Sie sind auf Seite 1von 19

Itemanalyse, Skalierung und Indexkonstruktion WS 09/10

Abschlussbericht

Themenwahl: 2. Itemanalyse

Lisa Danzer
Walter Swoboda
Daniela Schuh, Matr.-Nr: 0608180
Inhaltsverzeichnis
Inhaltsverzeichnis........................................................................................................................2
Abbildungsverzeichnis................................................................................................................2
Tabellenverzeichnis....................................................................................................................2
Einleitung....................................................................................................................................2
Begriffliche Klärungen...............................................................................................................4
1. Vorstellung der Items..............................................................................................................5
2. Faktorenanalyse......................................................................................................................6
2.1 Extraktionsmethode..........................................................................................................7
2.2 Rotationsmethode..............................................................................................................7
2.3 Korrelationsmatrizen, KMO- und Barlett-Test.................................................................8
2.4 Anti-Image-Korrelationsmatrix........................................................................................8
2.5 Faktorenextraktion............................................................................................................9
2.6 Benennung der Faktoren ................................................................................................11
3. Reliabilitätsanalysen.............................................................................................................12
4. Indices...................................................................................................................................13
5. Einfaktorielle Varianzanalysen.............................................................................................13
Schlusswort...............................................................................................................................15
Quellen......................................................................................................................................16
Internet..................................................................................................................................16
Anhang......................................................................................................................................17
Syntax....................................................................................................................................17

Abbildungsverzeichnis

Abbildung 1: „Scree Plot der Faktorenanalyse“…………………………………..………9


Abbildung 2: „Rotierte Komponentenmatrix“…………………………………………….10
Abbildung 3: „Zusammenhang zwischen Alter und Index“…………………………….13
Abbildung 4: „Zusammenhang zwischen Alter und Index“…………………….………14

Tabellenverzeichnis

Tabelle 1: „Variablen nach Faktor und Faktorladungen“………………………..………9

Einleitung

2
Im Folgenden werden wir uns näher mit dem Thema „Nationale Identität“
beschäftigen. Wir stützen uns dabei auf die Daten von „International Social Survey
Programme (ISSP)“ aus der Studie „National Identity“ von 1995. An der Studie
nahmen 23 Länder teil, wobei wir uns ausschließlich mit Österreich beschäftigen
werden.

Anhand einer Faktorenanalyse möchten wir versuchen, die wichtigsten Dimensionen


der ausgewählten Variablen herauszuarbeiten. Danach werden wir mit Hilfe von
Reliabilitätsanalysen die Dimensionen auf ihre Verlässlichkeit überprüfen. Der
nächste Schritt sieht die Bildung von Indices für jede der herausgefundenen
Dimensionen vor, um diese anhand einer einfaktoriellen Varianzanalyse mit einer
externen Variable in einen Zusammenhang setzen zu können. Wir haben uns als
externes Kriterium das Alter ausgesucht, weil es für unsere Zwecke adäquat ist.
Unsere Hypothese hierzu lautet: Je älter die befragte Person, desto ? (kommt darauf
an, wie wir die Faktoren benennen) eingestellt, das bedeutet desto geringer der
numerische Wert.

Als sehr gute literarische Basis stellt sich für uns die Arbeit von Max Haller (1996)
heraus, welcher sich explizit auch mit Themen rund um Nationalstolz
auseinandersetzt und seine Hypothesen anhand derselben Daten vom ISSP 95
untersucht. Unsere Arbeit wird also im Großen und Ganzen an derjenigen Hallers
orientiert sein und sich in enger Auseinandersetzung mit ihm entfalten. Vorweg sei
einer der entscheidendsten Unterschiede zwischen unserer Analyse der Daten und
derjenigen Hallers aufgezeigt. Auf den ersten Blick zeigt sich, dass Haller im
Gegensatz zu uns eine Drei-Faktoren-Lösung zur Darstellung des Sachverhalts von
„Nationalstolz“ heranzieht, wir dagegen eine Zwei-Faktoren-Lösung bevorzugen.
Dies liegt vor allem daran, dass der von Haller ausgewählte dritte Faktor bei uns
einen Eigenwert unterhalb von 1 aufweist, weshalb nicht mehr Varianz als eine
einzelne, standardisierte Variable erklärt und somit streng genommen als
eigenständiger Faktor nicht mehr in Frage kommt. Auf derartige Unterschiede
zwischen Hallers und unserer Untersuchung, sowie deren methodische Implikationen
wird im Laufe der Arbeit am jeweils passenden Ort Bezug genommen werden.

