Zur Problematik der Veränderungsmessung und zur

Schneider (1991) schreibt schon vor 18 Jahren über die Schwierigkeit bei der längsschnittlichen Erfassung psychologischer Merkmale: „Debatten über Schwierig-keiten der Erfassungen von Veränderungen in psychologischen Merkmalen sind nun schon seit mehreren Jahrzehnten geführt worden“ (S. 61). Im Folgenden werden die in dieser Studie eingesetzten statistischen Verfahren umrissen und auf deren Schwachstellen hingewiesen.

Multiple Regressionsanalysen

Die Regressionsanalyse ist prinzipiell für schulbezogene Längsschnittstudien geeig-net. „Im klassischen Modell der Regressionsanalyse wird der Wert einer abhängigen Variablen (dem Kriterium) durch die gewichtete Summe von N unabhängigen Vari-ablen (den Prädiktoren) so zu schätzen versucht, dass die Summe der quadrierten Residuen (Differenzen zwischen dem aktuellen Kriteriumswert und seinem Schätz-wert) ein Minimum ergibt“ (a.a.O., S. 64).

6 Methode 6.4 Zu den statistischen Analyseverfahren

Ein erstes Problem, so Schneider weiter, ist, dass für die Prädiktoren fehlerfreie Messungen unterstellt werden. Ein zweites ist, dass prinzipiell Unabhängigkeit zwi-schen den Prädiktoren angenommen wird. Es gilt eigentlich die Voraussetzung, dass es keine signifikanten Zusammenhänge zwischen den Prädiktoren geben darf. Oft-mals trifft man aber auf Multikollinearität, was sich negativ auf die Schätzung des Standardfehlers der Regressionskoeffizienten auswirkt.

Diese zwei Messfehlerprobleme gelten auch für die hierarchische Regressionsanaly-se, welche in schulbezogenen Längsschnittstudien große Beachtung erfahren hat.

Pfadanalysen

Pfadanalysen mit manifesten Variablen, über die sich Abhängigkeitsbeziehungen zwischen Prädiktorvariablen modellieren lassen, stellen konsequente Weiterentwick-lungen des Regressionsansatzes dar.

Die Pfadanalyse bietet die Möglichkeit, postulierte Zusammenhänge zwischen Prä-diktorvariablen in ihrer Einwirkung auf ein gegebenes Kriterium genauer, d.h. mit direkten und indirekten Einflüssen, zu überprüfen. Jedoch gibt es auch hier zwei große Nachteile in Form von Vorannahmen: Die Variablen wären messfehlerberei-nigt und die Residuen der unterschiedlichen Gleichungen voneinander unabhängig.

Für viele großangelegte Projekte mit vielen Variablen zu unterschiedlichen Mess-zeitpunkten lassen sich aber regressions- und pfadanalytische Verfahren auf der Ba-sis manifester Variablen nicht mehr sinnvoll verwenden (vgl. a.a.O., S. 66f).

Strukturgleichungsmodelle

Kausalmodelle mit latenten Variablen bieten den Pfadanalysen gegenüber den gro-ßen Vorteil, dass sie messfehlerbereinigt arbeiten.

Einfache korrelative Zusammenhänge zwischen den wichtigsten motivationalen, schulischen, familiären und sozialen Bedingungsmerkmalen und den Kriterien „mo-tivationale Variablen im Erwachsenenalter“ sind für eine verlässlicher Vorhersage nicht ausreichend. Nur durch die gleichzeitige Berücksichtigung der Interdependen-zen zwischen verschiedenen Determinanten der Leistungsmotivation in hierarchisch gegliederten Strukturmodellen ist der prädiktive Wert für die Bestimmung der Krite-riumsvariablen abschätzbar.

Strukturanalytische Ansätze … bedienen sich des Mehrebenenansatzes und zie-len darauf ab, den relativen Einfluss bewährter Merkmale der Schülerpersön-lichkeit, des familiären und sozialen Hintergrunds in ihrer gegenseitigen Ver-netzung … zu analysieren. Dies geschieht vorwiegend mit Hilfe von Pfadanaly-sen oder Strukturgleichungsmodellen, deren besonderer Vorteil eben darin liegt, die relativen direkten wie indirekten Vorhersagegewichte der einzelnen Merk-male … zu bestimmen. (Sauer, 2001, S. 544 ff; Hervorhebung durch D.L.)

Strukturgleichungsmodelle bilden kausale Abhängigkeiten zwischen bestimmten Merkmalen ab, wobei ein theoretisch fundiertes Hypothesensystem vorliegen muss.

6 Methode 6.4 Zu den statistischen Analyseverfahren

Das Besondere ist, dass sich Beziehungen zwischen latenten, d. h. nicht direkt beobachtbaren Variablen zeigen lassen. Es sind hypothetische Konstrukte wie z. B. Sozialisation, Einstellung, Verhaltensintention, Sozialstatus, Motivation oder Aggression. Diese werden durch einen oder mehrere Indikatoren opera-tionalisiert und somit definiert. In einem sog. Strukturmodell werden die auf-grund theoretischer bzw. sachlogischer Überlegungen aufgestellten Bezie-hungen zwischen diesen hypothetischen Konstrukten ersichtlich gemacht.

