Zusammenfassung
In Kapitel 5 wurde der Übergang von der Schule in die Berufsausbildung ausführlich theoretisch erörtert. In der Untersuchung I soll folgenden drei Fragestellungen, die sich auf diese theoretischen Ausführungen beziehen, empirisch nachgegangen werden:
-
a)
Welche Rolle spielen schulische Qualifikationen für die Zusicherung einer Lehrstelle und welches sind weitere wesentliche Faktoren für eine erfolgreiche Lehrstellensuche?
-
b)
Aufgrund welcher Merkmale verteilen sich die Schülerinnen auf die verschiedenen Ausbildungsmarktsegmente und welche Rolle spielen dabei schulische Qualifikationen?
-
c)
Unterscheidet sich der berufliche Status von Subpopulationen mit Lehrstelle und welche Rolle spielen dabei schulische Qualifikationen?
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
Preview
Unable to display preview. Download preview PDF.
Literatur
Zu den begrifflichen Bezeichnungen von Schulzügen mit Grundansprüchen und erweiterten Ansprüchen im Schweizer Schulsystem sowie zur Struktur der Sekundarstufe I in der Schweiz siehe Kapitel 3.2.1
Die aargauische <Bezirksschule>, ein Schultyp mit erweiterten Leistungsansprüchen, wurde in der Stichprobe nicht berücksichtigt.
Der Kanton St. Gallen wurde in die Stichprobe aufgenommen, nachdem der aufgrund von Kriterien der Stichprobenschichtung präferierte Kanton Thurgau eine Teilnahme an der Untersuchung abgelehnt hatte.
In den Kantonen Bern, Freiburg und Wallis wurden nur die deutschsprachigen Gebiete berücksichtigt.
Ausgewählt wurden Kantone, die über relativ differenzierte Berufsbildungsangebote verfügen. Kantone, die über keine weiterführenden Mittelschulen verfügen, wurden bei der Auswahl nicht berücksichtigt.
Eine Zufallsauswahl von Schulklassen in den einzelnen Kantonen war nicht möglich. Fragen der Repräsentativst der Stichprobe waren zweitrangig, da mit den Schülerdaten v.a. die Prüfung von Zusammenhangshypothesen angestrebt wurde, und nicht repräsentative Durchschnittswerte, beispielsweise von Schulleistungen.
Hagemann-White (1994) macht darin Vorschläge zum Umgang mit Zweigeschlechtlichkeit in qualitativen Forschungsdesigns. Ihre Überlegungen werden hier auf quantitative Designs übertragen.
Moser (2002, 122) kategorisiert eine ähnliche Variable Verweildauer im Sprachgebiet folgender-massen:- ugendliche, die kurz nach der Geburt in die Schweiz gelangt sind (seit mehr als 12 Jahren)- Jugendliche, die seit Schulbeginn in der Schweiz leben (zwischen 9 und 12 Jahren in CH)- Jugendliche, die nicht in der Schweiz eingschult wurden (zwischen 5 und 8 Jahren in CH- Jugendliche, die erst seit kurzer Zeit in der Schweiz sind (zwischen 1 und 4 Jahren in CH)
Mit dem Begriff ,Dummy-Variable’ wird in der Folge eine dichotom codierte Variable mit den Ausprägungen 0 und 1 bezeichnet. Jede kategoriale Variable mit k Ausprägungen lässt sich ohne Informationsverlust in k-1 Dummy-Variablen überführen (Aiken & West 1991, 116f.). Die weggelassene Kategorie wird dabei als ,Referenzkategorie’ bezeichnet.
Moser (2002) unterscheidet folgende drei Kategorien:- beide Eltern in der Schweiz geboren- Vater oder Mutter im Ausland geboren (gemäss der PISA-Untersuchung überdurchschnittlich häufig Elternteile aus Italien und Spanien)- beide Eltern im Ausland geboren (gemäss der PISA-Untersuchung überdurchschnittlich häufig Familien aus dem ehemaligen Jugoslawien, (Kosovo-) Albanien und Portugal)
Fälle, in denen die Erstsprache mit Deutsch, ergänzt durch eine nicht-deutsche Zweitsprache, angegeben wurde, mussten als Missings codiert werden, da möglicherweise zahlreiche Schülerinnen bei der Frage nach der Zweitsprache eine in der Schule erlernte Fremdsprache eingesetzt haben. Die Variable enthält deshalb 151 (14,5%) fehlende Werte.
Vgl. Fragebogen ,UNIVOX-Kultur/Ausländer 2000% Item I E 53. Der genaue Wortlaut des Items im Interview lautete: „In der Schweiz leben Ausländerinnen aus ganz verschiedenen Heimatstaaten. Hierzu kann man verschiedene Meinungen haben. Es gibt Ausländerinnen, da denkt man sie seien in der Schweiz fehl am Platz, andere hält man für eine Bereicherung. Ich nenne Ihnen nun einige Herkunftsländer von Ausländerinnen. Sagen Sie mir jeweils, ob Sie Personen aus diesen Ländern für fehl am Platz halten, ihr Aufenthalt hier manchmal Anlass zu Bedenken gibt, kein Problem oder eine Bereicherung für die Schweiz ist”.
