Beurteilung des Strukturmodells

In einem zweiten Schritt ist das Strukturmodell zu beurteilen. Dafür stehen mehrere Kriterien zur Verfügung.

Die Pfadkoeffizienten in Abbildung 18 geben Auskunft darüber, ob bzw. wie stark die LVs miteinander zusammenhängen. Um festzustellen, wie präzise und stabil die Schät-zungen des PLS-Algorithmus sind, bieten sich zwei Verfahren an: Jackknifing und Bootstrapping⁵⁵. Da Bootstrapping die genaueren Ergebnisse liefert, wird dieses

55 Für eine mathematisch korrekte Beschreibung der beiden Verfahren siehe Chin (1998a, pp. 318-320).

Verfahren mit 500 Resamples (analog zu Chin, 1998a und Hansmann & Ringle, 2005) eingesetzt, um die Signifikanz der Pfadkoeffizienten mit Hilfe von t-Werten für jede LV zu bestimmen. Dabei zeigt sich, dass von 24 Pfadkoeffizienten sieben hoch signifi-kant (p < .01), sieben signifisignifi-kant (p < .05) und vier schwach signifisignifi-kant (p < .10) sind⁵⁶. Für sechs Pfade lässt sich keine Signifikanz zeigen.

56 Für die t-Werte siehe S. 235 im Anhang.

Abbildung 18: Pfadkoeffizienten und R² im modifizierten Modell

Wie bereits das Kapitel zur Vorhersage des Berufserfolgs (Kapitel 4.3, S. 114) gezeigt hat, kann die Vorhersage des beruflichen Erfolgs auf Basis von Studiumsnoten proble-matisch sein und mit wachsendem Abstand zum Studienabschluss immer schwieriger werden. Diese Erkenntnis wird durch die vorliegenden Daten gestützt. Während der Studienerfolg deutlich und hochsignifikant mit dem Berufseinstiegserfolg zusammen-hängt, trifft das für den weiteren Berufserfolg im Hinblick auf das Gehalt nicht mehr so deutlich zu. Mit dem hierarchischen Berufserfolg hängt der Studienerfolg wider Erwarten sogar signifikant negativ zusammen.

Ebenfalls entgegen der vermuteten Beziehung hat Engagement im Studium einen schwach signifikanten, aber negativen Einfluss auf den Berufseinstiegserfolg. Gleiches gilt für das Engagement im Berufsleben und seine Beziehung zum Berufserfolg im Hinblick auf das Gehalt.

Diese Ergebnisse führen dazu, dass die Hypothesen H3, H5, H7, H8, H9a, H10a, H13b, H17b und 18b abzulehnen sind. Die Hypothesen H1, H2, H6, H9b, H10b, H11, H12, H13a, H14, H15, H16, H18a und H19 können dagegen angenommen werden.

Unter dem Vorbehalt, dass man ein Signifikanzniveau von zehn Prozent akzeptiert, stoßen auch die Hypothesen H4 und H17a zur Gruppe der angenommenen Hypo-thesen.

Der Einstieg in die Beurteilung von Strukturmodellen gelingt in der Regel über eine Betrachtung des R² jeder abhängigen LV. Sie sind dabei genauso zu interpretieren wie das R² einer normalen Regression. Demnach geben sie Auskunft darüber, wieviel Varianz der abhängigen Variablen durch die entsprechenden unabhängigen Variablen erklärt wird. Folgt man dem Bewertungsschema, das Chin (1998a, p. 323) aufstellt, kann man das R² einer LV in Höhe von .67 als substanziell, in Höhe von .33 als mittelgut und in Höhe von .19 als schwach bezeichnen. Die Werte für das Modell dieser Arbeit finden sich in Abbildung 18. Demnach erreicht nur die LV Studienerfolg einen mittelguten Wert. Berufseinstiegserfolg, Berufserfolg mit Bezug auf Gehalt, Berufserfolg mit Bezug auf Hierarchie und Engagement im Studium erreichen immerhin noch schwache Werte. Die restlichen LV kommen nicht über fünf Prozent erklärter Varianz hinaus.

