Analyse des Symlog-Raumes anhand eines Datensatzes

Inhaltsverzeichnis:

1 Einleitung

2 Datengrundlage

3 Analyse der dimensionsbezeichnenden Items
3.1 Zusammenfassung der Ergebnisse
3.2 Interpretation und Verbesserung

4 Erweiterung auf 18 Items
4.1 4 Faktorenlösung
4.1.1 Zusammenfassung der Ergebnisse
4.1.2 Interpretation und Verbesserung
4.2 3 Faktorenlösung
4.2.1 Zusammenfassung der Ergebnisse
4.2.2 Interpretation und Verbesserung

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

6 Zusammenfassung der Exploration

7 Konfirmatorische Prüfung der Modellvorstellung
7.1 Identifikation
7.2 Prüfung des Modells
7.2.1 Gesamtmodell
7.2.2 Summierte Faktorenwerte
7.2.3 Ebenenkonstrukt

8 Zusammenfassung

9 Diskussion

10 Fazit

11 Literatur

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 (Systematic multilevel observation of groups), 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 (Wireless Application) 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 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 in dieser Leseprobe nicht enthalten

Abbildung 1: Der Symlograum (entnommen aus Bales, 1982; S. 63)

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

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.

Abbildung in dieser Leseprobe nicht enthalten

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Varimax mit Kaiser-Normalisierung.

a. Die Rotation ist in 6 Iterationen konvergiert.

Tabelle 1: Hauptkomponentenanalyse

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

Abbildung in dieser Leseprobe nicht enthalten

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.

Abbildung in dieser Leseprobe nicht enthalten

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 ImageFaktorisierung, 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

Abbildung in dieser Leseprobe nicht enthalten

Extraktionsmethode: Hauptkomponentenanalyse.

Rotationsmethode: Oblimin mit Kaiser-Normalisierung.

Tabelle 4: Komponentenkorrelationsmatrix

Analyse des Symlog-Raumes anhand eines Datensatzes

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.

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.

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 Faktorenösung

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).

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 Komponentenmatrixa

Abbildung in dieser Leseprobe nicht enthalten

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.

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

Analyse des Symlog-Raumes anhand eines Datensatzes

Rotierte Komponentenmatrixa

Abbildung in dieser Leseprobe nicht enthalten

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).

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.

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):

Rotierte Komponentenmatrixa

Abbildung in dieser Leseprobe nicht enthalten

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.

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.

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

Die zwei Regeln lauten wie folgt:

Abbildung in dieser Leseprobe nicht enthalten

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.

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 Faktorenkombinationen 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.

Abbildung in dieser Leseprobe nicht enthalten

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 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 SymlogRaum 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.

7.2.3 Ebenenkonstrukt

Ein weiteres Modell, dass sich zur Prüfung der bestehenden theoretischen Annahmen eignet, benötigt drei unabhängigen Ebenen, die zusammen den Raum

Abbildung in dieser Leseprobe nicht enthalten

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:

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.

Abbildung in dieser Leseprobe nicht enthalten

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 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 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 -299.752,5 £ 0,1) = 0,95

dann glauben sie auch daran, daß sie die Lichtgeschwindigkeit „auf hundert Meter genau“ kennen. Ein Psychologe zeigt selten ein solches Vertrauen zu seinen 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.

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.

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.

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.

[...]

---

¹ Klein geschriebene Items laden weniger stark

² z.B. DP=D+P

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

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.