Die Skala mit den besagten vier Kategorienlabels ist zudem aus messtheoretischer Sicht problematisch. Hinsichtlich der Validität stellt sich die Frage, was die Skala überhaupt misst. Denn die vier Antwortvorgaben ,eigentlich Fehl am Platz’, ,manchmal Anlass zu Bedenken’, ,kein Problem’ und ,eine Bereicherung’ sind inhaltlich inkonsistent. Es handelt sich dabei genau genommen um vier Dummy-Variablen, welche die Zustimmung zu vier unterschiedlichen Konstrukten messen, wobei jedoch nur die Zustimmung zu höchstens einem der vier Konstrukte erlaubt war. Insofern genügt das Item IE53 der zitierten Untersuchung nicht den Ansprüchen einer methodisch reflektierten wissenschaftlichen Forschung.
Diese Zuordnungen sind allerdings sehr problematisch. Slowenien als erster Staat, der sich vom ehemaligen Jugoslawien unabhängig machte, könnte in der Zwischenzeit evtl. auch mit dem Wert von Oesterreich codiert werden, und Kroatinnen werden in der Öffentlichkeit auf Grund ihres Phänotyps z.T. mit Italienerinnen verwechselt. Gleichzeitig lassen die Nationalitäten der Schülerinnen keine Rückschlüsse auf ihre ethnische Gruppenzugehörigkeit zu. Ausschlaggebendes Kriterium der Codierung von Slowenien und Kroatien mit dem Rangweit Bosniens ist die ehemalige Zugehörigkeit beider Länder zum ehemaligen Jugoslawien.
Die Zusammenfassung dieser unterschiedlichen Kategorien erfolgte aus numerischen Überlegungen. Insbesondere die Ränge 3,4 und 6 sowie 8 bis 12 enthalten in der vorliegenden Stichprobe nur wenige Fälle.
Die Studie war als Replikationsstudie einer früheren Erhebung im Jahr 1969 konzipiert. Da 1969 nur Männer befragt wurden, musste dieses Design 1995 übernommen werden, um eine vergleichbare Stichprobe zu erhalten.
Diese Kategorisierung ist teilweise mit ihrer inhaltlichen Begründung inkonsistent, da einerseits die türkischen Schüler im Durchschnitt länger in der Schweiz sind als die portugiesischen (vgl. Moser 2002, 125); andererseits lässt eine sprachliche Kategorie, welche albanische, slawische und türkische Sprachen vereint, die unterschiedlichen Wurzeln dieser Sprachen unberücksichtigt
In Übereinstimmung mit dem in Abbildung 1 (vgl. Kap. 2.2.3.1) dargestellten Pfadmodell, das heisst unter der Prämisse des maximierten indirekten Effekts der Ausbildung auf das Einkommen über den Beruf sowie des minimierten direkten Effekts der Ausbildung auf das Einkommen, haben Ganzeboom et al. (1992, 12ff.)mit Ausbildungs- und Einkommensdaten (basierend auf Stichprobe von 73’901 Männern aus 16 Nationen) unter Kontrolle des Alters für 271 internationale Berufskategorien (ISCO) einen sozioökonomischen Index-Wert (SEI) errechnet, den Internationalen Sozioökonomischen Index ISEI. Aus verschiedenen Gründen wurde darauf verzichtet, in der vorliegenden Untersuchung den SES direkt über den ISEI zu messen. Unter Nutzung der eigenen Empirie wurde vielmehr ein sozio-ökonomischer Index in Anlehnung an Ganzeboom et al. (1992) rekonstruiert. Mit dem ISEI eröffnet sich jedoch die Möglichkeit, den rekonstruierten Index auf seine Validität zu überprüfen.
Verschiedene Studien in der Schweiz haben belegt, dass der Besitz von Büchern einen beachtlichen Effekt auf bestimmte Schulleistungen haben (Coradi Vellacott & Wolter 2002,91). Die Anzahl Bücher zu Hause korreliert in der PISA-Untersuchung positiv mit den Lesekompetenzen der Jugendlichen (ebd., 104).
Im Hinblick auf migrationsspezifische Fragen stellen die etablierten Bücher-Items möglicherweise verzerrte Schätzer von objektiviertem Bildungskapital dar. Im Rahmen einer Migration (insbesondere einer Fluchtmigration) werden die im Herkunftsland akkumulierten Kulturgüter i.d.R. zurückgelassen. Damit unterschätzen die Bücher-Items tendenziell das Kulturkapital von Immigrantenfamilien, welchen darüber hinaus aufgrund eingeschränkter ökonomischer Rechte (vgl. Kap. 2.2.2.1) das ökonomische Kapital fehlt, bildungsadäquate Kulturgüter (z.B. Bücher) im Aufnahmeland wieder zu akkumulieren.
Standard International Occupational Prestige Scale. Es wurden die von Treiman für die Schweiz empfohlenen Werte verwendet (Treiman 1977,456–459).
Anstelle der Anzahl Geschwister der Schüler wurde die Anzahl Personen pro Haushalt erhoben. Damit können auch unkonventionellere Familienformen berücksichtig werden (z.B. mit mehr als zwei Erwachsenen oder mit Kindern unterschiedlicher Eltern).
Sämtliche hinsichtlich des SES referierten Korrelationskoeffizienten sind auf einem Alphafehlerniveau von 0,01 signifikant.
