3.4 Statistische Analysen
3.4.1.2 Analysen zur Beantwortung der Fragestellungen
Die Wahl der Analyseverfahren erfordert für jede Dimension eine Auseinanderset-zung damit, welche Aspekte der forschungsleitenden Fragestellungen mit den ge-wonnenen Daten beantwortet werden.
Wie im Folgenden veranschaulicht, erfolgen die Berechnungen zur Identifikation der einzelnen Kategorien subjektiver Gesundheitskonzepte und -theorien sowie der gesundheitsorientierten sportbezogenen Risikobereitschaft mittels identischer statis-tischer Verfahren. Abweichungen sind dagegen hinsichtlich der Analysemethoden der Teilfragestellungen zu beobachten, die sich mit den Einflussfaktoren auf die ein-zelnen Kategorien beschäftigen.
Zustimmung zu den Dimensionen der Teilbereiche des Gesundheitsbewusst-seins
Die zur Validierung der drei entwickelten Skalen zum Gesundheitsbewusstsein durchgeführte Faktorenanalyse liefert die Grundlage dafür aufzudecken, welche Di-mensionen hinsichtlich subjektiver Gesundheitskonzepte, -theorien und gesundheits-bezogener sportspezifischer Risikobereitschaft bei Nachwuchsleistungssportlern zu finden sind.
Basierend darauf ist über eine deskriptive Analyse der jeweiligen Faktormittelwerte zu berechnen, inwiefern die Athleten den einzelnen Dimensionen zustimmen.
Im Hinblick auf die Gesundheitsdefinitionen ist zusätzlich zu untersuchen, inwieweit jugendliche Athleten ihre Gesundheit als dynamisch erfahren. Eine Antwort hierauf findet sich im Antwortverhalten auf einzelne Indikatoritems innerhalb der Skala zu subjektiven Gesundheitskonzepten (Kapitel 3.3.1.1).
Vergleichbar ist bei der Beantwortung der Teilfrage subjektiver Gesundheitstheorien vorzugehen, die von jugendlichen Sportlern eine Einschätzung verlangt, ob sie ihr leistungssportliches Engagement im Hinblick auf ihre Gesundheit als positiv oder ne-gativ bewerten.
Einflussfaktoren auf die Dimensionen der Teilbereiche des Gesundheitsbe-wusstseins
Im Zusammenhang mit der Frage, durch welche Variablen Unterschiede in den ein-zelnen Dimensionen zu erklären sind, muss zwischen den Gesundheitskonzepten
und -theorien auf der einen und der Risikobereitschaft auf der anderen Seite diffe-renziert werden.
Hinsichtlich Ersteren erfüllt die Bestimmung der Determinanten den Zweck zu ver-stehen, in welchen Parametern sich die Athleten unterscheiden, die zu einem be-stimmten Gesundheitsverständnis bzw. zu bebe-stimmten wahrgenommenen Einfluss-faktoren auf die eigene Gesundheit tendieren. In Bezug auf die Risikobereitschaft hingegen, muss berücksichtigt werden, dass Athleten ihre Gesundheit teilweise be-wusst riskieren müssen, um sportliche Höchstleistung zu erreichen. Die Identifikation der Variablen, die bei allen Athleten zu einer erhöhten Risikobereitschaft führen, lie-fert dementsprechend nur einen bedingten Erkenntnisgewinn. Präzisere Informatio-nen sind dagegen in der Analyse der Einflussfaktoren zu finden, die die Bereitschaft zu extrem riskanten (bzw. risikoarmen) Verhalten bedingen. Denn diese außerge-wöhnlich risikobereiten (bzw. risikoaversen) Nachwuchsleistungssportler laufen Ge-fahr, sich (bzw. nicht) nachhaltig zu schädigen und mit einer deutlich höheren (bzw.
niedrigeren) Wahrscheinlichkeit verfrüht aus dem Leistungssport auszusteigen. Die Zielsetzung, Determinanten der Extremgruppen zu identifizieren, verlangt jedoch auch ein spezifisches Analyseverfahren.
Zunächst wird die methodische Umsetzung zur Untersuchung der Einflussfaktoren auf die verschiedenen subjektiven Gesundheitskonzepte und -theorien, daran an-schließend auf die Risikobereitschaft dargestellt.
