multivariate verfahren - hogrefe.de · regressionsanalyse 3 rudolf & müller (2011):...

Regressionsanalyse 1

Rudolf & Müller (2011): Multivariate Verfahren (2. Auflage). Göttingen: Hogrefe

Matthias Rudolf & Johannes Müller

Multivariate Verfahren Eine praxisorientierte Einführung mit Anwendungsbeispielen in SPSS

Praxisbeispiel zur Regressionsanalyse:

Berufskompetenz

Inhalt:

1 Beschreibung der Untersuchung 2

2 Beschreibung der Daten 3

3 Auswertung 5

3.1 Häufigkeitsanalyse 5

3.2 Korrelationsanalyse 6

3.3 Multiple Regressionsanalyse 8

3.4 Hierarchische Regressionsanalyse 13

4 Literatur 23

Berufskompetenz

2


Berufskompetenz

Das nachfolgende Praxisbeispiel dient zur Illustration der Regressionsanalyse, deren Grundlagen ausführlich im Kapitel 2 des Buches Multivariate Verfahren beschrieben sind.

1 Beschreibung der Untersuchung

Die folgende kurze Darstellung der Untersuchung orientiert sich an Pietrzyk (2002): „Brüche in der Berufsbiografie – Chancen und Risiken für die Entwicklung beruflicher Kompetenz“. An der Untersuchung nahmen 64 Arbeitslose, 113 Arbeitslose in Fortbildung und 62 sich im Erwerb befindliche Personen teil. Aus dieser umfangreichen Untersuchung soll hier eine spezielle Fragestellung herausgegriffen werden, und zwar die Frage nach der Vorhersagbarkeit der beruflichen Kompetenz aus der Qualität der Arbeit. Zur Erfassung der beruflichen Kompetenz schätzen die Probanden Kenntnisse und Fähigkeiten ein, die sie im Zusammenhang mit ihrem Beruf einsetzen. Es wird also das Kompetenzerleben als Indikator für die tatsächliche Kompetenz erhoben. Die Qualität der Arbeit (Prädiktor) bezieht sich innerhalb der vorliegenden Fragestellung insbesondere auf deren Lernhaltigkeit. Die Probanden beurteilen hierbei, inwieweit ihre Tätigkeit ein Lernen in der Arbeit ermöglicht, d.h. inwiefern sie ihre beruflichen Kompetenzen durch die Ausführung der jeweiligen Tätigkeit erhalten bzw. weiterentwickeln können. Mittels multipler Regressionsanalyse soll nun geprüft werden, ob sich die selbsteingeschätzte Kompetenz anhand der Merkmale der Arbeit vorhersagen lässt. Da starke Zusammenhänge zwischen der (selbsteingeschätzten) Kompetenz und Persönlichkeitseigenschaften existieren, sollen anschließend im Rahmen hierarchischer Regressionsanalysen zusätzliche Prädiktoren ausgewählter Persönlichkeitseigenschaften analysiert werden. Dabei sollen die Analysen zunächst nur für die Erwerbstätigen durchgeführt werden. Der Varianzanteil der beruflichen Kompetenz, der auf lernrelevante Arbeitsmerkmale zurückgeführt werden kann, bietet für Arbeitspsychologen die Chance, durch die Gestaltung von Arbeitsplätzen auf die Entwicklungsmöglichkeiten der Kompetenz einzuwirken.

In differenzierenden Analysen soll außerdem untersucht werden, ob sich Brüche in der Berufsbiografie auf das Bestimmtheitsmaß der Regression auswirken. Die Berufsbiografie einer Person enthält sämtliche im Laufe des Berufslebens ausgeübten Tätigkeiten dieser Person. Von einem Bruch in der Berufsbiografie, also einem beruflichen Abstieg („downgrading“), wird u.a. dann gesprochen, wenn das Qualifikationsniveau einer neuen Tätigkeit niedriger als die Qualifikation der Person ist. Ein weiteres Beispiel für einen beruflichen Abstieg ist Langzeitarbeitslosigkeit (über 24 Monate). In der vorliegenden Untersuchung hatten 105 der 239 Probanden einen beruflichen Abstieg in ihrer Berufsbiografie. Es soll untersucht werden, ob der Zusammenhang zwischen den Merkmalen der Arbeit (Lernhaltigkeit) und dem Kompetenzerleben bei diesen Personen stärker ist. Neben einer Reihe weiterer



Variablen wurde in der Untersuchung die Lebenszufriedenheit der Probanden erfragt. Diese soll ebenfalls differenziert für Personen mit und ohne beruflichen Abstieg analysiert werden.

2 Beschreibung der Daten

Im vorliegenden Datensatz ist nur ein Ausschnitt der Erfassung des beruflichen Kompetenzerlebens enthalten. Dieser Ausschnitt bezieht sich auf vier Kompetenzbereiche, die über einzelne Skalen der Frankfurter Selbstkonzeptskalen (FSKN) von Deusinger (1986) erhoben wurden. In Tabelle 1 sind unter Kriterien die zugehörigen Variablen dargestellt. Im Bereich Leistungsfähigkeit (fsal) beurteilt der Proband Erfolge und Misserfolge in Bezug auf auszuführende Tätigkeiten am Arbeitsplatz. Der Bereich Verhaltens- und Entscheidungssicherheit (fsve) erfasst die selbsteingeschätzte Sicherheit des eigenen Verhaltens und die Sicherheit eigener Entscheidungen für Maßnahmen und für gegebene Alternativen. Die Skala Kontakt- und Umgangsfähigkeit (fsku) erfasst die Einschätzung der eigenen sozialen Fähigkeiten im täglichen Umgang mit anderen. Das Selbstkonzept der Standfestigkeit (fsst) schließlich betrifft die soziale Auseinandersetzung mit anderen (auch Autoritätspersonen) hinsichtlich der Durchsetzung eigener Vorstellungen, Meinungen und Standpunkte. Als ein weiteres Kriterium wurde die selbst eingeschätzte Lebenszufriedenheit anhand einer von Schumacher, Laubach und Brähler (1995) modifizierten Version des Fragebogens zur Erfassung der Lebenszufriedenheit (FLZ) von Fahrenberg, Myrtek, Wilk und Krentel (1986) erhoben. Hierbei wird für die allgemeine Lebenszufriedenheit der Summenwert der Zufriedenheit in einer Reihe von Lebensbereichen gebildet.