Der Errechnung von berufsgruppenspezifischen Werten der beruflichen Stellung liegt die aus der Volkszählung 1990 generierte Tabelle 6.123–00,01 des Bundesamts für Statistik zugrunde, da die Daten der VZ2000 zum Zeitpunkt der Berechnungen noch nicht verfügbar waren. Unter Einbezug der absoluten Anzahl Berufsleute mit Direktoren- (N=X), Kader- (N=Y) bzw. Angestelltenstatus (N=Z) wurde für jede Berufsgruppe über die Formel (4X+2Y+Z)/(X+Y+Z) ein durchschnittlicher Wert für die berufliche Stellung errechnet. Den mit dem dreistelligen Code der schweizerischen Berufsnomenklatur 1990 klassifizierten Berufen kann damit ein mittlerer Berufsgruppenwert zugewiesen werden, wobei der höchste Elternwert pro Schüler in die Skala Berufliche Stellung überführt wurde. Die Skala wurde abschliessend z-standardisiert.
Der Errechnung von berufsartenspezifischen Ausbildungswerten liegen wiederum Daten aus der Volkszählung 1990 zugrunde. Die Errechnung der Ausbildungswerte erfolgt in vergleichbarer Weise wie für die berufliche Stellung. Die Ausbildungskategorien sind mit denjenigen des Schülerfragebogens (vgl. Tab. 11) vergleichbar. Den nach fünfstelligen Codes der schweizerischen Berufsnomenklatur 1990 klassifizierten Berufen konnte ein mittlerer Ausbildungswert zugewiesen werden, wobei der höchste Elternwert berücksichtigt wurde. Letzterer wurde der Ausbildungsskala zugewiesen und diese abschliessend z-standardisiert.
Die Generierung von berufsgruppenspezifischen Wohnflächenwerten wurde ebenfalls mit Daten der Volkszählung 90 realisiert (dreistellige Codes). Mit den Censusdaten kann den Berufen (bzw. hier: den Berufsgruppen) der Haushaltsvorsteher eine durchschnittliche Haushaltsgrösse in Quadratmetern zugewiesen werden.
Auf der X-Achse sind die Standardabweichungen der jeweiligen Indikatoren abgebildet. Die Y-Achse bildet die Anzahl Schüler ab.
Vor der Modellierung des SES mit Hilfe eines Strukturgleichungsmodells wurde faktorenanalytisch (Hauptachsenanalyse) geprüft, ob die sechs SES-Indikatoren in theoretisch propagierter Weise auf die drei latenten Faktoren Bildung, Beruflicher Status und Einkommen laden. Die drei Faktoren vermögen 46,3% (N=796, ohne Ersetzung der Missing Values) bzw. 51,2 % (N=932, inkl. die ersetzten fehlenden Werte) der Gesamtvarianz zu erklären. Die Einfachstruktur des faktorenanalytischen Modells wird nur durch die Ladung des Prestigeindikators auf den Faktor Ausbildung in Frage gestellt.
Die hohe Ladung des beruflichen Prestiges auf den beruflichen Status verweist darauf, wie gut der treimannsche Prestigeindex den Berufsstatus bzw. den SES nach wie vor zu schätzen vermag. Dies überrascht insofern, als die dem Berufsprestige zugrunde liegende Stichprobe (ein internationales Sample aus 60 Nationen) vorwiegend aus den Sechzigerjahren stammt (Treiman 1977,29f.). Die im dargestellten Strukturgleichungsmodell berechnete latente Variable beruflicher Status nährt sich demgegenüber aus teils aktuellen, teils zehnjährigen (VZ 1990) Daten, welche sich auf die Mütter und Väter der befragten Schülerschaft beziehen.
Eine Übersicht zu entsprechenden Entscheidungsregeln findet sich bei Byrne (2001,79ff.).
Interessanterweise sinkt der Wert für das Chi-Quadrat für N=932, obwohl die Stichprobengrösse zugenommen hat. Dies spricht für eine Verbesserung des Modells durch die Einführung der oben beschriebenen Hilfsvariablen zur Schätzung fehlender Werte.
Die relativ tiefen p-Werte (wünschenswert wären Werte von p > 0,2) sind durch die Stichprobengrösse bedingt. Mit zunehmender Stichprobengrösse wird eine befriedigende Chi-Quadrat-Statistik unrealistisch (Byrne 2001).
Dieses rechnerische Vorgehen ist streng genommen inkorrekt, da Schulnoten ordinalskaliert sind und deshalb aus einer rechnerischen Logik nicht additiven und multiplikativen Transformationen unterworfen werden dürften (Vögeli-Mantovani 1999, 86). Das Vorgehen ist jedoch praktisch legitim, da die Mittelwertsbildung von Zensuren in der Schulwirklichkeit alltäglich und teilweise in den schulischen Promotionsverordnungen vorgeschrieben ist.
Die Schulzensuren haben einen in der Schweiz üblichen Range von 1 (sehr schlecht bzw. unbrauchbar) bis 6 (sehr gut) mit den Zwischenstufen schlecht bzw. sehr schwach (2), ungenügend bzw. schwach (3), genügend (4) und gut (5).
Der Korrelationskoeffizient für den Zusamenhang zwischen den Durchschnittsnoten des 8. und 9. Schuljahrs beträgt sowohl für die Deutschnoten als auch für die Mathematiknoten r=0,69.
Es handelt sich dabei um den Lehrplan Oberstufe für das Unterrichtsfach Mathematik der IEDK-Kantone (LU, VS, FR) und um die entsprechenden Lehrpläne der Kantone AG, BE, ZH sowie TG. Der Lehrplan des Kantons SG, der für den Kanton TG (dieser hat die Teilnahme an der Untersuchung verweigerte) ,eingesprungen’ ist, konnte aus zeitlichen Gründen nicht mehr berücksichtigt werden.
