Zusammenfassung
In den folgenden Abschnitten wird ein empirisch quantitatives Modell subjektiver Qualität auf der Grundlage der erhobenen Daten vorgestellt. Die Ausführungen sind insofern umfassend, als dass sie sowohl die angewandte Methodologie (siehe Kapitel 9.1) als auch in hinreichender Weise den Prozess der Modellfmdung berücksichtigen (siehe Kapitel 9.2). Dadurch soll eine möglichst transparente Nachvollziehbarkeit der Ergebnisse gewährleistet werden. Gerade hier haben viele vorliegende Studien, die komplexe multivariate Verfahren einsetzen, oftmals ihre Schwäche.
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
Aus Gründen der sprachlichen Varianz werden die Begriffe ,Komponentenanalysen’ und ,Haupt-komponentenanalysen’ sowie die Begriffe Komponente’ und ,Dimension’ im Folgenden synonym verwendet. Desgleichen werden Begrifflichkeiten wie , Komponentenladungen’, ,Komponentenwerte’ und ,Komponentenstruktur’ resp. ,Hauptkomponentenladungen’, ,-werte’ und ,-struktur’ verwendet.
Eine ausführliche methodologische Differenzierung zwischen dem Verfahren der Faktorenanalyse und dem Verfahren der Hauptkomponentenanalyse findet sich bei Micheel (2002).
Parsimonität bedeutet ontologische Sparsamkeit: Eine Theorie/ Beschreibung/ Erklärung, die weniger Entitäten oder weniger Annahmen braucht, ist dann vorzuziehen, wenn sie sonst der anderen gegenüber keine Nachteile hat („Occams Razor“-Prinzip). Parsimonität in der empiri schen Sozialforschung kann demnach als Prinzip der sparsamen Beschreibung sozialer Phänomene verstanden werden (vgl. Schumacher 1997).
Als zusammenfassendes Maß für die Eignung der Itemsammlungen für eine Hauptkomponenten-analyse wurde das Kaiser-Mayer-Olkin-Maß (KMO) herangezogen, dessen Wert zwischen 0 und 1 liegen kann. Dabei gelten Werte über 0,8 als gut bis recht gut, Werte unter 0,5 als inakzeptabel. Mit Bartletts Test auf Nicht-Sphärizität wurde überprüft, wie groß die Wahrscheinlichkeit ist, dass die beobachteten Interkorrelationen der Itemwerte (die die Grundlage einer Hauptkomponentenanalyse darstellen) zufällig zustande gekommen sind. Testgröße ist ein Chi-Quadrat-Wert. Je größer dieser ausfällt, desto unwahrscheinlicher ist die Zufälligkeit der beobachteten Interkorrelationen (vgl. Brosius/ Brosius 1995: 821 f.). Unter Verwendung des Statistik-Programms SPSS (Statistical Package for the Social Sciences), Version 10.5 beziehungsweise 11.0 und des Programms ALMO (Allgemeine Lineare Modelle) wurde eine Hauptkomponentenanalyse (PCA: Principal Component Analysis) mit anschließenden Rotationen zur Optimierung nach der Einfachstruktur dem Varimax-Kriterium durchgeführt. Unvollständig ausgefüllte Datensätze wurden dabei ausgeschlossen (Verfahren ,Listwise Deletion of Data’). Als Kriterien für die Bestimmung der Anzahl interpretierbarer Komponenten galten Scree-Test von Cattell, Eigenwert-Kriterium mit Eigenwerten > 1, inhaltliche Plausibilität sowie die Existenz von mindestens drei Items je Komponente. Bei insgesamt sechs Komponenten wurde letzteres Kriterium jedoch unterschritten. Diese bestehen jeweils nur aus zwei Items. Diese Abweichung kann zum einen aufgrund einer hohen inhaltlichen Kohärenz innerhalb dieser Komponenten gerechtfertigt werden und zum anderen damit, dass die Komponentenladungen bei diesen ,2er-Komponenten’ mit a> ±0,7 durchweg als hoch bis sehr hoch einzuschätzen sind.
