Titel des Seminars: SYMLOG: Theorie und Praxis sozialwissenschaftlicher

Beobachtungsverfahren (09334)

Studienfach: Allgemeine Soziologie

Teilprüfung in: Seminar

Semester: 5

Dozentin: Dipl.-Sozw. Christine Marx

Analyse des Symlog-Raumes anhand eines

Datensatzes

eingereicht am

Lehrstuhl für Soziologie und Sozialanthropologie

(Prof. Dr. Henrik Kreutz)

eingereicht als: Allgemeine Soziologie und sozialwissenschaftliche Methoden

einschließlich ihrer Anwendung in empirischen Untersuchungen

Verfasser/in:

Neubarth, Wolfgang

Strasse:

Torwartstrasse 20

PLZ Ort:

90480 Nürnberg

Telefon:

0911 ­ 40 10 294

e-Mail:

wolfgang@neubarth.net

Abgabetermin: 31.05.2000 Anzahl der Wörter: 6.778

---

Analyse des Symlog-Raumes anhand eines Datensatzes

2

Inhaltsverzeichnis:

1 Einleitung 3

2 Datengrundlage 4

3 Analyse der dimensionsbezeichnenden Items 6

3.1 Zusammenfassung der Ergebnisse 7

3.2 Interpretation und Verbesserung 10

4 Erweiterung auf 18 Items 12

4.1 4 Faktorenlösung 12

4.1.1 Zusammenfassung der Ergebnisse 12

4.1.2 Interpretation und Verbesserung 14

4.2 3 Faktorenlösung 15

4.2.1 Zusammenfassung der Ergebnisse 15

4.2.2 Interpretation und Verbesserung 17

5 Analyse des gesamten Symlog-Raums (alle 26 Items) 18

6 Zusammenfassung der Exploration 20

7 Konfirmatorische Prüfung der Modellvorstellung 21

7.1 Identifikation 21

7.2 Prüfung des Modells 22

7.2.1 Gesamtmodell 23

7.2.2 Summierte Faktorenwerte 23

7.2.3 Ebenenkonstrukt 26

8 Zusammenfassung 29

9 Diskussion 30

10 Fazit 31

11 Literatur 33

---

Analyse des Symlog-Raumes anhand eines Datensatzes

3

1 Einleitung

In Verhandlungen, Einstellungstests, Politik und Therapien ist Gruppenverhalten von

großer Bedeutung. Die Versuche, dieses Verhalten in eine ,,messbare" Form zu

bringen, stellen sich jedoch als äußerst schwierig heraus. Bales (1982), entwickelte

hierfür in jahrelanger Forschungsarbeit Symlog, ein Verfahren zur systematischen,

mehrstufigen Gruppenbeobachtung (

Sy

stematic

m

ulti

l

evel

o

bservation of

g

roups),

das versucht, genau dieses Problem zu lösen. Durch die Systematisierung der

Beobachtung werden statistische Auswertungen des Beobachtungsgegenstandes

möglich. Praktisch geschieht dies durch von Beobachtern bzw. den

Gruppenmitgliedern ausgefüllte Adjektiv-Ratingbögen (Bales & Cohen 1982: S. 61).

Aus diesen ausgefüllten Bögen wird ein Datensatz erstellt. Aufgrund des

zugrundeliegenden Konstruktes, dessen Operationalisierung und daraus

gewonnenem Datenmaterial wird eine empirische Prüfung des Modells möglich (vgl.

Lienert & Raatz 1998: S. 11).

Die Schwierigkeiten und der Aufwand, die entstehen wenn durch Papierfragebögen

Daten dieser Komplexität erhoben und ausgewertet werden sollen, können dazu

führen, dass die Untersuchung nicht durchgeführt wird. In naher Zukunft jedoch

werden sich die vorstellbaren Anwendungsmöglichkeiten durch den Einsatz von

Laptops bzw. WAP-Handys (

W

ireless

Ap

plication) oder Palmtops mit

Onlineschnittstelle noch um ein vielfaches vermehren. So könnten bei einer

Podiumsdiskussion einigen Zuhörern, die vorher einer Teilnahme zustimmten,

während der Veranstaltung die Items des Ratingbogens auf das Display übertragen

werden. Die einzelnen Rater geben ihre Bewertung der Situation ab und übermitteln

damit die Daten automatisch an ein CGI-Programm (Common Gateway Interface).

Dieses Programm kumuliert die erhaltenen Informationen zu einem Datensatz und

wertet diesen sogleich aus. Die Ergebnisse können allen Rednern oder aber nur

einem besonders betreuten Redner bereits zur Orientierung für den Beitrag nach der

Pause dienen. Als kleines Dankeschön wäre es möglich den Beobachtern, die

vollständig geantwortet haben, ein Guthaben bei einem Online-Händler (z.B.

www.amazon.de) gutzuschreiben.

Dieses Szenario mag einen sehr futuristischen Eindruck erwecken, doch in

Auktionen über das Handy wird die Möglichkeit der direkten Interaktion bereits

---

Analyse des Symlog-Raumes anhand eines Datensatzes

4

genutzt (www.12snap.de). Die technische Umsetzung ist demnach schon heute

möglich und wird für viele bald so normal sein wie das Schreiben von

SMS-Nachrichten oder telefonieren. Damit erschließen sich der computergestützten

Datenerhebung völlig neue Dimensionen. Es können in wenigen Minuten große

Mengen von Versuchspersonen befragt und deren Antworten ausgewertet werden.

Für ein solches Vorgehen ist ein gutes theoretisches Modell und dessen empirische

Prüfung von höchster Wichtigkeit, denn die Möglichkeit, große Datenmengen zu

generieren, verführt schnell zu einer wahllosen Datensammlung, die letzten Endes

eine Erklärungskraft nahe null aufweist.

Um den neuen Möglichkeiten der Datenerhebung durch abgesicherte Modelle

gewachsen zu sein, wird diese Seminararbeit das Symlog-Raummodell anhand eines

Datensatzes mittels faktorenanalytischer Verfahren untersuchen. Dabei ist ein

Schwerpunkt darauf gerichtet die Existenz des postulierten Raumes aufgrund der

Daten zu bestätigen. Ineinandergreifend liegt die zweite große Aufgabe darin,

Verbesserungsvorschläge aufgrund von empirischen Abweichungen gegenüber dem

theoretischen Modell zu entwickeln.

2 Datengrundlage

Der von Bales (1982) beschriebene Raum (Abbildung 1) wird im Ratingbogen durch

eine Skala mit fünf Abstufungen aufgespannt.

Abbildung 1:

Der Symlograum (entnommen aus Bales, 1982; S. 63)

---

Analyse des Symlog-Raumes anhand eines Datensatzes

5

Für folgende Analysen stehen Datensätze, in Form von Excel-Dateien, des

Lehrstuhls für Soziologie und Sozialanthropologie von Professor Kreutz zur

Verfügung. Diese sind so angelegt, dass jeder beobachteten Person in jeder

beobachteten Situation ein eigenes Tabellenblatt zugeordnet ist. Auf den

Tabellenblättern sind die Daten jedes Beobachters durch einen Namen, der auch

fiktiv sein durfte, eindeutig gekennzeichnet.

Zu zwei Terminen wurden veranstaltungsleitende Personen durch Studierende

beobachtet. Es handelte sich dabei im Wintersemester 98/99 um Prof. Kreutz

(Methodenvorlesung), Dr. Kroggel (Methodenübung) und Dipl.-Sozw. Marx

(Methodenübung). Im Sommersemester 99 wurden Prof. Kreutz

(Methodenvorlesung), Prof. Fisch (Gastvortrag) und Dipl.-Sozw. Marx

(Methodenübung) beobachtet. Die Methodenübung wurde im Wintersemesters 98/99

im November und Dezember von Dr. Kroggel geleitet. Januar und Februar übernahm

Dipl.-Sozw. Marx die Übung. Die Vorlesung hielt während des ganzen Semesters

Prof. Kreutz. Gegen Ende des Semesters wurden alle Teilnehmer der Veranstaltung

um ein Globalurteil der Gesamtzeit gebeten. Im Sommersemester 99 kam es zu

keinem Dozentenwechsel. Wieder wurde um ein Globalurteil gebeten. Hinzu kam

jedoch Prof. Fisch, der nur einmalig einen Vortrag hielt.