Die Lernhaltigkeit der Arbeitsaufgabe wird ebenfalls von den Probanden selbst eingeschätzt. Hierzu wurde der Fragebogen zu lernrelevanten Arbeitsmerkmalen (FLAM) von Uhlemann und Wardanjan (1997) eingesetzt. Der Fragebogen enthält 24 Items zu vier in Tabelle 1 dargestellten Dimensionen. Der Entscheidungs- und Handlungsspielraum (eh) betrifft die Möglichkeiten eigener Entscheidungen in Bezug auf die inhaltliche und zeitliche Organisation der Arbeit. Die Dimension Vielfalt und Dynamik (vd) erfasst die Vielfalt der Tätigkeit und das Ausmaß, in dem die Tätigkeit verschiedene Fähigkeiten und Fertigkeiten erfordert. In der Skala Lernen und Rückmeldung (lr) wird direkt der Umfang an Lernerfordernissen eingeschätzt und die Art der Rückmeldung im Lernprozess beschrieben. Bei der Durchschaubarkeit (du) wird das Ausmaß der zur Verfügung stehenden Informationen bezüglich der Arbeitsorganisation eingeschätzt. Nachfolgend ist je Skala ein Beispielitem dargestellt:

Ich kann mein Arbeitstempo selbst bestimmen (eh) Meine Arbeit erfordert enge Zusammenarbeit mit meinen Kollegen (vd) Ich kann bei meiner Arbeit immer wieder Neues dazulernen (lr) Ich weiß darüber Bescheid, was die anderen Arbeitskollegen tun (du)

Berufskompetenz

4


Da die Entwicklung von Kompetenz v.a. auch abhängig von Persönlichkeitseigenschaften ist, wurden zusätzlich drei lernrelevante Eigenschaften erhoben. Hohe Ausprägungen in Selbstwirksamkeitserwartung (swe) nach Schwarzer (1994) ermöglichen selbstbestimmtes Lernen, wobei schwierige Aufgaben als eine Herausforderung betrachtet werden und das Lernen mit hohem Selbstvertrauen erfolgt. Offenheit für Erfahrungen (off) (modifiziert nach Petermann, Rogall und Schröder, 1985) beschreibt die Tendenz zur Erkundung von Unbekanntem und zur Erweiterung eigener Fähigkeiten. Die nach Hacker, Heisig, Krassek, Nebe und Ullrich (1994) modifizierte Eigenschaft Zielverfolgungsverhalten erfasst die Art, in der sich Personen Ziele stecken. Beispielitems für die Fragebogen der jeweiligen Eigenschaften sind

Was auch immer passiert, ich werde schon damit klarkommen (swe) Es beunruhigt mich, wenn ich den Eindruck erhalte, dass jemand anderer Auffassung ist als ich (off, negative kodiert) Im Allgemeinen stecke ich meine Ansprüche hoch, auch wenn ich dadurch mit Enttäuschungen rechnen muss (zvv)

Tabelle 1: Liste der Variablen zum Beispiel Kompetenz im Beruf

Variablen Label Bemerkungen

Kriterien

fsal Leistungsfähigkeit fsve Verhaltens- und Entscheidungssicherheit fsku soziale Kontakt- und Umgangsfähigkeit fsst Standfestigkeit lzf_allg Allgemeine Lebenszufriedenheit Summenwert über verschiedene

Lebensbereiche

Prädiktoren: Lernrelevante Arbeitsmerkmale

eh Entscheidungs- und Handlungsspielraum vd Vielfalt und Dynamik lr Lernen und Rückmeldung du Durchschaubarkeit

Prädiktoren: Lernrelevante Persönlichkeitseigenschaften

swe Selbstwirksamkeitserwartung off Offenheit für Erfahrungen zvv Zielverfolgungsverhalten hohe Werte entsprechen hartnäckigem

Zielverhalten Gruppierungsvariablen:

berab Beruflicher Abstieg 1 = ohne beruflichen Abstieg, 2 = mit beruflichem Abstieg

status Erwerbsstatus 1 = arbeitslos, 2 = arbeitslos in Fortbildung, 3 = im Erwerb



3 Auswertung

3.1 Häufigkeitsanalyse Die Datei Berufskompetenz.sav im Ordner Regressionsanalyse enthält die Daten der Variablen aus Tabelle 1. Führen Sie zunächst eine Häufigkeitsanalyse für sämtliche Variablen durch, um sich einen Überblick über die Daten zu verschaffen. Wählen Sie hierzu im Hauptmenü unter Analysieren die Option Deskriptive Statistiken, Häufigkeiten. Abbildung 1 zeigt das entsprechende Dialogfenster. Verschieben Sie sämtliche relevanten Variablen in das Feld der Variablen und starten Sie die Analyse.