3
Begriffliche Klärungen

Da die Kernthematik der vorliegenden Arbeit jene der Nationalen Identität ist, seien
überblicksweise für unsere Betrachtungen relevante Konzeptionen von
Nationalstaatlichkeit und Nationalismus vorgestellt. Bevor in weiterer Folge auf den
Begriff des Nationalismus eingegangen werden soll, scheint es sinnvoll, ein paar
Worte zum Begriff der Nation selbst zu sagen. Im Laufe der Zeit gab es unzählige
Versuche das Gebilde der Nation definitorisch fassbar zu machen (vgl. hierzu Alter,
1994). Der österreichische Sozialdemokrat Otto Bauer etwa definiert etwa eine
Nation auf Basis der Schicksalsgemeinschaft, also jener Gruppe an Menschen, die
eine gemeinsame Sprache und Geschichte teilen, grenzt diese aber gegenüber der
Klassenlage von Menschen ab, jene also, die über nationalstaatliche Grenzen
hinweg ein gleichartiges Schicksal erfahren: „Die Nation also kann definiert werden
als die nicht aus Gleichartigkeit des Schicksals, sondern aus Schicksalsgemeinschaft
erwachsende Charaktergemeinschaft“ (Bauer, 1907, 97; Kursivierung i. O.).
Hervorzuheben bei dieser Nationskonzeption ist, dass eine Nation nicht nur auf Basis
ihres Territoriums definiert wird. Viel eher steht die Bevölkerung und ihr historischer
Werdegang im Zentrum, aus dem heraus sich oftmals sehr fruchtbare Hypothesen
generieren lassen, wie und warum Unterschiede zwischen Bevölkerungsgruppen
zustande gekommen sein mögen. In Hinblick auf unsere Arbeit ist dies insofern von
Relevanz, als dass Nationen vor allem auf Basis der aus geschichtlich bedingten
Erlebnisse der sie bewohnenden Bevölkerungen und ihrer dementsprechenden
Strukturierung von Charakterdispositionen der Einwohner in den Blick genommen
werden koönnen.

Einen sehr konstruktivistisch orientierten Ansatz zur Definition von Nationalismus im


Kontext von Ethnizität und Zugehörigkeitsgefühl legt Leggewie vor: „In der heutigen
Ethnologie wird konsequenterweise Ethnizität als grundlegendes pattern der Wir-
Gruppen-Bildung auch in modernen Gesellschaften angesehen Auf diese Weise wird
die Wir-Gruppen-Konstruktion als extrem variabler, ohne Muß und Idealgrößen
territorialer oder zahlenmäßiger Art auskommender Vorgang in der Reihe
moderner ,Fabrikation der Fiktion’ (Carl Einstein) ausgedeutet […] Es fällt schwer,
noch zwischen ethnischen, nationalen und anderen We-They-Identifikationen zu
unterscheiden, denn die Anknüpfungspunkte solcher Konstrukte sind unbegrenzt“

4
(Leggewie, 1994, 53; Kursivierung i. O.). Es wird hieraus ersichtlich, dass
empfundene Zugehörigkeit zu Gruppierungen keineswegs auf Basis bloßer
ethnischer oder nationalstaatlicher Zugehörigkeit ruht. Vielmehr weist Wir-Gefühl
sehr offene Grenzen auf, die es ermöglichen anhand verschiedenster Merkmale zu
entscheiden, mit welcher Gruppierung bzw. Bevölkerung man sich identifiziert.