Die Beobachter weisen ihrerseits Varianzen auf, da sie zu den verschiedenen

Zeitpunkten über einen unterschiedlichen Wissensstand zum Symlog-Verfahren

verfügten. Im Sommersemester 99 kann noch dazu zwischen Teilnehmern am

Lehrforschungsprojekt Symlog und Nichtteilnehmern unterschieden werden.

Werden keine zusätzlichen Angaben zur Stichprobe gegeben, handelt es sich im

Folgenden um den kompletten Datensatz aller Beobachtungen (n=218). Alle Daten

jedes Tabellenblattes wurden ohne Unterscheidung in ein Datenfile

zusammengespielt. Wurden von einem Beobachter alle Fragebögen ausgefüllt, so ist

er sechs mal im Datensatz vorhanden. Theoretisch kann es aber auch sein, dass

eine beobachtende Person nur einen Bogen abgab, da die Teilnahme an der

Untersuchung freiwillig war. Auch die beobachteten Personen sind entweder in einer

Beobachtungssituation oder in beiden im Datensatz enthalten. Hiermit sei bemerkt,

dass die Daten von einer Unzahl einmaliger, systematischer (unterschiedlicher

Wissensstand, unterschiedlich lange Beobachtungszeiträume, usw. ) und

unsystematischer (Stimmung der einzelnen Beobachter, unterschiedliche

---

Analyse des Symlog-Raumes anhand eines Datensatzes

6

Entwicklung zwischen Beobachtung eins und zwei, usw. ) Fehlerquellen verwässert

sind.

Alle Beobachter gaben zu jedem Feld des Symlog-Raumes (Abbildung 1), insgesamt

26, einen der Werte

0 (nie),

1 (selten),

2 (manchmal),

3 (häufig) oder

4 (immer)

durch ausfüllen des Adjektiv-Ratingbögen (Bales & Cohen 1982: S. 61) an.

Somit entspricht jede Richtung bzw. Richtungskombination (Abbildung 1) einer

Variable des verwandten Datensatzes.

Die Berechungen wurden mit Almo, SPSS und Amos durchgeführt. Die durch Almo

gewonnen Ergebnisse werden in dieser Arbeit nicht in Tabellen dargestellt, da die

Übertragung der von Amos und SPSS ausgegebenen Tabellen und Grafiken in Word

sich einfacher gestaltet.

Zum besseren Verständnis der statistisch anspruchsvollen Verfahren wurde die

gängige Fachliteratur zu Rate gezogen (vgl. Pawlik, 1976; Geidner, 1982; Tabachnik,

1996).

3 Analyse der dimensionsbezeichnenden Items

Um zu möglichst klaren Ergebnissen zu gelangen wurden für die ersten Analysen nur

die Variablen verwandt, die theoretisch direkt auf den zu extrahierenden

Dimensionen liegen sollen. Es handelt sich hierbei um:

U: aktiv, dominant, spricht viel

P: freundlich, partnerschaftlich

F: analytisch, aufgabenorientiert, lösungsorientiert

N: unfreundlich, negativitisch, individualistisch

B: emotional, spontan

D: passiv, introvertiert, spricht wenig

---

Analyse des Symlog-Raumes anhand eines Datensatzes

7

Für diese Ausgangskonfiguration wurden 14 Verfahren gerechnet. Zur Extraktion der

Faktoren wurden ,,Hauptkomponentenanalyse", ,,gewichtete kleinste Quadrate",

,,verallgemeinerte kleinste Quadrate", ,,Maximum-Likelihood", ,,Hauptachen-

Faktorenanalyse", ,,Alpha-Faktorisierung" und ,,Image-Faktorisierung" gerechnet.

Rotiert wurde jeweils mit Varimax und Oblimin (Delta=0).

Mit Ausnahme der Alpha-Faktorisierung erbrachten alle Analysen eine mehr oder

weniger eindeutig die von Bales (1982) beschriebenen Dimensionen. Beide Alpha-

Faktorisierungen brachen ab, da nach 25 Iterationen der Wert einer Kommunalität 1

überschritt. Dies ist aufgrund theoretischer Annahmen der Faktorenanalyse nicht

möglich und wird bei Überla (1976) im Kapitel über Schätzung der Kommunalitäten

ausführlich abgehandelt. Daraus folgt, dass sich die Methode der Alpha-

Faktorisierung nicht für das zur Verfügung stehende Datenmaterial eignet. Somit ist

die Stabilität der gefundenen Faktorlösung nicht vollkommen gewährleistet. ,,In fact,

one test of the stability of a FA solution is that it appears regardless of which

extraction technique is employed." (Tabachnik 1996: S. 662). Dennoch ist die Lösung

relativ stabil, da sie von allen übrigen Methoden extrahiert wurde.

3.1 Zusammenfassung der Ergebnisse

Die Variable F wurde von der Image-Faktorisierung nicht eindeutig zugeordnet. Sonst

wurden die Pole in jeder Lösung korrekt in einen gemeinsamen Faktor gefasst.

Beispielhaft zeigen Tabelle 1 und 2 die beste und schlechteste Extraktion des

Modells (Varimax-Rotation). Das Kaiser-Guttman-Kriterium (Bortz, 1999) erbrachte

eindeutig eine 3 Faktorenlösung.

Rotierte Komponentenmatrixa

Komponente

1

2

3

U

-,314

,765

5,156E-02

P

,862

-,206

,206

F

,469

,477

-,418

N

-,870

6,381E-02

6,165E-02

B

,101

8,667E-02

,942

D

3,511E-03

-,764

-2,86E-02

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 6 Iterationen konvergiert.

Tabelle 1:

Hauptkomponentenanalyse

---

Analyse des Symlog-Raumes anhand eines Datensatzes

8

Mittels Varimax-Rotation und Hauptkomponentenanalyse (Tabelle 1) konnten über

70% der Gesamtvarianz erklärt werden. Über alle gültigen Analysen betrachtet nimmt

P nimmt auf der ersten Komponente Werte um .9 an und N -.9. Für U werden,

zugeordnet zu Komponente zwei, Werte von .7 ermittelt, D erhält im Durchschnitt,

werden alle Ergebnisse der 12 durchgeführten Analysen betrachtet, geringere Werte.

D schwankt zwischen -.319 und -.764. In den meisten Fällen erhält D ca. -.5. Für FB

werden die schlechtesten Ergebnisse erzielt. Die Werte sind weder in etwa gleich

groß, noch sind sie eindimensional. B legt mit Werten von bis zu .999 die Dimension

fest. Bis auf die Image-Faktorisierung (0.22) (Tabelle 2) und die Hauptachsen-

Faktorenanalyse (.651) erhält B immer Ladungen über .94. F lädt zwar immer negativ

auf den entsprechenden Faktoren, doch sind auf den anderen zwei Faktoren von

positiven F Werten mit höherer Ausprägung zu berichten.

Rotierte Faktorenmatrixa

Faktor

1

2

3

U

-,169

,408

-6,28E-02

P

,553

-,304

,189

F

,272

,126

-6,07E-02

N

-,579

,218

-9,70E-02

B

1,615E-02

-3,17E-02

,219

D

-1,98E-02

-,319

4,362E-02

Extraktionsmethode: Image-Faktorisierung.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 5 Iterationen konvergiert.

Tabelle 2:

Image-Faktorisierung

Die verschiedenen Rotationen zeigten allerdings unterschiede in der ,,Wichtigkeit" der

Faktoren bzw. Komponenten. Die Dimension PN wurde in allen 6 Ergebnissen des

Varimax-Rotationsverfahrens als Faktor mit der höchsten aufgeklärten Varianz

ermittelt. FB bzw. UD wurden je dreimal als zweiter und dreimal als dritter Faktor

extrahiert.

Mittels Oblimin wurden den Dimensionen, wie Tabelle 3 zeigt, noch

unterschiedlichere Bedeutungen beigemessen. So wird PN vier mal als wichtigster,

zwei mal als zweiter Faktor und kein einziges mal als dritter Faktor extrahiert. Die

Ränge der übrigen Dimensionen sind analog zu lesen.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

9

Faktor

PN

FB

UD

1

4

2

0

2

2

1

3

3

0

3

3

Tabelle 3:

Oblimin-Lösungen

Somit wird es als eindeutig angesehen, dass innerhalb des verwandten Datensatzes

die Sympathie (PN) die höchste Erklärungskraft der Varianz aufweist. Diese wird von

einer nicht immer eindeutig bestimmbaren Zielgerichtetheit (FB) gefolgt. Einfluss

(UD), dem bei Bales ein sehr hoher Stellenwert zukommt, wird empirisch als die

Dimension mit der geringsten Erklärungskraft ermittelt (Tabelle 3): ,,In America,

verbal fluency ­ and thus some aspect of dominance ­ seems to be highly valued."