Abbildung 1: Dialogfenster Häufigkeiten

Tabelle 2 enthält die Statistiken für die ersten sechs Variablen, Tabelle 3 für die zweiten sechs Variablen. Es fällt auf, dass bezüglich der Gruppierungsvariablen und den vier Kriterien für die berufliche Kompetenz keine fehlenden Werte zu verzeichnen sind. Dagegen entstehen bei der Variable Allgemeine Lebenszufriedenheit (lzf_all) angesichts von 55 Fehlwerten erhebliche Einschränkungen für die Analyse und Interpretation. Die vier Prädiktoren der lernrelevanten Arbeitsmerkmale haben zwischen 16 und 18 fehlende Werte.

Abbildung 2: Tabelle Statistiken (Variablen 1 bis 6)

Berufskompetenz

6


Abbildung 3: Tabelle Statistiken (Variablen 7 bis 12) Die Abbildungen 4 und 5 zeigen die Häufigkeitstabellen der Gruppierungsvariablen. Hier können die obigen Angaben zur Häufigkeitsverteilung der Stichprobe überprüft werden.

Abbildung 4: Häufigkeitstabelle beruflicher Abstieg

Abbildung 5: Häufigkeitstabelle Erwerbsstatus 3.2 Korrelationsanalyse In den ersten Regressionsanalysen soll der Zusammenhang der lernrelevanten Arbeitsmerkmale (Prädiktoren) mit den beruflichen Kompetenzen (Kriterien) untersucht werden. Von den vier Kompetenzbereichen soll beispielhaft das Kriterium Leistungsfähigkeit (fsal) herausgegriffen und dargestellt werden. Vor der Berechnung der Regressionsanalyse sollen zunächst bivariate Korrelationen des Kriteriums mit den Prädiktoren berechnet werden. Wählen Sie im Hauptmenü unter Analysieren die Option Korrelation, bivariat. Abbildung 6 zeigt das entsprechende Dialogfenster. Verschieben Sie die Variable Leistungsfähigkeit und die vier lernrelevanten Arbeitsmerkmale Entscheidungs-/Handlungsspielraum (eh), Vielfalt/Dynamik (vd), Lernen/Rückmeldung (lr) sowie Durchschaubarkeit (du) in das Feld für die Variablen und starten Sie die Analyse.



Abbildung 6: Dialogfenster Bivariate Korrelationen

Bei der Betrachtung der Korrelationsmatrix aus Abbildung 7 fällt auf, dass die Korrelationen zwischen dem Kriterium und den einzelnen Prädiktoren zwar jeweils sehr signifikant sind, sich aber lediglich in einem Bereich von .21 bis .31 bewegen. Dagegen sind die Korrelationen zwischen den Prädiktoren (.51 bis .65) teilweise deutlich höher. Es besteht offenbar Multikollinearität der Prädiktoren, was später bei der Interpretation der Regressionskoeffizienten berücksichtigt werden muss.

Leistungsfähig

keit

Entscheidungs- und

Handlungsspielraum

Vielfalt und Dynamik

Lernen und Rückmeldung

Durchschaubarkeit

Leistungsfähigkeit 1 ,293** ,248** ,313** ,212** ,000 ,000 ,000 ,002

239 223 222 223 221 Entscheidungs- und Handlungsspielraum

,293** 1 ,632** ,534** ,464** ,000 ,000 ,000 ,000 223 223 222 223 221

Vielfalt und Dynamik ,248** ,632** 1 ,651** ,508** ,000 ,000 ,000 ,000 222 222 222 222 221

Lernen und Rückmeldung ,313** ,534** ,651** 1 ,471** ,000 ,000 ,000 ,000 223 223 222 223 221

Durchschaubarkeit ,212** ,464** ,508** ,471** 1 ,002 ,000 ,000 ,000 221 221 221 221 221

Abbildung 7: Korrelationsmatrix (Leistungsfähigkeit und lernrelevante Arbeitsmerkmale)

Berufskompetenz

8


3.3 Multiple lineare Regression Als nächstes soll eine multiple Regression mit der Variable Leistungsfähigkeit (fsal) als Kriterium und den vier lernrelevanten Arbeitsmerkmalen als Prädiktoren gerechnet werden. Wählen Sie dementsprechend im Hauptmenü unter Analysieren die Option Regression, Linear. Es erscheint das Dialogfenster aus Abbildung 8. Verschieben Sie Kriterium und Prädiktoren in die hierfür vorgesehenen Felder. Als Methode ist Einschluss beizubehalten. Wählen Sie anschließend die Schaltfläche Statistiken.

Abbildung 8: Dialogfenster Lineare Regression

Es öffnet sich das Dialogfenster aus Abbildung 9. Wählen Sie zusätzlich zu den voreingestellten Schätzern der Regressionskoeffizienten und der Anpassungsgüte des Modells die Deskriptive Statistik und die Kollinearitätsdiagnose. Wählen Sie außerdem für die Prüfung der Voraussetzung der Unabhängigkeit der Residuen die Durbin-Watson-Statistik. Bestätigen Sie die Änderungen mit Weiter und wählen Sie dann im Hauptdialogfenster Regression die Schaltfläche Diagramme.



Abbildung 9: Dialogfenster Lineare Regression: Statistiken

Es erscheint das in Abbildung 10 dargestellte Dialogfenster. Lassen Sie ein Diagramm mit den z-standardisierten vorhergesagten Werten (ZPRED) als x-Achse und den z-standardisierten Residuen (ZRESID) als y-Achse ausgeben. Anhand dieses Diagramms kann später die Voraussetzung der Homoskedastizität geprüft werden. Homoskedastizität betrifft die Unabhängigkeit der Varianz der Schätzfehler (Residuen) vom Prädiktor (hier repräsentiert durch die vorhergesagten Kriteriumswerte). Bestätigen Sie die Änderungen mit Weiter und starten Sie die Analyse.

