderatorvariable dichotom (Gender), habe ich mir erneut die Korrelation nach Pearson in SPSS nach Gender-Gruppen ausgeben lassen.
Damit wollte ich prüfen, ob die Korrelation von UV - AV nun signifikant wird.

Ergebnis:
Weder bei den Frauen noch bei den Männern ist der Hauptzusammenhang signifikant.
männlich:
UV - AV = -,088
M - AV = ,452**
UV - M = ,074
weiblich:
UV - AV = -,265
M - AV = ,640**
UV - M = -,115

FRAGE 4: Da auch dieses Ergebnis nicht signifikant ist, kann ich auch eine Moderation des Zusammenhangs durch das Geschlecht ausschließen, oder?

FRAGE 5: Sollte ich in meiner Arbeit, dennoch die Ergebnisse des PROCESS Tool: Model 5 bzw. Modell 1, darstellen obwohl nirgends signifikante Ergebnisse verzeichnet werden?

FRAGE 6: Müsste ich nicht vielmehr erläutern aus welchen Gründen der Hauptzusammenhang nicht signifikant geworden ist (zu kleine Stichprobe, zu wenig Varianz in den Konstrukten, keine Normalverteilung der Items, schlechte Messung der Konstrukte durch Nutzung psychometrischer Kurzskalen, Einfluss einer eventuellen anderen Moderatorvariable) ?

FRAGE 7: Eine Fishers-z Transformation habe ich nicht vorgenommen, da die Konstrukte alle auf Basis der gleichen 7-stufigen-Ratingskala gemessen werden. Ist das richtig, dass es daher nicht notwendig ist?

FRAGE 8: Ist mein bisheriges Vorgehen nachvollziehbar und meine Überlegungen korrekt?

Ich würde mich sehr über hilfreiche Antworten freuen, ich habe wirklich versucht mir selbst zu helfen und möchte dieses Forum nicht nutzen, damit mir jemand meine Ergebnisse vorbetet. Ich weiß nur überhaupt nicht, ob meine Überlegungen korrekt sind und wie ich damit umgehen soll? Mein Theorieteil der Arbeit erklärt einen ganz anderen Zusammenhang der Variablen, als es meine Ergebnisse zeigen .

Herzlichst Eddy

PS: Bitte entschuldigt, wenn dieser Beitrag noch in einer anderen Kategorie erscheint, die Zuordnung zu einem bestimmten Bereich erschien mir schwierig.

[PonderStibbons]

UV - AV = kein signifikanter Zusammenhang UND negativ, obwohl meine These ist, die Korrelation sei positiv (-,122) (...)
Kann ich aufgrund dieses nicht signifikanten Ergebnisses, eine Mediation durch Workload ausschließen und mir die Analyse mittels PROCESS sparen?

Dein Modell will den postulierten Zusammenhang UV/AV durch den Mediationseffekt von M erklären. Wenn schon die Prämisse nicht stimmt, wirkt die weitere Prüfung eigentlich obsolet. Aber das musst Du mit Deinem Betreuer besprechen.

Mit welcher Relevanz muss ich erwähnen, dass das Ergebnis M - AV signifikant ist?

Warum solltest Du es nicht erwähnen, es gehört doch zu Deinen Annahmen, die Du überprüft hast.

Muss ich hier eine Regression M -> AV ansetzen, um zu prüfen wieviel Varianz der AV durch M erklärt wird?

Das r der Pearson-Korrelation ist gleich beta in der einfachen linearen Regression, ergo r² = R².

Da Moderatorvariable dichotom (Gender), habe ich mir erneut die Korrelation nach Pearson in SPSS nach Gender-Gruppen ausgeben lassen.
Damit wollte ich prüfen, ob die Korrelation von UV - AV nun signifikant wird.

Das macht man eigentlich über ein Modell AV = b0 + b1*UV + b2*Moderator + b3*(Moderator*UV) + Fehler.

FRAGE 5: Sollte ich in meiner Arbeit, dennoch die Ergebnisse des PROCESS Tool: Model 5 bzw. Modell 1, darstellen obwohl nirgends signifikante Ergebnisse verzeichnet werden?

Das musst Du wohl mit Deinem Betreuer besprechen.

Müsste ich nicht vielmehr erläutern aus welchen Gründen der Hauptzusammenhang nicht signifikant geworden ist (zu kleine Stichprobe, zu wenig Varianz in den Konstrukten, keine Normalverteilung der Items, schlechte Messung der Konstrukte durch Nutzung psychometrischer Kurzskalen, Einfluss einer eventuellen anderen Moderatorvariable) ?

