STATISTIK-FORUM.de

[Thalabalou]

Hallo,
ich benötige Hilfe bei der Wahl der geeigneten statistischen Auswertungsmethode, um dieFragestellung meiner Diplomarbeit zu beantworten.
Ich möchte Determinanten von Akzeptanz einer Maßnahme empirisch belegen. Zudem möchte ich herausfinden, wie stark die kausalen Zusammenhänge zwischen den Konstrukten sind und inwieweit die Einflussfaktoren die Akzeptanz erklären können.

Ich habe zunächst an eine Regressionsanalyse gedacht. Allerdings ist mein N (40) recht klein.
Ich habe 7 Skalen als Determinanten (UV) und eine Skala für die Akzeptanz (AV)
Die Items wurden mit Hilfe von Likert Skalen eingeschätzt (7-stufige Antwortskalen), sind also ordinalskaliert.
Weiterhin sind meine Daten nicht normalverteilt (sind ja ordinal).

Diese Punkte sprechen gegen eine Regression.
Die einfache Verwendung einer Korrelationsanalyse liefert mir ja auch nicht die Antworten, die ich für meine Fragestellung benötige.
Welche Methode kann ich wählen, um meine Frage beantworten zu können?

Ich habe auch schon Studien gelesen, die ähnliche Fragen mit Hilfe von Strukturgleichungsmodellen und Partial Least Squares beantwortet haben. Allerdings bin ich mir nicht sicher, ob das nicht den Rahmen meiner Arbeit sprengt. Ich möchte ja kein Modell validieren sondern nur meine Fragen beantworten, auch wenn beide eng zusammenhängt.

Könnt ihr mir bei der Wahl einer geeigneten statistischen Methode bitte helfen?
Das wäre wirklich nett

T. S.

[strukturmarionette]

Hi,

ein Voschläg wäre, mal über Ordinale Regression nachzulesen.

Des Weiteren sprechen Deine Darstellungen nur zum Teil geben eine Anwendung der ´normalen´ multiplen Regression.
- u.a. Die UVs müssen keinesfalls normalverteilt oder /und kontinuierlich sein.

Gruß
S.

[daniel]

Dein größtets Problem sind die Fallzahlen. Bei 40 Fällen scheiden m.E. nicht-lineare Verfahren (z.B. ordinale Regression) aufgrund der lediglich assymptotischen Eigenschaften von ML-Schätzern aus. Sieben Prädikatoren sind bei nur 40 Fällen m.E. ebenfalls zu viel -- unabhängig vom Verfahren.

Um weitere Ratschläge zu geben, wäre das design der Studie, sowie ein wenig Infos zum theoretischen Hintergrund sinnvoll. Ist diese Arbeit eher explorativ oder deduktiv ausgerichtet?

[Thalabalou]

Schon einmal vielen Dank für Eure Unterstützung.

Das Studiendesign ist explorativer Natur.
Ich untersuche in meiner Arbeit die Akzeptanz technikgestützter Gesundheitsförderungsmaßnahmen von Führungskräften eines Unternehmens.
Von 65 Personen haben 40 an der Befragung teilgenommen.

Bei der Fragebogenkonstruktion habe ich das bekannte Technikakzeptanzmodell von Davis et al. (1989) als Ausgangsbasis gewählt und entsprechend meines Forschungsobjektes um vier weitere Prädiktoren ergänzt. (Bereits validierte Prädiktoren)

Nun möchte ich prüfen, welche Prädiktoren die Akzeptanz beeinflussen.


Struktur des Fragebogens:
UVs:
Priorität BGF (1 Item)
Einstellung BGF (7 Items)
Wissen EG (5 Items)
Nützlichkeit (6 Items)
Benutzerfreundlichkeit (6 Items)
Potential (6 Items)
Nutzungseinstellung (3 Items)

AV:
Nutzungsabsicht [als Indikator für Akzeptanz] (3 Items)


Reicht das an Informationen?

Lieben Dank

[daniel]

Vollständige Literaturangaben wären schön. Was für Dich "bekannt" ist, wird vielen hier, vermutlich nichts sagen, weil sie in anderen Fachbereichen arbeiten.

Wie ich sehe hast Du keine Likert-Typ Items, Du hast tatsächlich Skalen. Die sind auf jeden Fall als metrisch zu betrachten, und können ohne weiteres in linearen Regressionsmodellen verwendet werden. Das Messniveau ist nicht Dein Problem.

