Mixed Rasch-Analyse der Medizin-Szenarien

Eine Mixed Rasch-Analyse über die drei Szenarien mit der Arena „Medizin“ zum ersten und zweiten Zeitpunkt führte mit dem AIC als Auswahlkriterium zu einer Lösung mit drei Klassen. Der Test gegen das saturierte Modell fiel nicht signifikant aus (p = ,15) und der Test gegen die Ein-Klassen-Lösung fiel hoch signifikant aus (p < ,001). Damit kann gesagt werden, dass es sich bei der Drei-Klassen-Lösung um eine angemessene Beschreibung der Daten handelt. Abbildung 3 gibt die Profilverläufe der Klassen und Tabelle 17 die Daten zur Beschreibung der Klassen wieder.

Abbildung 3: Profillinien der Wahrscheinlichkeiten in den drei Klassen der Arena „Medizin“

(Abkürzung der Szenarien siehe Tabelle 13)

38 t-Test, heteroskedastisch, N = 85,94; t (47,13) = ,66; p = ,51 0

0,25 0,5 0,75 1

Klinik1

Klinik2

Quer1 Quer2

Nerven1

Nerven2

Klasse1 (41%) Klasse2 (36%) Klasse3 (23%)

Tabelle 17

Klassenspezifische Wahrscheinlichkeiten für eine Risiko behaftete Antwort sowie erwartete Scores (SD in Klammern) und erwartete Häufigkeit für die drei Klassen der Arena „Medizin“

Klinik1 Klinik2 Quer1 Quer2 Nerven1 Nerven2 Note. Abkürzungen der Szenarien siehe Tabelle 13

aKlassengröße

Die erste Klasse (40,6%, en = 110,9) zeichnete sich durch ein Muster aus, bei dem die Risiko behafteten Antworten der Klinik-Szenarien an beiden Zeitpunkten etwa mittlere Wahrscheinlichkeiten erreichten (p = ,5), die Querschnittslähmungs-Szenarien eher niedrige (beide Male knapp p = ,25) und die Nervenkrankheits-Szenarien an beiden Zeitpunkten noch niedrigere (unter p = ,25). Die Szenarien waren dementsprechend in dieser Reihenfolge vom leichtesten zum schwersten geordnet. Dabei waren kaum nennenswerte Veränderungen zu beobachten, lediglich beim Querschnittslähmungs-Szenario sank die Wahrscheinlichkeit der Wahl einer Risiko behafteten Alternative leicht. Da die Klasse beim Klinik-Szenario im Wesentlichen indifferent war und sie insgesamt den niedrigsten Score erreichte, wurde als Arbeitstitel Indifferenz bis Risikoaversion bei allen Szenarien vergeben.

Die zweite Klasse (36,1%, en = 98,5) zeichnete sich durch mittlere Wahrscheinlichkeiten für die Wahl einer Risiko behafteten Alternative bei den Klinikwahl- und Nervenkrankheits-Szenarien aus (beide knapp um p = ,5) sowie eher niedrige Wahrscheinlichkeiten für die Wahl der Risiko behafteten Alternative beim Querschnittslähmungs-Szenario (knapp über p = ,25). Dabei waren die Szenarien so geordnet, dass das leichteste an beiden Zeitpunkten das Nervenkrankheits-Szenario war, gefolgt vom Klinikwahl-Szenario und abschließend dem Querschnittslähmungs-Szenario. Leichte Trends waren dabei bei dem Klinikwahl- und dem Nervenkrankheits-Szenario zu beobachten: die Wahrscheinlichkeit der Wahl einer Risiko behafteten Alternative war bei beiden Szenarien zum zweiten Zeitpunkt niedriger als beim ersten Zeitpunkt. Im Ganzen war der Profilverlauf damit der ersten Klasse sehr ähnlich, mit Ausnahme der höheren Wahrscheinlichkeit der Wahl Risiko behafteter Alternativen beim Nervenkrankheits-Szenario. Als Arbeitstitel wurde daher Indifferenz bei Nervenkrankheitsszenario vergeben.

Die dritte Klasse (23,3%, en = 63,6) zeichnete sich durch eher niedrige Wahrscheinlichkeiten für die Wahl einer Risiko behafteten Alternative beim

Klinikwahl-Szenario (um p = ,25), eher hohe beim Querschnittslähmungs-Klinikwahl-Szenario (über p = ,75) und eher mittlere beim Nervenkrankheits-Szenario (um p = ,5) aus. Die Szenarien waren dementsprechend geordnet: das Querschnittslähmungs-Szenario war an beiden Zeitpunkten das leichteste, gefolgt von dem Nervenkrankheits-Szenario und schließlich dem Klinikwahl-Szenario. Diese Klasse zeigte damit ein deutlich von der ersten Klasse abweichendes Muster.

