Hilfe für zweifaktorielles Design mit "fehlender" Gruppe
Verfasst: Mo 17. Jan 2022, 17:18Kurzfassung: Ich suche eine Analyse-Methode für Daten eines Experiments mit zweifaktoriellem Design, bei dem eine Gruppe fehlt (drei statt vier Gruppen).
*********************
Hallo zusammen,
ich bin Student und führe ein Experiment durch, mit dem ich die Frage beantworten möchte, wie sich Inkongruenz (d.h. zwei Stimuli werden als unpassend zueinander wahrgenommen) auf unterschiedliche Konsumenteneinstellungen auswirkt. Dabei manipuliere ich einen Text über die Datennutzungskommunikation eines Unternehmens. Dieser kommuniziert entweder Werte (im Sinne abstrakter Ziele wie z.B. Sicherheit), die mit der Marke des Unternehmens kompatibel sind oder solche, die inkompatibel sind.
Bei den Hypothesen wird jeweils ein negativer Einfluss von Inkongruenz ggü. Kongruenz auf die abhängigen Variablen angenommen. Eine Gruppe erhält zusätzlich zur inkongruenten Kommunikation einen zusätzlichen Hinweis, der die Inkongruenz auflöst/erklärt. In dieser Gruppe wird ein positiver Einfluss auf die AVs ggü. der Kongruenz-Gruppe angenommen.
Das Experiment hat ein Between-Subjects-Design. Ich manipuliere eine unabhängige Variable (Kongruenz/Inkongruenz) und einen Moderator (auflösender Hinweis vorhanden oder nicht). UV und Moderator sind jeweils kategorial skaliert.
Die drei abhängigen Variablen (Einstellung ggü. der Marke, Einstellung ggü. der Datennutzungskommunikation, Glaubwürdigkeit) sind metrisch skaliert. Zudem gibt es mehrere metrisch skalierte Kovariate.
Es ergibt sich also ein zweifaktorielles Design. Die Daten würde man bei den vorliegenden Variablen konventionell per MANCOVA analysieren.
Nun ergibt sich allerdings folgendes Problem: Der Moderator wirkt nur auf einen Zustand der unabhängigen Variablen (Inkongruenz). Das ist logisch nicht anders denkbar, da ein bereits kongruenter Zustand nicht aufgelöst werden kann, hier gibt es also auch keinen auflösenden Hinweis.
Dadurch ergeben sich nur drei Gruppen statt des üblichen 2x2-Designs.
Meine Frage ist nun, wie ich die Daten am besten analysiere. Zur Info: Ich nutze SPSS, aber habe auch ein paar Grundkenntnisse mit R.
Ich habe jetzt schon länger danach recherchiert, aber noch keine eindeutige Lösung gefunden. Daher würde ich mich über eine Antwort sehr freuen.
Viele Grüße
Niklas
*********************
Hallo zusammen,
ich bin Student und führe ein Experiment durch, mit dem ich die Frage beantworten möchte, wie sich Inkongruenz (d.h. zwei Stimuli werden als unpassend zueinander wahrgenommen) auf unterschiedliche Konsumenteneinstellungen auswirkt. Dabei manipuliere ich einen Text über die Datennutzungskommunikation eines Unternehmens. Dieser kommuniziert entweder Werte (im Sinne abstrakter Ziele wie z.B. Sicherheit), die mit der Marke des Unternehmens kompatibel sind oder solche, die inkompatibel sind.
Bei den Hypothesen wird jeweils ein negativer Einfluss von Inkongruenz ggü. Kongruenz auf die abhängigen Variablen angenommen. Eine Gruppe erhält zusätzlich zur inkongruenten Kommunikation einen zusätzlichen Hinweis, der die Inkongruenz auflöst/erklärt. In dieser Gruppe wird ein positiver Einfluss auf die AVs ggü. der Kongruenz-Gruppe angenommen.
Das Experiment hat ein Between-Subjects-Design. Ich manipuliere eine unabhängige Variable (Kongruenz/Inkongruenz) und einen Moderator (auflösender Hinweis vorhanden oder nicht). UV und Moderator sind jeweils kategorial skaliert.
Die drei abhängigen Variablen (Einstellung ggü. der Marke, Einstellung ggü. der Datennutzungskommunikation, Glaubwürdigkeit) sind metrisch skaliert. Zudem gibt es mehrere metrisch skalierte Kovariate.
Es ergibt sich also ein zweifaktorielles Design. Die Daten würde man bei den vorliegenden Variablen konventionell per MANCOVA analysieren.
Nun ergibt sich allerdings folgendes Problem: Der Moderator wirkt nur auf einen Zustand der unabhängigen Variablen (Inkongruenz). Das ist logisch nicht anders denkbar, da ein bereits kongruenter Zustand nicht aufgelöst werden kann, hier gibt es also auch keinen auflösenden Hinweis.
Dadurch ergeben sich nur drei Gruppen statt des üblichen 2x2-Designs.
Meine Frage ist nun, wie ich die Daten am besten analysiere. Zur Info: Ich nutze SPSS, aber habe auch ein paar Grundkenntnisse mit R.
Ich habe jetzt schon länger danach recherchiert, aber noch keine eindeutige Lösung gefunden. Daher würde ich mich über eine Antwort sehr freuen.
Viele Grüße
Niklas