Somit gibt es also mehrere unabhängige als auch mehrere abhängige latente Variablen. Strukturgleichungsmodelle stellen eine Analyse auf der Ebene von aggregierten Daten dar und überprüfen ein gegebenes Hypothesensystem in seiner Gesamtheit. (Backhaus, Erichson, Plinke & Weiber, 2007; Hervorhe-bung durch D.L.)

Während über ein Messmodell die Beziehung zwischen den gemessenen Indikatoren und den latenten Konstrukten definiert wird, dient das Strukturgleichungsmodell da-zu, die Abhängigkeiten zwischen den latenten Variablen festzulegen. Das eigentli-che Kausalmodell ist also auf der Ebene der latenten Konstrukte spezifiziert und in der Regel interessiert diese Ebene. Dabei sind exogene Variablen solche, die nicht durch vorhergehende Merkmale erklärt werden, während endogene durch direkte oder indirekte Effekte der vorgeordneten Variablen mitbestimmt und erklärt sind.

Doppelpfeile zeigen Korrelationen, einfache Pfeile stehen für kausale Strukturkoef-fizienten (vgl. Schneider, 1991, S. 67).

Probleme bei der Modellbewertung von Strukturgleichungsmodellen entstehen da-durch, dass fast alle verfügbaren Modellanpassungskennwerte von der Stichproben-größe abhängig sind: Je Stichproben-größer die Stichprobe, desto Stichproben-größer ist die Wahrscheinlich-keit, dass die Bewertung des Modells negativ ausfällt (vgl. Marsh, Balla & McDo-nald, 1988; zitiert nach Schneider, 1991, S. 72). Die dubiose Logik der Modellbe-wertung (ein theoretisches Modell wird durch einen nicht signifikanten Chi-Quadrat-Wert gestützt) kann dazu verleiten, eine Bestätigung der Nullhypothese zu erstreben, was sich durch die Wahl einer kleinen Stichprobe (N<100) verhältnismäßig leicht realisieren lässt. Bei der Modellbewertung sollte man sich immer im Klaren darüber sein, dass Daten ein Modell niemals eindeutig bestätigen können (vgl. a.a.O., S. 73).

Rost (2005) empfiehlt, immer mehrere Fit-Indizes anzugeben, weil sie jeweils unter-schiedliche Übereinstimmungsaspekte quantifizieren (vgl. S. 123). Dies sind Chi-Quadrat-, df- und p-Wert (test of perfect fit), Goodness-of-Fit-Index (GFI); Ad-justed-Goodness-of-Fit-Index (AGFI), Akaike Information Criterion (AIC), Root Mean Square Error of Approximation (RMSEA) und Pclose-Wert, um die Nullhy-pothese zu prüfen. Bei grossen Stichproben ist der Chi-Quadrat-Test nicht aussage-kräftig (vgl. Rudolf & Müller, 2004, S. 284f).

In Tabelle 6.7 sind die empfohlenen Kennwerte für einen guten Modellfit aufge-führt. In den einzelnen Strukturgleichungsmodellen in Kap. 7 sind diese Kennwerte ausgewiesen.

6 Methode 6.4 Zu den statistischen Analyseverfahren

Tabelle 6.7: Fit-Indizes von Strukturgleichungsmodellen Quellen:

Insgesamt kann gesagt werden, dass zwar Strukturgleichungsmodelle am ehesten dazu geeignet sind, „erhöhten Ansprüchen an die Auswertung von schulbezogenen Längsschnittdaten zu genügen. … jedoch sollte nicht übersehen werden, dass auch diese Prozeduren nach wie vor Schwachstellen aufweisen ….“ (Schneider, 1991, S.

77).

Das folgende Zitat von Sauer (2001) weist auf die Prädiktion von Schulerfolg hin und beschreibt die Bedeutung von Moderatorvariablen in differentieller Hinsicht:

Neben der grundlegenden Festlegung der Prädiktoren und Kriterien kann man auf unterschiedliche Weise zur Erstellung einer Prognose gelangen, wobei im Zusammenhang mit Schulerfolg ernstzunehmende Vorhersagen nur auf der Ba-sis multipler bzw. multipler differentieller Prognosemodelle gemacht werden können. In der Literatur hinlänglich diskutiert ist der Einfluss von ‚Moderator-Variablen’, deren Berücksichtigung die Beziehungen zwischen Prädiktoren und Kriterien differenzieren (meist als ‚differentieller Vorhersagbarkeit’ bezeichnet).

Seit langem bekannt ist die moderierende Wirkung von Ängstlichkeit auf die Beziehung zwischen Intelligenz und Schulnoten wie auch die des Geschlechts der Schüler auf den genannten Zusammenhang. (Sauer, 2001, S. 544 ff; Hervor-hebung durch D.L.)

Hieraus kann abgeleitet werden, dass die Variablen der sozialen Eingebundenheit über die Leistungsmotivation im Jugendalter (als Moderator) auf die berufliche Wei-terbildungs- und Leistungsmotivation wirken.

58 Siehe hierzu auch Modellpräsentationen in Stecher (2000, S. 293ff).

7 Ergebnisse 7.1 Leistungsmotivation und Kontrollvariablen

7 Ergebnisse

7.1 Leistungsmotivation und Kontrollvariablen

7.1.1 Motivationale Persönlichkeitsmerkmale und Kontrollvariablen im