E-Book, Deutsch, 447 Seiten, eBook
ISBN: 978-3-8349-9121-8
Verlag: Betriebswirtschaftlicher Verlag Gabler
Format: PDF
Kopierschutz: Wasserzeichen (»Systemvoraussetzungen)
Prof. Dr. Sönke Albers, Prof. Dr. Udo Konradt, Prof. Dr. Achim Walter und Prof. Dr. Joachim Wolf lehren am Institut für Betriebswirtschaftslehre und am Institut für Psychologie der Christian Albrechts-Universität zu Kiel.
Prof. Dr. Daniel Klapper ist Inhaber des Lehrstuhls für Konsumgütermarketing an der Johann Wolfgang Goethe-Universität Frankfurt/Main.
Zielgruppe
Research
Autoren/Hrsg.
Weitere Infos & Material
1;Vorwort zur 2. Auflage;5
2;Vorwort zur 1. Auflage;5
3;Inhaltsverzeichnis;9
4;Abbildungsverzeichnis;11
5;Tabellenverzeichnis;15
6;Großzahlige empirische Forschung;18
6.1;1 Zusammenfassung;18
6.2;2 Der kritische Rationalismus als Grundlage empirischer Forschung;18
6.3;3 Ablauf eines Forschungsprojekts;20
6.3.1;3.1 Definition des Problemfeldes, Zieldefinition und Forschungsfrage;21
6.3.2;3.2 Auswahl der Forschungsmethode und Art der Ergebnisse;22
6.4;4 Grundbegriffe großzahliger empirischer Forschung;25
6.5;5 Fazit;32
6.6;Literatur;32
7;Experimente;34
7.1;1 Das Experiment in der wissenschaftlichen Forschung;34
7.2;2 Grundkonzepte wissenschaftlichen Experimentierens;35
7.2.1;2.1 Definition und Abgrenzung zu weiteren empirischen Untersuchungen;35
7.2.2;2.2 Variablenbeziehungen in einem Experiment;36
7.3;3 Versuchspläne;37
7.3.1;3.1 Nicht-experimentelle Versuchspläne;37
7.3.2;3.2 Quasi-experimentelle Versuchspläne;38
7.3.3;3.3 Experimentelle Versuchspläne;39
7.4;4 Gütekriterien eines Experiments;44
7.4.1;4.1 Interne und externe Validität eines Experiments;44
7.4.2;4.2 Probleme und Störeffekte des Experimentierens;45
7.4.3;4.3 Methoden zur versuchsplanerischen Kontrolle von Störeffekten;46
7.5;5 Experimente in der wirtschaftswissenschaftlichen Forschung;47
7.6;6 Abschließende Bewertung des Experimentierens;48
7.7;7 Literatur;48
8;Erkenntnisgewinnung durch Fallstudien;50
8.1;1 Problemstellung;50
8.2;2 Definition und Einordnung von Fallstudien als Forschungsansatz;51
8.3;3 Planung des Forschungsprozesses und Fallstudiendesign;53
8.4;4 Methoden der Datenerhebung;54
8.4.1;4.1 Das Experteninterview als ein forschungsmethodischer Ansatz der Befragung;55
8.4.2;4.2 Die Beobachtung;57
8.4.3;4.3 Sammlung von Dokumenten und Inhaltsanalyse;59
8.5;5 Datenanalyse und Fallstudienerstellung;60
8.6;6 Gütekriterien des Forschungsprozesses;61
8.7;7 Schlussbetrachtung;63
8.8;Literatur;64
9;Verfahren der Datenerhebung;66
9.1;1 Einleitung;66
9.2;2 Erhebungsmethoden im Überblick;66
9.3;3 Erhebungsmethoden von Primärdaten;68
9.3.1;3.1 Befragung;68
9.3.2;3.2 Beobachtung;73
9.3.3;3.3 Experiment vs. Nicht-Experiment;74
9.4;4 Panel;77
9.5;5 Zusammenfassung;79
9.6;Literatur;79
10;Messen und Skalieren von Sachverhalten;82
10.1;1 Einleitung;82
10.2;2 Messtheoretische Grundlage;82
10.3;3 Skalierungsverfahren;83
10.3.1;3.1 Rating-Skalen;84
10.3.2;3.2 Likert-Skalen;90
10.4;4 Fazit;94
10.5;5 Literatur;94
