Dokument_1.pdf (3044 KB) - OPUS Augsburg - Universität Augsburg
Dokument_1.pdf (3044 KB) - OPUS Augsburg - Universität Augsburg
Dokument_1.pdf (3044 KB) - OPUS Augsburg - Universität Augsburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
mehrfach nominal“). Im letzten Fall werden die ordinalen Variablen nicht „spline-ordinal“<br />
sondern „ordinal“ gesetzt, dadurch werden Linearitäten erzwungen (vgl. SPSS 12.0 2003).<br />
Bei der CA werden keine Nebenbedingungen für die Kategorien bestimmt. Die Fälle werden<br />
alle gleich gewichtet. Für die Festlegung der Anzahl der Dimensionen soll allgemein gelten,<br />
dass die Eigenwerte mindestens 0,3 betragen (MCA) und Cronbachs Alpha positive Zahlen<br />
aufweist (kategoriale Hauptkomponentenanalyse). Die Auswahl der Dimensionen richtet sich<br />
aber auch nach inhaltlichen Gesichtspunkten.<br />
Die Verfasserin wendet das Statistikprogramm SPSS (Version 12.0) an. Es wird ausdrücklich<br />
darauf hingewiesen, dass für diese Arbeit keine zusätzlichen Grafikmodule zur Verfügung<br />
standen. Diese würden eine dreidimensionale Darstellung der Ergebnisse (bei drei Dimensionen)<br />
ermöglichen. Alternativ werden hier wahlweise interaktive Streudiagramme verwendet.<br />
Der Output dieser Diagramme ist jedoch prinzipiell nicht identisch mit jenem der<br />
Korrespondenzanalyse im SPSS-Ausgabefenster, da Streudiagramme die Achsen nicht an den<br />
Resultaten der Auswertung ausrichten, d.h. die Achsen gegebenenfalls strecken und stauchen<br />
und den Nullpunkt optimal positionieren. Die Ausgabe von Streudiagrammen soll hier bei der<br />
Darstellung der Objektwerte unter folgenden Bedingungen erfolgen: bei drei extrahierten Dimensionen<br />
in einer zweidimensionalen Grafiken. Als „wissenschaftliche Landkarten“ werden<br />
in dieser Arbeit nur die zweidimensionalen Grafiken bezeichnet, die SPSS über das Ausgabefenster<br />
direkt ausgibt. Bei drei extrahierten Dimensionen wird die Verfasserin in erster Linie<br />
die Tabellen der Objektwerte und der Diskriminanzmaße heranziehen. Da in dieser Arbeit<br />
hauptsächlich nominale Daten auszuwerten sind, werden folgende Kennzahlen ignoriert: Korrelationen,<br />
Standardabweichungen und Komponentenladungen.<br />
3.1.5 Methodisches Vorgehen bei der Interpretation der Ergebnisse der Auswer-<br />
tung<br />
Die Art der Normalisierung ist ausschlaggebend für die Interpretation der Koordinaten im<br />
Korrespondenzraum. Die symmetrische Reskalierung wird verwendet, wenn man die Beziehungen<br />
(Unterschiede und Ähnlichkeiten) zwischen den Merkmalsausprägungen beider Variablen<br />
(CA) oder die Beziehung zwischen den Objekten und den Variablen (MCA) untersuchen<br />
möchte. Das bedeutet, dass die Distanzen der Kategorien einer Variable (CA) wie auch<br />
die Objekte und Variablen untereinander (MCA) nicht verglichen werden können (vgl. Meulman/Heiser<br />
2004, S. 71, 84f.)<br />
47