1. Vorstellung der Items

In vorliegender Forschungsarbeit werden die Items V22, V23, V24, V25, V26, V27,
V38, V39, V40, V41, V42, V43, V44 und V45 des ISSP 95 mit den von uns
ausgewählten Methoden analysiert. Der Grund, weshalb unsere Entscheidung auf
diese im Gegensatz zu den anderen Items gefallen ist, liegt daran, dass bei ihnen
noch deutlicher als bei den anderen die Komponente des Nationalstolzes eine
gewichtige Rolle spielt. So beziehen sich etwa vor allem die Items 22-25 auf eine
direkte Bewertung des eigenen Landes gegenüber anderen, die sich etwa in einer
Aussage wie „Land x ist besser als Land y“ zusammenfassen ließe. Item 27 verweist
im speziellen auf die Komponente des Stolzes gegenüber dem eigenen Land selbst,
gemessen an der sportlichen Leistung von Staatsbürgern. Die Items 42-45 messen
unserer Meinung nach verhältnismäßig besonders stark die Einstellungen der
Befragten bezüglich dem eigenen kulturellen Hintergrund, wobei sich V42, V44 und
V45 direkt auf Einstellungen gegenüber jenen beziehen, welche aus einem anderen
Kulturkreis kommen, oder nicht die eigene Staatszugehörigkeit aufweisen. V26, V38,
und V41 verweisen auf Handlungsoptionen des eigenen Staates in internationalem
Kontext, wohingegen sich V39 eher darauf bezieht, inwiefern Nationalstaatliche
Souveränität von außen beschnitten können werden sollte.

Darüber hinaus kann die von uns getroffene Auswahl an Items auch auf Basis
einschlägiger wissenschaftlicher Literatur argumentiert werden. So zieht etwa auch
Haller (1996, 100f) dieselben Items des ISSP 95 heran, um auf ihrer Grundlage das
Phänomen des Nationalstolzes zu erforschen. Da nachfolgend eine Faktorenanalyse
der von uns ausgewählten Items durchgeführt werden soll, wobei im Anschluss
daran die Benennung der Faktoren auf Basis der Itemformulierungen und deren
Inhalt erfolgen wird, seien hier der Vollständigkeit und besseren Anschaulichkeit

5
halber die von uns ausgesuchten Items gemäß ihrer Formulierung im ISSP 95
vorgestellt:

V22: I would rather be a citizen of (R’s country) than of any other country in the
world.
V23: There are some things about (R’s country) today that make me feel ashamed of
(R’s country).
V24: The world would be a better place if people from other countries were more like
the people in (R’s country).
V25: Generally (R’s country) is a better country than most other countries.
V26: People should support their country even if the country is in the wrong.
V27: When my country does well in international sports, it makes me proud to be a
citizen of (R’s country).
V38: (R’s country) should limit the import of foreign products in order to protect its
national economy.
V39: For certain problems, like environmental pollution, international bodies (eg. UN,
EU, WHO) should have the right to enforce solutions.
V40: (R’s countries) schools should make much more effort to teach foreign
languages properly.
V41: (R’s country) should follow its own interests, even if this leads to conflicts with
other countries.
V42: Foreigners should not be allowed to buy land in (R’s country).
V43: (R’s country) television should give preference to (R’s country) films and
programmes.
V44: It is impossible for people who do not share (R’s country) customs and
traditions to become fully (e.g. British).
V45: Ethnic minorities should be given government assistance to preserve their
customs and traditions.

2. Faktorenanalyse

Da wir die Komplexität unserer Daten reduzieren dh. die vorhandenen Variablen zu
wenigen latenten Faktoren zusammen fassen wollen, werden wir eine explorative

6
Faktorenanalyse vornehmen. Es handelt sich hierbei, im Unterschied zur
konfirmatorischen Faktorenanalyse, um ein Modell das vor allem dann zur
Anwendung kommt, wenn vor der Analyse nicht bekannt ist ob und in welcher Weise
die, in die Faktorenanalyse eingehenden Variablen, miteinander zusammenhängen
(vgl. Bühl 2006: 486).