11;Möglichkeiten der Stichprobenbildung;96
11.1;1 Notwendigkeit von Stichproben;96
11.2;2 Repräsentativität einer Stichprobe;97
11.3;3 Verfahren der Stichprobenauswahl im Überblick;97
11.3.1;3.1 Nichtzufällige Auswahlverfahren;98
11.3.2;3.2 Zufällige Auswahlverfahren;100
11.3.3;3.3 Schätzung des Mittelwerts der Grundgesamtheit und Bestimmung des Stichprobenumfangs;102
11.4;4 Zusammenfassung;104
11.5;Literatur;104
12;Subjektive versus objektive Erfolgsmaße;106
12.1;1 Einleitung;106
12.2;2 Grundlagen der Erfolgsmessung;107
12.3;3 Bestimmung des Messbereichs der Erfolgsmessung;108
12.4;4 Alternative Ansätze zur Messung von Erfolg;109
12.5;5 Subjektive und/oder objektive Erfolgsmaße? Überlegungen zur Auswahl;111
12.5.1;5.1 Messtheoretische Probleme: Kriteriumsvalidität;111
12.5.2;5.2 Messtheoretische Probleme: Kriteriumsstabilität;112
12.5.3;5.3 Messpraktische Überlegungen;114
12.6;6 Empirische Untersuchungen zur Äquivalenz subjektiver und objektiver Erfolgsmaße;115
12.6.1;6.1 Empirische Untersuchungen auf der Unternehmens- und Geschäftsbereichsebene;115
12.6.2;6.2 Empirische Untersuchungen auf der individuellen Analyseebene;116
12.7;7 Schlussfolgerung;117
12.8;Literatur;118
13;Die Erfassung latenter Konstrukte mit Hilfe formativer und reflektiver Messmodelle;120
13.1;1 Problemstellung;120
13.2;2 Charakteristika reflektiver Messmodelle;121
13.3;3 Charakteristika formativer Messmodelle;122
13.4;4 Multidimensionale formative und reflektive Konstrukte;123
13.5;5 Einbindung formativer Konstrukte in Strukturgleichungsmodelle;125
13.6;6 Indexentwicklung zur Operationalisierung formativer Konstrukte;125
13.6.1;Schritt 1: Definition des Konstrukts;126
13.6.2;Schritt 2: Bestimmung der Indikatoren;128
13.6.3;Schritt 3: Behandlung von Multikollinearität;128
13.6.4;Schritt 4: Schätzung des Messmodells;129
13.6.5;Schritt 5: Indexberechnung;131
13.7;7 Fehlerhafte Messmodellannahmen und ihre Folgen;131
13.8;Literatur;133
14;Zum Umgang mit fehlenden Daten in großzahligen empirischen Erhebungen;136
14.1;1 Problemstellung;136
14.2;2 Charakterisierung fehlender Daten;136
14.2.1;2.1 Formen der Nichtantwort und ihre Ursachen;136
14.2.2;2.2 Fehlendmechanismen und ihre Konsequenzen;137
14.2.3;2.3 Fehlendmuster;138
14.2.4;2.4 Quantifizierung des Datenausfalls;139
14.3;3 Verfahren zur Behandlung fehlender Daten;140
14.3.1;3.1 Verfahren der Fallreduktion;140
14.3.2;3.2 Sample-Selection-Modelle;141
14.3.3;3.3 Gewichtungsverfahren;141
14.3.4;3.4 Imputationsverfahren;141
14.3.5;3.5 Einfache vs. Multiple Imputation;145
14.4;4 Literaturüberblick und Evaluation verschiedener Verfahren;145
14.5;5 Überblick über Softwareanwendungen zur Behandlung fehlender Daten;148
14.6;6 Ausblick und Schlussfolgerungen;148
14.7;7 Literatur;149
14.8;8 Internetquellen (Stand: November 2005);151
15;Common Method Variance und Single Source Bias;152
15.1;1 Einleitung;152
15.2;2 Inhaltliche Gegenstandsbestimmung;152
15.2.1;2.1 Systematisierung relevanter Messfehler;152
15.2.2;2.2 Begriffsdefinition „Common Method Variance“;154