Zum Begriff der Trennschärfe und ihrer Kriterien vgl. Bortz und Döring (1995,199f.).
Bei drei dieser vier Items handelt es sich um ein sehr schwieriges Item (r=0,29) und um zwei sehr leicht zu lösende Aufgaben (r=0,25, r=0,26). In diesen Fällen kann eine Trennschärfeeinbusse in Kauf genommen werden (Bortz & Döring 1995,200).
Zu Leistungsüberschneidungen zwischen leistungshomogen konzipierten Schultypen vgl. Kap. 3.2.1.
Dies ist ein Zeichen dafür, dass die normierten Vergleichswerte des CFT-20 aus dem Jahr 1977 veraltet sind und die Jugendlichen heute im gleichen Test deutlich höhere Werte erzielen als damals. Diese Steigerung der Intelligenztestleistung nachfolgender Kohorten, insbesondere in Bezug auf das abstrakt-logische Denken, ist ebenfalls bekannt Sie wird u.a. auf eine gesteigerte basale kognitive Stimulierung der Kinder infolge der zunehmenden Komplexität in den alltäglichen Entwicklungsbedingungen zurückgeführt (Schallberger 1990, 7).
Die Korrelationskoeffizienten betragen r=0,60 für den Zusammenhang zwischen Mathematik- und Deutschtestleistung, r=0,58 für den Zusammenhang zwischen Mathematiktestleistung und CFT20-Score, sowie r=0,45 für den Zusammenhang zwischen Deutschleistung und CFT20-Score. Der Gesamtscore aus den drei Testwerten korreliert mit r=0,87 mit der Mathematikleistung, mit r=0,83 mit der Deutschleistung und mit r=0,81 mit der Intelligenztestleistung.
Die Mädchen zeigen signifikant bessere Deutschleistungen als die Jungen (r=0,20). Die Jungen zeigen hingegen signifikant bessere Mathematikleistungen (r=0,14) und darüber hinaus auch signifikant bessere Leistungen im CFT-20 (r=0,10) als die Mädchen.
Die Frage nach dem „Betrieb, in dem die Berufslehre absolviert werden kann” ist auf Grund mangelhafter Reflexion bei der Fragebogenkonstruktion unglücklich formuliert, da Schulabgängerinnen, die nicht bereits im Besitz einer Lehrstelle sind, die betroffenen Items nicht sinnvoll beantworten können. Diese Nachlässigkeit hat Auswirkungen auf die nachfolgende Datenanalyse, da die Verwendung einer derart operationalisierten Variablen Sozialkapital für die beabsichtigte Erklärung von Lehrstellenchancen nicht zulässig ist. Die Schülerinnen hätten zu diesem Zweck sinnvollerweise nach Bezugspersonen gefragt werden müssen, die „im Betrieb, auf den sich die letzte Lehrstellenbewerbung bezogen hat, entweder selbst arbeiten oder aber Personen kennen, die in diesem Betrieb bereits arbeiten”. Dieses ,Missgeschick’ bei der Fragebogenkonstruktion wurde zu einem Zeitpunkt aufgedeckt, als erste Resultate aus der hier dokumentierten Untersuchung bereits veröffentlicht waren. Entsprechend bedürfen Aussagen in Haeberlin et al. (2004, 2005) einer Korrektur, wo mit Verweis auf eigene empirische Ergebnisse darauf hingewiesen wird, dass (geschlechter- und herkunftsdifferenzielle) Lehrstellenchancen durch die Variable informelles Sozialkapital teilweise empirisch erklärt werden könnten.
Der Maurerberuf wurde in der empirischen Untersuchung von Buchmann et al. (2002b, 233) im ,Jedermannsarbeitsmarkt’ verortet, da in dieser Branche viele ungelernte Arbeitnehmerinnen tätig sind. Da es sich bei einer Maurerlehre hingegen um eine vollqualifizierende Berufsausbildung handelt, wurde sie dem dritten Hauptsegment der halbstrukturierten Fachmärkte Handwerk, Gewerbe und Transport zugewiesen. Die Stichprobe enthält 11 zukünftige Maurerlehrlinge (11 junge Männer, 10 davon schweizerischer Nationalität).
Eine Liste mit sämtlichen nach den Hauptsegmenten gegliederten Berufsarten, welche die Forscherinnengruppe Buchmann empirisch eruiert hat, wurde freundlicherweise von Irene Kriesi und Stefan Sacchi zur Verfügung gestellt.
Hinsichtlich der Sekundarschülerlnnen stimmen unsere Zahlen mit jenen des Lehrstellenbarometers August 2001 überein, wonach bei den Absolventinnen von Klassen mit mittleren Ansprüchen 55% eine Berufslehre begannen. Das Lehrstellenbarometer weist hingegen für Absolventinnen der Realschule mit 62% Lehrlingen höhere Zahlen aus als unsere eigenen Daten (vgl. LINK Institut 2001, 33).
Hier muss jedoch berücksichtigt werden, dass die Stichprobe keine Klassen mit erhöhten Ansprüchen (Unter- bzw. Langgymnasien, Bezirksschulen) enthält, in denen die jungen ansässigen Frauen proportional markant übervertreten sein dürften.
