STATISTIK-FORUM.de

[Sabine878]

Hallo,

im Rahmen meiner Abschlussarbeit untersuche ich u.a. den Einfluss unterschiedlicher Führungsstile (transformational, transaktional, laissez-faire und dienend) auf die Entstehung von Konflikten am Arbeitsplatz.
Ich habe hierzu zunächst Korrelationen berechnet. Anschließend habe ich eine lineare Regression durchgeführt (Konflikte als abhängige Variable und die 4 Führungsstile als unabhängige Variablen). Die Ergebnisse der Regression widersprechen jedoch denen der Korrelationen (anderes Vorzeichen) bzw. sind nun nicht mehr signifikant.

Ergebnisse Korrelationen: Ergebnisse Regression:
Transformationale Führung und Konflikte: r = -.45 (p < .001) Transformationale Führung: ß = -.45 (Sig. .078)
Transaktionale Führung und Konflikte: r = .20 (p < .05) Transaktionale Führung: ß = .29 (Sig. .113)
Laissez-faire Führung und Konflikte: r = .33 (p < .001) Laissez-faire Führung: ß = .33 (Sig. 004)
Dienende Führung und Konflikte: r = -.23 (p < .01) Dienende Führung: ß = 0 .33 (Sig. 372)

Woran könnte das liegen? Bzw. welche Ergebnisse sind nun "richtig"?

Vielen Dank für eure Hilfe im Voraus!

[PonderStibbons]

Die Ergebnisse der Regression widersprechen jedoch denen der Korrelationen (anderes Vorzeichen)

Nur in einem Fall.

Was ist das für eine Studie, wer wurde befragt, wie groß war die Stichprobe?

Hat man es sich so vorzustellen, dass die Probanden zugleich allen 4 Stilen ausgesetzt sind?

Wie sind die 4 Stile untereinander korreliert?

Woran könnte das liegen? Bzw. welche Ergebnisse sind nun "richtig"?

Bei den ersten dreien ist es übersichtlich, da ändert sich am Koeffizienten so gut wie nichts durch
die multiple Regression, allerdings hast Du bei der Berücksichtigung der jeweils anderen Stile eben
keine inferenzstatistisch signifikanten Ergebnisse für die beiden ersten.

Beim letzten Stil kannst Du überlegen, ob ein -> Suppressoreffekt vorliegen könnte.

Mit freundlichen Grüßen

PonderStibbons

[Sabine878]

Vielen Dank für die schnelle Antwort!

Die Stichprobe umfasst 140 TN - sowohl Studenten (die einer Tätigkeit nachgehen) als auch Berufstätige unterschiedlicher Branchen.
Die TN sollten zum einen angeben, wie häufig ihre Führungskraft Verhaltensweisen der jeweiligen Führungsstile zeigt (von 1 = nie bis 5 = täglich). Zum anderen sollten sie angeben, wie häufig sie z.B. von affektiven Konflikten am Arbeitsplatz betroffen sind (von 1 = nie bis 6 sehr oft).

Korrelationen der Führungsstile:
Transformationale und transaktionale Führung: -.23**
Transformationale und laissez-faire Führung: -.45***
Transformationale und dienende Führung: .85***
Transaktionale und laissez-faire Führung: .05
Transaktionale und dienende Führung: -.07
Laissez-faire und dienende Führung: -.44***
* p < .05, ** p < .01, *** p < .001

Ich habe den Einfluss der unterschiedlichen Führungsstile auf verschiedene Konfliktformen untersucht. Die Korrelationskoeffizienten sind nahezu alle signifikant. Die Ergebnisse der verschiedenen Regressionen (ß-Koeffizienten) sind jedoch überwiegend insignifikant und insbesondere bei der Variable "dienende Führung" ist das Vorzeichen häufig anders als bei der Korrelation. Was bedeutet dies für die Hypothesentestung? Wenn eine Hypothese z.B. lauten würde "Ein dienender Führungsstil geht mit weniger Konflikten am Arbeitsplatz einher" und die Korrelation diese Annahme bestätigt, die Regression jedoch nicht, würde man die Hypothese dann ablehnen?

