SPSS-FORUM.DE

[LauraBePunkt]

Hallo alle Zusammen!

Ich verfasse zurzeit meine Master Thesis und habe dafür eine Umfrage durchgeführt, die ich jetzt gerade auswerte.

Da die meisten meiner Variablen nominalskaliert sind, verwende ich zur Auswertung Kreuztabelle/Kontingenzanalyse und die multinominale logistische Regression (beide Variablen, unabhängig=Markenloyalität und abhängig=Zufriedenheit sind nominalskaliert).
Jetzt habe ich ein Ergebnis herausbekommen, das ich nicht richtig deuten kann.

Ich habe getestet ob die Markenloyalität Auswirkungen auf die Zufriedenheit mit der Fanpage hat.

Die Ergebnisse der Kontingenzanalyse:
Chi-Quadrat nach Pearson 0,000
Cramer-V 0,282

Die Ergebnisse der multinominalen Regression (Likelihood-Quotienten-Test):
Chi-Quadrat Wert 11,831
Signifikanz 0,922
Nagelkerkes-R² 0,047

Wie kann ich das nun deuten, dass die Nullhypothese, dass kein Zusammenhang zwischen den beiden Variablen existiert bei der Kontingenzanalyse abgelehnt wird, bei der logistischen Regression allerdings nicht abgelehnt werden kann?

Es wäre toll, wenn mir jemand weiterhelfen könnte.

Vielen Dank.
Laura

[ponderstibbons]

(beide Variablen, unabhängig=Markenloyalität und abhängig=Zufriedenheit sind nominalskaliert).

Das ist aber mal ungewöhnlich. Was würde denn da auf welche Weise
konkret gemessen? Und wie groß ist die Stichprobe?

mit freundlichen Grüßen

P.

[LauraBePunkt]

Was würde denn da auf welche Weise
konkret gemessen? Und wie groß ist die Stichprobe?

Ich habe die Items in Form der Fragestellung mit einer 5er Likertskala gemessen. Daraufhin habe ich eine explorative Faktorenanalyse gemacht um zu sehen welche Items auf welchen Faktor laden. Weil ich aber nicht gerne mit Faktorwerten rechne habe ich mit Hilfe der Funktion Transformieren > Variable berechnen die Items die auf einen Faktor laden addiert, durch ihre Anzahl geteilt und dann gerundet, sodass ich für jeden Umfrageteilnehmer wieder einen Wert 1, 2, 3, 4 oder 5 erhalten habe und das ist eben nicht metrisch.

Meine Stichprobe ist n=275.

Das Konstrukt Markenloyalität wurde mit 3 Items gemessen (Ich halte mich selbst für loyal der Marke gegenüber, Ich fühle mich der Marke sehr verbunden, Ich würde die Marke Freunden empfehlen...)

Die Zufriedenheit mit der Fanpage wurde ebenfalls mit 3 Items gemessen (Die Fanpage ist interessant, Es war eine gute Entscheidung der Fanpage beizutreten, Die Fanpage entspricht meinen Erwartungen voll und ganz)

[ponderstibbons]

Ich habe die Items in Form der Fragestellung mit einer 5er Likertskala gemessen. Daraufhin habe ich eine explorative Faktorenanalyse gemacht um zu sehen welche Items auf welchen Faktor laden. Weil ich aber nicht gerne mit Faktorwerten rechne habe ich mit Hilfe der Funktion Transformieren > Variable berechnen die Items die auf einen Faktor laden addiert, durch ihre Anzahl geteilt und dann gerundet, sodass ich für jeden Umfrageteilnehmer wieder einen Wert 1, 2, 3, 4 oder 5 erhalten habe und das ist eben nicht metrisch.

Das Vorgehen, eine Intervallskala ohne Not in eine schwächere Skala
umzuwandeln, wirkt etwas seltsam, aber ungeachtet dessen,
das Resultat ist keine kategoriale Skala, sondern mindestens eine
ordinale. Daher sind die verwendeten Analysemethoden inadäquat.

mit freundlichen Grüßen

P.

[LauraBePunkt]

Das Problem ist, dass meine eine abhängige Variable nominal skaliert ist.
Es gibt eine Frage: "Welche Aussage trifft am ehesten auf Sie zu?" und drei Antwortmöglichkeiten die die Probanden zur Auswahl haben.