Subjektive Gesundheitskonzepte und -theorien
Um die Determinanten der einzelnen Gesundheitsverständnisse sowie der wahrge-nommenen Ressourcen und Risiken für die eigene Gesundheit zu bestimmen, bietet sich das Verfahren der Regressionsanalyse an. Unter Berücksichtigung des Skalen-niveaus der abhängigen (metrisch) und verschiedenen unabhängigen Variablen ist ein lineares multiples Regressionsmodell zu wählen, das durch bestimmte Kennzah-len definiert wird.
Grundsätzlich bilden in der Regressionsanalyse die standardisierten Regressionsko-effizienten Beta (β) die Einflussstärke, also die relative Bedeutung der unabhängigen Variablen, ab. Eine globale Prüfung des Regressionsmodells erfolgt mittels des Be-stimmtheitsmaßes R2. R2 überprüft die Anpassungsgüte der Regressionsfunktion (‚goodness of fit‘), also wie gut sich die Regressionsfunktion an die beobachteten Daten anpasst. Die Frage, ob und wie gut die abhängige Variable Y durch das
Reg-ressionsmodell erklärt wird, steht im Mittelpunkt. Dabei gibt R2 den Anteil der erklär-ten Streuung/Varianz an der gesamerklär-ten Varianz der abhängigen Variablen an, beant-wortet also die Frage, ob die Gesamtheit der unabhängigen Variablen eine Verbes-serung der Vorhersage der abhängigen Variable erzielen, im Vergleich zur einfachen Schätzung der Mittelwerte. Die Schätzung wird umso besser, je größer der Anteil der durch die unabhängigen Variablen erklärte Abweichung an der Gesamtabweichung ist oder anders ausgedrückt – je kleiner die Residuen, also der unerklärte Anteil an der Gesamtabweichung, sind (Backhaus et al., 2008; Bortz & Schuster, 2010).
Die Frage, ob R2imGesamtmodell der Regressionsanalyse signifikant wird, also in-wieweit die Ergebnisse in der Stichprobe auch für die Grundgesamtheit gelten, wird durch eine Signifikanzprüfung des geschätzten Modells mittels der F-Statistik beant-wortet. Hierbei wird das korrigierte Bestimmtheitsmaß R2korr verwendet, das den Stichprobenumfang berücksichtigt, da das nicht korrigierte R2 mit zunehmender An-zahl an unabhängigen Variablen zwangsläufig steigt (Bortz & Schuster, 2010; Bühl, 2012).
Ergibt die Prüfung der Regressionsfunktion einen Zusammenhang des geschätzten Modells in der Grundgesamtheit, werden die Regressionskoeffizienten mit Hilfe eines t-Tests einzeln überprüft. Ziel ist die Aussage, inwiefern die jeweilige unabhängige Variable einen Einfluss auf die abhängige Variable ausübt (Backhaus et al., 2008;
Bortz & Schuster, 2010).
Die Auswahl der unabhängigen Variablen erfolgt durch eine schrittweise Regression, bei der die unabhängigen Variablen einzeln und nacheinander in die Regressions-gleichung einbezogen werden. Ziel ist das Modell mit dem höchsten Bestimmtheits-maß zu finden. Ausgewählt wird immer diejenige Variable, die den größten partiellen Korrelationskoeffizienten und somit dem größten Beitrag zur Erhöhung des Be-stimmtheitsmaßes aufweist. Das Signifikanzniveau sowohl bei der F- als auch bei der t-Statistik liegt bei .05.
Zur Überprüfung der Modellprämissen wird zum einen die Multikollinearität zwischen den unabhängigen Variablen getestet (Backhaus et al., 2008). Diese gibt Aufschluss darüber, ob die Annahme einer linearen Unabhängigkeit zwischen den unabhängi-gen Variablen zutrifft, diese also dasselbe Konstrukt messen. Lieunabhängi-gen so unabhängi-genannte Toleranzwerte (Differenz zwischen 1 und R2) sowie ‚Variance Influence Factors‘ (VIF
– Kehrwert aus Differenz) nahe bei 1, stehen sie für ein geringes Multikollinearitäts-Risiko (Hays, 1988). Akzeptiert werden Toleranzwerte, die größer als .25, und VIF Werte, die kleiner als 5 sind (Urban & Mayerl, 2006).
Zum anderen ist über eine Betrachtung der partiellen Residuenplots (P-P Diagramm von standardisierten Residuen) zu überprüfen, ob die Annahme der linearen Abhän-gigkeit zwischen abhängiger und unabhängiger Variablen zutrifft. Bei einer nicht-linearen Beziehung zeigt sich ein nicht horizontales Punkteband bzw. ein systemati-scher Kurvenverlauf (Backhaus et al., 2008).