(Polley, 1988: S. 4). Dies kann, im Sinn von Polley (1988), auf kulturelle

Unterschiede zurückzuführen sein.

Die Analyse der Korrelationsmatrix (Tabelle 4) der Dimensionen kommt ebenfalls zu

interpretierbaren und übereinstimmenden Ergebnissen. Bis auf die Image-

Faktorisierung, die bereits bei der Extraktion von FB Ergebnissen kam, die nicht mit

den übrigen Verfahren übereinstimmten, wurde stets eine negative Korrelation von

UD und FB mit der Stärke knapp unter r=0.2 ermittelt. Die übrigen Korrelationen sind

derart gering, dass lineare Unabhängigkeit vermutet werden kann.

Dennoch stellen wir fest, dass F wie Oben beschrieben und die Variable U ebenfalls

auf dem Faktor (PN) mit ca. -.22 lädt. Aus diesem Grund wurde erneut eine

Hauptkomponentenanalyse mit Oblimin-Rotation gerechnet. Um eine erhöhte

,,Korrelationsfreude" zu erreichen wurde Delta auf 0.6 festgelegt.

Komponentenkorrelationsmatrix

Komponente

1

2

3

1

1,000

7,840E-02

-,381

2

7,840E-02

1,000

-,463

3

-,381

-,463

1,000

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Oblimin mit Kaiser-Normalisierung.

Tabelle 4:

Komponentenkorrelationsmatrix

---

Analyse des Symlog-Raumes anhand eines Datensatzes

10

Es kann gezeigt werden, dass Komponente drei, der wie Oben beschrieben die

Dimension (FB) darstellt nicht senkrecht auf den Komponenten 1 und 2 steht,

während diese untereinander nahezu linear unabhängig sind. Wird Delta erneut um

0.1 erhöht sind alle Korrelationen über .86. Mit einem Delta von .8 kommt es zu

einem Abbruch des Verfahrens.

3.2 Interpretation und Verbesserung

Entschieden muss auf die ,,schlechten" Faktorenwerte von F (analytisch,

aufgabenorientiert, lösungsorientiert ) hingewiesen werden. Weder lädt dieses Item

eindimensional, noch lädt es auf der theoretisch gewünschten Dimension, trotz

Veränderung des Vorzeichens, wesentlich stärker als auf den übrigen. Hierfür lassen

sich verschiedene Gründe vermuten:

- Alle Daten der analysierten Datei wurden in Lehrveranstaltungen generiert.

Dies kann zu einer geringen Varianz führen. Damit ließe sich eine unklare

Faktorstruktur erklären.

- Bei den Beobachteten handelt es sich ausschließlich um akademisch hoch

gebildete Personen. Deshalb wäre eine Art Deckeneffekt möglich. Da sich

durch den hohen Ausbildungsstand die Zielorientierung aller auf einem sehr

hohen und wenig gestreuten Niveau befindet, kann aus den Daten kein

linearer Faktor extrahiert werden.

- Die Rater verstehen unter F nicht dasselbe und vergeben die Werte für F

somit unsystematisch.

- F und B liegen nicht auf einer Dimension und können deshalb nicht

eindimensional zugeordnet werden.

- Die durch das Item F gesetzten Reize sind zu den übrigen nicht unabhängig.

Sie stehen mit den anderen Dimensionen in starker Wechselwirkung.

Diese Aufzählung der möglichen Fehlerquellen stellt nicht den Anspruch vollständig

sein. Die Vielzahl der eventuellen Ursachen soll deutlich gemacht werden. All diese

Ansatzpunkte bieten die Möglichkeit zur Fehlerkontrolle durch experimentelle

Forschungsdesigns.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

11

Eine genauere Betrachtung der Korrelationsmatrix zeigt, dass sowohl die bivariaten

Zusammenhänge von FN, von FP als auch von FU größere Werte erhalten als FB.

Somit zieht sich F, mit mittlerer Stärke, durch alle Dimensionen.

Trotz einiger Verzerrungen der theoretisch vorstellbaren, perfekten Raumlösung

zeigen die Ergebnisse aus Abschnitt 3.1 den von Bales (1982) postulierte Raum, der

mit nahezu allen durchgeführten Analysen aus den erhobenen Daten extrahiert

werden konnte. Mit den Ergebnissen der Oblimin-Rotation, unter Berücksichtigung

verschiedener Deltawerte, lässt sich die Hypothese, die drei untersuchten

Dimensionen stehen in einem Winkel von 90° aufeinander, stützen. Daraus würde

sich zwangsläufig lineare Unabhängigkeit der Faktoren ergeben. Die linear

unabhängigen Vektoren des Symlog-Raumes (DU, FB, PN), die allein schon durch

Linearkombinationen eine mathematische Beschreibung der Bewegung an jeden

Punkt im Raum ermöglichen, wurden anhand des verwandten Datensatzes repliziert.

Obwohl sich der Raum bereits durch die bisher beschriebenen Dimensionen

hinreichend definiert werden von Bales (1982) weitere Richtungen operationalisiert.

So ist durch Addition von Vektoren der Dimensionen UD und PN die mit der gleichen

Länge in Richtung U und P zeigen das Item UP nur durch eindimensionale Items

ersetzbar. Gerade diese Redundanz des Modells, die zu einer internen

Determinierung führt, erhöht die Anforderungen an das Datenmaterial immens.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

12

4 Erweiterung auf 18 Items

Da die Grunddimensionen aus den Daten zufriedenstellend extrahiert werden

konnten, wurde im nächsten Schritt die Menge der zu untersuchenden Variablen um

die zweidimensionalen Items erweitert.

UP: extravertiert, geht aus sich heraus, sicher, beliebt;

UF: tatkräftig, durchsetzungsfreudig;

UN: dominant, eigensinnig, nachdrücklich;

UB: macht Späße, schauspielert, geht aus sich heraus;

PF: interessiert, kooperativ;

NF: kritisch, gewissenhaft, prinzipiell;

NB: uninteressiert, unwillig, nicht kooperativ;

PB: warmherzig, natürlich, freundschaftlich;

DP: verständnisvoll, tolerant, gelassen;

DF: besonnen, sachlich;

DN: traurig, niedergeschlagen, deprimiert;

DB: unentschlossen, ängstlich;

Trotz der erhöhten Datenmenge wurden alle oben angewandten Verfahren auch für

die 18 Items-Konfiguration gerechnet. Wegen der nach oberflächlicher Analyse

festgestellten relativen Ähnlichkeit der Ergebnisse wurden genauere Analysen auf

die Hauptkomponentenanalyse mit Varimax- und Oblimin-Rotation beschränkt.

4.1 4 Faktorenlösung

In einer Konfiguration mit 18 Items besteht der wesentliche Unterschied zu der in

Abschnitt 3 gegebenen Ausgangslage, dass 4 Faktoren nach dem Kaiser-Guttman-

Kriterium extrahiert werden. Dieses Ergebnis stimmt mit dem von Bales (1982; S.

391) ermittelten überein. Auch er extrahiert einen ,,vierten Faktor".

4.1.1 Zusammenfassung der Ergebnisse

Die vier Komponenten (Tabelle 5) erklären zusammen 64% der Varianz. Die meisten

Ladungen sind eindeutig auf Komponente 1 zu verorten (P, N, UN, PF, NB, PB, DP).

---

Analyse des Symlog-Raumes anhand eines Datensatzes

13

Jedes Item, das auf Komponente 1 hoch lädt, beinhaltet die Dimension Sympathie.

Dies würde sich mit den Ergebnissen aus Abschnitt 3 decken. Auch sind in dieser

Komponente die eindimensionalen Items (P, N) der Sympathie. Weitere

eindimensionale Items treten nicht auf, auch wenn U eine relativ hohe Ladung

zugeordnet wird.

