3. Methoden
3.7 Zusammenhang der Persönlichkeits- und Interessenstests mit
und der Abbruchwahrscheinlichkeit
Das Freiburger Persönlichkeitsinventar (Fahrenberg, Hampel & Selg, 2001) und der Berufsinteressentest II (Irle & Allehoff, 1984) scheinen nicht geeignet, Vorhersagen über die kognitive Leistungsfähigkeit zu treffen. Dennoch decken sie Bereiche ab, die für eine Umschulung wichtig sind.
Da eine Umschulung nicht nur aus den schulischen Herausforderungen besteht, son-dern in der Regel auch eine Änderung der sozialen Umwelt - mit dem Umzug in das Internat während der Schulzeit - und des sozialen Status - man wird wieder Schüler und das Einkommen ist eventuell nicht so hoch - mit sich bringt, ist davon auszugehen, dass Persönlichkeitseigenschaften bei der Bewältigung einer solchen Aufgabe eine Rolle spielen. Da ein einzelner Persönlichkeitsfaktor nicht getrennt von den anderen betrach-tet werden soll, werden die zwölf Skalen des FPI mittels einer multiplen Regression mit den Kriterien „Schulnote“ und „IHK-Abschlussnote“ korreliert (vgl. 3.5), und so ihr Zusammenhang mit dem Schulerfolg bestimmt. Da es bei diesem Modell weniger um die Vorhersage der Kriteriumsnote geht, sondern vielmehr um den Zusammenhang zwi-schen Persönlichkeitsmerkmalen und Kriterium, wird nur ein Modell mit allen Variab-len gerechnet. Die Regressionsgleichung gibt dann an, welches Merkmal unter Berück-sichtigung der elf anderen Variablen wie stark mit dem Kriterium zusammenhängt. Zu-sätzlich wird die multiple Korrelation berechnet, die den Gesamtzusammenhang aller Persönlichkeitsmerkmale mit dem Kriterium bzw. die bivariate Korrelation der vorher-gesagten mit den vorliegenden Werten angibt (Bortz, 1999).
Analog soll eine multiple Regression mit den Ergebnissen des Berufsinteressentest II gerechnet werden. Es wird davon ausgegangen, dass zumindest hohe Werte bei kauf-männischen Berufen mit einer höheren Affinität zur Umschulung in kaufkauf-männischen Bereichen und damit besseren Umschulungsergebnissen korrespondieren. Ob ein be-sonderes Desinteresse an bestimmten anderen beruflichen Bereichen mit einer erfolgrei-chen Umschulung zusammenhängt, scheint eher fraglich. Dennoch soll das Interesse bezüglich aller neun Berufsbereiche zusammen betrachtet und daraus auch wieder eine multiple Korrelation berechnet werden.
Daneben stellt sich auch die Frage, ob mittels der Skalen des FPI bzw. des BIT II die fünf Berufsgruppen unterschieden werden können und so ein zusätzlicher Hinweis für
die Empfehlung zu einer bestimmten Umschulung vorliegt. Diese Frage soll mittels einer Diskriminanzanalyse (vgl. 3.3) untersucht werden.
Ebenso ist die Abbrecherproblematik sowohl mit dem Persönlichkeitstest als auch mit dem Interessenstest zu untersuchen, da die Vermutung nahe liegt, dass gewisse Per-sönlichkeitsstrukturen die Wahrscheinlichkeit eines Abbruchs begünstigen. Die Frage, ob sich bedeutsame Zusammenhänge diesbezüglich ergeben, soll durch die Berechnung einer logistischen Regression (vgl. 3.6) beantwortet werden.
