19
YXC (Fach) / 4 (Lektion)
Anzeige
- Messung -Zuordnung von Werten zu Eigenschaften von Objekten -einfach bei manifesten Variablen, schwierig bei komplexen psychologischen Konstrukten -psychologische Konstrukte sind nicht direkt beobachtbar und häufig nicht eindimensional -Messung erfordert daher Operationalisierung und Skalierung
- Fehlerquellen bei Erhebungen Stichprobenfehler Systematische Fehler
- Fehlerquellen bei Erhebungen Stichprobenfehler -Abweichung des wahren Mittelwertes in der Grundgesamtheit vom wahren Mittelwert der Stichprobe -beruht darauf, dass Messwerte bei wiederholter Messung um einen konstanten Mittelwert schwanken Annahme: Mittelwert der Messungen gibt bei ausreichender Fallzahl den unbekannten wahren Wert wieder statistisch berechenbar und mit zunehmender Stichprobengröße sinkend
- Fehlerquellen bei Erhebungen Systematischer Fehler -Verzerrung der Messergebnisse -systematischer Feher kann durch Erhöhung der Stichprobe nicht reduziert werden -statistisch nicht berechenbar, ggf aus Erfahrungswerten abschätzbar -durch sorgfältige Gestaltung des Messinstruments vermeidbar -beziehen sich auf Problemformulierung, Skalierung, Fragebogengestaltung... -Nonsampling Error= Response Error + Nonresponse Error
- Fehlerquellen bei Erhebungen Systematischer Fehler Nonresponse Error Antwortverweigerung, Nichtantreffen von Respondents
- Fehlerquellen bei Erhebungen Systematischer Fehler Response Error ungenaue/ falsche Antworten, missverstandene/falsch aufgezeichnete Antworten
- Reliabilität von Messungen -Wiederholte Messungen führen unter völlig gleichen Bedingungen immer wieder zum selben Ergebnis -höchste Reliabilität, wenn die Messung frei von Zufallsfehlern ist -Prüfung beispielsweise mit Test-Retest-Verfahren
- Validität von Messungen -Es wird genau das gemessen, was gemessen werden soll -höchste Validität, wenn die Messung frei von Zufallsfehlern und systsematischen Fehlern ist
- Nominalskala -Merkmale mit nur 2 Ausprägungen heißen binäre bzw. dichotome Merkmale, Merkmale mit mehr als 2 Ausprägungen heißen polytome zw multichotme Merkmale -keine Rangordnung oder Differenzenbildung zwischen verschiedenen Ausprägungen eines Merkmals möglich -weitere Beispiele: z.B. Geschlecht
- Ordinalskala -vollständige Rangordnung der Ausprägungen -keine Differenzenbildung zwischen verschiedenen Ausprägungen eines Merkmals möglich -weiteres Beispiel: Ranking von Einsellungen -monotone positive Transformationen verändern nicht die Rangordnung
- Anzeige
- Intervallskala -Differenzenbildung möglich! -kein fixierter Nullpunkt -z.B. Temperatur -positive lineare Transformationen verändern die Eigenschaften einer Intervallskala nicht -Division zweier intervallskalierter Werte ist nicht sinnvoll, Division von Differenzen von Skalenwerten erlaubt
- Verhältnisskala -Differenzenbildung zwischen unterschiedlichen Ausprägungen möglich -Skala mit Nullpunkt -z.B. Gewicht, Umsatz -proportionale positive Transformationen verndern die Eigenschaften einer Verhältnisskala nicht y=b.x -Division zweier verhälttnisskalierter Skalenwerte ist erlaubt
- Verfahrgen komparativer Skalierung -direkter Vergleich von Stimuli (z.B. Rangordnung von Getränken) -besitzen nur! Eigenschaften einer Rangordnun/Ordinalskala -wird daher als nichtmetrische Skalierung bezwichner -Zwang zur Entshceidung zw Stimuli -leicht verständlich und anwendbar
- Paarvergleich -bei n Objekten (n(n-1)/2) Paarvergleiche, für die Proband jeweils die bevorzugte Alternative anzugeben hat -Auswertungsmöglichkeiten -aus den Ergebnissen kann dann - Transitivität der Urteile vorrausgesetzt - eine Rangordnung gebildet werden -Anzahl Personen, die einen Stimulus einem anderen vorziehen -Ableitung einer Intervallskala unter bestimmten Bedingungen möglich -Erweiterung: gradet paired comparison, bei dem zusätzlich z.B. auch Aufpreisbereitschaften für den präferierten Stimulus erhoben werden -Nachteile: hoher Aufwand bei großer Zahl an Stimuli, Reihenfolgeeffekte
- Rangreihung -Reihung von Stimuli -häufig zur Reihung von Präferenzen für Marken oder Eigenschaften eingesetzt -spiegelt das reale Wahlverhalten von Konsumenten aus mehreren Alternativen besser wider -bei n Objekten n-1 Reihungsentscheidungen -resultiert ebenfalls nur in ordinalen Daten, allerdings ist auch hier die Ableitung einer Intervallskala möglich -Transitivität gewährleistet -Quick-Sort: Stimulie werden zunächst in verschiedene Stapel unterteilt
- Konstantsummenverfahren -Vergabe einer konstanten Summe von Einheiten zur Beurteilung einer Menge von Stimuli -höhere Informationsqualität als Rangordnungsdaten -Intervallskaleneigenschaft, daher bisweilen auch als metrisch behandelt Auswertung -Zählung der Einheiten Nachteil -genaue Auftreilung der konstanten Summe auf Bewertungseinheiten
- Verfahren nichtkomparativer Skalierung -unabhängige Skalierung jedes einzelnen Stimulus -Ergebnisse werden idR als metrisch skaliert angenommen -wird auch als metrische skalierung bezeichnet -am weitesten verbreitet in der Marketingforschung -häufig im Rahmen von Einstllungs und Imagemessungen eingesetzt -beruhen auf Ratingskalen
- Spezifizierte diskete Ratingskala & Auswertungsmöglichkeiten -Likert Skala (fünfstufig) -Semantisches Differenzial (siebenstufig, bipolare Labels) -Stapel-Skala (unipolar, ohne neutralen Nullpunkt) Auswerungsmöglichkeiten -Summe über Auskunftspersonen (insbes. bei Likert Skala) -Profilanalyse (Mittelwert, Median)
- Multiattributmodelle -spezielle Technik zur Einstellungsmessung -Annahme: Einstellungen resultieren aus verschiedenen einstellungsrelevanten Merkmalen -Messung der affektiven und kognitiven Komponente -Ergebnis: Einstellungswert pro Person -additiv.kompensatorische Modelle -Aggregation individueller Einstellungswerte durch Mittelwertbildung oder Clusteranalyse