Rotierte Komponentenmatrix

a

Komponente

1

2

3

4

U

-,413

,480

-,243

,188

P

,818

-,128

,122

,348

F

,383

,727

-5,85E-02

-9,56E-02

N

-,818

,186

,123

-1,54E-02

B

-4,76E-02

-7,83E-02

6,229E-02

,750

D

4,658E-02

-,146

,851

-2,78E-02

UP

,289

,265

-9,11E-02

,651

UF

-,132

,627

-,389

,174

UN

-,703

,493

-,100

,131

UB

,172

-4,19E-03

-6,29E-02

,713

PF

,746

,233

4,578E-02

,213

NF

-,230

,758

-6,11E-02

4,398E-04

NB

-,647

-6,73E-03

,252

8,832E-02

PB

,744

-4,37E-02

,215

,381

DP

,810

2,595E-02

,125

,159

DF

,504

,487

5,900E-02

-,289

DN

-6,21E-02

2,534E-02

,817

7,565E-02

DB

6,759E-02

-,209

,750

-8,04E-02

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 11 Iterationen konvergiert.

Tabelle 5:

Rotierte Komponentenmatrix

Komponente 2 (u1, F, UF, NF, df, un) vereint die Grundrichtungen U und F

miteinander. Wobei sowohl U als auch F positiv lädt. F kommt eindeutig ein höherer

Stellenwert zu. Das Item df müsste, wenn nur eine rein statistische Interpretation der

Ergebnisse vorgenommen würde, zur ersten Komponente gezählt werden. Inhaltlich

passt dieses Item besser zu Komponente zwei, denn df beinhaltet theoretisch keine

Sympathie. Da schon in Abschnitt 3.2 Probleme mit der Dimension FB auftraten, F in

Komponente zwei überwiegt und die Dimensionen Sympathie und Einfluss durch

andere Komponenten abgebildet werden, könnte darauf geschlossen werden, dass

bei verbesserter Operationalisierung oder einer anderen Datengrundlage

Zielorientierung in Komponente 2 extrahiert würde.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

14

Komponente 3 (D, DN, DB, u, uf,) kann nun als die dritte Dimension des Symlog-

Raumes (Einfluss) gesehen werden. Item uf in dieser Komponente zu nennen ist,

aufgrund dessen, dass es eigentlich schon zu Komponente 2 gezählt wurde, fraglich.

Hier muss wieder inhaltlich argumentiert werden. Es handelt sich bei uf um ein

zweidimensionales Item und soll demnach auf Einfluss und Zielorientierung, die nicht

eindeutig gefunden werden konnte, laden.

Komponente 4 (B, UP, UB) als Intensität zu bezeichnen wäre, wenn man sich die

Adjektive aus dem Ratingbogen erneut betrachtet (emotional, spontan, extravertiert,

geht aus sich heraus (2mal), sicher, beliebt, macht Späße, schauspielert), nicht sehr

abwegig.

4.1.2 Interpretation und Verbesserung

Durch die Zunahme der zweidimensionalen Items verändert sich die Faktorenstruktur

im Gegensatz zur Lösung mit ausschließlich eindimensionalen Items. Der von Bales

(1982) beschriebene vierte Faktor könnte durch die Komponente vier (erklärte

Varianz ca. 10%) erneut aufgetreten sein. Diese setzt sich aus den Items B, UP und

UB zusammen. Von Bales (1982) wird auf die schlechte Interpretierbarkeit dieses

Faktors, der eine Varianz von 6.4% erklärt, hingewiesen. Er beruft sich auf Wish, der

ebenfalls einen solchen Faktor extrahierte und ihn mit ,,Intensität" bezeichnetet. Wie

in den hier errechneten Ergebnissen klärt dieser vierte Faktor bei Wish einen

größeren Varianzanteil als 6.4% auf. ,,Eine vollständige Beschreibung dieses Faktors

wurde von Wish an anderer Stelle geliefert" (Bales, 1982: S. 392). Aber auch

logische Überlegungen führen zu einem vierten Faktor: ,,In Teil II dieses Buches

haben wir darauf hingewiesen, daß die B-Richtung, logisch gesehen, zwei

unterschiedliche Komponenten besitzt." (Bales 1982: S. 392). Dies deckt sich mit den

in Tabelle 5 dargestellten Ergebnissen. Weiterhin könnte diese Aussage eine

Erklärung für die schlechten Ladungen auf der FB-Dimension (vlg. Abschnitte 3.2

und 4.1.1) beinhalten.

Es ist festzustellen, dass sich F von B löst, was bereits in der Lösung mit 6 Items zu

vermuten war. Faktor 1 wird durch die hohe positive Ladungen auf P und die stark

negative Ladung auf N festgelegt. Hier wären aus theoretischer Überlegung

Ladungen von 1 zu erwarten. Die empirischen Werte von ± ,818 nähern sich diesem

1 Klein geschriebene Items laden weniger stark

---

Analyse des Symlog-Raumes anhand eines Datensatzes

15

Wert sehr gut an. Weiterhin sollten alle Items, die ein P beinhalten mit ,52 positiv

laden. DP lädt somit eindeutig zu hoch auf der Dimension Sympathie. Da der Wert

auf der dritten Komponente, die durch UD festgelegt wird zu niedrig lädt (,125 zu

erwartet ,5) wäre eine Änderung der Operationalisierung in Richtung D denkbar.

Damit wäre wahrscheinlich eine bessere Anpassung der empirischen

Faktorenstruktur an die Theoretische möglich. So könnte das Adjektiv ,,gelassen"

durch die von Bales (1982; S. 555) verwendete Formulierung ,,sich anderen willig

fügen" ersetzt werden.

Bei PF gestaltet sich eine Änderung schwieriger. Wie bereits beschrieben besteht die

Dimension FB in der Vierfaktorenlösung nicht in einem Faktor. Dennoch lädt PF auf

der Komponente, die durch einen hohen P-Wert festgelegt wird zu hoch und auf der,

die einen hohen F-Wert aufweist zu niedrig. Wieder wird vorgeschlagen ein Adjektiv

des Ratingbogens ,,kooperativ" durch ein stärker auf F ziehlendes Item zu ersetzen.

Trotz der auftretenden Schwierigkeiten können doch wenigstens tendenziell die

Ergebnisse des vorigen Abschnitts bestätigt werden. Die Ladungen, die Bales (1982)

postuliert wurden, zwar mit Abweichungen, weitestgehend bestätigt.

4.2 3 Faktorenlösung

Im Folgenden wurde die Zahl der Faktoren manuell auf drei festgelegt. Dieses

Vorgehen führt zu einer besseren Annäherung an die angestrebte Struktur des

Raumes, doch ebenfalls zu einer Verringerung der erklärten Varianz. Mit einer

dreifaktoriellen Lösung können nur noch 55,6% der Varianz erklärt werden.

4.2.1 Zusammenfassung der Ergebnisse

Komponente 1 (Tabelle 6) lädt auf den Variablen P und N hoch. Weiterhin kann bei

allen Items, die ein P beinhalten, eine positive und bei allen, die ein N beinhalten

eine negative Ladung festgestellt werden.

2 z.B. DP=D+P

---

Analyse des Symlog-Raumes anhand eines Datensatzes

16

Rotierte Komponentenmatrix

a

Komponente

1

2

3

U

-,413

,525

,211

UP

,260

,236

,674

UF

-,124

,719

,221

UN

-,713

,442

,175

UB

,148

3,572E-02

,662

P

,792

-,212

,379

PF

,720

9,447E-02

,321

F

,364

,526

,109

NF

-,250

,575

,163

N

-,831

7,427E-02

5,116E-03

NB

-,670

-,159

9,551E-02

B

-8,12E-02

-9,64E-02

,692

PB

,705

-,218

,448

DP

,786

-,108

,242

DF

,491

,270

-9,66E-02

DN

-,142

-,572

,268

DB

7,825E-03

-,690

5,525E-02

D

-2,69E-02

-,719

,143

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 6 Iterationen konvergiert.

Tabelle 6:

Rotierte Komponentenmatrix

Komponente 2 bildet wieder UD ab. Bis auf Item DF stimmen die Vorzeichen aller

zweidimensionaler Items in Komponente 2 mit denen der eindimensionalen Items

überein. Die Ladungen weichen allerdings wieder von den theoretisch geforderten

ab.

Komponente 3 beinhaltet bis auf das, auch theoretisch negativ vermutete, Item DF,

welches sehr schwach lädt, nur positive Ladungen und widerspricht somit schon in

diesem Kriterium den theoretisch erwarteten Werten. Auch die Behauptung, die

Items, die ein F beinhalten, würden tendenziell niedriger laden als solche, deren

Name ein B beinhaltet, lässt sich nicht halten (vgl. NB und DB).

---

Analyse des Symlog-Raumes anhand eines Datensatzes

17

4.2.2 Interpretation und Verbesserung

Gesondert betrachtet kann wieder jedes Item auf seine Ladungen geprüft werden.

