"Safersexverhalten der Risikogruppe Gay" (pdf, ca - Userpage
"Safersexverhalten der Risikogruppe Gay" (pdf, ca - Userpage
"Safersexverhalten der Risikogruppe Gay" (pdf, ca - Userpage
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Seminar 12644:<br />
Methoden theoriegeleiteter gesundheitspsychologischer Forschung<br />
Vorhersage von Dentalhygiene:<br />
TRA und Selbstwirksamkeit<br />
Urte Scholz & Benjamin Schüz Sch<br />
www.fu-berlin.de<br />
www.fu berlin.de/gesund/ /gesund/schuez schuez<br />
Identitäskrise<br />
Identit skrise<br />
Lebensmodell „Schwul Schwul“ noch sehr jung<br />
Fehlende Vorbil<strong>der</strong> für f r Lebenmodelle<br />
Einzige Identikation Sexualit Sexualität<br />
Erklärungsversuche<br />
Erkl rungsversuche<br />
des <strong>Safersexverhalten</strong>s<br />
<strong>der</strong> <strong>Risikogruppe</strong><br />
„Gay Gay“<br />
Ein Satz vorweg:<br />
Die folgende Darstellung ist eine Interpretation <strong>der</strong><br />
Veröffentlichungen Ver ffentlichungen von Dr. Joerg Hutter, Hutter,<br />
Mitarbeiter <strong>der</strong><br />
Schwul-lesbischen Schwul lesbischen Studien Bremen<br />
http://www.joerg<br />
http:// www.joerg-hutter.de hutter.de<br />
Identitätsgenese<br />
Identit tsgenese
Persönlichkeitstyp<br />
Pers nlichkeitstyp<br />
Der mediale Diskurs<br />
Häufigkeitspolygon: ufigkeitspolygon: Anzahl <strong>der</strong> Publikationen zum Thema Aids im Spiegel Spiegel<br />
Sexdrive: In <strong>der</strong> <strong>der</strong> Hitze Hitze des Gefechts, Gefechts, werden werden<br />
Männer nner „kopflos kopflos“<br />
Der Lustbremse überdr berdrüssig ssig<br />
Verdrängung Verdr ngung und Verharmlosung <strong>der</strong> Gefahr<br />
Den Moment geniessen<br />
Es gibt bessere Therapiekonzepte<br />
Therapiekonzepte versprechen unbeschwertes<br />
Leben<br />
Pharmawerbung in schwulen Medien<br />
Verdrängung Verdr ngung aus den Mainstream-Medien<br />
Mainstream Medien
Phänomen Ph nomen Bareback<br />
Bareback<br />
Zu deutsch: Reiten ohne Sattel, synonym zu ungeschütztem<br />
ungesch tztem<br />
Verkehr<br />
Zunahme <strong>der</strong> Bareback Comunity<br />
Verweigerung <strong>der</strong> Lustbremse Kondom<br />
Verdrängung Verdr ngung und Verharmlosung STD‘s STD s wie HIV<br />
Leben im Jetzt und in <strong>der</strong> Lust ohne Grenzen<br />
Ausgrenzung <strong>der</strong> Safe Akteure als Spielver<strong>der</strong>ber und<br />
Langweiler<br />
Nur Barebacker geniessen das wahre Schwule Leben<br />
Virus ist unberechenbar<br />
Ungeschützter Ungesch tzter Verkehr mit Positivem bedeutet nicht<br />
gleich Infektion<br />
Lust auf Risiko-(Sport) Risiko (Sport) und Siegfried-Syndrom<br />
Siegfried Syndrom<br />
Grenzenlose Auslebung <strong>der</strong> Fantasien in aller<br />
Intensität Intensit t Leben im Jetzt
Theory of Reasoned Action<br />
Ergebnisbewertung<br />
Überzeugungsstärke<br />
Normative<br />
Überzeugung<br />
Einwilligungsbereitschaft<br />
Einstellung Selbstwirksamkeit<br />
Intention<br />
Subjektive<br />
Norm<br />
Verhalten<br />
?<br />
Predicting the Performance of Dental<br />
Health Behaviors<br />
• Untersucht Eignung <strong>der</strong> TRA,<br />
Zähneputzen und Zahnseidennutzung<br />
zu erklären<br />
• Reichert TRA um<br />
Selbstwirksamkeitserwartung an<br />
• Überprüft Mediationsannahmen <strong>der</strong> TRA<br />
• Überprüft multtplikative Annahmen <strong>der</strong><br />
TRA<br />
Selbstwirksamkeit<br />
• „the conviction that one <strong>ca</strong>n<br />
successfully execute a behavior“<br />
• Gut geeignet, verschiedene<br />
Gesundheitsverhalten vorherzusagen<br />
• In <strong>der</strong> TRA nicht konzipiert<br />
• Frage: Wirkung überhaupt? Wenn ja,<br />
auf welcher Ebene?
