Durch diagnostische Verfahren in den Sozialwissenschaften werden Daten ermittelt, die je nach Fragestellung geordnet, verglichen und interpretiert werden müssen. Um beispielsweise Testergebnisse eines Intelligenztest zu interpretieren, könnten wir die Ergebnisse miteinander vergleichen. Dazu benötigen wir Bezugsnormen: Das erzielte Ergebnis könnte mit den Ergebnissen anderer verglichen werden (soziale Bezugsnorm) oder mit dem vorherig erzielten Ergebnis (individuelle Bezugsnorm) oder mit einem vorgegebenen Ziel (sachliche Bezugsnorm). Allerdings bieten diese Bezugsnormen keine ausreichende Interpretations- oder gar eine Vergleichsgrundlage. Die individuelle Bezugsnorm ist ohne eine Kenntnis bezüglich des Schwierigkeitsgrades der bearbeiteten Aufgabe wenig aussagekräftig, da die reine Zahl von richtig oder falsch gelösten Aufgaben in verschiedenen Tests keine fundierte Auskunft gibt. Die Bezugsnormen dienen lediglich für eine spezifische und soziale Gegenüberstellung. Für Vergleiche innerhalb der Stichprobe oder zu weiteren Erhebungen sind Bezugsnormen nicht geeignet. Daher gibt es in der Statistik verschiedene Verfahren, die einen Test normieren. Damit lassen sich Fehlerzahlen, Tests, Beobachtungen, etc. in einen neuen Bezugsrahmen setzen, der eine Vergleichbarkeit außerhalb und binnen von Stichproben erst ermöglicht. [vgl. Ingenkamp 2005, S. 63 f.]. Die fähigkeitsorientierte Norm beispielsweise setzt einen klar definierten Kompetenzrahmen voraus. Die erlangten Ergebnisse können in diesen zur jeweils von einander abgegrenzten Stufe eingeordnete werden. Durch die klare Definition jeder Stufe können Rückschlüsse auf die Fähigkeiten von Personen gezogen werden. Zum Beispiel könnte bei schulischen Bewertungen eine fähigkeitsorientierte Norm bei der Notenvergabe eingesetzt werden. Sie zeigt die Fähigkeiten einer Schülerin/eines Schülers im Vergleich zu definierten Kompetenzstufen. [vgl. Ingenkamp 2005, S. 70 ff.] Im Folgenden werden exemplarisch drei Verfahren erläutert, die sich an repräsentativen Erhebungen anlehnen. Welche Probleme können jedoch bei der Interpretation der Ergebnisse mit der Normierung von Daten verbunden sein und wo liegen die Grenzen der einzelnen Verfahren?
Inhaltsverzeichnis
1 Einleitung
2 Definition
3 Normierungsverfahren
3.1 Prozentrangskala
3.2 z-Transformation
3.3 Flächentransformation
3.4 Möglichkeiten und Grenzen
4 Zusammenfassung und Schlussfolgerung
5 Literaturangaben
6 Anhang
6.1 Graphischer Vergleich von Normskalen im Bezug zur Normalverteilung
6.2 Beispieltabelle zu den Prozenträngen
6.3 Auszug aus einer z-Wert-Tabelle
6.4 Flächentransformation von einer schiefen Verteilung (a) in eine Normalverteilung (b)
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Bedeutung und Anwendung statistischer Normierungsverfahren in den Sozialwissenschaften darzulegen, um die Vergleichbarkeit von Daten über unterschiedliche Stichproben hinweg zu ermöglichen und kritisch zu bewerten.
- Grundlagen der diagnostischen Datenermittlung und Bezugsnormen
- Erläuterung der Prozentrangskala als Instrument zur positionsbezogenen Einordnung
- Methodik der z-Transformation zur Standardisierung von Werten
- Anwendung der Flächentransformation bei schiefen Verteilungen
- Kritische Reflexion der Möglichkeiten und Grenzen der Normierung
Auszug aus dem Buch
3.1 Prozentrangskala
Die Prozentrangskala zählt zu der am meisten verwendeten Normenskala. Der jeweilige Rang definiert die Stellung eines Wertes innerhalb der Stichprobe bezüglich eines Merkmals. Er stellt also die relative Position des Wertes in einer Rangordnung dar. Die Messung bezieht sich auf die Ordinalskala, bei denen keine festgelegten Intervalle zwischen den Werten vorliegen. Demnach ist beispielsweise die Berechnung des Mittelwertes oder der Streuung wenig sinnvoll. Durch die Errechnung der kumulierten Häufigkeiten ergibt sich eine Anordnung, die eine Antwort darauf gibt, wie viele Werte in dem gleichen Bereich liegen. Durch Quantilgrenzen wird die Verteilung geviertelt: Die 25%-Grenze (Q1), unterhalb derer sich 25% der Werte befinden, die 50%-Grenze (Q2), die demnach dem Median entspricht, und die 75%-Grenze (Q3), innerhalb der sich 75% der Werte befinden. Der Prozentrang lässt sich aus dem Rohwert berechnen, in dem man die kumulierte Häufigkeit cum f durch die Stichprobengröße N dividiert und mit dem Faktor 100 multipliziert [vgl. Ingenkamp 2008, S. 64 f.].
