Hallo,
Ich frage habe ein Item "Ihr Studium bewerten Sie folgendermaßen...", das von 1-6 geht.
Der Rest meiner Items hat Ausprägungen von 1-5.
Jetzt will ich meine von 1-5 skalierten Items mit dem 1-6 skalierten Item korrelieren lassen.
Ist das ein Problem bei der Spearman Korrelation?
Falls ja, was sind meine Optionen?
Und ist der Weg über Korrelationen der Richtige, wenn ich Items identifizieren möchte, die anscheinend besonders wichtig für die Studenten sind?
Mein weitere Plan sah vor, dass ich einige der Items zu mittelwertbasierten, relativen Indexen zusammenfassen und dann nochmal Korrelationen durchführe.
Beste Grüße
Spearman Korrelation von Items
-
drfg2008
- Beiträge: 2391
- Registriert: 06.02.2011, 19:58
re
Spearman ist nichts weiter als der Pearson über die rangtransformierten Werte. Problematisch wird eher die hohe Zahl der Rangbindungen sein, die bei einer 1-5 oder 1-6 stufigen Skala zwangsläufig entstehen.
Für den Vergleich von 'Wichtigkeiten' käme die (lin.) Regression in Frage, hier insbesondere dann der Vergleich der Beta Koeffizienten der einzelnen UV auf die AV.
Für den Vergleich von 'Wichtigkeiten' käme die (lin.) Regression in Frage, hier insbesondere dann der Vergleich der Beta Koeffizienten der einzelnen UV auf die AV.
drfg2008
-
Empirie
- Beiträge: 2
- Registriert: 04.07.2013, 10:02
Danke ersteinmal für die Antwort.
Es sind in der Tat Unterschiede zwischen beiden Verfahren zu finden. Bei Pearson fallen die Ergebnisse i.d.R. etwas extremer aus.
Hatte Spearman genommen, weil die Skala "streng genommen" ordinal skaliert sein soll.
Wie kann ich denn für Pearson argumentieren?
--> Eindeutige Extrema als Endpunkte (Sehr gut - Sehr schlecht und Stimme nicht zu - Stimme völlig zu)?
--> Abstufungen dazwischen werden wahrscheinlich mit gleichen Abständen interpretiert?
--> Zusammenhänge sind wahrscheinlich linear (auf Gesamtzufriedenheit und auf Belastung)?
B-Koeffizienten klingen für mich erstmal super, aber kann man die Regression dann auch dann wirklich mit 30 unabhängigen Variablen durchführen?
Vorteil wäre sicherlich eine Art Drittvariablenkontrolle oder wie man das nennt.
Aber kommen sich die Variablen nicht "ins Gehege"? Viele sind untereinander hoch korrelativ, aber rein von der Konstruktion der Fragen würde ich eigentlich sagen, dass es eigenständige, abgrenzbare Fragen und Korrelationen untereinander da sind aber die eine Variable wahrscheinlich nicht den Wert einer anderen beeinflusst.
Kann man das so sagen?
Es sind in der Tat Unterschiede zwischen beiden Verfahren zu finden. Bei Pearson fallen die Ergebnisse i.d.R. etwas extremer aus.
Hatte Spearman genommen, weil die Skala "streng genommen" ordinal skaliert sein soll.
Wie kann ich denn für Pearson argumentieren?
--> Eindeutige Extrema als Endpunkte (Sehr gut - Sehr schlecht und Stimme nicht zu - Stimme völlig zu)?
--> Abstufungen dazwischen werden wahrscheinlich mit gleichen Abständen interpretiert?
--> Zusammenhänge sind wahrscheinlich linear (auf Gesamtzufriedenheit und auf Belastung)?
B-Koeffizienten klingen für mich erstmal super, aber kann man die Regression dann auch dann wirklich mit 30 unabhängigen Variablen durchführen?
Vorteil wäre sicherlich eine Art Drittvariablenkontrolle oder wie man das nennt.
Aber kommen sich die Variablen nicht "ins Gehege"? Viele sind untereinander hoch korrelativ, aber rein von der Konstruktion der Fragen würde ich eigentlich sagen, dass es eigenständige, abgrenzbare Fragen und Korrelationen untereinander da sind aber die eine Variable wahrscheinlich nicht den Wert einer anderen beeinflusst.
Kann man das so sagen?
-
drfg2008
- Beiträge: 2391
- Registriert: 06.02.2011, 19:58
re
Nur als Tipp: Bei hoher Korrelation zwischen den AVs wäre es ggf. sinnvoll der klassischen Testtheorie zu folgen und daraus erst einmal Konzepte (Designs) zu formen. Stichworte: Homogenität, Reliabilität, etc. Verfahren: Faktorenanalyse, Cronbach.
Ansonsten bei hoher Korrelation im Regressionsverfahren dann etwa die Methoden darauf abstellen: STEPWISE; FORWARD; etc. Dann wird ggf. nur der zusätzliche Beitrag ins Modell aufgenommen.
Ansonsten bei hoher Korrelation im Regressionsverfahren dann etwa die Methoden darauf abstellen: STEPWISE; FORWARD; etc. Dann wird ggf. nur der zusätzliche Beitrag ins Modell aufgenommen.
drfg2008