Als weiterer Punkt im Zusammenhang mit den Residualgrößen ist eine Homogenität der Varianzen der Residualgrößen zu untersuchen (Backhaus et al., 2008). Diese so genannte Homoeskastizität stellt sicher, dass alle Beobachtungswerte gleich bewer-tet werden (bei Heteroeskastizität tritt das Problem auf, dass mehr Wert auf eine gute Prognose der Werte mit hoher Varianz gelegt wird). Liegt Homoeskastizität vor, findet sich in einem Streudiagramm (Regression standardisiertes Residuum mit Regression standardisierter geschätzter Wert) eine gleich breite Punktewolke entlang einer waagrechten (Null-)Linie. Idealtypisch ist das Ergebnis, wenn die Residuen unsyste-matisch um die Nulllinie schwanken (Backhaus et al., 2008).
Weitere Prämissen der Regressionsanalyse, wie etwa die Normalverteilung der Re-siduen, die zu ungültigen Signifikanztests führen würden, sind bei einer ausreichend großen Stichprobe (n>40) zu vernachlässigen. Außerdem ist anzunehmen, dass die Residuen normalverteilt sind, sofern auch die Originalvariablen normalverteilt sind (was in der Analyse der Rohwerteverteilung überprüft wird) (Backhaus et al., 2008).
Auch die Problematik der Autokorrelation ist im Zusammenhang mit der vorliegenden Untersuchung zu vernachlässigen, da eine fehlende Unabhängigkeit der Residual-größen erst bei Zeitreihenanalysen zu Problemen bei der Signifikanz der t-Tests führt (Backhaus et al., 2008).
Gesundheitsbezogene sportspezifische Risikobereitschaft
Berechnungen, die auf die Bestimmung der Determinanten der Bereitschaft, sport-spezifische Risiken einzugehen, abzielen, verlangen aus eingangs genannten Grün-den nach einem Verfahren, das nicht auf gesamtgruppenstatistischem Niveau (wie durch lineare Regressionsanalysen) rechnet. Vielmehr müssen in einem ersten Schritt Gruppen mit extremen Ausprägungen identifiziert werden, um dann Faktoren zu bestimmen, die diese Gruppen determinieren.
Für diesen Fall bietet sich das statistische Analyseverfahren der Kontrastgruppenbil-dung an, das einzelne Untergruppen mit besonders hoher bzw. niedriger Ausprägung des zu untersuchenden Merkmals in den Fokus rückt. Folglich ist im Anschluss an die Faktorenanalyse zur Ermittlung der Dimensionen der sportspezifischen gesund-heitsbezogenen Risikobereitschaft je eine Kontrastgruppenanalyse über die ermittel-ten Subskalen unter Berücksichtigung des Einflusses der in der Theorie dargestellermittel-ten unabhängigen Variablen durchzuführen.
Mithilfe der so genannten Kontrastgruppenanalyse oder ‚classification tree analysis‘
wird die Grundgesamtheit in verschiedene Teilpopulationen eingeteilt, basierend auf der Einflussstärke von Prädiktoren auf die Gruppierungsvariable. Einen Vorteil dieser Methode bietet neben Berechnungen von Interaktionen der unabhängigen Variablen auch die Veranschaulichung deren Einflussstärke durch ein hierarchisches Baum-modell. Außerdem lassen sich die ermittelten Gruppen nach ihrem Ausprägungsgrad der abhängigen Variablen in eine Reihenfolge bringen (Bühl, 2010; Camp & Slattery, 2002).
