WAFT

Streben durch Interpretation und Verwendung zusätzlicher Materialien das Verstehend es Materials an.

Bei der deduktiven Kategorienbildung werden Kategorien ausgehend von einer bereits vorhandenen Theorie über den Gegenstandsbereich und/oder aus abgeleiteten Hypothesen gewonnen.

Bei der induktiven Kategorienbildung erfolgt die Ableitung der Kategorien systematisch ohne expliziten Theoriebezug direkt aus dem vorliegenden Datenmaterial.

Aus der Forschungsfrage werden relativ wenige Hauptkategorien deduktiv abgeleitet. Anschliessend werden die Subkategorien mit den induktiven Vorgehen gebildet.

Tabellen mit 2x2 Ausprägungen (dichotome Variablen)

Bei symmetrischen Tabellen. (2x2, 3x3, 4x4, etc.)

Dieser Koeffizient gilt für jegliche Tabellengrössen und ist deswegen am verbreitesten.

Stärke des Zusammenhangs:

0.0 kleiner/gleich Koeffizient < 0.1                            -> kein Zusammenhang

0.1 kleiner/gleich Koeffizient < 0.3                            -> geringer Zusammenhang

0.3 kleiner/gleich Koeffizient < 0.5                            -> mittlerer Zusammenhang

0.5 kleiner/gleich Koeffizient < 0.7                            -> hoher/starker Zusammenhang

0.7 kleiner/gleich Koeffizient grösser/gleich 1          -> sehr hoher/starker Zusammenhang

Bild

Annahme gleicher Abstände bei zwei aufeinanderfolgenden Rängen bei Verwendung einer 5er Likert-Skala mit Beschriftung der Skalenendpunkte

 Zur Gruppe der nichtmetrischen Skalen zählen die Nominal- und Ordinalskalen.

• Nominal
• Ordinal
• Intervall
• Verhältnis

Bedeutet, dass die Ausprägungen definiert nach Nomen sind. So sind beispielsweise das Geschlecht und der Beruf als Nominalskala zu bezeichnen.

1 = Angestellter

2 = Beamter

3 = Arbeiter

4 = Selbständiger

5 = Hausfrau

6 = Auszubildender

7 = Rentner

Betrachten wir etwa die Rauchgewohnheit, so kommt den vergebenen Kodezahlen insofern eine empirische Bedeutung zu, als sie eine Ordnungsrelation wiedergeben. Die Variable Rauchgewohnheit ist schliesslich nach ihrer Wertigkeit aufsteigend geordnet. Ein mässiger Raucher raucht mehr als ein Nichtraucher, ein starker Raucher mehr als ein mässiger Raucher und ein sehr starker Raucher mehr als ein starker Raucher. Solche Variablen, bei denen den verwendeten Kodezahlen eine empirische Bedeutung hinsichtlich ihrer Ordnung zukommt, nennt man ordinalskaliert. Die empirische Relevanz dieser Kodierung bezieht sich aber nicht auf die Differenz zweier Kodezahlen. Man kann nicht in exakten Zahlen fassen wie gross der Unterschied ist.

Beispiel 1:

1 = Hauptschule

2 = Berufsschule

3 = Mittlere Reife

4 = Abitur

5 = Hochschule

Bei Variablen, deren entsprechende Werte nicht nur bezüglich der Rangordnung eine Bedeutung haben, sondern auch bezüglich der Differenz (nicht aber des Verhältnisses), spricht man von intervallskalierten Variablen. Die betrifft Variablen, welche keinen natürlichen Nullpunkt haben und/oder negative Werte aufweisen können. Ein gutes Beispiel an dieser Stelle liefert die Grad-Celsius-Skala, mit welcher Temperaturen gemessen werden. Der Nullpunkt dieser Skala wurde als der Gefrierpunkt von Wasser definiert, der Siedepunkt mit 100 Grad festgesetzt. Dieser Nullpunkt macht jedoch keinen physikalischen Sinn, was daraus deutlich wird, dass auch negative Werte auftreten können. 30 Grad sind somit dreimal so warm wie 10 Grad, sehr wohl aber um 20 Grad wärmer als die erwähnten 10 Grad. Man sieht also, dass es hier keinen Sin macht, Verhältnisse zu berechnen, sehr wohl jedoch aber Differenzen. Solche Variablen, bei denen der Differenz der Werte Bedeutung zukommt, sind intervallskaliert.

• metrisches oder quasi-metrisches Skalenniveau
• Normalverteilte Daten (Prüfung, wenn Stichprobengrösse >/gleich 30
• Linearer Zusammenhang

• Sobald ein nicht-linearer Zusammenhang besteht ist Pearson nicht anwendbar
• Er ist unabhängig von der Stichprobengrösse
• er liegt zwischen -1 und +1
• Er ist ein Zusammenhangsmass zwischen zwei Variablen, das heisst er sagt nichts über eine kausale Beziehung zwischen zwei Variablen aus
• Er kann durch Ausreisser bzw. Extremwerte stark beeinflusst werden
• Er wird auf Basis von invervallskalierten Veriablen, z.B. Alter, Einkommen, berechnet und unterstellt einen linearen Zusammenhang

• Pearsons p unterscheidet sich von Pearsons r nur darin, dass die Werte zu Rängen umgeformt werden.
• Sperman und Pearson sind numerisch äqivalent (=haben den gleichn Wert), wenn keine Bindungen auftreten
• Wenn gleiche Werte bei einer Variable mehrfach auftreten (=Bindung vorhanden), dann unterscheidet sich der Spearman vom Persons Korrelationskoeffizient
• Bindung bedeutet das Auftreten mehrere gleichen Werten, so dass diesen Werten KEIN EINDEUTIGER RANG zugeordnet werden kann. Um dennoch eine Ranguahl zuweisen zu können, wird solchen gebundenen Werten der Durchschnittswert der hypothetischen Ränge zugeordnet.

• Keine Annahme äquidistanter Abstände zweier aufeinanderfolgender Rangplätze
• Geringe Anforderungen an Datenmaterial als Spearmans p
• Bei kleinen Sitchproben (Gesamtzahl an Fällen < 20) ist Kendalls T als Zusammenhangsmass am geeignesten
• Auch Kendalls T ist unabhängig von Ausreissern
• Allerdings versagt Kendalls T falls die Werte einen hohen Anteil an Bindungen (=geteilten Rangplätzen, d.h. der gleich Wert kommt mehrmals vor) aufweisen
• Deshalb wild in SPSS Kendalls T berechnet

Welche Angebote bieten die Hochschulen ihren Mitarbeitenden bereits, um die Vereinbarkeit von Berufstätigkeit und Privatleben zu fördern?

Hierbei wird im Sinne einer Nominalskala mit 0 und 1 geprüft, ob ein bestimmtes Angebot vorhanden ist oder nicht.

Wie werden die Rahmenbedingungen, z. B. Ausstattung des Arbeitsplatzes, an der Hochschule wahrgenommen?

Hierbei geht es darum, qualitative Aussagen hinsichtlich Ähnlichkeiten und Unterschiede in der Wahrnehmung zu sammeln und deren Vielfalt darzustellen.