Bedenken hinsichlich der Validität der relativ alten Prestigeskala von Treiman zeigen sich aufgrund der eigenen Daten dennoch als unbegründet. In Anlehnung an das Statuskonzept von Ganzeboom et al. (1992) wurde der Sozialstatus der Schülerinnen unter Zuhilfenahme eines Strukturgleichungsmodells mit aktuellen Schülerdaten rekonstruiert. Dabei fanden neben Treimans Berufsprestige-Skala fünf weitere Indikatoren Verwendung, deren empirische Basis grösstenteils aktuelle Fragebogendaten bilden. Treimans Berufsprestige korreliert dabei überraschend hoch mit der latenten Variablen Beruflicher Status, womit der SIOPS empirisch validiert wird (vgl. Kap. 6.2.2.3).
Die Koeffizienten der bivariaten Korrelationen betragen r=0,55 für den Zusammenhang berufliche Stellung <-> Ausbildungsdauer, r=0,55 für berufliche Stellung <-> Berufsprestige, sowie r=0,57 für den Zusammenhang Berufsprestige <-> Ausbildungsdauer.
Die binäre logistische Regression modelliert als Spezialfall einer nominalen logistischen Regression den Wahrscheinlichkeitsübergang einer binären Variablen in Abhängigkeit von der Ausprägung unabhängiger Variablen (Rese 2000, 111). Die logistische Regression ist mit der einfachen linearen Regression verwandt. Im logistischen Modell ist es der Logit der Übergangswahrscheinlichkeit, der die intervallskalierte, abhängige Variable eines linearen Regressionsmodells bildet. Ist der Logit durch die erklärenden Variablen im Rahmen eines linearen Modells bestimmt, lässt sich daraus über die logistische Funktion die korrespondierende Wahrscheinlichkeit der Zugehörigkeit zu einer der beiden Kategorien der binären Ausgangsvariablen berechnen. Ziel der logistischen Regression ist es, die Steigungskoeffizienten der Regressionsgleichung derart zu schätzen, dass eine optimale Trennung der zwei Ausprägungen der abhängigen Variablen erreicht werden kann (ebd., 112f.).
Zur Modellierung der Übergangswahrscheinlichkeiten in eine Berufslehre wurde die Software MIXOR (Hedeker & Gibbons 1996) verwendet. MIXOR produziert eine glaubwürdige Log-Likelihood-Statistik. Dies ermöglicht, zwei binäre logistische Mehrebenenmodelle gegeneinander auf eine signifikante Modellverbesserung zu testen. Dazu wird der Devianztest (bzw. Likelihood-Ratio-Test) angewandt (Snijders & Bosker 1999, 247). Die Devianz stellt — analog zur logistischen Regression — die statistische Prüfgrösse dar, um die Güte eines einzelnen logistischen Modells zu beurteilen. Sie ist ein Mass für den fehlenden Fit zwischen Modell und Daten. Je besser das Modell zur Trennung der Y-Ausprägungen beiträgt, desto näher ist der (negative) Log-Likelihood-Wert eines geschätzten Modells seinem Maximum von Null. Die Devianz ergibt sich aus der Multiplikation des Log-Likelihood-Wertes mit dem Faktor -2. Je kleiner ihr Wert, desto besser ist das Gesamtmodell zu beurteilen (Rese 2000,116). Das Devianzmass ist nur in Relation zu einem alternativen Devianzmass, das bei identischer Datengrundlage auf einem Alternativmodell basiert, aussagekräftig. Der Differenzweit zweier Devianzen folgt einer H 2- Verteilung mit m Freiheitsgraden, wobei m die Differenz der Anzahl zu schätzender Parameter der beiden Modelle wiedergibt Somit kann der Differenzwert der Devianzen auf seine Signifikanz getestet werden (Snijders & Bosker 1999, 88f.). Als Faustregel gilt: Nimmt die Differenz der Devianzen zweier Modelle pro Freiheitsgrad mindestens einen Wert von 4 an, handelt es sich beim komplexeren Modell bei einer Alphafehlerwahrscheinlichkeit von 0,05 um ein signifikant besseres Modell. Genau genommen handelt es sich gemäss den einschlägigen x2-Tabellen um einen kritischen Prüfwert von 3,84, damit die Nullhypothese auf dem 95%-Signifikanzniveau verworfen werden kann.
In der gegenwärtigen Mehrebenenliteratur gibt es keine einheitlichen Regeln zur formalen Darstellung von Mehrebenenanalysen. Verschiedene Autoren zeichnen sich durch verschiedene Notationssysteme aus (Hox 2002, 12). Aus Platzgründen sowie aus Gründen der eingeschränkten Verständlichkeit ohne mehrebenenanalytische Vorkenntnisse wird auf eine differenzierte Notation der durchgeführten Analysen verzichtet. Die gewählte Notationsform dient dem Zweck, die zentralen Elemente des jeweiligen binären logistischen Mehrebenenmodells aufzulisten, damit Klarheit darüber entsteht, welche Variablen Bestandteile eines Modells sind.
Die Signifikanzen der einzelnen geschätzten Parameter des fixierten Modells lassen sich mit einem Waldtest prüfen (vgl. Snijders & Bosker 1999, 86). Dazu wird der geschätzte Parameterwert durch seinen Standardfehler dividiert und quadriert. Dieser Wert entspricht einem y}-verteilten Wert. Bei der Struktur des vorliegenden Datensatzes weisen x2-Werte, die grösser als 4 sind, auf eine auf dem 95%-Niveau signifikante Parameterschätzung hin.
Der Wert 0,667 bedeutet, dass 66,7% der Schülerinnen der untersuchten Teilstichprobe über eine Lehrstelle verfügen. Dieser geschätzte Populationswert entspricht ziemlich genau dem deskriptiven Stichprobenwert von 66,1%.