Theory of Planned Behavior<br />
(Schifter & Ajzen, 1985)<br />
http://www-unix.oit.umass.edu/~aizen/index.html<br />
Konstrukte<br />
• Intentionen =<br />
Verhaltenswahrscheinlichkeiten<br />
• Selbstwirksamkeitserwartung:<br />
Kontinuum von -100 bis +100<br />
Completely<br />
certain I could not<br />
-100<br />
Completely<br />
certain I could<br />
+100<br />
Erhebungsstrategien:<br />
http://www.unix.oit.umass.edu/~aizen/<strong>pdf</strong>/<br />
tpb.measurement.<strong>pdf</strong><br />
Konstrukte <strong>der</strong> TRA<br />
• Behavioural beliefs:<br />
Outcome Expectancies*Value<br />
• Attitudes: Semantisches Differential<br />
• Normative Beliefs:<br />
Perceived expectations of<br />
others*Motivation to comply<br />
• Subjective Norms: Single Item<br />
Methode<br />
• Längsschnittstudie an N=77 Studenten<br />
• Ausschluss von Studenten, die keine ZS<br />
benutzen<br />
• Abhängiges Maß: Selbstbericht Zähne<br />
Putzen/Zahnseide (Kompositmaß!)<br />
• Objektive Daten: Residualzahnseide<br />
• Überprüfung <strong>der</strong> Annahmen <strong>der</strong> TRA<br />
– Korrelationen<br />
– Hierarchische Regressionen
Korrelation<br />
• Beschreibt Zusammenhänge zwischen<br />
Variablen<br />
• Hier: Intentionen<br />
und SWE, r=,49<br />
• Formal:<br />
Kovarianz <strong>der</strong> beiden<br />
Variablen/Produkt<br />
aus Standardabweichungen<br />
1,00<br />
Regressionen<br />
Task Self-Effi<strong>ca</strong>cy T1<br />
4,00<br />
3,50<br />
3,00<br />
2,50<br />
2,00<br />
1,50<br />
1,00<br />
1,50 2,00 2,50 3,00 3,50 4,00<br />
Intentionen T1<br />
• Überprüfen <strong>der</strong> Mediationsannahmen <strong>der</strong> TRA<br />
• Überprüfen <strong>der</strong> sequentiellen Annahmen <strong>der</strong><br />
TRA mittels hierarchischer<br />
Regressionsanalyse<br />
• 1. Schritt: Intentionen<br />
2. Schritt: Prädiktoren <strong>der</strong> Intention<br />
Idee: Klärt Schritt 2 signifikant Varianz<br />
zusätzlich auf, stimmt die<br />
Mediationsannahme nicht<br />
Ergebnisse<br />
• Korrelation von SWE mit allen<br />
Prädiktoren <strong>der</strong> TRA substantiell, zu<br />
Verhalten ,38/,39 und zu Intentionen<br />
,66/,51<br />
Intentionen sehr eng mit SWE<br />
zusammenhängend<br />
Keine Interkorrelationen für TRA-<br />
Prädiktoren!<br />
Multiple Regression<br />
• Lineare Regression: Ausprägung einer<br />
Variable wird durch eine an<strong>der</strong>e Variable<br />
vorhergesagt<br />
• Lineare Gleichung: ŷ=a*x (+c)<br />
• Modellgüte: Determinationskoeffizient (R²,<br />
durch UV in <strong>der</strong> AV aufgeklärte Varianz)<br />
• Multiple Regression: Erweiterung dieses<br />
Modells<br />
– Mehrere Prädiktoren<br />
– Hypothetisches Modell für den Zusammenhang<br />
mehrerer Variablen
Grundgleichung<br />