Zur Berechnung von ‚classification tree analyses‘ stehen verschiedene Algorithmen zur Verfügung, deren Auswahl im Hinblick auf die Fragestellung und die damit einzu-beziehenden abhängigen und unabhängigen Variablen zu reflektieren ist (Bühl, 2010; SPSS ). Das metrische Skalenniveau der Items zur abhängigen Variablen
‚sportspezifische gesundheitsbezogene Risikobereitschaft‘ verlangt den CHAID Algo-rithmus (‚chi squared automatic interaction detector‘), dessen Ergebnisse durch eine automatische Entdeckung von Zusammenhängen zwischen den unabhängigen Vari-ablen auf der Basis von Chi Quadrat Tests erreicht werden. Dabei bestimmt CHAID in jedem Analyseschritt denjenigen Prädiktor, der den stärksten Einfluss auf die Ka-tegorien der abhängigen Variablen ausübt. Das Skalenniveau der unabhängigen Va-riablen ist dabei beliebig, wobei metrische VaVa-riablen in kategoriale übersetzt werden (Camp & Slattery, 2002). Dadurch, dass CHAID nicht immer optimale Kategorien des Prädiktors bildet, da die Kategorienbildung abgebrochen wird, sobald sich alle gefun-dene Kategorien signifikant unterscheiden, ist die präzisere Methode Exhaustive CHAID zu wählen (Camp & Slattery, 2002). Diese untersucht für jede Einflussvariab-le alEinflussvariab-le möglichen Aufteilungen, fährt folglich so lange fort Kategorien zu bilden, bis nur noch zwei resultieren. Aus den verschiedenen Möglichkeiten wählt Exhaustive
CHAID die Kategorisierung mit dem stärksten Zusammenhang aus und berechnet hierfür einen korrigierten p-Wert (Camp & Slattery, 2002; SPSS o.J.).
Als notwendige Spezifikation für die Berechnung einer ‚classification tree analysis‘, so genannte ‚stopping rules’, wird das Signifikanzniveau für das Aufteilen von Knoten und das Zusammenführen von Kategorien auf .05, die Baumtiefe auf 3 und die Min-destanzahl der Fälle im übergeordneten bzw. im untergeordneten Knoten auf 100 bzw. 50 festgelegt. Zudem wird als Maß der Zuverlässigkeit des Modells das Fehl-klassifizierungsrisiko, also die Varianz innerhalb der Knoten, berechnet (SPSS o.J.).
Die Modellgüte eines Baummodells lässt sich bei einer abhängigen Variable auf met-rischem Skalenniveau über die erklärte Varianz des gesamten Baums (Varianz zwi-schen den Knoten) ableiten, die sich aus der Differenz der unerklärten Varianz von dem Wert 1 ergibt. Die unerklärte Varianz wird aus dem Quotienten des Risikoschät-zers ((Fehler-) Varianz innerhalb der einzelnen Knoten) und der Gesamtvarianz am Stammknoten (Standardabweichung im Quadrat) berechnet (SPSS, p. 82).
3.4.2 Burnoutsymptomatik bei Leistungssportlern
Der subjektive Belastungszustand zielt neben einer einfachen Darstellung des Aus-maßes der Burnoutsymptomatik bei Nachwuchsleistungssportlern darauf ab, Variab-len zu identifizieren, die besonders überlastete bzw. ausgeglichene Athleten kenn-zeichnen. Folglich ist – vergleichbar zur Untersuchung der sportspezifischen gesundheitsbezogenen Risikobereitschaft – ein Analyseverfahren erforderlich, das Determinanten nicht auf Gesamtgruppenniveau, sondern in Bezug auf Untergruppen mit extremen Ausprägungen identifiziert. Zudem wäre eine Analysemethode wün-schenswert, die der theoretischen Auseinandersetzung entsprechend Interaktionen verschiedener Variablen erlaubt, da Überlastungszustände durch das Aufeinander-treffen verschiedener Bedingungen entstehen. Vor diesem Hintergrund bietet sich wiederum die Kontrastgruppenanalyse mittels einer ‚classification tree analysis‘ an, deren Methodik bereits im Zusammenhang mit der Untersuchung der gesundheits-bezogenen sportspezifischen Risikobereitschaft vorgestellt wurde.
4 Empirie
Bevor eine Ergebnisdarstellung im Hinblick auf die Teilfragestellungen erfolgt, wird zunächst die Stichprobe vorgestellt. Tabelle 10 beinhaltet die deskriptive Verteilung der Stichprobe der Nachwuchsleistungssportler (N=1138).
Insgesamt sind 56% der Stichprobe männlich, das durchschnittliche Alter liegt bei knapp 16.5 Jahren (SD=1.10).
4% der Athleten gehören bereits dem höchstmöglichen und 3% dem zweithöchsten Kader an. Dabei ist zu berücksichtigen, dass nur wenige Sportarten altersunabhän-gige Kaderstrukturen aufweisen. So ist es beispielsweise in bestimmten Individual-sportarten (wie z.B. Gerätturnen) möglich (und auch nicht unüblich) mit 15 Jahren bereits im A-Kader zu sein. Dagegen sieht die Kaderstruktur etwa in den meisten Ballsportarten vor, dass jeweils die besten jugendlichen Athleten in U18/U17 bzw.