Je höher ein Steigungskoeffizient einer erklärenden Variablen dem Betrag nach ausfallt, desto grösser ist die Trennkraft dieser Variable. Hohe Beta-Werte bedeuten eine grosse Steigung der logistischen Funktion und begrenzen damit den Wahrscheinlichkeitsübergang auf einen engeren Wertebereich (Rese 2000,112f.). Im vorliegenden Fall fällt der Beta-Wert mit 0,24 bescheiden aus; dies umso mehr, als sich der Wert auf eine Standardabweichung des inkorporierten Kulturkapitals bezieht. Die odd ratio des Koeffizienten, ein Mass für die Wirkungsstärke eines Prädiktors in logistischen Regressionsmodellen (ebd., 121), beträgt 1,28 und bedeutet, dass ein Mehr an inkorporiertem Kulturkapital im Umfang einer Standardabweichung die Chance für eine Lehrstelle bloss um einen Faktor von 1,3 vergrössert. Damit kommt dem inkorporierten Kulturkapital im Sinne inhaltlicher schulischer Ressourcen keine wesentliche Trennkraft der Variablen Lehrstelle JA/NEIN zu.
Die Berechnung der erklärten Varianz erfolgte in Anlehnung an Snijders und Bosker (1999, 225ff.). Beim gegenwärtigen Entwicklungsstand der Mehrebenenanalysen gibt es keine grosse Auswahl an anwendungsfreundlichen Ansätzen, wie im Rahmen logistischer Analysen das Konzept der explained proportion of variance (R2) auf eine hierarchische Datenstruktur übertragen werden kann. Snijders und Bosker (ebd.) präsentieren eine mögliche Vorgehensweise und beziehen sich dabei auf das R2-Mass von McKelvey und Zavoina (1975).
Zusätzlich käme bei einer entsprechenden Interpretation erschwerend hinzu, dass es sich bei Schulnoten streng genommen um ordinalskalierte und nicht um intervallskalierte Messwerte handelt.
Das gewählte Vorgehen kann auch als Zerlegung eines kategorialen Prädiktors mit £=8 nominalen Kategorien in k-1 Dummy-Variablen interpretiert werden. Bei der kategorialen Variablen handelt es sich dabei um den Formalqualifikationstyp, der durch die Kriterien Schultyp, Mathematiknote und Deutschnote (beide dichotomisiert) definiert ist.
Genau genommen handelt es sich um Sekundarschüler mit überdurchschnittlichen Mathematik-und unterdurchschnittlichen Deutschnoten (vgl. Kap. 6.2.2.4).
Es kann angenommen werden, dass die Sekundär- und Realschülerinnen aus unterschiedlichen Gründen in der Kategorie Lehrstelle: NEIN gegenüber den Jungen übervertreten sind: Die Realschülerinnen, da sie auf dem Lehrstellenmarkt mehr benachteiligt sind als die Realschüler, die Sekundarschülerinnen, weil ihnen der Ausweg in die weiterführenden Mittelschulen offensteht, den sie rege nutzen.
Eine vierte zentrale Variable, nämlich informelles Sozialkapital im Sinne von Beziehungen, die in einen Betrieb mit offener Lehrstelle hineinreichen, konnte aufgrund einer mangelhaften Operationalisierung zur Erklärung von Lehrstellenchancen nicht verwendet werden (vgl. Anmerkung 107).
In Anhang 2 finden sich wiederum zu regressionsdiagnostischen Zwecken die bivariaten Korrelationskoeffizienten sämtlicher Prädiktoren. Der höchste Koeffizient beträgt dem Betrag nach r=0,22.
Eine Berücksichtigung der Strukturkateogorie Sozialstatus war aufgrund der theoretischen Vorarbeiten nicht induziert. Ein gleichwohl gerechnetes (hier nicht dokumentiertes) Alternativmodell mit dem Sozialstatus als erklärende Variable hat denn auch gezeigt, dass die Variable soziale Herkunft Jugendliche mit bzw. ohne Lehrstelle nicht voneinander zu unterscheiden vermag.
Eine Analyse der tatsächlichen Wirksamkeit von Informations- und Beratungsangeboten in Bezug auf die Verbesserung von Lehrstellenchancen ist mit der vorliegenden Versuchsanlage nicht möglich.
Diese Formulierung weist darauf hin, dass die inhaltliche Interpretation des neuen Parameters erschwert ist. Selbstverständlich haben die Schülerinnen nicht Schwierigkeiten bei der Lehrstellensuche, weil sie eine Beratungsstelle aufsuchen und damit institutionalisiertes Sozialkapital erwerben. Ihre Beanspruchung von institutionalisiertem Sozialkapital ist vielmehr Ausdruck von bestehenden Schwierigkeiten bei der Lehrstellensuche, die gemäss dem vorliegenden Modell um die Effekte von Schulqualifikationen, Geschlecht und nationaler Herkunft bereinigt sind. Im Grunde genommen wird mit dem vorliegenden Parameter eine Blackbox im Sinne von unbekannten Problemen gemessen, aufgrund derer sich die Schülerinnen an eine Beratungs- und Informationsstelle wenden.
