STATISTIK-FORUM.de

[niwe93]

Hallo zusammen!

Für meine Masterarbeit untersuche ich Einstellungen zum Pendeln mit dem Fahrrad. Mittels Explorativer Faktorenanalyse möchte ich die grundlegenden Einstellungen zum Radfahren identifizieren. Aus insgesamt 13 Merkmalen habe ich eine Ladungsmatrix mit SPSS berechnen lassen. Die Faktorwerte werden als Anderson-Rubin Scores gespeichert und anschließend in einer binär logistischen Regression benutzt, um die Gruppenzugehörigkeit zu Radfahrer (=1) ggü. Nicht-Radfahrern (=0) vorherzusagen.

Meine Frage zur Ladungsmatrix:

Die Merkmale umweltfreundlich (0,444), kostengünstig (0,382) und verkehrssicher (0,320) laden nur gering auf einen Faktor (zusammen mit u.a. sozial verträglich (0,760)). Dieser Faktor ist in der Regressionsanalyse nicht signifikant. Was kann ich auf dieser Basis bezüglich der Merkmale interpretieren?

Kann ich schlussfolgern, dass diese Merkmale keine Rolle bei der Entscheidung spielen, ob man Fahrrad fährt oder nicht? Oder dass diese Merkmale kein Anhaltspunkt dafür sind, ob jemand Fahrrad fährt oder nicht?

Das Ergebnis überrascht mich insofern, als dass die Mittelwerte dieser Merkmale zwischen den Gruppen signifikant unterschiedlich sind.

Gruß
niwe

[strukturmarionette]

Hi,

untersuche ich Einstellungen zum Pendeln mit dem Fahrrad

- Messinstrumente?

binär logistischen Regression benutzt, um die Gruppenzugehörigkeit zu Radfahrer (=1) ggü. Nicht-Radfahrern (=0) vorherzusagen.

- n1?; n2?

Gruß
S.

[niwe93]

Hi,

Messinstrumente?

die 14 Items stellen Einstellungskomponenten dar. Mit der EFA sollen die zugrundeliegenden Einstellungen identifiziert werden. Die Einstellungskomponenten sind das Produkt aus Überzeugungen*Wichtigkeit in Bezug zu fahrradbezogenen Merkmalen (umweltfreundlich, zeitsparend etc.). Überzeugungen -2 bis +2 und Wichtigkeit 1 bis 5. Die Einstellungskomponenten gehen damit von -10 bis 10.

- n1?; n2?

Radfahrern n1= 344 und Nicht-Radfahrer n2= 107

Gruß
Nico

[Holgonaut]

Hallo Nico,

ich gehe davon aus, dass du beliefs gemessen hast. Ich weiß nicht ob da eine EFA das richtige Modell ist. Die Einstellungsforschung (v.a. die um das Erwartungs x Wert Modell) ist ontologisch ein Grauss. Wenn du das übliche ExW Modell nimmst, er gibt sich eine Einstellung aus der gewichteten Summe der beliefs. Das ist ja nach ontological stance ein reiner Index, und die folgliche Einstellung einfach ein summenscore (ohne surpluss meaning). Kann man machen Eine alterantive wäre (so seh ich das seit Jahrzehnten), die Einstellung als separate latente Variable zu konzeptualisieren und als kausale Folge der Beliefs. D.h. ich finde Radfahren toll, weil ich denke, dass es umweltfreundlich ist und meine Fitness erhöht (und mir beides wichtig ist).

Was du mit der EFA machst, ist genau das Gegenteil. Du denkst, dass ich bestimmte beliefs hab, weil ich eh schon eine positive Einstellung hab. Auch das ist nicht unplausibel. Statistisch bekommst du aber ziemlichen Brei, wenn es eben falsch ist. Ich würde vorschlagen eine PCA mit obliquger Rotation zu machen und damit mal zu rechnen (was dem Summenindex-Denken entspricht). Das hat natürlich den Nachteil, dass du die Fehlervarianz jeden beliefs mit aggregierst, aber das ist ein geringerer Fehler, als ein nicht passendes Modell anzuwenden.

Grüße
Holger