Ich sehe den explorativen Charakter nicht, wenn

das bekannte Technikakzeptanzmodell

verwendet wird, und die Messung mittels

[b]ereits validierte[r] Prädiktoren

erfolgt. Klingt für mich eher deduktiv/hypothesentestend. Wenn Du lediglich vier neue Determinanten testen möchtest, kannst Du ja mal ein Modell mit diesen Indikatoren schätzen, bzw. mit bivariaten Analysen beginnen. Ich würde auch die Zusammenhänge zwischen den Prädikatoren untersuchen.

Wie bereits erwähnt, fällt mir kein Verfahren ein, dass bei derart geringer Fallzahl multivariate Anaysen zulässt, die alle Faktoren simultan berücksichtigen.

Wenn Du hier einen Querschnitt hast, und keine guten Instrumente für Deine Prädikatoren, ist eine Kausalanalyse m.E. ebenfalls aussichtslos.

Mein Tipp: gute Desktiptive und bivariate Analysen. Multivariate Analysen kannst Du mittels OLS schätzen, allerdings würde ich maximal vier Prädikatoren simultan berücksichtigen.

[Thalabalou]

Vielen Dank für deine ausführliche Antwort.

Da habe ich wohl einen Denkfehler gehabt. Die Studie ist tatsächlich nicht explorativ.

Es ist wirklich schade, dass meine Stichprobe für multivariate Analysemethoden zu klein ist.
Das heißt, ich werde tatsächlich nur deskriptiv und bivariat arbeiten können. Darunter fällt aber meiner Meinung nach auch die einfache Regression. Wird hierfür keine bestimmte Stichprobengröße vorausgesetzt?

Meine Verwirrung bzgl. der ordinalen Skalierung kommt daher, dass die Items auf einer 7stufigen Likert Skala erfasst wurden und dann zu einem Konstrukt zusammengefasst wurden (Mittelwert). Ich dachte dies wäre irgendwie methodisch unsauber... obwohl in der Literatur oftmals die Items auch per Likert Skala erhoben werden und statistisch ausgewertet wurden. Hier habe ich wieder einen Denkfehler gehabt! (oh mann)
Also wenn ich die Items analysieren will = ordinale Methoden
Wenn ich die Skalen analysieren will = intervallskalierte Methoden


Die Skalen, die ich in meiner Arbeit verwende, habe ich wie gesagt aus anderen Studien. Die Items der Skalen mussten aber teilweise an meine Forschungsfragen angepasst werden. (Übersetzt und das Zielobjekt musste geändert werden).
Muss ich ausführlich erklären, wieso die Items noch immer zu einer Skala zusammengefasst werden können (Itemanalyse) oder reicht es auf Studien zu verweisen, die diese Skalen bereits verwendet haben.

Letzte Frage: Ist es korrekt, wenn ich für meine Korrelationsanalyse den Korrelationskoeffizienten Spearman benutze?
Ich möchte erst mit Hilfe der Korrelationsanalyse die Zusammenhänge zwischen den Prädiktoren und dem Kriterium feststellen. Darauf aufbauend will ich die signifikanten Prädiktoren jeweils auf das Kriterium regressieren, um eine Aussage über die vermutete Richtung des Zusammenhangs zu ermitzteln.

Vielen Dank für eure Unterstützung! Ich habe langsam das Gefühl, nicht mehr zu schwimmen…

[daniel]

Darunter fällt aber meiner Meinung nach auch die einfache Regression. Wird hierfür keine bestimmte Stichprobengröße vorausgesetzt?

Leider habe ich gerade keine Quelle im Kopf, aber erinnere mich an Dauemnregeln der Art: 20 Fälle / Prädikator. Gegen einfache Regressionen spricht zunächst mal nichts. Die Annahmen und Vorraussetzungen sind wie üblich Gauss-Markov. Bei 40 Fällen könnten normalverteile Residuen noch wichtig sein, weil die asymptotische Argumentation über zentralen Grenzwertsatz eventuell etwas "wackelig" ist. Auch wenn häfig 30 als "magische" Grenze genannt wird.

Also wenn ich die Items analysieren will = ordinale Methoden

Bei 7-stufigen Likert-Typ Items wird (in den Sozialwissenschaften) häufig Intervallskalenniveau unterstellt.