2.1 Extraktionsmethode

Bezüglich der Faktorenextraktion stellt SPSS eine Vielzahl von Verfahren zur
Verfügung wobei, wie Klaus Backhaus erläutert, vor allem der Hauptkomponenten-
sowie der Hauptachsenanalyse Aufmerksamkeit zu widmen ist. Diese beiden
Extraktionsverfahren unterscheiden sich zwar nicht in ihren Rechentechniken, gehen
jedoch von unterschiedlichen theoretischen Modellen aus:

Während die Hauptkomponentenanalyse davon ausgeht, dass die Varianz einer


Variablen gänzlich durch die Extraktion von Faktoren erklärt werden kann, unterstellt
die Hauptachsenanalyse, dass sich die Varianz einer Ausgangsvariablen in die
eigentliche Kommunalität und die, durch die generierten Faktoren nicht erklärbare,
Einzelrestvarianz aufgeteilt werden muss. Die Wahl zwischen der
Hauptkomponenten – und der Hauptachsenanalyse sollte durch inhaltliche
Überlegungen getroffen werden da sich diese auf die Interpretation der Faktoren
niederschlägt. (vgl. Backhaus 2008: 349 ff).

Wir entscheiden uns für die Hauptkomponentenanalyse da die Hauptfrage bei der
Interpretation der Hauptkomponentenanalyse: „Wie lassen sich die auf einen Faktor
hoch ladenden Variablen durch einen Sammelbegriff zusammenfassen?“ (Backhaus
2008: 351) für unsere Zwecke adäquat ist.

2.2 Rotationsmethode

Wir haben die Wahl zwischen fünf verschiedenen Rotationsmethoden, allerdings ist
es üblich für rechtwinkelige Rotationen die Varimax- und für schiefwinklige
Rotationen die Oblimin-Methode zu verwenden (vgl. Bühl 2006: 518).

7
Je nach Extraktionsmethode, werden unterschiedliche Vorannahmen zugrund gelegt:
Während eine rechtwinkelige bzw. „orthogonale“ Rotation dann in Frage kommt
wenn man annehmen kann, dass die Faktoren untereinander nicht korrelieren, wird
eine schiefwinkelige Rotation vorgenommen wenn die Faktoren voraussichtlich
Korrelationen untereinander aufweisen. In diesem Fall stehen die Achsen nach
erfolgter Rotation nicht mehr rechtwinkelig zueinander. Wir entscheiden uns für die
Varimax-Rotationsmethode da wir davon ausgehen, dass unsere Faktoren
weitgehend unabhängig von einander sein werden.

2.3 Korrelationsmatrizen, KMO- und Barlett-Test

Die angezeigten Korrelationskoeffizienten sprechen tendenziell für die Durchführung


einer Faktorenanalyse da sie, blockweise betrachtet, einen Zusammenhang
erkennen lassen. Auch die Nebendiagonalelemente der inversen Korrelationsmatrix
sind nahe null und zeigen somit, dass es Sinn macht die beobachteten Variablen als
Basis einer Faktorenanalyse heranzuziehen.

Das KMO-Kriterium nach Kaiser (0,841) spricht ebenfalls für die Durchführung einer
Faktorenanalyse da dieser Wert als „ziemlich gut“ einzustufen ist. Unsere
Nullhypothese, dass es keinen Zusammenhang zwischen den beobachteten
Variablen gibt und somit alle Korrelationskoeffizienten gemeinsam gleich Null sind,
können wir auf Basis des Barlett-Tests zu einem 100-prozentigem Signifikanzniveau
verwerfen.

Die Ausgangsvariablen sind demnach geeignet für weitergehende Analysen.

2.4 Anti-Image-Korrelationsmatrix

In der Hauptdiagonale der Anti-Image-Korrelationsmatrix können wir die KMO-Werte


für die einzelnen Variablen betrachten. Es zeigt sich, dass fast alle Variablen einen
KMO-Wert von über 0,8 aufweisen und somit als „ziemlich gut“ einzustufen sind. Die
Variablen v39, v40 und v45 weisen hingegen einen Wert unter 0,6 auf und sind als
„schlecht“ einzuordnen.