15.2.3;2.3 Bedeutung von CMV;154
15.2.4;2.4 Status Quo und Intention des Beitrags;155
15.3;3 Differenzierung verschiedener Quellen von CMV;155
15.4;4 Umgang mit Common Method Variance;157
15.4.1;4.1 Messung von CMV mit Hilfe von Harmann’s-One-Factor-Test;157
15.4.2;4.2 Maßnahmen zur Eliminierung der Quellen von CMV;157
15.4.3;4.3 Statistische Maßnahmen zum Umgang mit CMV;160
15.5;5 Kritische Anmerkungen zur Diskussion um CMV;163
15.5.1;5.1 Verzerrungen durch Eigenbeurteilungen;163
15.5.2;5.2 Für CMV potentiell anfällige Variablen;163
15.5.3;5.3 Korrelationen bei Erhebungen mit einzelnen oder mehreren Methoden;165
15.6;6 Zusammenfassung: Empfohlener Umgang mit CMV;165
15.7;Literatur;166
16;Logik und Kritik des Hypothesentestens;168
16.1;1 Einleitung;168
16.2;2 Allgemeine Durchführung von Hypothesentests;169
16.2.1;2.1 Herleitung von Hypothesen;169
16.2.2;2.2 Mögliche Fehlentscheidungen beim Hypothesentesten;170
16.2.3;2.3 Alpha-Fehler;170
16.2.4;2.4 Beta-Fehler;172
16.3;3 Kritik am Hypothesentesten;174
16.3.1;3.1 Die Nullhypothese ist immer falsch;174
16.3.2;3.2 Fehlerhafte Logik beim Nullhypothesen-Signifikanztest;175
16.3.3;3.3 Unterschätzen des Beta-Fehlers;177
16.4;4 Verbesserungen;179
16.4.1;4.1 Effektgrößen;180
16.4.2;4.2 Konfidenzintervalle;180
16.4.3;4.3 Power-Analyse;181
16.5;5 Schlussbemerkung;182
16.6;Literatur;182
17;Fuzzy Clustering mit Hilfe von Mixture Models;184
17.1;1 Problemstellung;184
17.2;2 Methoden der Clusteranalyse;185
17.3;3 Mixture Models;187
17.3.1;3.1 Modellansatz;187
17.3.2;);189
17.3.3;(;189
17.3.4;3.3 Expectation-Maximization (EM)-Algorithmus;190
17.3.5;3.4 Einschränkungen des EM-Algorithmus;191
17.3.6;3.5 Gütemaße zur Bestimmung der Cluster-Anzahl;191
17.4;4 Durchführung einer Segmentierungsrechnung;193
17.4.1;4.1 Allgemeines Vorgehen einer Segmentierungsrechnung;193
17.4.2;4.2 Anwendung der Mixture Models mit Hilfe des Softwarepakets Glimmix;194
17.5;5 Fazit;198
17.6;Literatur;198
18;Nachweis und Behandlung von Multikollinearität;200
18.1;1 Einleitung;200
18.2;2 Begriffsklärung und Ursachen von Multikollinearität;200
18.3;3 Verfahren zum Nachweis von Multikollinearität;202
18.3.1;3.1 Konventionelle Verfahren;202
18.3.2;3.2 Numerische Verfahren;205
18.3.3;3.3 Idealtypische Vorgehensweise;208
18.4;4 Verfahren zur Verringerung von Multikollinearität;208
18.4.1;4.1 Konventionelle Verfahren zur Verringerung von Multikollinearität;208
18.4.2;4.2 Verzerrende Schätzmethoden zur Verringerung von Multikollinearität;210
18.5;5 Zusammenfassung und Fazit;213
18.6;Literatur;214
19;Logistische und Ordinale Regression;216
19.1;1 Einleitung und Problemstellung;216
19.2;2 Logistische Regression (nominal abhängige Variablen);216
19.2.1;2.1 Binär-logistische Regression;216
19.2.2;2.2 Multinomial logistische Regression;223
19.3;3 Ordinale Regression;228
19.3.1;3.1 Grundgedanken;228
19.3.2;3.2 Schätzung der Regressionskoeffizienten;229
19.3.3;3.3 Güte des Regressionsmodells;229
