Zusammenfassung
Im folgenden Teil dieser Arbeit steht die Untersuchung der im vorherigen Kapitel aufgestellten Hypothesen und die Beantwortung der Forschungsfrage hinsichtlich der Prädiktoren der Selbstwirksamkeit zum inklusiven Unterrichten sowie der Bereitschaft zur Inklusion im Fokus. Zu Beginn des empirischen Teils wird zunächst die der Studie zugrundeliegende Stichprobe beschrieben. Die eingesetzten Erhebungsinstrumente werden vorgestellt und in Bezug auf ihre Güte getestet. Im Anschluss findet die Überprüfung der aufgestellten Forschungshypothesen sowie die Beantwortung der Forschungsfrage auf Basis von Korrelations- und Regressionsanalysen sowie mittels der Berechnung von Strukturgleichungsmodellen statt.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Im Hinblick auf die fehlenden Daten wird zwischen drei Fehlendmechanismen unterschieden: „missing completely at random“ (MCAR), „missing at random“ (MAR) und „missing not at random“ (MNAR; z. B. Göthlich, 2009). Fehlen Daten komplett zufällig, so ist ihr Fehlen unabhängig von der Ausprägung der fehlenden Variablen sowie der Ausprägung der anderen Variablen (Allison, 2002; Enders, 2010; Wirtz, 2004). Die „vorhandenen Daten [können daher] als Zufallsstichprobe aus der ursprünglichen vollständigen Stichprobe“ (Sedlmeier & Renkewitz, 2013, S. 782) angesehen werden. Bedingt zufällig fehlende Daten sind über die Beziehungen zu den anderen Daten im Datensatz zu erklären (Wirtz, 2004), ihr Fehlen steht jedoch nicht in Beziehung zur fehlenden Variablen selbst (Enders, 2010). Sind die Daten jedoch „missing not at random“, d. h. besteht ein Zusammenhang zwischen den Werten der Variablen und der Wahrscheinlichkeit für das Auftreten fehlender Werte (Enders, 2010), so liegt ein verzerrender Datenausfall vor (Göthlich, 2009). In der Anwendung ist jedoch kaum eindeutig festzustellen, ob ein systematischer oder zu ignorierender Datenausfall vorliegt, da kein exakter Test besteht (Kline, 2011). Die nicht signifikanten Ergebnisse des in SPSS implementierten MCAR-Test nach Little (1988) deuten im Rahmen der vorliegenden Studie allerdings auf einen MCAR-Fehlendmechanismus hin (χ2 = 1263.31, df = 1257, p = .45).
- 2.
zur Anwendung der Parallelanalyse vgl. die SPSS-Syntax nach O’Connor (2000)
- 3.
zur Anwendung des MAP-Tests vgl. die SPSS-Syntax nach O’Connor (2000)
- 4.
Im Gegensatz zur orthogonalen Rotation werden bei obliquen Rotationsverfahren Korrelationen zwischen den Faktoren zugelassen (Sedlmeier & Renkewitz, 2013). Die extrahierten Faktoren enthalten dadurch jedoch teils doppelte Informationen (Bortz & Schuster, 2010).
- 5.
Rost (2013, S. 226) beschreibt hingegen nur Ladungen <.32 als unzureichend und bereits Ladungen zwischen .45 und .54 als befriedigend. Im Rahmen dieser Arbeit werden die einzelnen Items dem latenten Faktor jedoch nur dann zugeordnet, wenn sie Ladungen von ≥.50 auf diesem Faktor aufweisen.
- 6.
Laut de Boer et al. (2011) können bei einer fünfstufigen Skala Mittelwerte zwischen 2,5 und 3,5 als neutral angesehen werden.
- 7.
Bühner (2011) empfiehlt, im Rahmen der Faktorenanalyse vor allem auf die Ergebnisse des MAP-Tests und der Parallelanalyse zu vertrauen. Im Falle einer unterschiedlichen Empfehlung für die Anzahl der zu extrahierenden Faktoren sollte die besser zu interpretierende Lösung gewählt werden – in diesem Fall also vier Faktoren.
- 8.
Das unstandardisierte Regressionsgewicht b sagt hingegen aus, „um wie viele Einheiten der Originalmetrik sich das Kriterium y verändert, wenn man den Prädiktor x um eine Einheit der Originalmetrik erhöht“ (Rasch et al., 2014, S. 103). Es ist folglich abhängig von der Maßeinheit des jeweiligen Merkmals und kann deshalb nicht direkt zwischen den Prädiktoren verglichen werden. Das unstandardisierte Regressionsgewicht kann als Steigung in die Regressionsgerade, die „Gerade, die den Trend in den Daten am besten beschreibt“ (Sedlmeier & Renkewitz, 2013, S. 236), eingesetzt werden.
- 9.
Bestehen nur geringe Interkorrelationen zwischen den Indikatoren des Messmodells, so ist dies folglich ein Zeichen für schlechte Messungen bzw. dafür, dass die Indikatoren nicht zum jeweiligen Messmodell gehören (Urban & Mayerl, 2014).
- 10.
Kline (2011) beschreibt noch weitere (optionale) Schritte, wie z. B. die Replikation und Anwendung.
- 11.