Die von ihnen entwickelte Gleichung mit der sich die Stabilität einer Komponentenstruktur in Abhängigkeit von der Stichprobengröße abschätzen lässt, ergibt für alle der im folgenden gerechneten Hauptkomponentenanalysen, bei durchweg über 1300 gültigen Fällen, immer einen günstigen Kennwert (größer oder gleich 0,9). Gemäß Guadagnoli und Velicer (1988) liegt damit eine gute Übereinstimmung zwischen „wahrer** und stichprobenbedingter Komponentenstruktur vor (vgl. ebd.). Die Gleichung für die Stabilität der Hauptkomponentenstruktur (HKS) lautet: (HKS) = l-(l,10»xr0,12»x2+0,066). Dabei gilt, dass \f=\l4n und x2=minimaler Ladungswert, der bei der Interpretation der Komponenten berücksichtig wird. Ein Stichprobenumfang von mehr als 1000 Fällen ergibt dabei bei einen minimalen Ladungswert, der größer als 0,4 ist, immer einen akzeptablen Komponentenstrukturwert zwischen 0,9 und 1. Comrey und Lee (1992) bezeichnen Hauptkomponentenanalysen, die auf einer Stichprobengröße von 1000 Personen und mehr beruhen als durchweg „excellent“ hinsichtlich der Zuverlässigkeit der Korrelationskoeffizienten zwischen denjenigen Variablen, welche den Ausgangspunkt der Analyse bilden (vgl. ebenda: 217). Auch nach diesem Kriterium liegt die vorliegende Untersuchung mit einer Stichprobegröße von 1944 Fällen in einem günstigen Bereich. Die Schätzgenauigkeit der Komponentenladungen ist damit als hervorragend anzusehen.
Kontingenzkoeffizienten, die den Zusammenhang zwischen nominalen Merkmalen quantifizieren, sind für die Hauptkomponentenanalyse nicht geeignet (vgl. Bortz 1999: 508).
Zur Verbesserung des Textflusses sind die Grafiken im Folgenden teilweise erst auf dei’ Folgeseite abgebildet.
Globalwichtigkeit: Frage, die auf die generelle Bewertung der Wichtigkeit eines Qualitätsberei- ches abzielt (beispielsweise Frage 12). Fragen zur sogenannten Global Wichtigkeit werden aus theoretischen Gründen grundsätzlich nicht bei der Hauptkomponentenanalyse berücksichtigt, da in die Dimensionsanalyse nur Items eingehen, die potenzielle Dimensionen für die erfragten Konstrukte darstellen. Das Erfragen einer globalen Wichtigkeitseinschätzung für einen ganzen Bereich - siehe etwa Frage 12 - stellt jedoch keine einzelne Dimension eines Bereiches dar.
Das KMO-Maß (Kaiser-Meyer-Olkin) oder auch MSA-Kriterium (measure of sampling adequacy) der Angemessenheit der Stichprobe wird aus der AIC (Anti-Image-Korrelationsmatrix) sowohl für die Variablengesamtheit als auch für die einzelnen Variablen berechnet. Die Werte können nach Kaiser/ Rice folgendermaßen als geeignet für eine Hauptkomponentenanalyse bewertet werden (Deutsche Übersetzung): 0,9 = erstaunlich, 0,8 = verdienstvoll, 0,7 = ziemlich gut, 0,6 = mittelmäßig, 0,5 = kläglich, 0 = untragbar. Für die vorliegende Hauptkomponentenanalyse beträgt der KMO Wert = 0,83. Insgesamt wird durch die jeweiligen Komponenten eine Gesamtvarianz von 50,6% aufgeklärt. Die Items der Hauptkomponentenanalyse stammen aus der Frage 4, Frage 5, Frage 8, Frage 9, Frage 24 und Frage 28.
Die Trennschärfe beziehungsweise der Trennschärfekoeffizient gibt an, wie gut ein einzelnes Item das Gesamtergebnis repräsentiert. Die Trennschärfe wird für jedes Item eines Tests berechnet und ist definiert als die Korrelation der Beantwortung eines Items mit dem Gesamttestwert. Da in den additiven Gesamttest auch das betrachtete Item selbst eingeht - was die Korrelation künstlich erhöht - werden üblicherweise sogenannte korrigierte Trennschärfekoeffizienten berechnet, die das aktuelle Item unberücksichtigt lassen (vgl. Fisseni 1990: 40, Lienert 1961: 115).