Beispielhaft werden die bereits in Abschnitt 4.1 erörterten Items DP und PF auch in

der 3 Faktorenlösung überprüft.

Betrachten wir zunächst erneut das Item DP. Auch in dieser Lösung lädt Item DP von

der theoretischen Faktorenstruktur abweichend. Wieder ist die Ladung auf dem

ersten Faktor (PN) zu hoch und die auf den Zweiten (UD) zu gering. Auffällig ist, dass

sich die Vorzeichen geändert haben.

Die Empfehlung, das Item PF zu verändern, lässt sich hier nicht ableiten, da die

Dimension FB nicht modellgetreu extrahiert wurde. Allerdings kann bestätigt werden,

dass PF zu hoch auf P lädt, was bereits zur Begründung einer erneuten

Operationalisierung, die eher in Richtung F fokussiert, ausreichen könnte.

Dies ändert jedoch nicht die Tatsche, dass für die Dimension FB keine strukturierten

Ergebnisse gewonnen werden konnten. Bereits in der Konfiguration mit 6 Items

ergaben sich Probleme der eindeutigen Zuordnung, die unter Berücksichtigung der

zweidimensionalen Items verstärkt auftreten. Der Bedarf einer theoretischen

Begründung wird bestätigt und durch die gewonnenen Ergebnisse gleichzeitig

gestützt. Deutlich sichtbar ist, dass es sich bei Item F empirisch nicht um den

Gegenpol zu Item B handelt. Bis auf das Item UB und PB, die sich annehmbar in die

theoretische Annahme einpassen, laden alle Items des dritten Faktors stark

abweichend vom postulierten Raummodell. Mit der Ausnahme von UB und B laden

alle Items, die auf dem dritten Faktor laden sollten auf anderen Faktoren stärker. Die

Ladung von UP ist die zweitstärkste nach B auf der postulierten Dimension

,,Zielorientierung".

Abschließend kann zusammengefasst werden, dass die Dimensionen UD und PN,

wenn auch mit Abweichungen, aus den Daten extrahiert werden konnten. Die

Dimension FB hingegen konnte aus den Daten nicht extrahiert werden.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

18

5 Analyse des gesamten Symlog-Raums (alle 26

Items)

Trotz der Verschlechterung der Anpassung der Daten an das theoretische Konstrukt

durch Zuführung zweidimensionaler Items wird die Datenkonfiguration in diesem

Schritt noch um die dreidimensionalen Items erweitert:

UPF: zielbewusster und aufgabenorientierter, demokratischer Leiter;

UNF: disziplinierend, folgerichtig;

UNB: geltungssuchend, selbstbezogen, provozierend;

UPB: optimistisch, humorvoll, hilfsbereit;

DPF: rücksichtnehmend, zuverlässig, andere anerkennend;

DNF: selbstkritisch, pflichtbewusst;

DNB: entmutigt, verletzt, resignierend;

DPB: behaglich, gemütlich, zufrieden;

Nach dem Kriterium, dass der Eigenwert eines Faktors größer eins sein muss,

erhalten wir eine fünffaktorielle Lösung (Tabelle 7):

---

Analyse des Symlog-Raumes anhand eines Datensatzes

19

Rotierte Komponentenmatrixa

Komponente

1

2

3

4

5

U

-,212

,615

-6,33E-02

,176

-,311

UP

,401

,311

2,540E-02

,627

-,146

UPF

,739

,341

-,100

6,253E-02

-,137

UF

6,588E-02

,708

-,268

,129

-,183

UNF

-,327

,661

-,138

-,131

9,806E-02

UN

-,609

,645

-5,53E-02

8,098E-02

,101

UNB

-,693

,442

,117

,153

-3,96E-02

UB

,171

5,448E-03

-5,38E-02

,720

3,575E-02

UPB

,725

-,185

7,157E-02

,360

9,611E-02

P

,751

-,282

5,229E-02

,344

,182

PF

,758

8,985E-02

3,557E-02

,187

,104

F

,521

,551

-9,11E-02

-,130

,134

NF

-9,94E-02

,730

-9,76E-02

-,103

,259

N

-,787

,306

9,842E-02

-1,31E-02

9,458E-02

NB

-,641

7,987E-02

,223

,121

,175

B

-,107

-3,95E-02

-3,86E-02

,680

,309

PB

,682

-,210

,113

,351

,392

DP

,738

-,173

2,269E-02

,141

,374

DPF

,767

-,160

9,369E-02

6,579E-02

,285

DF

,505

,273

-8,17E-03

-,331

,372

DNF

,513

8,433E-02

7,490E-02

-,349

,235

DN

-1,85E-02

-1,97E-02

,862

2,759E-02

2,159E-02

DNB

-,103

3,136E-02

,874

-5,14E-03

-4,26E-02

DB

5,912E-02

-,287

,738

-6,47E-02

-2,39E-02

DPB

,222

7,977E-02

,105

,221

,725

D

-2,83E-03

-,276

,729

-5,19E-02

,243

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 12 Iterationen konvergiert.

Tabelle 7:

Fünffaktorenlösung

Die Behauptung, dass es sich bei Komponente 1 um die Dimension PN handelt kann

aufgrund der hohen Ladung der eindimensionalen Items P und N und den nahezu

konstant eingehaltenen Vorzeichen der übrigen Items untermauert werden.

Komponente 2 als Dimension UD zu bezeichnen fällt nicht nur aufgrund eines

höchsten Ladungswertes auf Item NF von .730 schwerer. Die negativen Ladungen,

die von den Items, die ein D beinhalten erwartet werden müssen, sind zu gering.

Entgegen der erwarteten Ladungen auf F bzw. B Items laden in Komponente 3 viele

D Items überdurchschnittlich hoch. Adhoc könnte von einer Trennung der Dimension

UD in zwei eigenständige Komponenten ausgegangen werden.

Mit sehr viel gutem Willen laden in Komponente 4 B Items positiv und F Items

negativ. Aber auch P und UP weisen hohe Ladungen auf.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

20

Komponente 5 inhaltlich zu verwerten stellt ein dem Verfasser derzeit unlösbares

Problem dar. Der einzig hohe Wert liegt auf dem dreidimensionalen Item DPB,

welches durch die Adjektive behaglich, gemütlich und zufrieden operationalisiert ist.

Einen Faktor aus einem einzigen Item zu bilden ist jedoch wenig sinnvoll. Kein

weiteres Item lädt auf dieser Dimension höher als in allen anderen.

Werden bei der Extraktion der Faktoren wieder 3 vorgegeben, so ergeben sich

ähnliche Ergebnisse (Die Ladungen werden nicht abgebildet). Die erste Komponente

kann relativ sicher als Dimension PN ausgemacht werden. Komponente 2 und 3

lassen sich wieder mit viel Phantasie als U bzw. D verstehen. Hierbei handelt es sich

in keinem Fall um eine ,,schöne" Faktorenlösung.

6 Zusammenfassung der Exploration

Wie aus den vorigen Abschnitten zu entnehmen ist verändert sich die

Faktorenstruktur des beschriebenen Raumes mit der Anzahl der in die Untersuchung

eingehenden Items. Dabei ist das Ergebnis der ausschließlich eindimensionalen

Items am besten an die Theorie angepasst. Mit zunehmender Itemzahl weichen die

Lösungen stärker vom postulierten Raum ab. Unter Verwendung aller Items des

Adjektiv-Ratingbogens kann keine eindeutige Struktur mehr gefunden werden.

Lediglich einzelne Items laden noch erwartungskonform.

Diese Ergebnisse werden verständlicher bei geometrischer Analyse. Werden nur

eindimensionale Items verwendet, so sind drei 90° Winkel theoretisch determiniert.

Unter Einbezug der zweidimensionalen Item werden die dazugehörigen 45° Winkel

ebenfalls festgelegt. Die dreidimensionalen Items legen zuletzt noch eine Unzahl

mehr Winkel im Raum fest. Daher ist es verständlich, dass die Faktorenanalyse, die

sich gerade dieser Winkel zur Exploration bedient (Borg, 1997) schlechtere

Ergebnisse liefert, je mehr Winkel determiniert werden.

Jedoch sind, unter Berücksichtigung der hohen theoretischen Anforderungen, die

Ergebnisse gerade im Bereich der zweidimensionalen Items besser als erwartet.