Muss ich ausführlich erklären, wieso die Items noch immer zu einer Skala zusammengefasst werden können (Itemanalyse) oder reicht es auf Studien zu verweisen, die diese Skalen bereits verwendet haben.

Ich weiß nicht, was "[e]rklären" von dem Verweis auf andere Studien unterscheidet. Die zusätzliche Durchführung dimensionsanaltischer Verfahren (zumindest Berechnung der Reliabilität der Skala, i.e. Cronbach's alpha) sind hier sicher sinnvoll, wenn auch mit ähnlicher Problematik der Fallzahlen.

Letzte Frage: Ist es korrekt, wenn ich für meine Korrelationsanalyse den Korrelationskoeffizienten Spearman benutze?
Ich möchte erst mit Hilfe der Korrelationsanalyse die Zusammenhänge zwischen den Prädiktoren und dem Kriterium feststellen. Darauf aufbauend will ich die signifikanten Prädiktoren jeweils auf das Kriterium regressieren, um eine Aussage über die vermutete Richtung des Zusammenhangs zu ermitzteln.

Wenn Du später ohnehin Intervalskalenniveau unterstellst, kannst Du drirekt auf Pearson zurückgreifen. Es ist aber kein Fehler, Spearman zu benutzen. Ich verstehe allerdinsg nicht, inwieweit Du für die Richtung eine Regression brauchst. Korrelationskoeffizienten haben einen Wertebereich von -1 bis +1. Wenn Du Regressionskoeffizineten in einer einfachen Regression standardisierst, bekommst Du wieder den Korrelationskoeffizineten.

[Thalabalou]

Wenn Du später ohnehin Intervalskalenniveau unterstellst, kannst Du drirekt auf Pearson zurückgreifen. Es ist aber kein Fehler, Spearman zu benutzen. Ich verstehe allerdinsg nicht, inwieweit Du für die Richtung eine Regression brauchst. Korrelationskoeffizienten haben einen Wertebereich von -1 bis +1. Wenn Du Regressionskoeffizineten in einer einfachen Regression standardisierst, bekommst Du wieder den Korrelationskoeffizineten.

Stimmt, bei der Regression ist ja das R die Korrelation. Allerdings wird da Pearson verwendet (hab gerade mal beide verglichen)
Du sagst , wenn ich Intervallskalenniveau unterstelle kann ich Pearson nutzen. Aber das darf ich doch nur wenn die Daten normalverteilt sind.
Mein Test auf Normalverteilung (Shapiro-Wilk-Test) hat ergeben, dass bis auf zwei Variablen die Annahme auf Normalverteilung wiederlegt wurde und die Histogramme sehen auch nur annähernd normalverteilt aus. (Hab den Test und die zwei Histogramme dem Anhang beigefügt)


Ich denke, dass ich die Richtung benötige...
Mit der Korrelation kann ich doch nur feststellen, ob ein Zusammenhang zwischen zwei Variablen besteht und wie stark dieser ist. Beispielsweise ob es einen Zusammenhang zwischen der wahrgenommenen Nützlichkeit und der Nutzungsabsicht (als Indikator der Akzepanz) gibt und eben wie stark dieser Zusammenhang ist.
Die Korrelation sagt mir aber nicht, ob nicht vielleich (entgegen meiner Annahme) die Nutzungsabsicht die Nützlichkeit beeinflusst.

Vielen Dank, dass du dich mit meinen Problemen beschäftigst.

[Thalabalou]

Wieder mein Fehler, stimmt die Richtung wird mit dem Wert (-/+) angegeben.
Die Korrelation kann die kausale Beziehung zwischen den Prädiktoren und dem Kriterium nicht erklären.

Und du meinst das kann ich mit meinen Daten auch nicht berechnen, nicht wahr?

[daniel]

Die Korrelation kann die kausale Beziehung zwischen den Prädiktoren und dem Kriterium nicht erklären.

Das kann die Regression auch nicht (wie auch?). Die Möglichkeit valider kausaler Schlussfolgerungen ist eher vom Design der Studie abhängig, als vom statistischen Analyseverfahren. Es gibt Verfahren, die (unter einer Reihe von starken Annahmen) auch in Querschnittsdaten kausale Inferenz ermöglichen (z.B. IV, propensity-score Matching), aber eine einfache OLS Regression gehört sicher nicht dazu.