Wieder muss vor einer falschen Interpretation eines möglichen Effekts gewarnt werden: Für einen ausbleibenden Erfolg bei der Lehrstellensuche sind kaum die erhobenen Abkühlungsagenten verantwortlich, vielmehr dahinter liegende Probleme bzw. Barrieren. Diese motivieren das soziale Umfeld, auf das Berufswahlverhalten eines Lehrstellensuchenden manipulativ einzuwirken, mit der Absicht, dessen Ausbildungschancen zu erhöhen.
Aus der Vernachlässigung einer hierarchischen Datenstruktur resultiert bei statistischen Tests oft eine vorschnelle Zurückweisung der Nullhypothese, das heisst eine talschliche Anerkennung signifikanter Resultate (Hedeker o.J., 20).
Wird der Stichprobenschwund aufgrund eines listenweisen Ausschlusses fehlender Werte mitberücksichtigt, wird diese Gruppe zu klein, um damit noch sinnvolle Zellbesetzungen (z.B. bezüglich des Generationenstatus) zu erreichen.
In Anhang 3 finden sich zu regressionsdiagnostischen Zwecken die bivariaten Korrelationskoeffizienten sämtlicher Prädiktoren der nachfolgenden Modelle. Der höchste Koeffizient beträgt dem Betrag nach r=0,22.
Die nominalen Mehrebenenanalysen wurden zuerst unter der Annahme dreier separater (nicht äquivalenter) Random Intercepts gerechnet. MIXNO gibt im Rahmen dieses komplexeren Modells jedoch für den Segmentvergleich Segment 4 vs. Segment 1 (dritte Untertabelle) signifikante negative Standardabweichungen aus. Solche negativen Schätzwerte von Varianzen (bzw. von Standardabweichungen) durch die Computersoftware sind im Rahmen von Mehrebenenanalysen bekannt (vgl. Goldstein 1999, Kap. 3; Hedeker o.J., 61; Maas & Hox 2001). Da konzeptionell unzulässig, werden sie als statistische Anomalien betrachtet und inhaltlich als Nullvarianzen interpretiert Weil die berechneten Werte jedoch teilweise beachtlich von Null abwichen, war eine derartige inhaltliche Interpretation für den vorliegenden Fall fragwürdig. Aus diesem Grund wurden die hier diskutierten nominalen Mehrebenenmodelle unter der Annahme einer weniger komplexen, restriktiveren Mehrebenenstruktur berechnet (Annahme dreier äquivalenter Random Intercepts).
Die Differenz der Anzahl Parameter zwischen zwei Modellen ergibt die Anzahl Freiheitsgrade, die bei Kenntnis der Differenz der Devianzmasse die Überprüfung ermöglichen, ob eine Modellverbesserung signifikant ist (vgl. Kap. 6.3.1, Anmerkung 115).
Für den Sozialstatus (SES) sind keine odd ratios angegeben, da es sich um eine intervallskalierte Variable handelt. Die odd ratios des SES würden sich mit jenen des Geschlechts und des Generationenstatus (Dummy-Variablen) nicht sinnvoll vergleichen lassen.
Ein Beta-Wert von Null signalisiert, dass die Variable über keine Trennkraft verfügt
Die nominale Regressionsanalyse ohne Annahme einer hierarchischen Datenstruktur wurde mit der Statistik-Software SPSS berechnet.
Die Devianz von Modell AS1 sinkt gegenüber dem Nullmodell bei 15 Freiheitsgraden (df) um 162,8; jene von Modell AS2 sinkt gegenüber Modell AS1 um 116,6 bei 21 df (MLA), bzw. um 114,4 bei 20df (ohne MLA).
Das Nagelkerke-R2 gibt an, wieviel Varianz der nominalen abhängigen Variablen durch die betrachteten unabhängigen Variablen erklärt wird (Rese 2000, 133). Aufgrund der zahlreichen nicht signifikanten Schätzungen sind die entsprechenden Werte hier jedoch mit Vorsicht zu interpretieren.
Bei der gegenüber den ansässigen SekundarschülerInnen höheren Quote von zugewanderten SekundarschülerInnen im Segment I unter der Bedingung guter Mathematiknoten (60,3% vs. 52,6%) muss in Rechnung gestellt werden, dass die zugewanderten im Gegensatz zu den ansässigen Schülerinnen im 2. Segment markant untervertreten sind. Auf dieses statistisches Artefakt, dessen Einfluss auf die hier referierten Befunde unklar bleibt, wurde bereits in Kapitel 6.2.2.8 hingewiesen.
Der besuchte Schultyp als mögliche Ursache für eine Varianz des Berufsstatus zwischen den Klassen wird in sämtlichen Modellen kontrolliert.
Die Signifikanzen der jeweiligen Modellverbesserungen (R Square Change) sind nicht dokumentiert. Sämtliche Veränderungen hinsichtlich der erklärten Varianz in den nachfolgend dokumentierten Modellen sind hoch signifikant. In Anhang 4 finden sich zu regressionsdiagnostischen Zwecken die bivariaten Korrelationskoeffizienten sämtlicher Prädiktoren. Der höchste Koeffizient beträgt dem Betrag nach r=0,24.
Das gewählte Vorgehen kann auch als Zerlegung eines kategorialen Regressors mit k=8 nominalen Kategorien in k-\ Dummy-Variablen interpretiert werden. Bei der kategorialen Variablen handelt es sich um den Schülertyp, der durch die Kriterien Geschlecht, nationale Herkunft und besuchter Schultyp definiert ist.