Abbildung 10: Dialogfenster Lineare Regression: Diagramme

Berufskompetenz

10


Zu Beginn der Ergebnisausgabe erscheint eine Tabelle mit deskriptiven Statistiken aller beteiligten Variablen. In der nachfolgenden Tabelle sind die Korrelationen aus Abbildung 7 dargestellt. Betrachten Sie anschließend die in Abbildung 11 dargestellte Tabelle Modellzusammenfassung. Da die Durbin-Watson-Statistik mit 1.78 zwischen 1.5 und 2.5 liegt, muss nicht mit störenden Autokorrelationen der Residuen gerechnet werden. Das Bestimmtheitsmaß von R2 = .12 kann dahingehend interpretiert werden, dass 12% des Kriteriums Leistungsfähigkeit durch die vier lernrelevanten Arbeitsmerkmale aufgeklärt werden. Der nachfolgenden Tabelle ANOVA aus Abbildung 12 ist zu entnehmen, dass das Bestimmtheitsmaß sehr signifikant von Null verschieden ist. Bei der Interpretation der Ergebnisse ist der relativ große Stichprobenumfang (n = 221) zu berücksichtigen. Er führt dazu, dass das zahlenmäßig eher geringe Bestimmtheitsmaß R2 = .12 sehr signifikant ist.

Abbildung 11: Tabelle Modellzusammenfassung

Abbildung 12: Tabelle ANOVA In Abbildung 13 ist der linke Teil der Tabelle Koeffizienten abgebildet. Hier zeigt sich, das lediglich die Prädiktoren Handlungs-/ Entscheidungsspielraum (� = .17) und Lernen/Rückmeldung (� = .22) signifikant zur Vorhersage beitragen. Diese beiden Arbeitsmerkmale wiesen in Abbildung 7 auch die größten Korrelationen mit der Leistungsfähigkeit auf.

Modell

Nicht standardisierte Koeffizienten Standardisierte Koeffizienten

T Sig. RegressionskoeffizientB Standardfehler Beta

1 (Konstante) 24,789 4,416 5,614 ,000 Entscheidungs- und Handlungsspielraum

2,867 1,423 ,172 2,015 ,045

Vielfalt und Dynamik -,324 1,666 -,019 -,195 ,846 Lernen und Rückmeldung 4,315 1,744 ,216 2,475 ,014 Durchschaubarkeit ,639 1,247 ,039 ,512 ,609

Abbildung 13: Tabelle Koeffizienten (Teil 1) Der rechte Teil der Tabelle Koeffizienten ist in Abbildung 14 dargestellt. Die Toleranz- und VIF-Werte (Varianzinflationsfaktor) in den letzten Spalten deuten nicht auf extreme Effekte infolge von Multikollinearität hin. Trotzdem sind die nicht



signifikanten Prädiktoren Vielfalt/Dynamik und Durchschaubarkeit vermutlich redundant.

Abbildung 14: Tabelle Koeffizienten (Teil 2) Anhand der Tabelle Kollinearitätsdiagnose aus Abbildung 15 können mögliche Effekte der Multikollinearität eingehender betrachtet werden. Ein niedriger Eigenwert und ein hoher Konditionsindex weisen auf Multikollinearität einer Komponente (Dimension) hin. Nach Brosius (2002) weisen Konditionsindizes > 10 auf mäßige und Konditionsindizes > 30 auf starke Multikollinearität hin. Weisen mehrere Variablen einer Komponente hohe Varianzanteile auf, sind diese Variablen an Multikollinearitätseffekten beteiligt. In der vorliegenden Regression sind also Effekte zwischen den Variablen Handlungs-/Entscheidungsspielraum und Durchschaubarkeit (Komponente 2), zwischen Handlungs-/Entscheidungsspielraum und Vielfalt/Dynamik (Komponente 4) sowie zwischen den Variablen Vielfalt/Dynamik und Lernen/Rückmeldung (Komponente 5) zu beobachten. Die in Abbildung 13 beobachteten nicht signifikanten Regressionskoeffizienten der Variablen Vielfalt/Dynamik und Durchschaubarkeit könnten auf die Redundanz dieser Prädiktoren zurückzuführen sein. Da alle beteiligten Prädiktoren an Multikollinearitätseffekten beteiligt sind, sind die einzelnen �-Gewichte instabil. So können sich bei einer anderen Stichprobe große Unterschiede in den Relationen der �-Gewichte zwischen den Prädiktoren ergeben. Dies ist beispielsweise der Fall, wenn die Regression, wie unten gezeigt, nur für die Teilstichprobe der Erwerbstätigen durchgeführt wird.

Da die Kennwerte der Kollinearitätsdiagnose anhand von Regressionen der Prädiktoren mit jeweils einem der Prädiktoren als Kriterium berechnet werden, ist die Kollinearitätsdiagnose unabhängig vom Kriterium der (ursprünglichen) Regressionsanalyse. Im vorliegenden Fall ergeben sich also exakt die gleichen Kennwerte für Toleranz, VIF und Kollinearitätsdiagnose, wenn man die Regression mit einer der anderen drei Kompetenzvariablen oder mit der allgemeinen Lebenszufriedenheit als Kriterium rechnet. Diese Aussage kann überprüft werden, indem die entsprechenden Regressionen gerechnet und die Kennwerte der Kollinearitätsdiagnose verglichen werden.