Mit der zweiten Klasse gab es nur die Überschneidung in den mittleren Wahrscheinlichkeiten bei der Wahl einer Risiko behafteten Alternative beim Nervenkrankheits-Szenario. Beim Klinikwahl- und dem Nervenkrankheits-Szenario zeigte sich jeweils der Trend, dass die Wahrscheinlichkeit für die Wahl einer Risiko behaftete Alternative am zweiten Zeitpunkt höher war, während dies für das Querschnittslähmungs-Szenario umgekehrt war. Da sich diese Klasse von den anderen beiden besonders durch ihre niedrige Wahrscheinlichkeit für die Wahl einer Risiko behafteten Alternative beim Klinikwahl-Szenario und die hohe Wahrscheinlichkeit beim Querschnittslähmungs-Szenario unterschied, wurde Risikoaversion bei Klinikwahl-/ Risikoakzeptanz bei Querschnittslähmungs-Szenario als Arbeitstitel vergeben.

Auch bei diesen Klassen zeigte sich insgesamt kein Muster, das in Bezug zu Hypothese 1b gesetzt werden könnte: eine PT-konform wählende Subgruppe der Probanden wurde nicht identifiziert. Stellte sich in den anderen beiden Arenen die niedrige Wahrscheinlichkeit für die Wahl einer Risiko behafteten Alternative / Risikoaversion als geeigneter Referenzpunkt dar, war es in dieser Arena eher so, dass die Wahlen insgesamt eher zur Indifferenz zwischen den Alternativen tendierten und spezifisch bei einzelnen Szenarien davon in den Klassen abwichen. Die Kontingenz mit der experimentellen Bedingung war nicht signifikant (Anpassungstest, χ² (6, N = 273) = 6,43; p = ,38).

Insgesamt lässt sich festhalten, dass die Klassen auch bei den Medizin-Szenarien eine Ordnung in den erwarteten Scores abbildeten, das Zustandekommen dieser Scores beruhte allerdings noch stärker als bei den anderen Arenen auf unterschiedlichen Reihenfolgen in den Schwierigkeiten der Szenarien. Die erste Klasse erreichte den niedrigsten Score, so dass die beiden anderen Klassen vom Gesamtniveau der Risiko behafteten Wahlen in Richtung einer verstärkten Risikoakzeptanz von ihr abwichen. Keine der Klassen zeigte ein PT-konformes Antwortverhalten – damit hingen die Scores / Personenparameter innerhalb der Klassen vermutlich eher mit tatsächlichen thematischen Risikoeinstellungen zusammen.

Tabelle 18

Logarithmierte Likelihoods (LogLikelihood) und berechnete AICs der sieben Klassen-Lösungen in jeder Arena

4MiRa -857,79 1777,58 -793,3 1648,59 -974,51 2011,02

5MiRa -850,65 1779,30 -784,92 1647,84 ***** ³⁹ *****

6MiRa -843,52 1781,04 -780,62 1655,24 -966,84 2027,68 7MiRa -841,93 1793,86 -777,02 1664,04 -964,47 2038,94 satMod -836,55 1799,10 -771,23 1668,47 -957,28 2040,56 Note. Für jede Arena wurden alle sieben Klassen-Lösungen des Mixed Rasch-Modell (MiRa) bestimmt; bei mehr als sieben Klassen übersteigt die Zahl der Parameter der Klassenmodells die Zahl der Parameter des saturierten Modells; fett markiert sind die niedrigsten erreichten AICs; satMod saturiertes Modell

Tabelle 19

Einzelne Kennzahlen und Testergebnisse der Daten und Klassen-Lösungen in jeder Arena

Ernährung Sport Medizin

N 277 277 273

Anzahl Muster 51 41 56

Anzahl Klassen 4 5 3

LogLike -857,79 -784,92 -981,81

AIC 1777,58 1647,84 2009,62 Note. Anzahl der Muster Anzahl der tatsächlich in den Daten vorhandenen Antwortmuster; n(P) Anzahl der Parameter, die zur Schätzung dieses Modell nötig sind; Test gegen satMod gibt die Ergebnisse des Tests gegen das saturierte Modell an; Test gegen RM gibt die Ergebnisse des Test gegen das Ein-Klassen-Rasch-Modell an;

zur Erläuterung der Tests siehe II.6.2;

r² ist ein Maß, das in Anlehnung an McFaddens Pseudo-r² (Tabachnick & Fidell, 2007) die relative Varianzaufklärung in der logarithmierten Likelihood misst (Böhnke, 2005)

39 Der Verlauf der logarithmierten Likelihoods ergab an dieser Stelle keine negativ beschleunigte Kurve, d.h.

entweder die Lösung mit fünf oder die Lösung mit sechs Klassen haben nicht ihr Maximum erreicht. Auch nach 20 unterschiedlichen Startwerten war dies nicht der Fall. Es wird die Drei-Klassen-Lösung verwendet, da sie stabil ist, die wenigsten Parameter verwendet und auch die Vier-Klassen-Lösung keine Anzeichen eines Schätzproblems zeigte und bereits hier der AIC wieder stieg.