[PonderStibbons]

Die Stichprobe umfasst 140 TN - sowohl Studenten (die einer Tätigkeit nachgehen) als auch Berufstätige unterschiedlicher Branchen.
Die TN sollten zum einen angeben, wie häufig ihre Führungskraft Verhaltensweisen der jeweiligen Führungsstile zeigt (von 1 = nie bis 5 = täglich). Zum anderen sollten sie angeben, wie häufig sie z.B. von affektiven Konflikten am Arbeitsplatz betroffen sind (von 1 = nie bis 6 sehr oft).

Das sind zwei ordinalskalierte Variaben, wieso rechnest Du damit Pearson-Korrelationen
und lineare Regressionsanalysen? Zumindest die erste kann man beim besten Willen nicht
als intervallskaliert behandeln. Oder werden da mehrere Items jeweils aggregiert?

Transformationale und dienende Führung: .85***

Wenn die Pearson-Korrelation zulässig wäre, dann wäre die Information, die in der einen Variable
steckt, auch bereits durch die andere geliefert. Wäre die lineare Regression zulässig, hätte
man es also mit -> Multikollinearität und instabilen Schätzungen zu tun.

Mit freundlichen Grüßen

PonderStibbons

[Sabine878]

Genau, bei allen Variablen wurden mehrere Items aggregiert (mittels Durchschnittsbildung).

Ich habe gelesen, dass man bei Multikollinearität entweder eine der unabhängigen Variablen aus der Gleichung entfernen soll oder den Stichprobenumfang erhöhen soll. Beides ist bei mir leider nicht möglich, da meine Umfrage bereits abgeschlossen ist und beide Führungsstile (transformational und dienend) wichtig für meine Analysen sind. Gibt es noch weitere Möglichkeiten, um das Problem von Multikollinearität zu lösen?

Vielen Dank vorab!

[PonderStibbons]

Genau, bei allen Variablen wurden mehrere Items aggregiert (mittels Durchschnittsbildung).

Aus Items mit Antwortformat 1 = nie bis 5 = täglich kann man doch keine Mittelwerte bilden.
Was ist denn ein Mittelwert aus "mehrmals wöchentlich" und "täglich"?

Mit freundlichen Grüßen

PonderStibbons

[Sabine878]

Ich habe gelesen, dass ordinale Variablen mit einem mind. 5-stufigen Antwortformat als quasi-metrische Variablen behandelt werden können. Daher habe ich die einzelnen Variablen (bzw. Items) über die Mean-Funktion zusammengefasst und anschließend MIN, MAX, Mean, SD, Pearson-Korrelationen und multiple Regressionen berechnet.
Wäre es besser die ordinalen Variablen über die Median-Funktion zusammenzufassen? Und können die dadurch neu berechneten Variablen dann dennoch als quasi-metrisch betrachtet werden?

[PonderStibbons]

Ich habe gelesen, dass ordinale Variablen mit einem mind. 5-stufigen Antwortformat als quasi-metrische Variablen behandelt werden können.

Das gilt nur für solche ordinale Items, für die ungefähr Gleichabständigkeit zwischen den Stufen
plausibel angenommen werden kann, in der Regel also nur für Rating-Items des Typs
stimme gar nicht zu - stimme nicht zu - unentschieden - stimme zu - stimme sehr zu
Deine Zeitangaben sind eindeutig nicht gleichabständig. Der Unterschied zwischen den
Stufen ist unterschiedlich groß und daher die Behandlung als intervallskalierte Messungen
nicht sinnvoll.

Wäre es besser die ordinalen Variablen über die Median-Funktion zusammenzufassen?

Mitelwerte sind unzulässig, Mediane sind zulässig.

Und können die dadurch neu berechneten Variablen dann dennoch als quasi-metrisch betrachtet werden?

Nein. Der Unterschied zwischen z.B. Stufen 3 und 4 bleibt immer noch ein anderer als
zwischen 4 und 5.

Wenn so eine Variable als Prädiktor verwendet wird, ist das nicht grundsätzlich ein
Problem. Man kann aus einer 5stufigen ordinalen Variable 4 dummy-Variablen machen
(eine Stufe bekommt keinen eigenen dummy und ist die Referenzstufe) und alle 4 in
zugleich als Prädiktor verwenden. Das Problem wäre potenziell eins der Freiheitsgrade,
weil das Modell statt 4 nun 16 Prädiktoren enthielte. Aber bei 140 Probanden ist das
machbar.

Mit freundlichen Grüßen

PonderStibbons