Berufskompetenz

12


g

Modell Dimension Eigenwert Konditionsindex

Varianzanteile

(Konstante)

Entscheidungs- und

Handlungsspielraum

Vielfalt und Dynamik

Lernen und Rückmeldung

Durchschaubarkeit

1 1 4,965 1,000 ,00 ,00 ,00 ,00 ,00 2 ,012 20,349 ,15 ,34 ,13 ,00 ,36 3 ,011 21,336 ,38 ,01 ,01 ,05 ,64 4 ,008 25,107 ,06 ,64 ,50 ,06 ,01 5 ,004 33,351 ,41 ,01 ,37 ,89 ,00

Abbildung 15: Tabelle Kollinearitätsdiagnose Abbildung 16 zeigt das Streudiagramm mit den z-standardisierten vorhergesagten Werten als x-Achse und den z-standardisierten Residuen als y-Achse. Hier kann beurteilt werden, ob die Punktwolke systematische Varianzveränderungen aufweist und somit die Voraussetzung der Homoskedastizität verletzt ist. Die Punktwolke verläuft in einem relativ gleichmäßigen horizontalen Band, es ist also keine Verletzung der Voraussetzung zu befürchten. Dagegen sollte der offenbar vorhandene Ausreißer mit dem standardisierten Residuum von fast −.8 näher untersucht werden (worauf an dieser Stelle jedoch verzichtet wird).

Abbildung 16: Streudiagramm

Nun können Regressionen mit den drei weiteren Kompetenzkriterien gerechnet werden. Die Voraussetzungsprüfungen sind jeweils zufriedenstellend. Die Bestimmtheitsmaße sind mit R2 = .08 (Verhaltens-/Entscheidungssicherheit), R2 = .07 (soziale Kontakt-/Umgangsfähigkeit) und R2 = .10 (Standfestigkeit) etwas geringer als beim Kriterium Leistungsfähigkeit. Alle drei Bestimmtheitsmaße sind sehr signifikant. Die Regressionskoeffizienten der jeweiligen Regressionsgleichun-gen sind dagegen nicht signifikant.



3.4 Hierarchische Regressionsanalyse

Anschließend sollen hierarchische Regressionsanalysen gerechnet werden, um zu prüfen, welcher Anteil der Varianz eines Kriteriums durch die lernrelevanten Arbeitsmerkmale und welcher Anteil durch die lernrelevanten Persönlichkeitseigenschaften beeinflusst wird. Diese Analysen sollen mit der Teil-stichprobe der Erwerbstätigen durchgeführt werden. Später können die Analysen mit den Teilstichproben der Arbeitslosen und in Fortbildung befindlichen Arbeitslosen durchgeführt und die Ergebnisse verglichen werden. Wählen Sie für die Fallauswahl im Hauptmenü unter Daten die Option Fälle auswählen. Es öffnet sich das Dialog-fenster aus Abbildung 17. Aktivieren Sie hier die Option Falls Bedingung zutrifft und anschließend die Schaltfläche Falls.

Abbildung 17: Dialogfenster Fälle auswählen

Es erscheint das Dialogfenster aus Abbildung 18. Geben Sie hier in das freie Feld für die Berechnungsvorschrift der Auswahl den Term status = 3 ein, um so nur die Erwerbstätigen auszuwählen und bei den folgenden Analysen berücksichtigen zu lassen. Bestätigen Sie die Änderung mit Weiter und aktualisieren Sie die Auswahl, indem Sie im Dialogfenster Fälle auswählen auf OK klicken.

Berufskompetenz

14


Abbildung 18: Dialogfenster Fälle auswählen: Falls

Im Folgenden soll untersucht werden, welchen Anteil die Arbeitsmerkmale zusätzlich zu den Persönlichkeitseigenschaften aufklären. Deshalb sollen in einem ersten Block die drei Persönlichkeitsvariablen und in einem zweiten Block zusätzlich die Arbeitsmerkmale als Prädiktoren in die Analyse eingehen. Wählen Sie hierzu Hauptmenü unter Analysieren im die Option Regression, Linear. Es erscheint das Dialogfenster aus Abbildung 19.


Entfernen Sie gegebenenfalls zunächst sich in den Feldern befindliche Variablen. Verschieben Sie dann das Kriterium Leistungsfähigkeit und die drei



Persönlichkeitseigenschaften Selbstwirksamkeitserwartung (swe), Offenheit für Erfahrungen (off) und Zielverfolgungsverhalten (zvv) als Prädiktoren in die hierfür vorgesehenen Felder. Wählen Sie anschließend die Schaltfläche Weiter, um einen weiteren Block mit Prädiktoren zu definieren.

Es erscheint wie in Abbildung 20 gezeigt der Schriftzug Block 2 von 2 und das Feld der Unabhängigen Variablen ist wieder leer. Verschieben Sie nun die vier Arbeitsmerkmale Entscheidungs-/Handlungsspielraum (eh), Vielfalt/Dynamik (vd), Lernen/Rückmeldung (lr) und Durchschaubarkeit (du) in das Feld für die Unabhängigen Variablen. Wie schon erwähnt, sollen die folgenden Analysen differenzierend für Personen mit und ohne einen beruflichen Abstieg, also einen Bruch in der Berufsbiografie, analysiert werden. Zusätzlich zu der Auswahl der Erwerbstätigen müssen die zu analysierenden Fälle also hinsichtlich der Variable beruflicher Abstieg ausgewählt werden. Im Dialogfenster Lineare Regression kann im Feld Auswahlvariable eine solche Fallauswahl spezifiziert werden. Verschieben Sie dementsprechend die Variable beruflicher Abstieg (berab) in das Feld Auswahlvariable und wählen Sie anschließend die Schaltfläche Bedingung.


Es erscheint das Dialogfenster aus Abbildung 21. Hier kann spezifiziert werden, welche Kategorie(n) der Variable ausgewählt werden sollen. Behalten Sie im ersten Fenster die Option gleich bei. Geben Sie anschließend den Wert 1 ein, um so alle (erwerbstätigen) Personen in die Analyse einzubeziehen, die keinen beruflichen Abstieg erleiden mussten.