19.3.4;3.4 Interpretation der Regressionskoeffizienten;230
19.4;4 Zusammenfassung;231
19.5;Literatur;231
19.6;1 Einleitung;232
19.7;2 Charakteristika eines Mehrgleichungsmodells;232
19.7.1;2.1 Bestandteile ökonometrischer Mehrgleichungsmodelle;233
19.7.2;2.2 Notierung und Annahmen eines Mehrgleichungsmodells;233
19.7.3;2.3 Das Identifikationsproblem bei Mehrgleichungsmodellen;236
19.8;3 Parameterschätzung in Mehrgleichungsmodellen;237
19.8.1;3.1 Scheinbar unverbundene Modellgleichungen (SUR);239
19.8.2;3.2 Das Interdependente Modell;240
19.9;4 Beurteilung der Mehrgleichungsmodelle;244
19.10;Literatur;246
20;Endogenität und Instrumentenschätzer;248
20.1;1 Einleitung;248
20.2;2 Was ist Endogenität?;248
20.2.1;2.1 Grundsätzliches Konzept;248
20.2.2;2.2 Gründe für das Auftreten endogener Variablen;249
20.2.3;,;251
20.3;3 Wie kann Endogenität diagnostiziert werden?;252
20.3.1;3.1 Hausman-Test;252
20.3.2;3.2 Residuentest zum Test einzelner Variablen;252
20.4;4 Wie kann Endogenität im Modell berücksichtigt werden?;253
20.4.1;4.1 Korrektur der Modellspezifikation;253
20.4.2;4.2 Verwenden von Proxy-Variablen;254
20.4.3;4.3 Schätzung mit Instrumentvariablen;255
20.4.4;,;256
20.4.5;,;256
20.4.6;';256
20.4.7;4.4 Paneldaten und Endogenität;258
20.5;5 Zusammenfassung und weiterführende Hinweise;260
20.6;Literatur;260
21;Moderatoren und Mediatoren in Regressionen;262
21.1;1 Einleitung;262
21.1.1;1.1 Übersicht;262
21.1.2;1.2 Moderatoren und Mediatoren in Regressionen;262
21.2;2 Moderatoranalyse;262
21.2.1;2.1 Moderatoren: Definition, Darstellung und Beispiel;262
21.2.2;2.5 Graphische Darstellung;268
22;Prinzipien der Panelanalyse;278
22.1;1 Einleitung;278
22.2;2 Grundlagen der Panelanalyse;279
22.2.1;2.1 Charakteristika von Paneldaten;279
22.2.2;2.2 Fixed-Effects-Modell (Kovarianzmodell);282
22.2.3;2.3 Random-Effects-Modell (Fehlerkomponentenmodell);283
22.3;3 Weiterführende Aspekte der Panelanalyse;285
22.3.1;3.1 Testen von Modellannahmen;285
22.3.2;ˆ;285
22.3.3;ˆ;285
22.3.4;ˆ;285
22.3.5;ˆ;285
22.3.6;ˆ;285
22.3.7;ˆ;285
22.3.8;3.2 Vorgehen bei Autokorrelation und Heteroskedastizität;286
22.3.9;3.3 Modelle mit verzögerten endogenen Variablen (dynamische Modelle);287
22.4;4 Ein Anwendungsbeispiel;289
22.5;5 Zusammenfassung und Ausblick;292
22.6;Literatur;293
23;Eine anwendungsbezogene Einführung in die Hierarchische Lineare Modellierung ( HLM);294
23.1;1 Einführung;294
24;Hazard-Raten-Modelle;310
24.1;1 Einführung;310
24.2;2 Methodik von Hazard-Raten-Modellen;310
24.2.1;2.1 Datenbasis für Hazard-Raten-Modelle;311
24.2.2;2.2 Systematisierung;312
24.2.3;2.3 Nicht-parametrische Ansätze;312
24.2.4;2.4 Berücksichtigung von Kovariableneinflüssen;314
24.3;3 Unbeobachtete Heterogenität innerhalb und außerhalb des Beobachtungszeitraums;322
24.3.1;3.1 Unbeobachtete Heterogenität;322
24.3.2;3.2 Split-Hazard-Raten-Modelle;323
24.4;4 Auswahl von Hazard-Raten-Modellen;324
24.4.1;4.1 Test zur Proportionalitätsannahme im Cox-Modell;324
24.4.2;4.2 Ermittlung geeigneter Verteilungsannahmen;324