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung führt in die Notwendigkeit von Bezugsnormen in den Sozialwissenschaften ein und erläutert die Relevanz der Testnormierung für die Vergleichbarkeit von Testergebnissen.
2 Definition: Dieses Kapitel definiert den Begriff der Transformation und erläutert die Bedeutung der Normierung in der psychologischen Diagnostik zur Vergleichbarkeit von Individuen und Zeitpunkten.
3 Normierungsverfahren: Es werden drei exemplarische Verfahren vorgestellt: Prozentrangskala, z-Transformation und Flächentransformation, die jeweils unterschiedliche Ansätze zur Datenangleichung verfolgen.
3.1 Prozentrangskala: Die Prozentrangskala wird als relatives Positionsmaß für Ordinalskalen vorgestellt, wobei die Berechnung über kumulierte Häufigkeiten und Quantilgrenzen erfolgt.
3.2 z-Transformation: Dieses Kapitel erläutert die z-Transformation als lineare Standardisierung, bei der Daten auf einen Mittelwert von 0 und eine Standardabweichung von 1 transformiert werden.
3.3 Flächentransformation: Es wird dargelegt, wie eine Flächentransformation eingesetzt werden kann, um schiefe Verteilungen durch Anpassung der x-Achse in eine Normalverteilung zu überführen.
3.4 Möglichkeiten und Grenzen: Die Grenzen der Verfahren werden reflektiert, insbesondere der mögliche Verlust des Skalenniveaus und die Gefahr der Scheindifferenzierung durch Normierung.
4 Zusammenfassung und Schlussfolgerung: Das Kapitel fasst die zentralen Erkenntnisse zu den vorgestellten Normierungsverfahren stichpunktartig zusammen.
5 Literaturangaben: Eine Auflistung der verwendeten fachwissenschaftlichen Quellen und Lehrbücher.
6 Anhang: Enthält ergänzende graphische Darstellungen, Beispieltabellen zu Prozenträngen, z-Wert-Tabellen sowie Schaubilder zur Flächentransformation.
Schlüsselwörter
Normierung, Datenanalyse, Sozialwissenschaften, Prozentrangskala, z-Transformation, Flächentransformation, Normalverteilung, Skalenniveau, Standardisierung, Diagnostik, Stichprobe, Mittelwert, Varianz, Messfehler, Statistik
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die mathematischen und statistischen Verfahren zur Normierung von Daten, um Testergebnisse aus den Sozialwissenschaften vergleichbar und interpretierbar zu machen.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen diagnostische Bezugsnormen, verschiedene Skalenniveaus sowie spezifische mathematische Transformationsmethoden wie Prozentränge, z-Transformationen und Flächentransformationen.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, verschiedene Normierungsverfahren vorzustellen und deren Möglichkeiten sowie Grenzen bei der statistischen Dateninterpretation aufzuzeigen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit nutzt Literaturanalysen und veranschaulicht die Methoden durch Formelherleitungen und konkrete Anwendungsbeispiele, wie die Berechnung von Notendurchschnitten oder Klassenarbeiten.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die methodische Definition, die detaillierte Beschreibung der drei Kernverfahren (Prozentrang, z-Transformation, Flächentransformation) sowie eine kritische Auseinandersetzung mit der Validität dieser Transformationen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Normierung, Standardisierung, z-Transformation, Prozentrang, Normalverteilung, Skalenniveau und psychologische Diagnostik.
Warum ist die z-Transformation für den Vergleich von Stichproben besonders geeignet?
Die z-Transformation ermöglicht einen Vergleich, da sie Werte unterschiedlicher Stichproben auf einen einheitlichen Bezugsrahmen (Mittelwert 0, Standardabweichung 1) bringt.
Welches Problem entsteht bei der Flächentransformation bei schiefen Verteilungen?
Durch die Normalisierung einer ursprünglich schiefen Verteilung kann es zu einer Scheindifferenzierung oder zur Angleichung realer Unterschiede kommen, was das ursprüngliche Skalenniveau verfälschen kann.
- Quote paper
- Henriette Kolbe (Author), 2014, Normierung von Daten. Möglichkeiten und Grenzen des Verfahrens, Munich, GRIN Verlag, https://www.grin.com/document/293088
