Statistische Verfahren

In dieser Arbeit wurden drei verschiedene Grundarten statistischer Verfahren angewendet.

Für die Deskription der Stichprobe bzw. ihrer inferenzstatistischen Prüfung in Bezug auf die Vergleichsstatistiken wurden Chi-Quadrat-Werte mittels des Likelihood-Ratio-Tests

berechnet.

Die Latent Class Analyse 1. Ordnung wurde dann für die Suche nach latenten

Klassenstrukturen in den angegebenen Variablenbereichen (s. Hypothese 1, Abschnitt 1.5) herangezogen.

Um zum Schluss eine übergeordnete Typisierung der in die Beratung kommenden Frauen zu erhalten, wurde im letzten Analyseschritt noch eine Latent Class Analyse 2. Ordnung

durchgeführt.

2.2.3.1 Deskription der Stichprobe und deren inferenzstatistische Prüfung Die deskriptive Darstellung sollte sowohl eine Vorstellung von den Merkmalen dieser

Stichprobe vermitteln als auch die genauen Häufigkeitsverteilungen der später als Kovariaten betrachteten Merkmale aufzeigen.

Zum anderen wurde meine Gesamtstichprobe hinsichtlich grundlegender demographischer Faktoren und Merkmalen der Beratung mit der Landesstatistik Baden-Württembergs und den Beratungsstellenstatistiken der Frau-Beratungsstelle und der Pro Familia Konstanz

verglichen, um so ihre Repräsentativität zu untersuchen.

Sämtliche inferenzstatistische Rechnungen erfolgen mit dem Programm JMP  (JMP  User´s Guide, Version 3.1).

Die Prüfung auf Gleichheit der Verteilungen wurde über die Goodness-of-fit-statistic des Likelihood-Ratio-Quotienten berechnet.

Das Signifikanzniveau wurde auf α = 5% festgelegt, um die Wahrscheinlichkeit, dass ein bestehender Unterschied zwischen den Verteilungen fälschlicherweise nicht bemerkt wird, möglichst gering zu halten (Minimierung des β-Fehlers, vgl. Bortz, 1993). D.h. ab p<.05 wurde ein Ergebnis als signifikant betrachtet und inhaltlich interpretiert.

Der Konvention bei psychologischen Untersuchungen folgend, wurde ein Ergebnis von p<.01 als hochsignifikant gewertet und inhaltlich interpretiert.

Da keine inhaltlich gerichteten Hypothesen bestanden, wurden zweiseitige Tests durchgeführt.

Methoden S.68

2.2.3.2 Latent Class Analyse 1. Ordnung

Die Latent Class Analyse (LCA) nach Lazarsfeld (1968) hat die Zielsetzung „...die multivariaten Zusammenhänge zwischen (manifesten) kategorialen Variablen durch Berücksichtigung latenter kategorialer Variablen...“ (Langeheine & Rost, 1996, S.315) aufzuklären.

Angewandter ausgedrückt: man fasst bestimmte Konstrukte (wie z.B. die Erwartungshaltung an eine Beratung) als die hinter den vorliegenden Antwortmustern liegende Quelle auf und versucht diese, durch die spezifischen Verteilungen der Anworten, zu charakterisieren.

In diesem Sinne ähnelt die LCA der Faktorenanalyse, bei dieser sind die latenten Variablen allerdings kontinuierlich und nicht diskret verteilt (vgl. McCutcheon, 1987).

Die LCA zählt zu den probabilistischen Modellen, d.h. die Zusammenhänge zwischen den manifesten und latenten Variablen sind nicht-deterministisch (Langeheine & Rost, 1996).

Die wichtigste Vorannahme für die Anwendung der LCA ist die der lokalen stochastischen Unabhängigkeit. Sie bedeutet, dass die Zusammenhänge zwischen den beobachtbaren manifesten Variablen auf nichts anderes als die ihnen gemeinsam zugrundeliegende latente Variable zurückgeführt werden dürfen (Langeheine & Rost, 1996). Für die konkrete

Anwendung bedeutet das, dass logische Abhängigkeiten zwischen gemeinsam analysierten Variablen vermieden werden sollten bzw. andernfalls jene Variablen, von denen die anderen logisch abhängig sind, vorrangig zur Klassenbildung wirksam werden.

Hier wurde die LCA exploratorisch eingesetzt, um Gruppen von Frauen, die sich innerhalb ihrer Gruppe (oder Klasse) in Bezug auf das jeweilig untersuchte inhaltliche Konstrukt möglichst stark ähneln, herauszukristallisieren, wobei die Gruppenanzahl und deren Orientierung für eine bestimmte Variablengruppe im Vorhinein nicht bekannt war.