Werden die Items unter Einbezug der ermittelten Ergebnisse erneut überarbeitet, so

kann in Folgestudien mit noch besser an die theoretisch vorgegebene Struktur

angepassten Ergebnisse gerechnet werden.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

21

7 Konfirmatorische Prüfung der Modellvorstellung

Eine Prüfung der Modellvorstellung ist durch das Verfahren der ,,konfirmatorischen

Faktorenanalyse" möglich. Allerdings sind die Anforderungen, die an die Daten

gestellt werden sehr hoch. Auch die Umsetzung des Modells in mathematisch

prüfbare Formeln erfordert spezielles Wissen im Bereich der linearen Algebra und

Statistik. Eine anwendungsorientierte Einführung bietet Arbuckle (1997).

7.1 Identifikation

Die grundlegendste Regel ist die t-Regel. Sie besagt, dass die Zahl der unbekannten

Modellparameter kleiner/gleich der Zahl der bekannten Modellparameter sein muss

(Bollen, 1989; Entnommen aus Bacher, Vorlesungsskript). Dies ist eine notwendige

Bedingung ohne die eine Identifikation nicht möglich ist, denn es ist auf eine

eindeutige Art auch nicht möglich, eine Gleichung mit zwei unbekannten Parametern

zu lösen. Damit ist das Modell aber noch nicht identifiziert.

Die eigentliche Identifikation des Modells kann man anhand von zwei weiteren

Regeln vornehmen (Tabelle 8). In manchen Fällen muss manuell gearbeitet werden,

um das Modell zu identifizieren. Dies ist der Fall, wenn die zwei Identifikationsregeln

nicht zutreffen, denn es handelt sich bei den Bedingungen der Regeln um

hinreichende Bedingungen und nicht um notwendige Bedingungen. In klaren Worten

ausgedrückt bedeutet das: wenn die Bedingungen erfüllt sind, so ist das Modell

identifiziert. Umgekehrt jedoch, wenn die Bedingungen nicht erfüllt sind, kann über

das Modell keine Aussage getroffen werden. Es kann identifiziert sein oder nicht.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

22

Die zwei Regeln lauten wie folgt:

Identifikationsregel

Bedingungen

3-Indikatorenregel

Es liegen ein oder mehrere Faktoren vor.

Jeder Faktor wird durch mindestens drei Variablen

gemessen, d.h., dass mindestens drei Variablen nur auf

diesen Faktor laden.

Die Messfehler sind paarweise untereinander und von

den gemeinsamen Faktoren unabhängig

2-Indikatorenregel

Es liegen mindestens zwei Faktoren vor, die

untereinander korreliert sind.

Jeder Faktor wird durch mindestens zwei Variablen

gemessen, d.h., dass mindestens zwei Variablen nur auf

diesen Faktor laden.

Die Messfehler sind paarweise untereinander und von

den gemeinsamen Faktoren unabhängig

Tabelle 8

: Identifikationsregeln (entnommen aus Bacher, Vorlesungsskript: S. 12)

Dieser kurze Einschub soll einen kleinen Einblick in die Problematiken der

Modelltestung gewähren. Wesentlich leichter wäre das Modell zu identifizieren, wenn

jede Richtung z.B. F von drei Items gemessen würde. Die Messung der negativen

Pole (z.B. B zu F) ermöglicht keine Identifikation, da in einem orthogonalen Raum die

Korrelationen untereinander null entsprechen.

7.2 Prüfung des Modells

Beim Symlog-Raum handelt es sich wie gesagt um einen dreidimensionalen Raum,

der in drei Ebenen zerlegt werden kann, welche voneinander linear unabhängig sind.

Der Adjektiv-Ratingbogen besteht aus 26 Variablen. Diese sind so aufgeteilt, dass

jede Variable neun mal vorkommt. Durch die bereits gewonnenen explorativen

Ergebnisse und der Beschaffenheit des theoretischen Raumes und des von Bales

(1982) vorgeschlagenen Auswertungsschemas scheint eine Prüfung des

Gesamtmodells, der summierten Faktorenwerte und der einzelnen Ebenen sinnvoll.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

23

7.2.1 Gesamtmodell

Daraus folgt für ein Modell, welches alle Variablen mit einbezieht, dass auf jeden

Faktor 18 Variablen laden. Bekannte Parameter sind dann:

· 26 Varianzen

· 325 empirische Kovarianzen (25 ( 25 + 1)) / 2, wobei verschiedene Faktoren-

kombinationen verwendet werden

Dem gegenüber stehen:

· 54 Faktorladungen der Variablen (18 x 3)

· 26 Varianzen der Messfehler

· 3 Varianzen der Faktoren

Schon ohne größere Betrachtung dieses Modells wird deutlich, dass es sich hier

nicht um ein einfaches Modell handelt, dessen Identifikation sich schwierig gestaltet.

Trotzdem wurde das Modell mit AMOS berechnet, was jedoch bei einem Versuch

blieb, den AMOS meldete, das Modell sei nicht identifiziert. Es sei die Angabe von 52

weiteren Variablen nötig.

7.2.2 Summierte Faktorenwerte

Die Forderung 52 Variablen anzugeben, mit der die Anzahl der Freiheitsgrade

(Anzahl der von AMOS zu schätzenden Variablen) erheblich sinken würde,

veranlasste ein Umschwenken auf eine einfachere Modellvorstellung (Abbildung 2).

Dort wurde die Anzahl der Freiheitsgrade gesenkt bzw. zusätzlich zur Identifikation

notwendige Modifikationen vorgenommen.

Hier werden die von Bales (1982) vorgeschlagenen summierten Faktorenwerte

verwendet. Somit ergibt sich z.B. U = U + UF + UNF + ... +UPB.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

24

1

res 1

U

UD

1

res2

D

1

res3

P

PN

1

res4

N

1

res5

F

FB

1

res6

B

Abbildung 2:

Symlog-Modell

Die übrigen Faktorenwerte wurden nach demselben Schema berechnet. Die Variable

D lädt in dieser Modellvorstellung invers zu U (d.h. liegt im Winkel von 180° zu U). F

liegt invers zu B und P invers zu N. Dann lassen sich die drei Faktoren schätzen. Da

D das Inverse von U ist, lädt D auf dem Faktor UD mit ­1. Entsprechend verhalten

sich die Variablen N und B. Da in der empirischen Forschung keine perfekten Daten

erhoben werden, werden mit ,,res1" bis ,,res6" die Fehlereinflüsse hinzugefügt.

Dennoch ist das Problem offensichtlich: Auf jeden Faktor laden nur zwei Variable.

Die Faktoren sind untereinander nicht korreliert. Damit entspricht dieses Modell

weder der 3-Indikatorenregel noch der 2-Indikatorenregel.

Um das Problem zu lösen gibt es zwei Möglichkeiten. Es kann ein neues Modell

entwickelt werden oder es müssen weitere Größen gesetzt werden.

In diesem Fall wurden weitere Annahmen in das Modell gesetzt. Die theoretisch

vorgegebene perfekte Ladung der Variablen auf den Faktor mit plus 1 bzw. minus 1

wurde gesetzt. Somit sind ausschließlich die Fehlervarianzen zu schätzen3.

Diese Fehlervarianzen erhalten relativ hohe Werte bei ihrer Schätzung, was einen

unsauberen Datensatz oder eine empirische Abweichung des Modells von der

Theorie bedeutet. Untermauert wird dies durch verschiedene Kennwerte des

3 Zur Berechnung wurden andere Variablenlabels verendet als in Abbildung 2. D entspricht v_d; UD entspricht

Faktor_UD

---

Analyse des Symlog-Raumes anhand eines Datensatzes

25

Verfahrens. Das Chi-Quadrat nimmt einen Wert von 989,950 an, was weit davon

entfernt ist, nahe null zu liegen. Ein Wert von null entspräche einem perfekt

angepassten Modell. Auch die Maßzahlen GFI (goodness of fit index) und AGFI

(adjusted goodness of fit index) zeigen, dass die durch das Modell erklärte Varianz

bei knapp über 50%, bereinigt um die Freiheitsgrade bei 36,4% liegt. Für diese

Maßzahlen gilt, dass sie möglichst nahe bei 1 liegen sollen.

Noch deutlicher werden diese Aussagen, zieht man DELTA1 (normed fit index),

RHO1 und DELTA2 (modified normed fit index) heran. Diese sagen die relative

Verbesserung des Modells gegenüber einem Modell, bei dem alle Variablen

unabhängig voneinander sind aus. RHO1 versucht DELTA1 um die Freiheitsgrade zu

bereinigen. DELTA2 versucht DELTA1 von der Abhängigkeit von der

Stichprobengröße und den Freiheitsgraden zu beseitigen. Alle drei Werte sollten

nahe bei Eins liegen4.