8
Der bereits vorher dargelegte Unterschied zwischen Hallers und unseren eigenen
faktorenanalytischen Ergebnissen liegt darin, dass Haller einen Faktor mehr als wir
extrahiert. Dies schlägt sich nun vor allem hinsichtlich jener Variablen nieder, welche
Haller seinem dritten Faktor zuordnet, welchen er mit der Bezeichnung
„Weltoffenheit“ versieht. Darunter fallen die Items V39 (“For certain problems, like
environmental pollution, international bodies (eg. UN, EU, WHO) should have the
right to enforce solutions”), V40 (“(R’s countries) schools should make much more
effort to teach foreign languages properly”) und V45 (“Ethnic minorities should be
given government assistance to preserve their customs and traditions”). Als
besonders interessant erweisen sich unsere Ergebnisse hinsichtlich V39. Entgegen
unserer Erwartungen muss man hierbei nämlich feststellen, dass jene, die starke
Züge von Nationalstolz aufweisen, dennoch ein großes Interesse daran haben, dass
internationale Verbände in die Souveränität von Nationalstaaten eingreifen können.
Da uns auf Basis der von uns gewählten Faktorenanalyse nur die Extraktion von
zwei Faktoren offen steht, fällt es schwer, diese drei Items mithilfe unseres Modells
zu erklären. Aus diesen Gründen entschließen wir uns dazu die Variablen v39, v40
und v45 aus dem Modell herauszunehmen.

2.5 Faktorenextraktion

Für die Bestimmung der Anzahl der zu berücksichtigenden Faktoren greifen wir unter
anderem auf das Kaiser-Kriterium zurück, nachdem ein Faktor dann in der
Faktorenanalyse berücksichtigt wird, wenn sein Eigenwert größer ist als eins. Der
Richtwert > 1 bedeutet, dass der Faktor im Gesamtzusammenhang mehr Varianz
als eine einzelne Ausgangsvariable (die den Varianzwert 1 besitzt) erklärt.

Laut Kaiser-Kriterum werden im Rahmen der Untersuchung zur Identität und


Nationalstolz der Österreicher zwei Faktoren extrahiert: Die erste Komponente hat
einen Eigenwert von 3,732, der Eigenwert der zweiten Komponente beträgt 1,258.
Beide Werte sind also größer als 1 und erklären demnach jeweils mehr Varianz als
eine einzelne, standardisierte Variable. Wie wir uns einfach errechnen (3,763 +
1,265) : 9, und zudem im Output „Total Variance Explained“ ablesen können,
erklären die beiden extrahierten Faktoren insgesamt 45,364 Prozent der
Gesamtvarianz aller, im Modell enthaltenen Variablen.
9
Itemanalyse, Skalierung und Indexkonstruktion WS 09/10

Das Scree-Plot veranschaulicht den Verlauf der Eigenwerte der anfänglich 11


Faktoren:

Abbildung 1: „Scree Plot der Faktorenanalyse“

Rotierte
Komponentenmatrix

Es wird ersichtlich, dass der erste Faktor hoch auf die letzten vier Variablen lädt und
kaum auf die ersten sechs während es sich mit dem zweiten Faktor genau
andersrum verhält. Eine Ausnahme hierbei stellt allerdings die Variable 26
dar, sie lädt sowohl auf den ersten, als auch auf den zweiten Faktor ähnlich hoch. Da
V26 jedoch auf Faktor 2 relativ gesehen stärker lädt als auf Faktor 1, scheint es uns
sinnvoller, sie Faktor 2 zuzuordnen, anstatt sie zu eliminieren.

Tabelle 1: „Variablen nach Faktor und Faktorladungen“

Faktor 1 Faktor 2
v22 ,248 ,510
Eine weitere Ausnahme stellt die v 23 dar
v23 ,054 -,521
weil sie negativ auf den zweiten Faktor lädt.
v24 ,241 ,730
v25 ,117 ,768 Aus diesem Grund werden wir die Variable 23
v26 ,402 ,539 umgepoolt in unser Modell integrieren.
v27 ,284 ,609
v38 ,708 ,069
v41 ,552 ,211
v42 ,751 ,053
v43 ,607 ,238
V44 ,637 ,209
Eine graphische Darstellung der Faktorladungen ist im zweidimensionalen Raum
möglich und erleichtert uns die Interpretation:

Abbildung 2: „Rotierte Komponentenmatrix“

2.6 Benennung der Faktoren

Es zeigt sich, dass die Benennung von Faktor 2 einfacher fällt, als die von Faktor 1.
Dies liegt vor allem daran, dass jene Items, die stark auf Faktor 1 laden auf
inhaltlicher Ebene sehr ähnlich eine direkte positive Bewertung gegenüber dem
eigenen Land ausdrücken. So verwundert es nicht, dass jene, die hohe Werte bei
V24 (“The world would be a better place if people from other countries were more like
the people in (R’s country)”) aufweisen, ebenfalls mit hoher Wahrscheinlichkeit V25
(“Generally (R’s country) is a better country than most other countries”) bejaht haben.
Unter diesem Gesichtspunkt wird nun auch deutlich, warum V23 (“There are some
things about (R’s country) today that make me feel ashamed of (R’s country)”)
gegenüber den anderen Items, die stark auf Faktor 2 laden, einen inversen

11
Zusammenhang aufweist, da jene, die sehr stolz auf ihr eigenes Land sind, sich mit
großer Wahrscheinlichkeit weniger dafür schämen.

3. Reliabilitätsanalysen

Um zu überprüfen wie verlässlich die beiden Skalen der Faktorenanalyse sind, wird
jeweils eine Reliabilitätsanalyse durchgeführt. Da es sich um sehr kleine Skalen mit
jeweils 10 Items handelt ist die „Split Half“-Methode hier nicht sinnvoll. Wir
entscheiden uns daher für die Konsistenzmethode mit dem Reliabilitätskoeffizienten
Cronbach Alpha. „Dabei wird der Test in ebenso viele Elemente unterteilt wie Items
vorhanden sind. Durch die Korrelation dieser Untereinander wird ein
Reliabilitätskoeffizient berechnet.“1
Ein hohes Alpha bedeutet hohe Reliabilität bei hoher Item-Korrelation. Grundsätzlich
liegt Alpha immer zwischen 0 und 1 und ist auch von der Anzahl der Items abhängig.
Bei der ersten Skala ein Wert von Alpha=0,670 ein relativ gutes Ergebnis.

Ein niedriger Wert würde signalisieren, dass bestimmte Variablen eigentlich nicht
dazu passen. Man sollte sie in diesem Fall eventuell weglassen, umso ein höheres
Alpha zu erzielen. Um herauszufinden, auf welche Variablen dies möglicherweise zu
trifft, sieht man sich die Inter-Item-Korrelation an, welche angibt um wie viel sich der
Wert von Alpha erhöhen oder verringern würde, wenn man die entsprechende
Variable weglassen würde. Bei dieser Skala passen die Items gut zusammen, da
sich der Wert von Alpha nicht groß ändern würde.

Die zweite Skala mit der gleichen Anzahl an Items einem höheren Wert von
Alpha=0,705 schneidet sogar noch besser ab. Würde man eine der Variablen
weglassen, würde sich der Wert von Alpha in allen Fällen sogar verringern.
Damit wurde gezeigt, dass die beiden Skalen nach der Faktorenanalyse verlässlich
sind.

1
Vgl. Langer, Wolfgang (2000): IV Methoden der empirischen Sozialforschung. S. 27
12
Itemanalyse, Skalierung und Indexkonstruktion WS 09/10

4. Indices

Für die beiden Skalen soll nun jeweils ein Index erstellt werden um die Variablen in
einer Zahl ausdrücken zu können. Dadurch wird es übersichtlicher. „Unter einem
‚Index’ wird eine Zusammenfassung von mehreren Einzelindikatoren zu einer neuen
Variable verstanden.“2 Es sollen ungewichtete Indices sein, da alle Variablen den
gleichen Wert für unsere Arbeit besitzen. Die jeweiligen Items werden dann in einer
eindimensionalen reliablen Skala zusammengefasst. Dazu werden alle Variablen, die
in einem Index zusammengefasst werden sollen, addiert und danach durch ihre
Gesamtanzahl dividiert.