Für die Analyse der Daten wurde das Computerprogramm LACORD 3.2 von Jürgen Rost verwendet. Dieses liefert die statistischen Kennwerte der 1. bis 6. Klassenlösung, u.a. den AIC-Index (Akaikes´s Information Criterion, Akaike, 1987). Dieses Maß sucht die beste Lösung zwischen der Genauigkeit der Beschreibung der Daten (mögl. viele Klassen, die die

Klientinnen sehr genau beschreiben) und einer möglichst kleinen Anzahl an zu schätzenden Parametern (ist minimal bei einer Klasse). Die Klassenlösung mit dem kleinsten AIC-Index wird, als die die zugrundeliegende Struktur am besten beschreibende, ausgewählt.

Methoden S.69

In den Ergebnistabellen werden die Erwartungswerte der einzelnen Antwortmöglichkeiten für die jeweilige Klasse dargestellt und die Klassen dadurch inhaltlich charakterisierbar.

Darstellung der latenten Klassen in Abhängigkeit von den Ausprägungen der Kovariaten Auf der Grundlage der schon vorliegenden Klassen ist es in einem nächsten Analyseschritt möglich, den Zusammenhang der Klassen mit ausgewählten Kovariaten zu berechnen. Das Computerprogramm LCACONT von Wilhelm Kempf 1992 berechnet Kontingenztabellen, die die Wahrscheinlichkeit der einzelnen Klassen bei gegebenen Kriteriumswert (z.B.

Beratungsstellenträger) angeben.

Das Programm LCACONT gibt automatisch einen inferenzstatistischen Kennwert (Chi-Quadrat Wert) an, der die statistische Signifikanz des Kovariateneinflusses auf die Klasseneinteilung angibt.

Aufgrund der relativ grossen Anzahl der von mir durchgeführten Kontingenzanalysen erschien es angemessen, das Alpha-Niveau zu adjustieren, um den Alpha-Fehler in Schranken zu halten (Bortz, 1993). Dazu wurden inhaltlich naheliegende Kovariaten zu Gruppen

zusammengefasst.

Die selbe statistische Vorgehensweise wurde für die Betrachtung des hilfreichen Erlebens von Beratungsaspekten in Abhängigkeit von den Klassenzugehörigketten gewählt. In diesem Fall wurden z.T. einige schwach vertretene Antwortkategorien zusammengelegt, um eine ausreichende Zellenbesetzung zu garantieren.

Der Umgang mit den fehlenden Werten

Leider gab es in den untersuchten Variableneinheiten einen nicht zu unterschlagenden Anteil an fehlenden Werten (Missings). Dieser schien hauptsächlich darauf zurückführbar zu sein, dass die Instruktion, gerade bei Tabellen mit mehreren Antwortalternativen alle Items zu beantworten, nicht klar genug vermittelt wurde (vgl. 4.2.2.1).

Folgender Umgang mit diesen fehlenden Werten erschien nach Probeberechnungen ohne diese Klientinnen und mit Ersetzung ihrer Missings aufgrund inhaltlicher Interpretation angemessen:

In den Tabellen mit dichotomen Antwortmöglichkeiten (trifft zu/ trifft nicht zu), d.h. für die LCA des Weges in die Beratungsstelle, der inhaltlichen Erwartungen vor der Beratung und der emotionalen Erwartungen vor der Beratung wurden die Missings als Ausdruck des Nichtzutreffens interpretiert und demenstprechend mit 0 kodiert.

In den anderen LCA mit mehrstufigen Antwortalternativen, d.h. bei der Unterstützung durch das soziale Umfeld, der Entscheidungssicherheit, des Einflusses Dritter auf die Entscheidung

Methoden S.70

und der Bewertung der Beratung wurden die fehlenden Werte als eigene Kategorie kodiert und gegebenenfalls als solche in die Interpretation miteinbezogen.

Die sehr viel geringere Anzahl fehlender Werte (N<3) bei den Kovariaten wurden je nach Verteilung des jeweiligen Kriteriumswertes möglichst verteilungsgemäss ergänzt.

2.2.3.3 Latent Class Analyse 2. Ordnung

Mit den Ergebnissen der LCA 1. Ordnung wurde eine weitere LCA gerechnet, um übergeordnete Muster (hier i.S. von „Beratungstypen“) hinter den erhaltenen Klassenaufteilungen der einzelnen Variablenbereiche zu erkennen.

In diesem Fall zählt die Zugehörigkeit zu den jeweiligen Klassen der LCA 1-Lösungen als Variablenausprägung.

Die statistischen Verfahren sind mit denen der LCA 1 identisch.

Nach der Ermittlung dieser Metaklassen wurden auch hier mögliche Abhängigkeiten dieser Klassenenteilungen von den Kovariaten berechnet und auf ihre statistische Signifikanz, unter Berücksichtigung des adjustierten Alpha-Niveaus, überprüft.

Ergebnisse S.71

Kapitel 3: ERGEBNISSE