Die von Bales (1982) vorgeschlagene Aufsummierung der Items zu Faktorenwerten

erwies sich hier als wenig realitätsnah. Das diese Vorgehensweise den Symlog-

Raum nicht darzustellen vermag wurde durch die Ergebnisse der Abschnitte 4 und 5

bereits angedeutet. Die hier angestellte Berechnung verneint ein solches Vorgehen

mit den verwendeten Daten. Eine Summierung mittels gewichteter Einflüsse wäre

denkbar. Wäre das Modell perfekt angepasst, so müssten eindimensionale Items mit

dem Gewicht 1, zweidimensionale Items mit 0,5 und dreidimensionale Items mit 0,33

einbezogen werden. Dieses Vorgehen ist jedoch aufgrund der nur teilweise

bestätigten Ladungen in Abschnitt 5 äußerst fraglich.

4 Auf weitere Ausführungen und Varianten dieses Modells wird hier verzichtet, da die Ergebnisse für vorgegebene Varianzen

der Fehler noch weniger Aussagen machen als das aufgeführte Ergebnis.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

26

7.2.3 Ebenenkonstrukt

Ein weiteres Modell, dass sich zur Prüfung der bestehenden theoretischen

Annahmen eignet, benötigt drei unabhängigen Ebenen, die zusammen den Raum

U

UP

UN

N

P

DN

D

DP

Abbildung 3:

Hilfsfaktoren UPDN und UNPD

ergeben. Auch hier ergibt sich erneut das Problem der Identifikation des Modells.

Durch die Einführung von zwei neuen Faktoren, die mittels der zweidimensionalen

Items gewonnen werden und im 45° Winkel auf den eindimensionalen Faktoren

stehen, ergibt sich ein Modell, dass mittels der 2-Indikatorenregel eindeutig

identifiziert ist. Abbildung 3 zeigt dieses Konstrukt grafisch.

Die Daten zur Berechnung des Modells sind die Originaldaten, d.h. sie gehen

unverändert, ohne willkürliche Additionen, ins Modell ein. Als Faktorladungen werden

vorgesehen:

---

Analyse des Symlog-Raumes anhand eines Datensatzes

27

Var_U à Faktor UD

Var_D à Faktor UD

Var_P à Faktor PN

Var_N à Faktor PN

Var_UP à Faktor UPDN

Var_UN à Faktor UPDN

Var_DP à Faktor UNDP

Var_DN à Faktor UNDP

Alle Faktorladungen müssten idealerweise 1.0 bzw. ­1.0 sein.

Korrelationen zwischen den Faktoren sind in diesem Modell folgende vorhanden:

KOV(Faktor UD; Faktor UNDP)

KOV(Faktor PN; Faktor UNDP)

KOV(Faktor UD; Faktor UPDN)

KOV(Faktor PN; Faktor UPDN)

Die Darstellung in Abbildung 4 zeigt das beschriebene Modell in der AMOS

verständlichen Form. Dieses Modell wurde, in der entsprechend auf die Ebenen

angepasster Form, dreimal gerechnet.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

28

Abblidung 4:

AMOS-Modell

Der grundlegende Unterschied besteht darin, dass die Modellvorstellung bereits in

dieser Form, ohne die Varianzen der Faktoren festlegen zu müssen, eindeutig

identifiziert ist. Zusätzlich befinden sich in den Ebenen auch zweidimensionale Items,

welche die gestellten Ansprüche an den Datensatz erhöhen und die Berechnung um

Potenzen interessanter machen.

Der Chi-Quadrat-Wert ist im Vergleich zum ersten Modell relativ gering. Da dieser

aber immer abhängig von der Stichprobengröße ist, kann hier noch keine Aussage

gemacht werden. Die wichtigste Bedingung, dass entgegengesetzte Variablen auch

tatsächlich entgegengesetzt gemessen werden, ist erfüllt. Unter der Teilüberschrift

,,Regression Weights" sind die unstandardisierten Faktorladungen aufgelistet. U lädt

positiv und sein Pendant D negativ. Genauso verhält es sich für die anderen

Variablen. Bessere Aussagen erhält man jedoch durch die Betrachtung der

,,Standardized Regression Weights". Man erkennt hier, welche Gewichte der

Variablen auf den jeweiligen Faktor zukommen. U beispielsweise ist hier mit knapp

---

Analyse des Symlog-Raumes anhand eines Datensatzes

29

über der Hälfte seiner Aussagekraft an der Bildung des Faktors UD beteiligt. Die

Variable P mit 80% der Aussagekraft an der Bildung von Faktor PN. Im theoretischen

Modell sollten die einzelnen Faktorladungen 1.0 bzw. ­1.0 sein, was in der

Berechnung nur annähernd erfüllt wird. Am schlechtesten lädt die zweidimensionale

Variable UP, d.h. an dieser Variable müssen bezüglich ihrer Adjektive noch einige

Veränderungen vorgenommen werden, wie auch an Variable DN.

Die oben besprochenen Modelle wurden in erweiterter Form erneut berechnet. Die

Items U und D müssten theoretisch ebenfalls eine Wirkung auf die Hilfsfaktoren

ausüben, da ja U auf den Faktor PUDN einen Einfluss ausüben müsste. Es wurden

in einem weitaus komplizierteren Modell deshalb die Hilfsfaktoren mit den vier

eindimensionalen Items verbunden. Die berechneten Kennwerte erbrachten wie bei

vielen anderen überprüften Modellen keine wesentliche Verbesserung.

Als verbesserungswürdige Variablen seien hier die Variablen B und NF

herausgegriffen.

Die Berechnung der Ebene FB, PN konnte nicht durchgeführt werden, da das Modell

in der Form im Gegensatz zu den zwei anderen Ebenenmodellen nicht identifiziert ist

bzw. der Rechner bei Iteration Nummer 20342 das gesamte System zum erliegen

gebracht hat.

8 Zusammenfassung

Die angestellten Berechnungen ergaben, wie das bereits von Schneider und Krolak-

Schwerdt (1994: S. 128) mit der dreimodalen Faktorenanalyse versucht wurde, ,,nicht

die erwartete Struktur des postulierten dreidimensionalen Raumes". Dennoch

konnten bei genauer Betrachtung der Ergebnisse zumindest teilweise die theoretisch

determinierten Strukturen extrahiert werden. In ihrem Artikel berechnen Schneider

und Krolak Schwerdt (1994: S. 121) nur die Komplettlösung: ,,1. zur Prüfung der

Hypothese, daß dem Itemraum die Struktur der SYMLOG-Dimensionen unterliegt, ist

eine Kriteriumsrotation auf die idealisierte Faktormatrix der 26 Items erforderlich".

Durch die Vereinfachung des Modells durch Ebenenkonstrukte konnte in dieser

Arbeit dennoch eine Struktur gefunden werden. Diese entspricht zwar nicht genau

dem von Bales (1982) postulierten Raum, gibt aber dennoch Anlass die

---

Analyse des Symlog-Raumes anhand eines Datensatzes

30

Nullhypothese ,,Im Datensatz befindet sich keinerlei Struktur", unter Berücksichtigung

eines schwer zu quantifizierenden Sicherheitsniveaus zu verwerfen.

In Übereinstimmung mit Schneider und Krolak-Schwerdt, die zwar ein anderes

Verfahren anwandten, ist ,,eine erheblich verbesserte Approximation an die

theoretische Itemkonfiguration zu erwarten" (1994: S. 129). Die Items DP und PF

sollten aufgrund explorativer Analysen, die Items DN, UP, NF und D aufgrund des 3

Ebenenmodells der konfirmatorischen Faktorenanalyse erneut überdacht werden.

Dennoch ,,ist der Versuch, die Erhebung von Wertkonzepten durch Anpassung des

Fragebogens an die entsprechende Kultur zu bewerkstelligen, fraglich." (Schneider

und Krolak-Schwerdt, 1994: S. 129)

Die Ergebnisse führen in jedem Fall zu einer verbesserten Vorstellung des

empirischen gegebenen Raumes.

9 Diskussion

Es wurde dargelegt, dass sich die Verfahren explorative und konfirmatorische

Faktorenanalyse für die Untersuchung des Symlog-Raumes eignen. Gerade bei der

explorativen Faktorenanalyse handelt es jedoch um ein sehr datenorientiertes

Verfahren. Hier muss deshalb mit erhöhter Vorsicht interpretiert werden.