Berufskompetenz

16


Abbildung 21: Dialogfenster Lineare Regression: Bedingung aufstellen

Wählen Sie anschließend im Dialogfenster Lineare Regression die Schaltfläche Statistiken, es öffnet sich das in Abbildung 22 gezeigte Dialogfenster. Aktivieren Sie hier zusätzlich die Änderung in R-Quadrat, um die Änderung im Bestimmtheitsmaß anzeigen zu lassen, die sich durch die Aufnahme eines neuen Blocks in die Analyse ergibt. Deaktivieren Sie die Kollinearitätsdiagnose und unter Residuen die Durbin-Watson-Statistik. Starten Sie anschließend die Analyse.

Abbildung 22: Dialogfenster Lineare Regression: Statistiken

Abbildung 23 enthält den linken Teil der Tabelle Modellzusammenfassung. Anhand der Bestimmtheitsmaße zeigt sich, dass 44% der Varianz der erlebten Leistungsfähigkeit durch die lernrelevanten Persönlichkeitseigenschaften vorhergesagt werden kann. Werden die lernrelevanten Arbeitsmerkmale zusätzlich in die Analyse eingegeben, ergibt sich eine Varianzaufklärung von 56%. Anhand der (nicht abgebildeten) ANOVA-Tabelle kann ermittelt werden, dass beide Bestimmtheitsmaße sehr signifikant von Null verschieden sind.



Abbildung 23: Tabelle Modellzusammenfassung (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Persönlichkeitseigenschaften, 2. Arbeitsmerkmale) Abbildung 24 enthält den rechten Teil der Tabelle Modellzusammenfassung. Die Änderung des Bestimmtheitsmaßes durch die Aufnahme des Blocks mit den Arbeitsmerkmalen beträgt .56 − .44 = .12. D. h., es werden 12% zusätzlicher Varianz durch die Aufnahme der Arbeitsmerkmale erklärt. Diese zusätzliche Varianzaufklärung ist jedoch nicht signifikant (p = .14).

Abbildung 24: Tabelle Modellzusammenfassung (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Persönlichkeitseigenschaften, 2. Arbeitsmerkmale)

Abbildung 25 zeigt die Koeffizienten der Analyse. Im ersten Modell mit dem Block der Persönlichkeitseigenschaften ist lediglich der Koeffizient der Selbstwirksamkeitserwartung signifikant. Im vollständigen Modell mit beiden Blöcken ist zusätzlich die Offenheit für Erfahrungen signifikant. Diese Variable weist in diesem Modell auch das höchste �-Gewicht auf. Die �-Gewichte der Arbeitsmerkmale sind alle nicht signifikant.

Als nächstes sollen die beiden Blöcke in umgekehrter Reihenfolge in die hierarchische Regression eingegeben werden. Entfernen Sie dementsprechend in dem in Abbildung 26 gezeigten Dialogfenster Lineare Regression über die Pfeiltaste sämtliche Prädiktoren aus dem Feld für die Unabhängigen Variablen. Wählen Sie die Schaltfläche Zurück, um in den ersten Block zu wechseln und die Prädiktoren dieses Blocks zu entfernen. Alternativ können Sie auch die Schaltfläche Zurücksetzen wählen, um alle Variablen zu entfernen. Dann werden allerdings auch sämtliche Einstellungen in den untergeordneten Dialogfenstern auf die jeweiligen Voreinstellungen gesetzt. Definieren Sie einen ersten Block mit den vier Arbeitsmerkmalen und dann einen zweiten Block mit den drei Persönlichkeitseigenschaften als Prädiktoren. Starten Sie anschließend die Analyse.

Berufskompetenz

18


Modell

Nicht standardisierte Koeffizienten

Standardisierte Koeffizienten

T Sig. RegressionskoeffizientB Standardfehler Beta

1 (Konstante) 30,205 5,447 5,545 ,000 Selbstwirksamkeitserwartung 3,099 1,293 ,432 2,397 ,022 Offenheit für Erfahrung 2,815 1,576 ,340 1,786 ,083 Zielverfolgungsverhalten -1,186 1,168 -,149 -1,016 ,317

2 (Konstante) 27,470 8,189 3,355 ,002 Selbstwirksamkeitserwartung 2,762 1,286 ,385 2,149 ,040 Offenheit für Erfahrung 3,862 1,591 ,467 2,428 ,022 Zielverfolgungsverhalten -1,828 1,182 -,229 -1,547 ,133 Entscheidungs- und Handlungsspielraum

3,666 2,163 ,280 1,695 ,101

Vielfalt und Dynamik ,517 2,894 ,042 ,179 ,859 Lernen und Rückmeldung ,722 2,706 ,047 ,267 ,791 Durchschaubarkeit -4,206 2,185 -,339 -1,925 ,064

Abbildung 25: Tabelle Koeffizienten (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Persönlichkeitseigenschaften, 2. Arbeitsmerkmale)


Abbildung 27 enthält ausgewählte Teile der Tabelle Modellzusammenfassung. Das Bestimmtheitsmaß für die Vorhersage der Leistungsfähigkeit anhand der vier Arbeitsmerkmale beträgt 14%. Es ist nicht signifikant (p = .30, abzulesen in der letzten Spalte oder in der nachfolgenden Tabelle ANOVA). Wenn zusätzlich die Persönlichkeitseigenschaften als Prädiktoren aufgenommen werden, erhöht sich das Bestimmtheitsmaß um 42% auf 56%. Dieses Bestimmtheitsmaß des Gesamtmodells von 56% entspricht dem der vorherigen Analyse (vgl. Abbildung 24), da das