5. Einfaktorielle Varianzanalysen

Nun soll für jeden dieser Indices eine einfaktorielle Varianzanalyse (ANOVA) zwecks
Mittelwertvergleiche mehrerer Gruppen eingesetzt werden, um danach für jeden
Faktor das Antwortverhalten bezüglich des äußeren Kriteriums ersichtlich zu
machen. „Bei einer einfaktoriellen Varianzanalyse untersucht man den Einfluss einer
unabhängigen Variablen (Faktor) mit k verschiedenen Ausprägungen auf eine
abhängige Variable, welche die Messwerte enthält.“3 Die Unabhängigen Variablen
wären in unserem Fall die zwei Faktoren und die abhängige jeweils das Alter, da
unsere Hypothese lautet: Je älter die befragte Person, desto ? (kommt darauf an, wie
wir die Faktoren benennen) eingestellt, das bedeutet desto geringer der numerische
Wert. Unsere Hypothese leiten wir von der Annahme ab, dass ältere Personen noch
mit ? aufgewachsen sind, als es jetzt bzw. bei jüngeren Personen der Fall ist. Somit
wäre es plausibel, dass auch ihre Einstellungen dementsprechend variieren. Ältere
Personen sind auch vielleicht nicht mehr gewillt bzw. dazu in der Lage ihre
Einstellungen dem „Zeitgeist“ anzupassen und demnach ? eingestellt gegenüber ?.

2
Vgl. Langer, Wolfgang (2000): IV Methoden der empirischen Sozialforschung. S. 19
3
Vgl. http://de.wikipedia.org/wiki/Varianzanalyse#Einfaktorielle_ANOVA
Bevor man die einfaktorielle Varianzanalyse zwecks Mittelwertvergleiche mehrerer
Gruppen einsetzen kann, ist es nötig, die Variable Alter Umzukodieren. Wir haben
uns dafür entschieden sie in sechs Gruppen (1=16 bis 25; 2=26 bis 35; 3=36 bis 45;
4=46-55; 5=56-65; 6=66-96) zu unterteilen, da wir der Meinung sind, dass die
eingeteilten Gruppen unter sich relativ homogen sein müssten und keine größeren
Abweichungen vorkommen sollten.

Für den ersten Index kann unsere Hypothese als vorläufig bestätigt angesehen
werden. Man kann an dem Punktediagramm deutlich erkennen, wie die Kurve mit
zunehmendem Alter kontinuierlich sinkt. Die Varianzanalyse ergab außerdem einen
hochsignifikanten (sig.,000) Zusammenhang zwischen Alter und dem Index.

Abbildung 3: „Zusammenhang zwischen Alter und Index“

2,60

2,40
Mean of index1

2,20

2,00

1,80

16-25 26-35 36-45 46-55 56-65 66-96

v201_r

Auch für den zweiten Index gilt ein hochsignifikanter (sig.,000) Zusammenhang mit
dem Alter, obwohl man an dem Diagramm erkennen kann, dass die Kurve ab einem
Alter von 66 Jahren wieder leicht ansteigt.

14
Abbildung 4: „Zusammenhang zwischen Alter und Index“

3,00

2,80

2,60
Mean of index2

2,40

2,20

2,00

1,80

16-25 26-35 36-45 46-55 56-65 66-96

v201_r

Die Durchführung der einfaktoriellen Varianzanalyse hat also in beiden Fällen einen
hochsignifikanten Zusammenhang zwischen Alter und ? (Faktorbenennung) ergeben
(sign. mit 0,000). Somit wurde unsere Hypothese bestätigt: Je höher das Alter, desto
höher ?.

Schlusswort

15
Quellen
Haller, Max/Gruber, (1996): Die Österreicher und ihre Nation – Patrioten oder
Chauvinisten. In: Haller (Hrsg.): Identität und Nationalstolz der Österreicher. Böhlau,
Wien. S. 62-147.

