ich bräuchte etwas Hilfe im Rahmen meiner Master Thesis im Bereicht Marktforschung.
Ich habe eine Umfrage zu einem Produkt (Fruchtsaft) gemacht mit einem 2X2 between the subject Design, es gibt also 4 Gruppen mit je 52 Probanden.
Die Probanden haben zuerst das Produkt gesehen (experimentelle Stimulus) und dann den Fragebogen beantwortet.
Die unabhängige Variable ist die Bekanntheit der Saft Marke (eine bekannte/unbekannte Saft-Marken) und die Bekanntheit der Wohltätigkeitsorganisation (eine bekannte/unbekannte Wohltätigkeitsorganisation) , die beide auf dem Etikett sichtbar sind, daher 2X2.
Also :
1. Gruppe: Hohes C (bekannt) mit Unicef (bekannt)
2. Gruppe: Hohes C (bekannt) mit Sternsinger (unbekannt)
3. Gruppe: Krumbach (unbekannt) mit Unicef (bekannt)
4. Gruppe: Krumbach (unbekannt) mit Sternsinger (unbekannnt)
Danach habe ich 3 AV für jede Gruppe gemessen (Kaufabsicht, Einstellung zur Saft-Marke und Einstellung zur Allianz), alle über jeweils mehrere Items auf einer 7-Stufigen Likert Skala, da es latente Variablen sind.
Ich möchte nun eine Varianzanalyse machen um die Gruppen miteinander vergleichen zu können.
Ich bin mir jedoch nicht sicher welche Items ich wie miteinander "kombinieren" muss.
Nehmen wir an ich möchte den Einfluss der Bekanntheit der Saft Marke HOHES C und die Bekanntheit von Unicef auf die Kaufabsicht (3 Items) messen.
HOHES C ist ja in Gruppe 1 und Gruppe 2 vorhanden. Muss ich dann also zuerst in SPSS Transformieren -> Variable berechnen und dann:
MEAN(Item1.1,Item1.2,Item1.3,Item2.1,Item2.2,Item2.3) Zur Erklärung: Item 1.1 bis 1.3 sind die Kaufabsicht Items aus Gruppe 1. Item 2.1 bis 2.3 sind die Kaufabsicht Items aus Gruppe 2.
Das Gleiche würde ich analog für Unicef machen, halt mit den Kaufabsicht Items aus Gruppe 1 und Gruppe 3.
Um den Interaktionseffekt zu berechnen würde ich MEAN und in die Klammer alle Kaufabsicht Items aus allen 4 Gruppen, da ja die unbekannten Marken auch mit rein sollen.
Ich hoffe das war verständlich

Würde mir tierisch helfen wenn jemand dazu etwas sagen könnte.

Vielen Dank!