Gesamtmodell unabhängig von der Reihenfolge der eingegebenen Blöcke ist. Durch den Vergleich der beiden Analysen können nun die aufgeklärten Varianzanteile eingehender untersucht werden. Der aktuellen Analyse ist zu entnehmen, dass 14% der aufgeklärten Varianz auf die Arbeitsmerkmale zurückzuführen ist, wenn sie als alleinige Prädiktoren in die Analyse eingehen. Laut der vorhergehenden Analyse (vgl. Abbildung 24) klären die Persönlichkeitseigenschaften als alleinige Prädiktoren 44% der Varianz auf. Die Summe dieser beiden (jeweils getrennt erhobenen) Varianzanteile ergibt 14% + 44% = 58%. Die Gesamtaufklärung des Modells, in dem sowohl Arbeitsmerkmale als auch Persönlichkeitseigenschaften als Prädiktoren eingehen, ist allerdings nur 56%. Folglich existiert ein Überschneidungsbereich von 58% − 56% = 2%. Dieser Anteil der Varianz in der Leistungsfähigkeit kann also sowohl durch die Arbeitsmerkmale als auch durch die Persönlichkeitsmerkmale erklärt werden.

Abbildung 27: Tabelle Modellzusammenfassung (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Arbeitsmerkmale, 2. Persönlichkeitseigenschaften)

Die �-Gewichte, Signifikanzen usw. des vollständigen Modells sind ebenso unabhängig von der Reihenfolge der Eingabe der Blöcke, wie das Bestimmtheitsmaß. Dementsprechend stimmen die jeweiligen Koeffizienten des Gesamtmodells exakt mit denen aus Abbildung 25 überein.

Die obigen beiden Analysen sollen nun mit den Personen durchgeführt werden, die einen beruflichen Abstieg in ihrer Karriere zu verzeichnen haben. Definieren Sie zunächst eine Analyse, in der im ersten Block die Persönlichkeitseigenschaften und im zweiten Block die Arbeitsmerkmale aufgenommen werden (vgl. Abbildungen 19 und 20). Geben Sie dann wie in Abbildung 28 gezeigt im Dialogfenster Lineare Regression: Bedingung aufstellen für die Variable berab den Wert 2 ein. Starten Sie anschließend die Analyse. Berechnen Sie danach eine erneute Analyse mit der umgekehrten Blockreihenfolge (vgl. Abbildung 26).

Berufskompetenz

20


Abbildung 28: Dialogfenster Lineare Regression:

Bedingung aufstellen Bei der großen Anzahl verschiedener Analysen bietet sich in der Ergebnisausgabe die Navigation über das Inhaltsverzeichnis im linken Fenster an. Die Abbildungen 29 und 30 zeigen die Tabellen Modellzusammenfassung der jeweiligen Analyse der Personen mit einem beruflichen Abstieg. Wenn sie jeweils als alleinige Prädiktoren eingesetzt werden, klären die Persönlichkeitsmerkmale 56% der Varianz auf (Abbildung 29), die Arbeitsmerkmale 39% (Abbildung 30). Der erklärte Anteil durch die Arbeitsmerkmale ist für die Personen mit beruflichem Abstieg also um 39% − 14% = 25% höher als der für Personen ohne beruflichen Abstieg (vgl. Abbildung 27), wenn auch nur tendenziell signifikant (p = .1). Der Anteil der Varianz, der zusätzlich zu der Aufklärung durch die Persönlichkeitseigenschaften von den Arbeitsmerkmalen aufgeklärt wird, beträgt 10%, der Zuwachs ist allerdings nicht signifikant. Die Ergebnisse deuten insgesamt also in die vermutete Richtung, nämlich, dass bei Personen mit einem beruflichen Abstieg der Zusammenhang zwischen Arbeitsmerkmalen und (erlebter) Kompetenz höher ist. Bei diesen Personen hat also das Ausmaß, in dem bei ihrer Tätigkeit Lernen gefordert ist, einen größeren Einfluss auf die selbsteingeschätzte Kompetenz als bei Personen, deren Arbeitsplatz ihrer Qualifikation entspricht. Die entsprechenden Ergebnisse sind aber nicht signifikant. Allerdings muss hier auch berücksichtigt werden, dass lediglich n = 20 erwerbstätige Probanden mit einem beruflichen Abstieg untersucht wurden.

Abbildung 29: Tabelle Modellzusammenfassung (Teilstichprobe mit beruflichem Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Persönlichkeitseigenschaften, 2. Arbeitsmerkmale)

Das Bestimmtheitsmaß für das Gesamtmodell beträgt 67%, die Summe der Bestimmtheitsmaße bei getrennter Eingabe der beiden Prädiktorgruppen 56% + 39% = 95%. Daraus ergibt sich ein der Anteil der Varianz, der von beiden Prädiktorgruppen gleichermaßen vorhergesagt werden kann, zu 95% - 67% = 28%.



Dieser gemeinsame Varianzanteil ist also deutlich höher als bei den Personen ohne beruflichen Abstieg.