Die Differenz s-t entspricht den Freiheitsgraden df des Modells (Werner et al., 2016). Es kann auch der Fall auftreten, dass t > s. In diesem Fall sind die empirischen Informationen nicht ausreichend, um die Modellparameter zu berechnen (Backhaus et al., 2015; Kline, 2011). Das entsprechende Modell ist unteridentifiziert. Ist wiederum t = s, d. h. df = 0, so wird das Modell durch die Daten genau reproduziert (Bühner, 2011; Kline, 2011). Dieses genau identifizierte (saturierte) Modell führt jedoch zu keiner bedeutsamen inhaltlichen Aussage (Bühner, 2011; Werner et al., 2016). In diesem Fall sind beispielsweise keine Informationen mehr verfügbar, um die Güte der Modellstruktur zu testen (Backhaus et al., 2015; Weiber & Mühlhaus, 2014). Für sinnvolle Analysen muss df also positiv sein, wobei mit einer Erhöhung der Freiheitsgrade auch eine erhöhte Aussagekraft einhergeht (Moosbrugger & Schermelleh-Engel, 2012; Werner et al., 2016).
- 12.
Die ML-Schätzung erweist sich als robust gegenüber kleineren Abweichungen von der Normalverteilungsannahme (Brown, 2006; Iacobucci, 2010). Auch die Schätzung der Parameter ist relativ robust gegenüber einer Verletzung der Voraussetzungen, sodass unverzerrte Ergebnisse resultieren. Verzerrungen treten bei Nicht-Normalverteilung hingegen bezüglich der Standardfehler und des χ2-Wertes auf (Bentler & Chou, 1987; Bühner, 2011; Werner et al., 2016). Die Schätzungen reagieren dabei besonders empfindlich auf hohe Kurtosis (Wölbung; Brown, 2006).
- 13.
Alternativ kann auch die Varianz der latenten Variablen auf eins fixiert werden. Die Faktorladungen werden dann für jede Indikatorvariable frei geschätzt (Kline, 2011; Weiber & Mühlhaus, 2014) und die latenten Variablen standardisiert (Bühner, 2011).
- 14.
Als indirekte Effekte werden diejenigen Effekte zwischen einer Variablen X und einer zweiten Variablen Y bezeichnet, die über eine dritte Variable M vermittelt werden (Geiser, 2011; Hayes, 2013; Urban & Mayerl, 2014). Indirekte Effekte werden durch die Multiplikation der einzelnen Teileffekte berechnet (Urban & Mayerl, 2014): „two cases that differ by one unit on X are estimated to differ by ab on Y as a result of the effect of X on M, which, in turn, affects Y“ (Hayes, 2013, S. 92).
- 15.
Für eine kritische Auseinandersetzung mit dem causal steps approach (Baron & Kenny, 1986) vgl. z. B. Hayes (2009, 2013); MacKinnon, Lockwood, Hoffman, West und Sheets (2002) sowie Zhao, Lynch und Chen (2010).
- 16.
Der totale Effekt beschreibt den „expected amount by which two cases that differ by one unit on X are expected to differ on Y“ (Hayes, 2009, S. 409). Er umfasst die Summe der direkten und indirekten Effekte (Weiber & Mühlhaus, 2014).
- 17.
Eine Prüfung indirekter Effekte auf Signifikanz ist beispielsweise anhand des Sobel-Tests möglich (Geiser, 2011; Kleinke, Schlüter & Christ, 2017).
- 18.
Seifried (2015) und Woll (2017) stellen im Rahmen ihrer Dissertationen beispielsweise heraus, dass Lehrkräfte, die über Erfahrungen mit Menschen mit Behinderung oder über Erfahrungen in inklusiven Settings verfügen, eine positivere Bereitschaft äußern, inklusiven Unterricht umzusetzen, als Lehrpersonen, bei denen dies nicht der Fall ist.
- 19.
Der totale Effekt beträgt βtotal = .42; p ≤ .001; 99 %-KI = [.233; .600].
- 20.
Ein signifikanter totaler Effekt trotz nicht signifikanten indirekten und direkten Effekten kann laut Zhao et al. (2010, S. 201 f.) vorkommen, liefert dann aber keine „hints about the mechanism for the ‚effect to be mediated‘“.
- 21.
Diesbezüglich ist darauf hinzuweisen, dass es für den multiplen Gruppenvergleich wünschenswert gewesen wäre, wenn zwei etwa gleich große Gruppen vorgelegen hätten: „although it is permissible to conduct multiple-groups CFA with unequal sample sizes, it is preferable for the sizes of the groups to be as balanced as possible“ (Brown, 2006, S. 279).
- 22.
Hinsichtlich des Faktors der Bereitschaft zeigten sich bereits bei Betrachtung der Interkorrelationsmatrix Unterschiede zwischen den Gruppen. Er wies außerdem von allen sechs eingesetzten Skalen die geringste Reliabilität auf.
- 23.
Auch Marsh et al. (2004) weisen darauf hin, dass Cut-off-Werte z. B. für den TLI von >.90 als sehr anspruchsvoll und fordernd anzusehen sind.
- 24.
Im restringierten Modell unterscheiden sich sowohl der unstandardisierte Parameter b als auch der zugehörige Standardfehler nicht zwischen den beiden Lehrkraftgruppen. Bezüglich des an der Varianz bzw. Standardabweichung standardisierten Beta-Koeffizienten können hingegen kleine Unterschiede auftreten, da auch die empirischen Varianzen bzw. Standardabweichungen in den Gruppen verschieden ausgeprägt sein können. Deshalb sind sowohl die unstandardisierten als auch die standardisierten Koeffizienten angegeben (Reinecke, 2005).
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Franzen, K. (2021). Empirische Studie. In: Quellen der Selbstwirksamkeitsüberzeugung von Grundschullehrkräften im Kontext inklusiver Erziehung und Bildung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-34964-6_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-34964-6_4
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-34963-9
Online ISBN: 978-3-658-34964-6
eBook Packages: Education and Social Work (German Language)