Das Item wurde zur Berechnung des Trennschärfekoeffizienten umgepolt.
Frage 6: Es gibt unterschiedliche Kommunikationsmöglichkeiten für den Kontakt mit einem Tutor beim Onlinelernen. Wie wichtig sind Ihnen die im Folgenden aufgeführten Kommunikationsmöglichkeiten für den Kontakt mit einem Tutor beim Onlinelernen?
Abkürzung für „Frage 28, Item 3“,
KMO=0,68; durch die jeweiligen Komponenten aufgeklärte Gesamtvarianz der Korrelationsmatrix: 54,9%; Items stammen aus Frage 15
KMO=0,76; durch die jeweiligen Komponenten aufgeklärte Gesamtvarianz der Korrelationsmatrix: 54,0%; Items stammen aus Frage 10, 11, 16, 17, 18 und 19
Das zeigt sich im Trennschärfekoeffizient, der für beide Items gleich groß ist.
Für die Berechnung des Trennschärfekoeffizienten wurde dieses Item umgepolt, da es ein negatives Vorzeichen hatte.
KMO=0,78; durch die jeweiligen Komponenten aufgeklärte Gesamtvarianz der Korrelationsms
Dieses Item geht in Dimension 1 im Qualitätsfeld 5 ein.
KMO=0,87; durch die jeweiligen Komponenten aufgeklärte Gesamtvarianz der Korrelationsmatrix: 70,1%; Items stammen aus Frage 24: „Präsenzveranstaltungen können unterschiedliche Funktionen haben. Im Folgenden sind einige davon aufgeführt. Uns interessiert, welche Bedeutung die aufgeführten Funktionen für Sie persönlich für qualitativ gutes Onlinelernen haben?“ Zur Beantwortung wurde eine vierstufige Schätzskala vorgegeben (nicht wichtig - wenig wichtig - ziemlich wichtig - sehr wichtig).
Item 1 und 2 aus Frage 26 gehen jedoch anstatt dessen in die erste Komponente im Qualitätsfeld 5 ein.
Die Bezeichnung „instrumentell-qualifikatorisch“ beziehungsweise „rezeptiv-anwendend“ geht auf das Bielefelder Medienkompetenz Modell zurück (vgl. Baacke 1996). Die instrumentell-qualifikatorische Unterdimension (der Dimension „Medienkunde“) meint die Fähigkeit, neue Geräte bedienen zu können, dazu gehört etwa das Sich-Einarbeiten in die Handhabung einer Computer-Software, das Sich-Einloggen-Können in ein Netzwerk, die Bedienung des Videorecorders und vieles mehr. Hinzu kommt die rezeptiv-anwendende Unterdimension (der Dimension Mediennutzung). Sie spielt eher auf die Programm-Nutzungskompetenz an. Beispielsweise wird hier auch Fernsehen als eine Tätigkeit angesehen, weil das Gesehene verarbeitet werden muss und oft in das Bildungs- und Bilderrepertoire eingeht. Nicht nur das Lesen von Texten, auch das Sehen von Filmen fordert heute Rezeptionskompetenz.
KMO=0,82; durch die jeweiligen Komponenten aufgeklärte Gesamtvarianz der Korrelationsmatrix: 57,8%; Items stammen aus den Fragen 33, 34, 35, 37 und 38.
Rights and permissions
Copyright information
© 2004 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Ehlers, UD. (2004). Empirisches Modell subjektiver Qualität. In: Qualität im E-Learning aus Lernersicht. VS Verlag für Sozialwissenschaften, Wiesbaden. https://doi.org/10.1007/978-3-663-11211-2_9
Download citation
DOI: https://doi.org/10.1007/978-3-663-11211-2_9
Publisher Name: VS Verlag für Sozialwissenschaften, Wiesbaden
Print ISBN: 978-3-531-14235-7
Online ISBN: 978-3-663-11211-2
eBook Packages: Springer Book Archive