24.5;5 Software;325
24.6;6 Fazit;325
24.7;Literaturverzeichnis;326
25;Analyse kausaler Wirkungszusammenhänge mit Hilfe von Partial Least Squares ( PLS);328
25.1;1 Einleitung und Übersicht;328
25.1.1;1.1 Defizite bei der Schätzung von Strukturgleichungsmodellen;328
25.2;2 Darstellung des Partial-Least-Squares-Ansatzes (PLS);329
25.3;3 Wahl der geeigneten Schätzmethode: PLS vs. LISREL;333
25.4;4 Durchführung einer Datenanalyse mit PLS;335
25.4.1;4.1 Vorbereitende Analysen;335
25.4.2;4.2 Analyse mit PLS;338
25.5;5 Fazit;341
25.6;Literatur;342
26;Discrete-Choice-Modelle;344
26.1;1 Einleitung;344
26.2;2 Grundlagen der Discrete-Choice-Theorie;344
26.3;3 Das MNL-Modell als Standardmodell;346
26.3.1;3.1 Formale Darstellung;346
26.3.2;3.2 Die Parameterschätzung;346
26.3.3;3.3 Beschränkungen des MNL-Modells;347
26.4;4 Neuere Entwicklungen;348
26.4.1;4.1 Das Nested-Logit-Modell;349
26.4.2;4.2 Das Latent-Class-Modell;350
26.4.3;4.3 Das Mixed-Logit-Modell;351
26.4.4;4.4 Das Normal-Component-Mixture-Modell;354
26.5;5 Ein Anwendungsbeispiel;355
26.6;6 Softwareüberblick;357
26.7;Literatur;358
27;Simultane Schätzung von Choice- Modellen und Segmentierung;360
27.1;1 Problemstellung;360
27.2;2 Statistische Grundlagen;360
27.2.1;2.1 Mischverteilungsidee;360
27.2.2;2.2 Schätzung von Mischverteilungen;364
27.2.3;2.3 Bestimmung der Segmentanzahl;365
27.3;3 Choice-Modelle mit Berücksichtigung von Heterogenität;366
27.3.1;3.1 Binominal/Bernoulli-Logit-Modell;366
27.3.2;3.2 Multinominal-Logit-Modell und Verallgemeinerungen;368
27.4;4 Anwendungsbeispiel;369
27.4.1;4.1 Modellierung;369
27.4.2;4.2 Schätzung in EXCEL;371
27.4.3;4.3 Ergebnisse;372
27.5;Literatur;374
28;Die Persistenzmodellierung als Methode zur Schätzung von langfristigen Marketingwirkungen;376
28.1;1 Einleitung;376
28.2;2 Die Wirkungen einzelner Marketingmaßnahmen;376
28.3;3 Die Methode der Persistenzmodellierung;378
28.3.1;3.1 Definitionen und Grundlagen;378
28.3.2;3.2 Step 1: Klassifikation der Zeitreihen;381
28.3.3;3.3 Step 2: Modellspezifikation;383
28.3.4;3.4 Step 3: Modellinterpretation;384
28.4;4 Ein Anwendungsbeispiel;386
28.5;5 Zusammenfassung;390
28.6;Literatur;391
29;Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit;392
29.1;1 Einleitung;392
29.2;2 Reliabilität;393
29.2.1;2.1 Definition;393
29.2.2;2.2 Formen der Reliabilitätsprüfung;394
29.3;3 Validität;398
29.3.1;3.1 Definition;398
29.3.2;3.2 Formen der Validitätsprüfung;398
29.4;4 Generalisierbarkeit;403
29.4.1;4.1 Definition;403
29.4.2;4.2 Generalisierbarkeitsprüfung;404
29.5;5 Zusammenfassung und Ausblick;406
29.6;Literatur;406
30;Bootstrapping und andere Resampling- Methoden;408
30.1;1 Einführung;408
30.2;2 Randomisierungs- und Permutationstests;409
30.2.1;2.1 Grundprinzip;409
30.2.2;2.2 Anwendungsbeispiel;410
30.3;3 Jackknife;411
30.3.1;3.1 Grundprinzip;411
30.3.2;3.2 Anwendungsbeispiel;412
30.4;4 Bootstrapping;414
30.4.1;4.1 Grundprinzip;414
30.4.2;4.2 Bestimmung von Standardfehler und Bias;415
30.4.3;4.3 Anwendungsbeispiel für Standardfehler und Bias;416