,,Die erfundene Wirklichkeit" im Sinne Watzlawicks (1999) stellt eine nicht zu

verachtende Kritik an Verfahren wie den hier besprochenen dar. Feyerabend (1991),

der sich zugegeben als Wissenschaftsanarchist bezeichnet, weist in seinem Werk

,,Wider den Methodenzwang" nach, dass methodisches Vorgehen der empirischen

Forschung nicht zu einer Annäherung an die Wahrheit führen muss. Unter

Berücksichtigung dieser Publikationen kann mit Verdrossenheit die Frage nach dem

Sinn dieser Untersuchungen gestellt werden.

Weber (1980, S. 1) versteht jedoch unter ,,Sinn" auch einen ,,durchschnittlich und

annähernd in einer gegebenen Masse von Fällen von den Handelnden [...] subjektiv

gemeinter Sinn".

Somit soll die Diskussion so enden wie Sixtl (1999, S. V) sein Werk einleitet: ,,Wenn

die Physiker die Lichtgeschwindigkeit wiederholt messen und das Ergebnis durch

folgendes Vertrauensintervall ausdrücken:

Pr(

L

-

.

299

5

,

752

)

1

,

0

= 95

,

0

dann glauben sie auch daran, daß sie die Lichtgeschwindigkeit ,,auf hundert Meter

genau" kennen. Ein Psychologe zeigt selten ein solches Vertrauen zu seinen

---

Analyse des Symlog-Raumes anhand eines Datensatzes

31

Resultaten, auch wenn er sich ähnlich ausdrückt wie ein Physiker. [...] Ich will nicht

behaupten, daß die Skepsis der Psychologen unbegründet sei. Dagegen behaupte

ich, daß sie Ursachen hat, die zum Teil behoben werden können."

Auch in dem bereits erwähnten Artikel von Schneider und Krolak-Schwerdt (1994) ist

diese Skepsis klar zu lesen. (vgl. Abschnitt 8). Ich halte die Frage für berechtigt:

,,Warum werden in den Naturwissenschaften empirisch gestützte Ergebnisse mit viel

mehr Selbstvertrauen publiziert als in den Sozialwissenschaften?"

10 Fazit

Es wurde gezeigt, dass weitere Erforschung des von Bales (1982) entwickelten

Verfahrens ,,Symlog" zu erstaunlichen Ergebnissen führen kann. Auch wurde gezeigt,

dass es sich bei der Operationalisierung in keinem Fall um eine perfekte Anpassung

an die theoretische Vorgabe handelt. Dennoch muss man mit Respekt anerkennen,

dass das Symlog-Verfahren tatsächlich einen Raum vektorisiert, welcher auf einer

Reihe von Adjektiven basiert. Das allein ist schon sehr erstaunlich, wenn man auf der

einen Seite bedenkt welche hohen Anforderungen durch die theoretische Vorgabe an

die Daten gestellt werden. Auf der anderen Seite muss berücksichtigt werden wie

viele unterschiedliche Interpretationen es hinsichtlich der verwendeten Adjektive gibt,

welche Unschärfen durch die Stichprobe entstehen und welche Verzerrungen durch

die geringe Anzahl der beobachteten Personen auftreten. Außerdem ist es mit

diesem Verfahren trotz der Unschärfe der Variablen möglich beobachtete Personen

zumindest grob zu charakterisieren.

Eine weitere Auseinandersetzung mit der schwierigen Aufgabe ist nötig und die

Verbesserung von Symlog mittels faktorenanalytischer Verfahren möglich. Hierzu ist

jedoch weitere Arbeit nötig. Es müssten Datensätze analysiert werden, die in

unterschiedlichen Situationen erhoben wurden. Auch eine Beobachtung einer

größeren Anzahl verschiedener Personen wäre äußerst wünschenswert.

Da nun der theoretisch vorgegebene Raum exploriert wurde und eine perfekte

Faktorlösung vorgegeben werden kann, ist erstens ein eigens für Symlog

entwickeltes Testverfahren vorstellbar, zweitens eine Erzeugung eines perfekten

Raumes und drittens die Anwendung clusteranalytischer Verfahren auf erhobenen

Daten, die sogar möglicherweise zu Daten, die den perfekten Raum darstellen,

hinzugefügt werden, um eine bessere Verortung im Raum zu gewährleisten.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

32

Doch nicht zu vergessen ist die Notwendigkeit sich den noch immer sehr abstrakten

Raum vorzustellen. Dies ist, nach meiner Ansicht, nur möglich, indem man sich einen

eigenen Standpunkt in diesem Raum zuordnet. Gedanken, über die Möglichkeit sich

innerhalb des Raumes zu bewegen und mit welcher Energie diese Bewegung erfolgt,

werfen weitere Fragen auf.

Auch wenn noch eine Vielzahl an Fragen ungeklärt bleibt, so konnte doch die

eingangs gestellte Aufgabe, die Existenz des Symlog-Raumes zu bestätigen und

Verbesserungsvorschläge zu entwickeln, vollends erfüllt werden.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

33

11 Literatur

Arbuckle, James L. (1997):

,,AMOS Users` Guide Version 3.6", 1997, SPSS Inc.

Bacher, Johann (WS 99/00):

,,Skalierung und Clusteranalyse ­ Vorlesungsskript

,Konfirmatorische Faktorenanalyse′, WS 99/00."

Bales, F., Robert und Cohen, P., Stephen (1982):

,,SYMLOG: e. System für d.

mehrstufige Beobachtung von Gruppen" ­ Aus dem Amerikanischen übers. Von

Johann Schneider und Peter Orlik ­ Stuttgart: Klett-Cotta.

Borg, Ingwer und Staufenbiel, Thomas (1997):

,,Theorien und Methoden der

Skalierung: eine Einführung" ­ 3., überarb. Aufl. ­ Bern; Göttingen; Totonto;

Seattle: Hans Huber Verlag. (Methoden der Psychologie; Bd. 11)

Bortz, Jürgen (1999):

,,Statistik für Sozialwissenschaftler". ­ 5., vollst. überarb. Aufl.

­ Berlin, Heidelberg, u.a.: Springer Verlag.

Feyerabend, Paul K. (1991):

,,Wider den Methodenzwang". - 3. Aufl. Frankfurt am

Main: Suhrkamp

Geider, Franz J.; Rogge, Klaus-Eckart; Schaaf, Harald P. (1982):

,,Einstieg in die

Faktorenanalyse". Heidelberg: Quelle & Meyer

Krolak-Schwerdt, Sabine (1994):

,,Ein Methodenvorschlag für interkulturelle

Vergleiche". In:

Gruppendynamik

Heft 2, Juni 1994.

Lienert, Gustav und Raatz, U. (1998):

,,Testaufbau und Testanalyse" ­ 6. Auflage ­

Weinheim: Psychologie Verlags Union.

Pawlik, Kurt (1976):

,,Dimensionen des Veraltens ­ Eine Einführung in Methodik und

Ergebnisse faktorenanalytischer psychologischer Forschung". ­ 3., unveränderte

Auflage ­ Bern; Stuttgart; Wien: Hans Huber Verlag.

Polley, B. Richard, Hare A. Paul and Stone J. Philip (1988):

THE SYMLOG

PRACTITIONER ­ Applications of Small Group Research" New York, Westport,

Connecticut, London: PraegerPublishers.

Sixtl, Friedrich (1996):

"Einführung in die Exakte Psychologie". ­ München, Wien:

Oldenburg

Tabachnik, Barbara und Fidell, S., Linda (1996):

,,Using Multivariate Statistics". -

Third Edition ­ New York: HarperCollins College Publishers.

---

Analyse des Symlog-Raumes anhand eines Datensatzes

34

Überla, K (1977):

Faktorenanalyse ­ Eine systematische Einführung für

Psychologen, Mediziner, Wirtschafts- und Sozialwissenschaftler". ­ Nachdruck der

zweiten Auflage ­ Berlin; Heidelberg; New York: Springer Verlag

Watzlavik, Paul (1999):

,,Die erfundene Wirklichkeit". 11.. Auflage ­ München: Piper.

Weber, Max (1980):

,,Wirtschaft und Gesellschaft: Grundriß d. verstehenden

Soziologie". ­ 5., rev. Aufl., Studienausg. ­ Tübingen: Mohr.

---