Vielleicht stimmt auch einfach das theoretische Modell nicht.

Mit freundlichen Grüßen

PonderStibbons

[Eddy54]

Hallo,

vielen Dank für die hilfreichen Antworten, ich werde definitiv auch noch einmal mit meinem Betreuer Rücksprache halten.

Mit welcher Relevanz muss ich erwähnen, dass das Ergebnis M - AV signifikant ist?

Warum solltest Du es nicht erwähnen, es gehört doch zu Deinen Annahmen, die Du überprüft hast.

Ist es sinnvoll auch bei diesem direkten Zusammenhang zu prüfen, ob es einen Unterschied zwischen Männern und Frauen gibt oder macht das keinen Sinn, da Workload nur meine Mediatorvariable ist?

Muss ich hier eine Regression M -> AV ansetzen, um zu prüfen wieviel Varianz der AV durch M erklärt wird?

Das r der Pearson-Korrelation ist gleich beta in der einfachen linearen Regression, ergo r² = R².

Diesen Zusammenhang verstehe ich, nur war ich unsicher, ob ich es in der Arbeit anders betiteln muss.

Da Moderatorvariable dichotom (Gender), habe ich mir erneut die Korrelation nach Pearson in SPSS nach Gender-Gruppen ausgeben lassen.
Damit wollte ich prüfen, ob die Korrelation von UV - AV nun signifikant wird.

Das macht man eigentlich über ein Modell AV = b0 + b1*UV + b2*Moderator + b3*(Moderator*UV) + Fehler.

Ich habe mir den Zusammenhang nun über das PROCESS Tool, Model 1 ausgeben lassen. Und erhalte unter Conditional effect x on y andere Effekte als wenn ich mir die Korrelation nach Pearson getrennt nach Gruppen ausgebe. Das verstehe ich leider überhaupt nicht
Gemäß Model 1 - PROCESS lauten die Ergebnisse:
R² .0367 (nicht signifikant)
Effekt Frauen = -.6075 (nicht signifikant)
Effekt Männer = -.1394 (nicht signifikant)

Die Korrelation nach Pearson getrennt nach Geschlechter Gruppen gibt geringere Werte aus.
Frauen = -.265 (nicht signifikant) demnach r² .070
Männer = -.088 (nicht signifikant) demnach r² .774

Wie ist das zu interpretieren? Oder muss ich Effekt und Korrelation anders bewerten?
Ich dachte, dass ich für meine Arbeit zunächst prüfe, ob es generell einen signifikanten Zusammenhang gibt, mittels Gender-Gruppenbildung und Korrelation nach Pearson. Da ich das ablehne, ist auch Model1 nach PROCESS hinfällig, oder?

Müsste ich nicht vielmehr erläutern aus welchen Gründen der Hauptzusammenhang nicht signifikant geworden ist (zu kleine Stichprobe, zu wenig Varianz in den Konstrukten, keine Normalverteilung der Items, schlechte Messung der Konstrukte durch Nutzung psychometrischer Kurzskalen, Einfluss einer eventuellen anderen Moderatorvariable) ?

Vielleicht stimmt auch einfach das theoretische Modell nicht.

Das kann natürlich auch sein, da gebe ich dir absolut recht. Aber unter der Annahme, dass mein theoretisches Modell stimmt, muss ich ja dennoch Fehlerquellen angeben.

Ich freue mich auf Antwort, und bedanke mich recht herzlich im Voraus!
Eddy

[PonderStibbons]

Die Korrelation nach Pearson getrennt nach Geschlechter Gruppen gibt geringere Werte aus.

Das ist doch auch ein anderes Modell. Interpretierbar ist das Modell mit Wechselwirkungen.
Der Vergleich zweier getrennter Analysen in den Substichproben bringt nicht viel, soweit ich sehe.

Das kann natürlich auch sein, da gebe ich dir absolut recht. Aber unter der Annahme, dass mein theoretisches Modell stimmt, muss ich ja dennoch Fehlerquellen angeben.

Dass die Studie undepowered ist, zumal angesichts unreliabler Messinstrumente, war
eventuell absehbar, darauf eingehen muss man natürlich.

Mit freundlichen Grüßen

PonderStibbons

[Eddy54]

Die Korrelation nach Pearson getrennt nach Geschlechter Gruppen gibt geringere Werte aus.

Das ist doch auch ein anderes Modell. Interpretierbar ist das Modell mit Wechselwirkungen.
Der Vergleich zweier getrennter Analysen in den Substichproben bringt nicht viel, soweit ich sehe.