30.4.4;4.4 Bestimmung von Konfidenzintervallen;417
30.4.5;4.5 Bootstrapping Regressionsmodelle;419
30.4.6;4.6 Weitere Anwendungsmöglichkeiten des Bootstrapping;420
30.5;5 Kritische Würdigung;421
30.6;Literatur;422
31;Ausgewählte Verfahren der Holdout- und Kreuzvalidierung;424
31.1;1 Einführung;424
31.2;2 Das Holdout-Verfahren;425
31.2.1;2.1 Aufteilung von Datensätzen;425
31.2.2;2.2 Ablauf der Schätzung nach dem Holdout-Verfahren;426
31.2.3;2.3 Vor- und Nachteile des Holdout-Verfahrens;430
31.3;3 Verfahren der Kreuzvalidierung;430
31.3.1;3.1 Das Leave-One-Out-Verfahren;430
31.3.2;3.2 Random-Subsampling und Delete-d-Kreuzvalidierung;431
31.3.3;3.3 Die k-fache Kreuzvalidierung;431
31.3.4;3.4 Optimale Anzahl an Wiederholungen;432
31.4;4 Abschließende Bemerkungen;432
31.5;5 Zusammenfassung;433
31.6;Literatur;433
32;Prognosegütemaße;434
32.1;1 Einleitung;434
32.2;2 Einfache Prognosegütemaße;435
32.2.1;2.1 Grundformen;435
32.2.2;2.2 Mischformen;436
32.2.3;2.3 Alternativen zu Mittelwerten als Prognosegütemaße;437
32.3;3 Normierte Prognosegütemaße;438
32.3.1;3.1 Random Walk und Naive Prognose;438
32.3.2;3.2 Theilscher Ungleichheitskoeffizient;438
32.3.3;3.3 Prognosegütemaße auf Basis des Relative Absolute Error (RAE);441
32.4;4 Verbreitung und Beurteilung von Prognosegütemaßen;442
32.4.1;4.1 Verbreitung von Prognosegütemaßen;443
32.4.2;4.2 Beurteilung von Prognosegütemaßen;444
32.5;5 Zusammenfassung;446
32.6;Literatur;446
33;Autoren;448
34;Stichwortverzeichnis;454
35;Zusätzliche Beiträge zum Buch Methodik der empirischen Forschung;463
Forschungsstrategie.- Großzahlige empirische Forschung.- Experimente.- Erkenntnisgewinnung durch Fallstudien.- Datensammlung.- Verfahren der Datenerhebung.- Messen und Skalieren von Sachverhalten.- Möglichkeiten der Stichprobenbildung.- Subjektive versus objektive Erfolgsmaße.- Die Erfassung latenter Konstrukte mit Hilfe formativer und reflektiver Messmodelle.- Zum Umgang mit fehlenden Daten in großzahligen empirischen Erhebungen.- Common Method Variance und Single Source Bias.- Datenauswertung.- Logik und Kritik des Hypothesentestens.- Fuzzy Clustering mit Hilfe von Mixture Models.- Nachweis und Behandlung von Multikollinearität.- Logistische und Ordinale Regression.- Mehrgleichungsmodelle: Schätzmethoden und Anwendungsperspektiven.- Endogenität und Instrumentenschätzer.- Moderatoren und Mediatoren in Regressionen.- Prinzipien der Panelanalyse.- Eine anwendungsbezogene Einführung in die Hierarchische Lineare Modellierung (HLM).- Hazard-Raten-Modelle.- Analyse kausaler Wirkungszusammenhänge mit Hilfe von Partial Least Squares (PLS).- Discrete-Choice-Modelle.- Simultane Schätzung von Choice-Modellen und Segmentierung.- Die Persistenzmodellierung als Methode zur Schätzung von langfristigen Marketingwirkungen.- Ergebnisgüte.- Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit.- Bootstrapping und andere Resampling-Methoden.- Ausgewählte Verfahren der Holdout- und Kreuzvalidierung.- Prognosegütemaße.