In der Regel wird zwecks Berücksichtigung einer Interaktion zwischen einer intervallskalierten Variablen X und einer kategorialen Variablen K mit k Ausprägungen die Einführung der intervallska-lierten Variablen X (hier: MNote) sowie von k-1 Interaktionsterme (X*Dummy„ mit j =1, 2,..., £-1) in das Regressionsmodell empfohlen (Aiken & West 1991, 123). In die vorliegenden Analyse wurden dagegen k Interaktionsterme (X*Dummy,, mit i =1,2,... k) anstelle der Variablen X und der k-\ Interaktionsterme eingeführt. Damit wird die Gesamtinformation der Variablen X (MNote) ebenfalls genutzt. Dieses Vorgehen, das hinsichtlich der Parameterschätzungen von bereits in Modell BS1 analysierten Variablen zu identischen Ergebnissen führt wie die von Aiken und West empfohlene Strategie, hat zwei Vorteile: Einerseits zeigt die Regressionsdiagnostik, dass damit das Problem der Multikollinearität reduziert werden kann; andererseits ermöglicht die hier gewählte Form einen Vergleich sämtlicher vier Interaktionsterme untereinander (vgl. die standardisierten Beta-Werte). Damit können Hypothesen im Hinblick auf die Frage formuliert werden, bei welchen Schülergruppen die Mathematiknotenselektion besonders ausgeprägt ist. Für jede der vier Ausprägungen eines Schülertyps (definiert durch die dichotomen Variablen Geschlecht und Generationenstatus) erfolgt somit eine separate Regression des Berufsstatus auf die Mathematiknote. Dabei handelt es sich bei der in Modell BS2 neu dazugekommenen Komponente mit den vier Mathematiknotenvariablen um ein konditionales Untermodell. So gilt beispielsweise der Parameter MNote*Boy*ansässig nur unter der Voraussetzung, dass die übrigen drei MNote-Para-meter den Wert Null annehmen.
Die Mathematiknote liegt in z-standardisierter Form vor (vgl. Kap. 6.2.2.4). Damit wird ein Intervallskalenniveau behauptet, welches eigentlich unzulässig ist, da Notenwerte in der Realität ordi-nalskaliert sind. Da die Annahme eines Intervallskalenniveaus von Schulnoten in der quantitativen Bildungsforschung jedoch üblich ist, wird sie hier nicht weiter problematisiert. Dies auch angesichts des in erster Linie Hypothesen generierenden Charakters der Modelle BS2 bis BS4.
Die Mathematiknoten der ansässigen und zugewanderten Schüler unterscheiden sich in der untersuchten Teilstichprobe (N=508) nur unwesentlich. Jene der ansässigen männlichen Jugendlichen sind um 0,03 Standardabweichungen höher als jene der zugewanderten Schulkollegen. Der Unterschied ist nicht signifikant.
Die unterschiedliche Erklärungskraft der Mathematiknote von ansässigen Jungen und Mädchen wird auf dem 1%-Niveau signifikant.
Die Mathematiknoten der ansässigen und zugewanderten Schülerinnen der Teilstichprobe sind vergleichbar.
Weil die veränderten Parameter der Schülertypen in Modell BS2 (im Vergleich zu Modell BS1) u.a. die Interaktionen der Mathematiknote mit dem Intercept und den neu dazugekommenen .differential intercepts’ berücksichtigen, wird eine inhaltliche Interpretation des auf 0,19 gesunkenen Grand Means erschwert. Da sich das Interesse der Analyse in erster Linie auf unterschiedliche Zusammenhänge zwischen Mathematiknote und Berufsstatus (in Abhängigkeit von Geschlecht und Generationenstatus) richtet, ist eine genaue inhaltliche Interpretaton des Grand Means zweitrangig.
Die unterschiedliche Erklärungskraft der sozialen Herkunft für den Berufsstatus ansässiger vs. zugewanderter Jugendlicher ist auf dem 5%-Niveau signifikant.
Ein Regressionsmodell mit dem SES als einzigem Prädiktor weist eine erklärte Varianz von 3,4% auf. Dies legt den Schluss nahe, dass Anteile des SES in den vorausgegangenen Modellen-BS1 — BS3 bereits anderweitig, insbesondere über den besuchten Schultyp und den Generationenstatus, berücksichtigt worden sind.
Der besuchte Schultyp ist hingegen für Schülerinnen ohne Lehrstelle im Hinblick auf ihre Alternativen relevant (vgl. weiter unten).
Die Verarbeitung des Widerspruchs zwischen Leistungsaufforderung und der Realität beschränkter Möglichkeiten erfordert bei manchen Jugendlichen eine Abkühlung ihrer beruflichen Ambitionen, damit sie in ihrer prekären Situation der Berufssuche weiterhin handlungsfähig bleiben (vgl. Kap. 7.3).
Auf den Sachverhalt, dass Ende der Siebzigerjahre italienische Jungen ihre schulische Benachteiligung gegenüber den Schweizer Jungen im Übergang in die duale Berufsbildung teilweise zu kompensieren vermochten, haben bereits Gurny et al. (1984) hingewiesen.
Rights and permissions
Copyright information
© 2005 VS Verlag für Sozialwissenschaften/GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Imdorf, C. (2005). Untersuchung I. In: Schulqualifikation und Berufsfindung. VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-322-93537-3_6
Download citation
DOI: https://doi.org/10.1007/978-3-322-93537-3_6
Publisher Name: VS Verlag für Sozialwissenschaften
Print ISBN: 978-3-531-14441-2
Online ISBN: 978-3-322-93537-3
eBook Packages: Humanities, Social Science (German Language)