Abbildung 30: Tabelle Modellzusammenfassung (Teilstichprobe mit beruflichem Abstieg, Kriterium: Leistungsfähigkeit, Prädiktoren: 1. Arbeitsmerkmale, 2. Persön- lichkeitseigenschaften)

Die berechneten Hierarchischen Regressionsanalysen können nun mit den drei übrigen Kompetenzkriterien Verhaltens-/Entscheidungssicherheit, Kontakt-/ Umgangsfähigkeit und Standfestigkeit gerechnet werden. Hier soll jedoch nur auf die Berechnung mit dem bislang vernachlässigten Kriterium Lebenszufriedenheit eingegangen werden. Berechnen Sie also analog zu den letzten Analysen vier hierarchische Regressionsanalysen mit dem Kriterium Lebenszufriedenheit (vgl. Abbildungen 19 bis 22, 26 und 28). In die ersten beiden Regressionen gehen die Personen ohne beruflichen Abstieg ein, in die zweiten zwei Regressionen die mit beruflichem Abstieg. Es werden jeweils beide möglichen Reihenfolgen der Blöcke Persönlichkeitseigenschaften und Arbeitsmerkmale realisiert. Die Abbildungen 31 bis 34 enthalten die vier Tabellen Modellzusammenfassung der Analysen. Hinsichtlich des Kriteriums Lebenszufriedenheit zeigt sich ein deutlich anderes Ergebnismuster als beim Kriterium Leistungsfähigkeit. Für die Personen ohne beruflichen Abstieg ist der Anteil erklärter Varianz durch die Persönlichkeitsmerkmale lediglich R2 = 18% und nicht signifikant. Dagegen ist der zusätzliche Erklärungsanteil durch die Arbeitsmerkmale mit 39% um 27% höher als bei der Vorhersage des Kriteriums Leistungsfähigkeit. Dieser Varianzaufklärungsanteil ist zudem mit p = .003 sehr signifikant (Abbildung 31).

Abbildung 31: Tabelle Modellzusammenfassung (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Lebenszufriedenheit, Prädiktoren: 1. Persönlichkeitseigenschaf- ten, 2. Arbeitsmerkmale)

Werden die Arbeitsmerkmale als erster Block in die Analyse eingegeben, ergibt sich R2 = . 52 (Abbildung 32). Bei Personen ohne beruflichen Abstieg lässt sich die Lebenszufriedenheit also in hohem Maße durch die Arbeitsmerkmale vorhersagen. Der Anteil der Varianz, der sowohl durch die Arbeitsmerkmale als auch durch die Persönlichkeitseigenschaften aufgeklärt werden kann, ergibt sich zu 18% + 52% − 57% = 13%.

Berufskompetenz

22


Abbildung 32: Tabelle Modellzusammenfassung (Teilstichprobe ohne beruflichen Abstieg, Kriterium: Lebenszufriedenheit, Prädiktoren: 1. Arbeitsmerkmale, 2. Per- sönlichkeitseigenschaften) Bei den Personen mit beruflichem Abstieg sind keine signifikanten Bestimmtheitsmaße zu beobachten. Die einzelnen Anteile der Varianzaufklärung scheinen sich allerdings entgegengesetzt zu den Anteilen bei Personen ohne beruflichen Abstieg zu verhalten. So ist der Anteil der erklärten Varianz durch die Persönlichkeitseigenschaften hier mit R2 = . 38 (Abbildung 33) größer als der Varianzanteil, der durch die Arbeitsmerkmale (allein) aufgeklärt wird (R2 = . 10, Abbildung 34). Der Anteil der gemeinsamen Varianzaufklärung ergibt sich bei den Personen zu 38% + 10% − 41% = 7%.

Abbildung 33: Tabelle Modellzusammenfassung (Teilstichprobe mit beruflichem Abstieg, Kriterium: Lebenszufriedenheit, Prädiktoren: 1. Persönlichkeitseigenschaf- ten, 2. Arbeitsmerkmale)

Abbildung 34: Tabelle Modellzusammenfassung (Teilstichprobe mit beruflichem Abstieg, Kriterium: Lebenszufriedenheit, Prädiktoren: 1. Arbeitsmerkmale, 2. Per- sönlichkeitseigenschaften)



4 Literatur

Brosius, F. (2002). SPSS 11. Professionelle Statistik unter Windows. Bonn: MITP Deusinger, I. M. (1986). Frankfurter Selbstkonzeptskalen (FSKN). Göttingen: Hogrefe. Fahrenberg, J., Myrtek, M., Wilk, D. & Krentel, K. (1986). Multimediale Erfassung der

Lebenszufriedenheit: Eine Untersuchung an Herz-Kreislauf-Patienten. Psychotherapie, Psychosomatik und medizinische Psychologie, 36, 347-354.

Hacker, W., Heisig, B., Krassek, M., Nebe, C. & Ullrich, R. (1994). Handlungsfragebogen Lebensbereich: Beruf. Dresden: Technische Universität, Institut für Allgemeine Psychologie und Methoden der Psychologie.

Petermann, H., Rogall, T. & Schröder, H. (1985). Datenerfassungsmethoden persönlichkeitspsychologischer Forschung (Bd. 3). Leipzig: Karl-Marx-Universität.

Pietrzyk, U. (2002). Brüche in der Berufsbiografie – Chancen und Risiken für die Entwicklung beruflicher Kompetenz. Hamburg: Dr. Kovac.

Schumacher, J., Laubach, W. & Brähler, E. (1995). Wie zufrieden sind wir mit unserem Leben? Soziodemographische und psychologische Prädiktoren der allgemeinen und bereichsspezifischen Lebenszufriedenheit. Zeitschrift für Medizinische Psychologie, 1, 17-26.

Schwarzer, R. (1994). Optimistische Kompetenzerwartung: Zur Erfassung einer personellen Bewältigungsressource. Diagnostica, 40, (2), 105-123.

Uhlemann, K. & Wardanjan, B. (1997). Erfassung von erlebten Merkmalen der Arbeitsfähigkeit im Zusammenhang mit der Lernförderlichkeit – Entwicklung eines Fragebogens zu lernrelevanten Arbeitsmerkmalen (FLAM). (Forschungsberichte, Bd. 43). Dresden: Technische Universität, Institut für Allgemeine Psychologie und Methoden der Psychologie.

multivariate verfahren - hogrefe.de · regressionsanalyse 3 rudolf & müller (2011):...

Documents