Einen weiteren wichtigen Ansatzpunkt für die Beurteilung eines Strukturmodell liefert die Effektstärke f ². Nach Cohen (Cohen, 1988, pp. 413-414) ist eine Effektstärke von .02 gering, von .15 mittel und von .35 groß. Er gibt aber zu bedenken, dass diese Werte nicht unbedingt für alle wissenschaftlichen Bereiche gleich hoch sein müssen und z.B. beim Studium sozialer Zusammenhänge zu groß gewählt sein könnten. Bei einem Blick auf die Daten (Tabelle 11) fällt auf, dass die Effektstärke weitgehend dort größer oder gleich .02 ist, wo auch ein signifikanter Pfad (p < .05) vorliegt. Die einzigen Ausnahmen bilden die Beziehung zwischen Arbeitserfahrung in der Schulzeit und Studienerfolg sowie der Pfad zwischen Arbeitserfahrung im Studium und Berufs-erfolg mit Bezug zum Gehalt. Während Erstere zwar signifikant ist, aber die Effekt-stärke geringer ist als .02, ist Letztere zwar nur schwach signifikant, weist aber eine Effektstärke von .02 auf. In seiner Stärke ungewöhnlich sticht unter den Daten der

Effekt von Erfolg in der Schule auf Studienerfolg heraus (.62). Sonst dominieren weit-gehend geringe Effektgrößen das Bild. Legt man die Grenzen sehr großzügig aus, könnte man auch noch Engagement in der Schulzeit auf Engagement im Studium (.14), Studienerfolg auf Berufseinstiegserfolg (.10) und Berufseinstiegserfolg auf Berufser-folg in Bezug auf Gehalt (.11) eine mittlere Effektstärke attestieren.

Einer der Vorteile des PLS-Verfahrens ist, dass es eine Einschätzung erlaubt, ob ein Prädiktor geeignet ist und welche prädiktive Kraft er besitzt. Auskunft darüber vermit-telt das nach Stone/Geisser berechnete Q² (Geisser, 1975; Stone, 1974). Wold (1982) zu Folge ist es dafür das ideale Instrument. Erfasst wird damit letztlich, inwieweit sich das Modell den Daten anpasst (Ringle et al., 2006). Dafür muss Q² über Null liegen.

Dies ist, wie Tabelle 11 zeigt, für alle LV gegeben. Auf Basis des Q² und mit Hilfe des Blindfolding lässt sich überdies die prognostische Relevanz (q²) aller unabhängigen Variablen für eine abhängige Variable ermitteln. Auch hier erfolgt die Bewertung der prädiktiven Relevanz analog zu der von der Effektstärke f ² bekannten Klassifizierung nach gering, mittel und groß. Ein Blick auf die Daten (siehe Tabelle 11) offenbart für die prognostische Relevanz vornehmlich geringe Werte. Lediglich Erfolg in der Schule weist für die Prognose des Studienerfolgs eine mittlere Relevanz aus (.30). Gleiches kann man auch bei großzügiger Auslegung der Cohenschen Grenzen (Cohen, 1988, pp. 413-414) über die Beziehung zwischen Berufseinstiegserfolg und Berufserfolg in Bezug auf Gehalt vermelden (.12). Weitere acht Indikatoren haben zudem eine geringe prognostische Relevanz. Für die restlichen 14 Indikatoren gilt das nicht mehr.

Tabelle 11: Übersicht über die Effektgrößen und die prädiktive Relevanz

Latente Variablen Q² Latente Prädiktor-Variablen f ² q²

Erfolg in der Schule .01 Engagement Schulzeit 0.00 0.01

Arbeitserfahrung Schulzeit .01 Engagement Schulzeit 0.02 0.01

Engagement Studium .08 Engagement Schulzeit 0.14 0.08

Studienerfolg .24 Engagement Schulzeit 0.01 0.01

Engagement Studium 0.00 0.00

Erfolg in der Schule 0.62 0.30

Arbeitserfahrung Schulzeit 0.01 0.00 Arbeitserfahrung Studium .00 Engagement Studium 0.00 0.00

Engagement Berufsleben .04 Engagement Studium 0.05 0.04

Berufseinstiegserfolg .11 Engagement Studium 0.01 0.04

Studienerfolg 0.10 0.05

Arbeitserfahrung Schulzeit 0.03 0.01 Arbeitserfahrung Studium 0.09 0.04

Berufserfolg Gehalt .21 Engagement Studium 0.02 0.00

Engagement Berufsleben 0.01 0.00

Studienerfolg 0.02 0.02

Berufseinstiegserfolg 0.11 0.12 Arbeitserfahrung Studium 0.02 0.00 Berufserfolg Hierarchie .06 Engagement Studium 0.02 0.04 Engagement Berufsleben 0.02 0.01

Studienerfolg 0.04 0.00

Berufseinstiegserfolg 0.00 0.00 Arbeitserfahrung Studium 0.00 0.00

Berufserfolg Gehalt 0.06 0.03

Effektgröße f ²: 0.02 = geringe Effektgröße; 0.15 = mittlere Effektgröße; 0.35 = großer Effekt (Cohen, 1988, pp. 413-414).

Prognostische Relevanz q²: 0.02 = geringe Relevanz; 0.15 = mittlere Relevanz; 0.35 = große Relevanz.

Werte mit mindestens geringer Effektgröße bzw. prädiktiver Relevanz sind fett gedruckt n = 179