2.3.1 Berechnungen innerhalb der einzelnen Stichproben
Wie bereits oben beschrieben, wurden zur Reduktion der gesundheitlichen Beschwerden auf die Faktoren „PVB“ und „MSB“, der Belastungskomponenten auf die Faktoren „Psychische Belastung“, „Physische Belastung“ und „Autonomie“ sowie der sozialen Aktivitäten auf die Faktoren „Ehrenamtliche/Politische Tätigkeiten“,
„Häusliche Aktivitäten/Familie“ und „Außerhäusliche Aktivitäten/Weiterbildung“
Faktorenanalysen durchgeführt.
Die Zusammenhänge zwischen der wöchentlichen Arbeitszeit und den gesund-heitlichen und sozialen Beeinträchtigungen wurden varianz- und regressionsana-lytisch untersucht. In den Varianzanalysen wurden die signifikanten Haupteffekte der unabhängigen Variablen sowie deren Effektstärke (Varianzaufklärung, ange-geben in Eta-Quadrat) ermittelt. Für die linearen Regressionsanalysen wurde die wöchentliche Arbeitszeit in kontinuierlicher Form als unabhängige Variable verwendet. Der
Indikator „Beschwerdefreiheit“ eignete sich aufgrund der 0/1-Kodierung zur Berechnung logistischer Regressionen, sodass die Erhöhung des Risikos für Beeinträchtigungen durch arbeitszeit- und belastungsbezogene Merkmale sowie deren Kombination ermittelt werden konnte. Für die logistischen Regressionen wurden die unabhängigen Variablen teilweise neu gruppiert, wie an entsprechender Stelle beschrieben wird.
Abschließend soll an dieser Stelle noch erwähnt werden, dass bei der Interpretation der Ergebnisse die Effekte der Stichprobengröße beachtet werden müssen. Es handelt sich bei allen verwendeten Datensätzen um sehr große Stichproben. Dies hat zur Folge, dass auf der einen Seite auch schwache Zusammenhänge signifikant werden, die Signifikanzprüfung also praktisch bedeutungslos ist. Auf der anderen Seite ist die Effektstärke bei Berechnungen der Zusammenhänge auf individueller Basis i. d. R. eher gering. Bildet man dagegen in der Stichprobe Gruppen gleicher Bedingungen, so wird ein großer Teil der vorhandenen Varianz durch die Grup-pierung entfernt, womit die ermittelten gruppenbezogenen Schätzungen der Effektstärke weitaus höher ausfallen. Dies sollte bei der Interpretation der Ergebnisse berücksichtigt werden. Daher muss bei der Auswertung eine Abschätzung der Signi-fikanz, aber vor allem auch der Relevanz der erzielten Ergebnisse im Hinblick auf die Höhe der Zusammenhänge zwischen den untersuchten Variablen erfolgen.
Insbesondere die Effektstärke (Zusammenhangsmaße, Varianzaufklärung etc.) gewinnt unter dieser Perspektive eine große Bedeutung.
2.3.2 Kreuzvalidierung der Ergebnisse aus verschiedenen Datensätzen Bei einem Vergleich von Ergebnissen aus verschiedenen Stichproben besteht das Problem, dass einzelne Items zunächst aufgrund der unterschiedlichen Operationa-lisierung schlecht vergleichbar sind. Der schlichte Vergleich von Häufigkeiten oder Zusammenhangsmaßen in den verschiedenen Stichproben kann unter bestimmten Bedingungen aufschlussreich sein, ist aber nicht abgesichert, sodass keine Aussage über die Relevanz eventueller Unterschiede getätigt werden kann. Solche Punkt-schätzungen unterscheiden sich, wie oben beschrieben, ganz erheblich in Abhängigkeit von der verwendeten Methode, der Fragestellungen und Operationa-lisierungen. Die Ermittlung struktureller Zusammenhänge hingegen ist sehr gut geeignet, um stichprobenübergreifende Vergleiche vorzunehmen. Dabei sollte von der Operationalisierung der zu untersuchenden Variablen abstrahiert werden.