Messen und Skalieren von Sachverhalten (S. 65-66)
Bert Greving
Einleitung
In der Umgangssprache wird immer dann vom Messen gesprochen, wenn ein unbekannter Gegenstand mit einem bekannten Gegenstand, dem Messinstrument, verglichen wird. Allgemein bekannte Messinstrumente sind beispielsweise Waagen, Uhren, Lineale oder auch „Radarfallen". Im vorliegenden Artikel befindet sich eine kurze Einführung zum Begriff und Prozess des Messens aus der Perspektive eines Sozialwissenschaftlers. Daran anschließend werden im Hauptteil des Beitrags mit Rating-Skalen und dem Skalierungsverfahren nach Likert repräsentative Skalierungsverfahren vorgestellt. Hiermit werden dem Leser wichtige Grundlagen für die Konstruktion eines Messinstrumentes einer empirisch quantitativen Erhebung vermittelt.
Messtheoretische Grundlage
Unter einer „quantitativen" Erhebung versteht der Sozialwissenschaftler den Versuch, Merkmale und deren Ausprägungen, wie beispielsweise Meinungen von Personen zu bestimmten Themen, durch eine Messung (Quantifizierung) zu erfassen (Schumann 1997, S. 1). Hierbei besteht die Messung aus einer Zuordnung eines Symbols, im Regelfall ist dieses eine reelle Zahl, zu Merkmalen oder Eigenschaften von Objekten, bzw. Personen. Wichtig ist, dass bestehende Relationen sich in der Abbildung durch die Symbole widerspiegeln. Unter Relationen sind Beziehungen zwischen den Objekten oder Personen zu verstehen (zu den verschiedenen Arten von Relationen siehe Stier 1999, S. 36 ff.). Man spricht vom empirischen Relativ, den beobachteten Merkmalen und ihren Ausprägungen, das strukturtreu (mit Berücksichtigung der verschiedenen Relationen) in ein numerisches Relativ, die zugeordneten reellen Zahlen, abgebildet wird (Stier 1999, S. 36). Strukturtreue Abbildungen werden auch als Morphismen bezeichnet. In den meisten Fällen einer strukturtreuen Abbildung liegt eine homomorphe Abbildung vor. Diese spiegelt das empirische Relativ im numerischen Relativ wider. Lässt dass numerische Relativ wiederum zu, auf das empirische Relativ zurück zu schließen, liegt eine isomorphe Abbildung vor. In der Messtheorie wird schon bei Vorliegen eines numerischen Relativs, das strukturtreu ein empirisches Relativ abbildet, von einer Skala gesprochen. Im Zusammenhang mit Skalen der Messtheorie sind drei grundlegende Probleme zu beachten: Die bereits angesprochene Problematik der Strukturtreue wird unter dem Begriff Repräsentationsproblematik subsumiert (Diekmann 1995, S. 247 f.). Hinter der Frage, welche Relationen im speziellen Fall abgebildet werden müssen, d.h. welche Morphismen vorliegen sollten, verbirgt sich das Eindeutigkeitsproblem.
Mit der Beantwortung dieser Frage nach den vorhandenen Relationen, wird das Skalenniveau (Messniveau, siehe den Beitrag von Riesenhuber zur Großzahligen empirischen Forschung in diesem Buch) der zu erhebenden Daten determiniert. Von eher praktischer Natur ist das Bedeutsamkeitsproblem. Hier steht im Gegensatz zu den beiden anderen Problemen nicht die Erhebung der Messwerte im Vordergrund, sondern die Frage, welche Auswertungsverfahren zulässig sind (Stier 1999, S. 40 f.). Das Problem ist somit eng verknüpft mit dem Eindeutigkeitsproblem, da die Zulässigkeit von Auswertungsverfahren abhängig ist vom Skalenniveau.
Hinsichtlich der Verwendung des Begriffs Skala ist Vorsicht geboten, da in den Sozialwissenschaften und auch im folgenden Artikel der Begriff Skala zudem in zwei weiteren Definitionsvarianten Gebrauch findet. So werden des Weiteren unter Skalen gebundene Antwortformate einer Erhebung verstanden. Rating-Skalen stellen ein solches gebundenes Antwortformat dar. Der größte Vorteil gebundener Formate besteht in ihrer ökonomischen Auswertbarkeit, die sie für den Einsatz in Massenuntersuchungen prädestiniert (Rost 2004, S. 61). Außerdem werden nach bestimmten Verfahren erstellte Frageblöcke, so genannte Itembatterien, als Skalen bezeichnet. Das im Folgenden vorgestellte Likert-Verfahren ist ein Beispiel für ein Skalierungsverfahren zum Erstellen von Itembatterien (Schumann 1997, S. 20).