3.8 Univariate Betrachtung der Variablen
Zwar liegt der Schwerpunkt dieser Arbeit auf der Anwendung multivariater Verfahren zur Überprüfung und Verbesserung der Prognosen in der beruflichen Eignungsdiagnos-tik; dennoch führt es zu einem klareren Bild, wenn man sich die bivariaten Zusammen-hänge der Variablen betrachtet. So werden alle ZusammenZusammen-hänge zwischen metrischen Variablen (Testergebnisse, Alter) mit dem Pearson Produkt-Moment-Korrelationskoef-fizienten angegeben (Clauß, Finze & Partzsch, 2004):
∑
Korrelationen zwischen ordinalen Daten (Noten, Schulbildung) und ordinalen Daten mit metrischen Daten, die für diese Berechnung in eine Rangreihenfolge gebracht wer-den, werden mit dem Rangkorrelationskoeffizienten τ nach Kendall berechnet (Ken-dall, 1962):
wobei S die Differenz von Konkordanzen und Diskordanzen ist, die mit der Zahl al-ler möglichen Konkordanzen relativiert mit der Zahl möglicher Bindungen t bzw. u ins Verhältnis gesetzt wird. Das Verfahren vergleicht paarweise die Ränge zweier suchspersonen auf beiden Variablen. Stimmen die Ränge überein, also hat z. B. Ver-suchsperson A sowohl bei Merkmal X als auch bei Merkmal Y den höheren Rang als Versuchsperson B, liegt eine Konkordanz vor ansonsten eine Diskordanz.
Bei nominalen Daten werden verschiedene Zusammenhangsmaße angewandt, je nachdem welche Skalentypen verarbeitet werden. Ist eine Variable metrisch und die
nominalskalierte Variable dichotom (Farbenblindheit, Berufswunsch), wird der
wobei xy1 und xy2 die Mittelwerte des metrischen Merkmals in den jeweiligen Ka-tegorien, s∗ die empirische Standardabweichung aller Werte, S1 und S2 die Zahl der Messwerte der jeweiligen Kategorie und n die Gesamtzahl der Messwerte darstellen (Clauß, Finze & Partzsch, 2004).
Bei dichotomen und ordinalen Variablen wird die biseriale Rangkorrelation berech-net (Glass, 1966):
Für die Korrelation von nicht-dichotom nominal- und intervallskallierten Daten wird das Korrelationsverhältnis η berechnet:
∑∑
wobei I die Zahl der Ausprägungen der nominalskalierten Variable und J die An-zahl der Variablen sind. η ist also die Wurzel aus dem Verhältnis der Quadratsumme zwischen den Gruppen SQE und der totalen Quadratsumme SQT (Diehl & Staufen-biel, 2002).
Der Zusammenhang zweier nominalskalierter Variablen und der Zusammenhang zwischen ordinalen und nominalen Variablen soll mit dem Kontingenzkoeffizienten C berechnet werden:
C n
= 2+2 χχ
wobei χ2 die gewichtete Quadratsumme der Abweichungen zwischen den beobach-teten und den erwarbeobach-teten Werten der Kreuztabelle aus beiden Variablen ist. Um die ver-schiedenen Kontingenzkoeffizienten besser vergleichen zu können, wird das
resultie-rende C zur Größe der Kreuztabelle relativiert (Fahrmeir, Küstler, Pigeot & Tutz, 2001):
s C Ckorr s ⋅
= − 1
wobei s die kleinere Zahl von Spalten und Zeilen ist.
3.9 Reduktionistische Herangehensweise
Zuletzt wird die prognostische Güte der einzelnen Testergebnisse und der anderen erho-benen Merkmale wie Geschlecht, Alter und weiterer sozialer und biographischer Vari-ablen im Zusammenspiel in einer multiplen Regression untersucht (vgl. 3.5). Dabei wird wieder ein backward-Verfahren benutzt, das so lange die Variablen aus dem Mo-dell entfernt, bis keine Variable mit einem nicht von Null verschiedenen Koeffizienten mehr im Modell ist.
Analog wird mittels einer Diskriminanzanalyse (vgl. 3.3) versucht, die Parameter für ein Modell zur Unterscheidung der fünf Berufsgruppen bzw. die Vorhersage der Wahr-scheinlichkeit eines Abbruchs mittels einer logistischen Regression (vgl. 3.6) zu bestimmen.