Anstelle der gemessenen Variablen sollten die dahinter liegenden theoretischen Konstrukte und ihre relationalen Beziehungen untersucht werden. Mit der Redu-zierung der abhängigen Variablen auf ihre latenten Konstrukte durch die Faktoren-analysen konnte ein Schritt in diese Richtung getan werden.
Wenn mehrere Male Daten mit derselben Methode und Operationalisierung der interessierenden Konstrukte erhoben und jeweils gleiche Ergebnisse produziert werden, so ist dies nicht überraschend. Wenn jedoch in den hier verwendeten verschiedenen Stichproben, die mit unterschiedlichen Methoden (persönliche Interviews, Fragebögen, Telefoninterviews) zu verschiedenen Zeitpunkten (im Jahr 2000, 2004, 2005 und 2006) und mit unterschiedlicher Operationalisierung erfasst wurden, strukturell gleichartige Zusammenhänge zwischen der Arbeitsdauer und gesundheitlichen sowie sozialen Beeinträchtigungen nachgewiesen werden können,
so bedeutet dies eine substantielle Erhöhung der Validität und Generalisierbarkeit der Ergebnisse (vgl. SHADISH et al., 2002).
Eine Möglichkeit für den Vergleich struktureller Zusammenhänge in unter-schiedlichen Stichproben stellt die Methode des Vergleichs von Regressions-koeffizienten dar. Es liegt folgende Formel zur Berechnung einer einfachen linearen Regression zugrunde:
ŷi = a + bxi
Die Parameter xi sind die verschiedenen Ausprägungen der unabhängigen Variable, die Schätzer ŷi stellen die zugehörigen Werte auf der ermittelten Regressionsgerade dar. Der Parameter a gibt den Schnittpunkt der Gerade mit der Y-Achse an, der Parameter b (der Regressionskoeffizient) bestimmt die Steigung der Geraden (vgl.
z. B. BORTZ, 2005).
Beim Vergleich von zwei Regressionsgeraden werden in den zu vergleichenden Stichproben Regressionen der (gleichen) abhängigen auf die unabhängigen Variablen gerechnet. Anschließend werden die Regressionskoeffizienten b1 und b2
aus den Regressionsgeraden mittels t-Test auf Unterschiedlichkeit getestet (WEBER, 1972). In der vorliegenden Untersuchung war dieses Vorgehen möglich, da in allen vier Datensätzen standardisierte Faktoren für die gesundheitlichen Beschwerden sowie – in den europäischen Befragungen – für die Ausübung außerberuflicher Aktivitäten gezogen worden waren und die Zusammenhänge zwischen der Arbeitsdauer und den Beeinträchtigungen auf einer vergleichbaren Skala dargestellt werden konnten.
Das Vorgehen beim Vergleich von Regressionskoeffizienten ist derart, dass zunächst die Differenz der interessierenden Koeffizienten b1 und b2 berechnet und diese anschließend durch die theoretische Standardabweichung der Differenz sd geteilt wird. Damit erhält man die Prüfgröße
Die Nullhypothese H0: b1 = b2 muss abgelehnt werden, wenn t ≥ t(α,f). Dies bedeutet, dass die Steigungen der Regressionsgeraden signifikant voneinander verschieden sind. Kann die Nullhypothese jedoch nicht verworfen werden, so deutet dies auf strukturell gleichartige Zusammenhänge hin.
Als weitere Indikatoren für die Übereinstimmung der Strukturen in den verschiedenen Stichproben wurden zum einen die Korrelationskoeffizienten und zum anderen die aufgeklärte Varianz durch die signifikanten Haupteffekte in den Varianzanalysen herangezogen und auf ihre Übereinstimmung überprüft. Weiterhin wurden die signifikanten unabhängigen Variablen in den logistischen Regressionen verglichen sowie die strukturelle Übereinstimmung ihrer Effektstärke (der Odds Ratios) geprüft.
.