Leider hilft mir diese Antwort nicht wirklich weiter, sondern verwirrt mich noch mehr. Es ist für mich tatsächlich nicht verständlich, worin der Unterschied besteht und wie ich es formulieren soll?
Da die Effekte nicht signifikant sind, kann ich doch schlecht von Effekten sprechen, oder doch?
Ich habe bereits eine Grafik erstellt in welcher ich alle direkten Zusammenhänge meines Modells mit dem Moderator Geschlecht veranschaulicht habe. Leider konnte ich diese hier nicht einfügen ("Das Kontingent der Dateianhänge sei bereits vollständig ausgenutzt..."), um mein Anliegen zu verdeutlichen.

Anbei diese Bsp. Formulierung von mir:
Der Zusammenhang zwischen Servant Leadership und Emotionaler Erschöpfung wird auch unter Hinzunahme des Moderators Geschlecht der Führungskraft nicht signifikant. Die Effektstärke lautet bei Männern -.6075 und bei Frauen -.1394. Daraus resultiert, dass auf Grundlage der vorhandenen Stichprobe der negative Effekt bei Frauen deutlich stärker ist. Mit anderen Worten führt Servant Leadership bei Frauen zu einer geringeren negativen Emotionalen Erschöpfung als bei Männern. Der negative Grundzusammenhang ist gemäß Korrelationskoeffizient nach Pearson mit -,122 als schwach negativ zu bewerten und ebenfalls nicht signifikant. Lediglich der Zusammenhang zwischen Workload und emotionaler Erschöpfung ist signifikant auf einem einseitigen Signifikanzniveau von 0,01. Der Korrelationskoeffzient beträgt hierbei .536. Dies bedeutet, dass rund 28,73% der Varianz an Emotionaler Erschöpfung durch Workload erklärt werden (R²= 0,287). Das Geschlecht hat keinen signifikanten Einfluss auf die Stärke des direkten Zusammenhangs zwischen Workkload und emotionaler Erschöpfung. Die Effektstärke bei Männern beträgt .6587 und bei Frauen .8433. Es ist kein signifikanter Unterschied zu verzeichnen.

Das kann natürlich auch sein, da gebe ich dir absolut recht. Aber unter der Annahme, dass mein theoretisches Modell stimmt, muss ich ja dennoch Fehlerquellen angeben.

Dass die Studie undepowered ist, zumal angesichts unreliabler Messinstrumente, war
eventuell absehbar, darauf eingehen muss man natürlich.

Ist also die nicht vorhandene Normalverteilung der Skalen-Items ein Indiz dafür, dass die Messinstrumente nicht reliabel sind? Oder reicht es, wenn die Skalen normalverteilt sind? Das kann ich mir leider auch nicht selbst beantworten

Beste Grüße
Eddy

[PonderStibbons]

Ist also die nicht vorhandene Normalverteilung der Skalen-Items ein Indiz dafür, dass die Messinstrumente nicht reliabel sind?

Nein, das hat damit nichts zu tun. Aber Du hast doch selber angegeben, sie sind nicht sonderlich reliabel.

Oder reicht es, wenn die Skalen normalverteilt sind? Das kann ich mir leider auch nicht selbst beantworten

Die Relevanz irgendwelcher Normalverteilungsdiskussionen, sei es auf Item-, sei es auf Skalenebene,
erschließt sich mir leider nicht.

Mit freundlichen Grüßen

PonderStibbons

[Eddy54]

Oder reicht es, wenn die Skalen normalverteilt sind? Das kann ich mir leider auch nicht selbst beantworten

Die Relevanz irgendwelcher Normalverteilungsdiskussionen, sei es auf Item-, sei es auf Skalenebene,
erschließt sich mir leider nicht.

Die Relevanz ist meiner Meinung nach dadurch gegeben, dass dies bei keiner Normalverteilung zeigt, dass meine Stichprobe zu klein ist und nicht genügend Varianz enthält. Damit reduziert sich auch das Vorhandensein signifikanter Zusammenhänge, oder nicht?

Hättest du noch einen kritischen Kommentar zu meiner Beispiel Formulierung parat? Ob das tendenziell korrekt formuliert ist? Wie gesagt, ich habe noch nie empirisch arbeiten müssen in meinem Studium :/

Grüße
Eddy

[PonderStibbons]

Die Relevanz ist meiner Meinung nach dadurch gegeben, dass dies bei keiner Normalverteilung zeigt,

Vermutlich auch keine Gammaverteilung, keine Lognormalverteilung oder eine andere von den vielen Verteilungen, die es gibt.
Wie gesagt erkenne ich nicht, was daran problematisch sein soll.

Mit freundlichen Grüßen

PonderStibbons