U16-Nationalmannschaften zusammengefasst sind. Diese Jugend- und Junioren-Nationalmannschaften entsprechen den Kaderstufen C- bzw. D/C-Kader, denen die meisten Athleten (jeweils 43%) angehören38.
18% der Athleten leben in einem Sportinternat. Im Mittel trainieren sie knapp 14 Stunden in der Woche (SD=5.37) und sind im Schnitt seit knapp 3 Jahren in einem Kader (SD=1.92).
Knapp 17% der Nachwuchsleistungssportler müssen zum Zeitpunkt der Befragung eine Sportpause einlegen.
Eine Betrachtung der Hauptbezugspersonen legt offen, dass die jungen Athleten hauptsächlich Kontakt zu ihren Freunden aus dem Sport (45%) oder ihren Familien (39%) haben.
Um die Fülle an untersuchten olympischen Sportarten und Disziplinen Vergleichen unterziehen zu können, werden sie in der Regel Sportartengruppen eingeteilt.
Grundsätzlich bestehen verschiedene Möglichkeiten einer Kategorisierung. Weineck (2010) und Konopka (2006) schlagen vor, Sportarten ihrem Anforderungsprofil ent-sprechend zu kategorisieren. Sie legen sieben unterschiedliche Gruppen fest: Aus-dauersportarten, Ausdauersportarten mit hohem Krafteinsatz, Kraftsportarten, Schnellkraftsportarten, Spielsportarten, Kampfsportarten, nicht klassifizierte Sportar-ten. Torstveit und Sundgot-Borgen (2005) teilen Sportarten dagegen entsprechend unterschiedlicher Körperkompositionen ein: technische, Ausdauer-, ästhetische, ge-wichtsklassenabhängige, Ball-, Kraft- sowie Antigravitationssportarten. In der
38 Bei 7% ist die Kaderstufe nicht in die bestehenden Klassifikationen einzuordnen, z.B. Talentteam, Perspektivkader.
genden Arbeit wird eine Mischform aus beiden Kategorisierungen gewählt, da auf diesem Weg sowohl den konditionellen Anforderungen als auch bestimmten riskan-ten Phänomenen (wie ‚Gewichtmachen‘ oder restriktives Essverhalriskan-ten) berücksichtigt werden können (vgl. Anhang: Tabelle 1).
Tabelle 10: Charakterisierung der Stichprobe Soziodemografika Gewichtsklassenabhängig / Ball / Kraft / Antigravi-tation / Ausdauerbasiert mit hohem Krafteinsatz
143 / 222 / 46
39 Aufgrund der gerundeten Werte ergeben sich 101%.
40 Die Zuteilung einzelner Sportarten bzw. Disziplinen zu der entsprechenden Sportartengruppe sind dem Anhang zu entneh-men.
41 Aufgrund der gerundeten Werte ergeben sich 101%.
42 Für n=75 der Probanden liegt keine Angabe zu diesem Item vor.
43 Für n=328 der Probanden liegt keine Angabe zu diesem Item vor.
4 / >5 163 / 208 15 / 1944 Hauptnetzwerkakteur
Sportfern (Familie, Freunde nicht aus dem Sport)
Sportnah (Trainer, Freunde aus dem Sport)
392
Entsprechend der methodischen Überlegungen beinhaltet die Untersuchung der ein-zelnen Dimensionen des Gesundheitsbewusstseins in einem ersten Schritt eine test-theoretische Überprüfung der entwickelten Skalen, gefolgt von den entsprechenden Analysen zur Beantwortung der forschungsleitenden Fragestellungen jeder Dimensi-on.
4.1.1 Subjektive Gesundheitskonzepte
Bevor die forschungsleitenden Fragestellungen beantwortet werden, muss wie in Ka-pitel 3.4.1.1 dargelegt, eine testtheoretische Analyse der entwickelten Items bzw.
Skalen zu den unterschiedlichen Gesundheitsdefinitionen erfolgen.
44 Aufgrund der gerundeten Werte ergeben sich 101%.
45 Aufgrund der gerundeten Werte ergeben sich 101%.
46 Aufgrund der gerundeten Werte ergeben sich 101%.
4.1.1.1 Testtheoretische Überprüfung