Backhaus, Klaus (2008): Multivariate Analysemethoden. Eine anwendungsorientierte


Einführung. Auflage 11, Springer-Verlag, Berlin, S. 345 - 356

Bühl, Achim (2006): SPSS 16. Einführung in die moderne Datenanalyse. 11. Auflage,
Pearson Studium Verlag, Frankfurt am Main, S. 482 – 519

Internet

Langer, Wolfgang (2000): IV Methoden der empirischen Sozialforschung. Online im


Internet: http://www.soziologie.uni-halle.de/langer/pdf/meth1/skalieren2.pdf (18-02-
2010)

http://de.wikipedia.org/wiki/Varianzanalyse#Einfaktorielle_ANOVA

16
Anhang

Syntax
**Faktorenanalyse mit Hauptkomponenten-Extraktion und Varimax-Rotation**.

FACTOR
/VARIABLES v22 v23 v24 v25 v26 v27 v38 v39 v40 v41 v42 v43 v44 v45
/MISSING LISTWISE
/ANALYSIS v22 v23 v24 v25 v26 v27 v38 v39 v40 v41 v42 v43 v44 v45
/PRINT UNIVARIATE INITIAL CORRELATION SIG DET KMO INV AIC EXTRACTION ROTATION
FSCORE
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.

********Faktoranalyse ohne v39, v40 und v45******.

FACTOR
/VARIABLES v22 v23 v24 v25 v26 v27 v38 v41 v42 v43 v44
/MISSING LISTWISE
/ANALYSIS v22 v23 v24 v25 v26 v27 v38 v41 v42 v43 v44
/PRINT UNIVARIATE INITIAL CORRELATION SIG DET KMO INV AIC EXTRACTION ROTATION
FSCORE
/PLOT EIGEN ROTATION
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.

*******umcodieren der v23******.

RECODE v23 (1=5) (2=4) (3=3) (4=2) (5=1) (ELSE=SYSMIS) INTO v23_u.
EXECUTE.

******Faktorenanalyse mit v23_u****.

FACTOR
/VARIABLES v22 v24 v25 v26 v27 v38 v41 v42 v43 v44 v23_u
/MISSING LISTWISE
/ANALYSIS v22 v24 v25 v26 v27 v38 v41 v42 v43 v44 v23_u

17
/PRINT UNIVARIATE INITIAL CORRELATION SIG DET KMO INV AIC EXTRACTION ROTATION
FSCORE
/PLOT EIGEN ROTATION
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.

Reliabilitätsanalysen (Cronbach Alpha) ohne v26 und mit v23_u

RELIABILITY
/VARIABLES=v22 v23_u v24 v25 v27
/FORMAT=NOLABELS
/SCALE(ALPHA)=ALL/MODEL=ALPHA
/STATISTICS=CORR
/SUMMARY=TOTAL .

RELIABILITY
/VARIABLES=v38 v41 v42 v43 v44
/FORMAT=NOLABELS
/SCALE(ALPHA)=ALL/MODEL=ALPHA
/STATISTICS=CORR
/SUMMARY=TOTAL .

Indices

compute index1=(v22+v23_u+v24+v25+v27)/5.

compute index2=(v38+v41+v42+v43+v44)/5.

Variable Alter umkodieren

RECODE
v201
(16 thru 25=1) (26 thru 35=2) (36 thru 45=3) (46 thru 55=4) (56 thru 65=5) (66 thru 96=6) (0 thru
15=SYSMIS) INTO
Alterneu .
VARIABLE LABELS Alterneu 'v201_r'.
EXECUTE .

einfaktorielle Varianzanalyse mit beiden indices

ONEWAY
index1 BY Alterneu
/PLOT MEANS
/MISSING ANALYSIS .

ONEWAY
index2 BY Alterneu
/PLOT MEANS
/MISSING ANALYSIS .

veraltet:
Alter umkodieren

RECODE
18
v201
(16 thru 25=1) (26 thru 35=2) (36 thru 45=3) (46 thru 55=4) (56 thru 65=5) (66
thru 93=6) (ELSE=SYSMIS) INTO
alterneu .
VARIABLE LABELS alterneu 'v201r'.
EXECUTE .

varianzanalyse

ONEWAY
rollen BY alterneu
/PLOT MEANS
/MISSING ANALYSIS .

19