Und weil wir im Studium in MaFo leider nur mit metrischen abhängigen Variablen gerechnet haben bin ich jetzt etwas hilflos und habe dann die anderen Variablen einfach auch umgeformt (SPSS zeigt mir beim Skalenniveau im Codebuch nominal an). Ich finde dann kann ich auch in Grafiken die Zusammenhänge besser darstellen. Mit Faktorwerten ist das schwierig.

Wenn ich mit den Faktoren rechne wo es eben geht (bei den beiden abhängigen Variablen ja leider nicht), dann habe ich eine abhängige nicht metrische und eine unabhängige metrische Variable. Was kann ich damit dann machen? Eine Diskriminanzanalyse? Die hilft mir nicht weiter. Ich will ja den Zusammenhang, die Stärke des Zusammenhangs etc berechnen und auf der Suche nach einer passenden Analysemethode bin ich auf die logistische Regression gestoßen, die mir alle Ergebnisse liefert, die ich brauche.

Was würden Sie vorschlagen? Ich bin froh über alle Ratschläge und Hinweise.

[ponderstibbons]

Das Problem ist, dass meine eine abhängige Variable nominal skaliert ist.
Es gibt eine Frage: "Welche Aussage trifft am ehesten auf Sie zu?" und drei Antwortmöglichkeiten die die Probanden zur Auswahl haben.

Verstehe ich nicht. Du hast doch geschrieben, Zufriedenheit wurde mt drei Likert-skalierten Items gemessen.

Die Zufriedenheit mit der Fanpage wurde ebenfalls mit 3 Items gemessen (Die Fanpage ist interessant, Es war eine gute Entscheidung der Fanpage beizutreten, Die Fanpage entspricht meinen Erwartungen voll und ganz)

Wo kommt den jetzt das "am ehesten zu" her?

[LauraBePunkt]

Ja, Sie haben Recht.
Sorry für die Verwirrung.
Ich habe von einer anderen abhängigen Variable gesprochen.

Die Zufriedenheit ist mit drei Items gemessen worden und ich habe eine Faktorenanalyse durchgeführt und die Variable danach transformiert, sodass sie (laut SPSS Codebuch) nominalskaliert ist.
Sie sagen also ich soll einfach mit dem Faktor Loyalität und dem Factor Zufriedenheit eine Regressionsanalyse machen?!

Das löst ja aber nicht das grundsätzliche Problem, was ich mit meinen nominalskalierten Variablen machen soll
Sie sagen die Variablen die ich addiert und gerundet habe sind ordinal skaliert, aber SPSS sagt mir im Codebuch das sie nominal sind.
Wären sie ordinal, was könnte ich dann für eine Analyse machen?

[ponderstibbons]

Das löst ja aber nicht das grundsätzliche Problem, was ich mit meinen nominalskalierten Variablen machen soll

Da ich immer noch nicht im Bilde bin, was konkret gemessen wurde, weiß ich das nicht. Falls es sich tatsächlich um eine kategoriale Variable handelt und es lediglich um den Zusammenhang mit jeweils 1 (aber nicht simultan mehreren) Prädiktoren geht, dann kann man die kategoriale abhängige Variable als Gruppierungsvariable verwenden und die ordinale Variable als (technisch) abhängige Variable und einen Kruskal-Wallis H-Test rechnen.

Sie sagen die Variablen die ich addiert und gerundet habe sind ordinal skaliert, aber SPSS sagt mir im Codebuch das sie nominal sind.

Mit Verlaub, aber da besteht die Gefahr, dass es albern wird. Die (wie gesagt aus meiner Sicht überflüssigen bzw. schädlichen) Umwandlungen wurden doch von Dir als Datenanalysiererin vorgenommen und das Skalenniveau Deiner daraus entstandenen Variable bestimmt nicht die Software. Wie sollte die denn Sachentscheidungen treffen können? Wenn Du weißt, das Skalenniveau ist ordinal, dann legst Du das in der Software auch so fest; wenn Du weißt, es ist Intervall, dann legst Du das in der Software auch so fest.

Wären sie ordinal, was könnte ich dann für eine Analyse machen?

Der Zusammenhang zwischen zwei ordinalskalierten Variablen lässt sich durch den Spearman-Rangkorrelationskoeffizienten darstellen und testen. Sollen mehrere Prädiktoren gleichzeitig eine abhängige ordinale Variable vorhersagen, käme die "ordinale Regression" in Betracht. Am einfachsten wäre die Geschichte, wenn die Variablen (zumindest die abhängige) wären, da würde man z.B. Eine multiple Regression rechnen.

Mit freundlichen Grüßen

P.