• Erweiterung <strong>der</strong> linearen Gleichung:<br />
ŷ= β 0 + β 1X 1 + β 2X 2 + ... + β nX n<br />
• β0 ist <strong>der</strong> Intercept= Wert von y, wenn<br />
alle X=0<br />
• Punkt, wo die Y-Achse durchstoßen<br />
wird<br />
Einfache Regression:<br />
Wochenfloss<br />
Flossing gedeckelt auf<br />
7/wöchentlich<br />
intentt1 Intentionen T1<br />
Correlations<br />
Pearson Correlation<br />
Sig. (2-tailed)<br />
N<br />
Pearson Correlation<br />
Sig. (2-tailed)<br />
N<br />
**. Correlation is signifi<strong>ca</strong>nt at the 0.01 level (2-tailed).<br />
Wochenfloss<br />
Flossing<br />
gedeckelt auf intentt1<br />
7/wöchentlich Intentionen T1<br />
1 ,536**<br />
,000<br />
198 195<br />
,536** 1<br />
,000<br />
195 195<br />
• Intention und ZS-Nutzung korrelieren zu ,536<br />
• R² (Quadrierter Pearson-Koeffizient) =,29<br />
Elemente <strong>der</strong> Gleichung<br />
• ŷ ist die abhängige Variable (geschätzt)<br />
• β o<strong>der</strong> B gibt die Steigung <strong>der</strong><br />
Regressionsgeraden an, die am Besten<br />
durch die Datenwolke passt<br />
• Methode: Least Square-Schätzung (d.h.<br />
die Summe <strong>der</strong> quadrierten<br />
Abweichungen vom geschätzten Wert<br />
soll möglichst klein sein)<br />
Einfache Regression:<br />
Model Summary<br />
,536a Adjusted Std. Error of<br />
Model R R Square R Square the Estimate<br />
1<br />
,287 ,284 2,18453<br />
a. Predictors: (Constant), intentt1 Intentionen T1<br />
Model<br />
1<br />
Regression<br />
Residual<br />
Total<br />
ANOVA b<br />
371,492 1 371,492 77,846 ,000a Sum of<br />
Squares df Mean Square F Sig.<br />
921,026 193 4,772<br />
1292,518 194<br />
a. Predictors: (Constant), intentt1 Intentionen T1<br />
b. Dependent Variable: Wochenfloss Flossing gedeckelt auf 7/wöchentlich<br />
Model<br />
1<br />
(Constant)<br />
intentt1 Intentionen T1<br />
Coefficients a<br />
Unstandardized<br />
Coefficients<br />
Standardized<br />
Coefficients<br />
B Std. Error Beta<br />
t Sig.<br />
-1,935 ,496 -3,899 ,000<br />
1,482 ,168 ,536 8,823 ,000<br />
a. Dependent Variable: Wochenfloss Flossing gedeckelt auf 7/wöchentlich<br />
• Modell mit einem Prädiktor:<br />
R und R² sind die Korrelationen<br />
• ANOVA: Quadratsummen für<br />
Regressions- und<br />
Residualmodell, gibt Indiz für<br />
Modellgüte<br />
•Koeffizienten: Bei einfacher<br />
Regression Beta=Pearson-<br />
Korrelation (*sd ergibt<br />
unstandardisiertes Beta)
Beispiel: Verkaufte Platten und<br />
Werbeetat R²=,33<br />
Beispiel: Verkaufte Platten,<br />
Werbeetat und Radio1<br />
• In Variablen aus dem Modell:<br />
Verkaufte Platten = β 1*Werbeetat + β 2*Radio1-<br />
Airplay + β 0<br />
• Methoden:<br />
– Forced Entry: Alle Variablen gleichzeitig<br />
– Stepwise: Selektion <strong>der</strong> Prädiktoren abhängig von<br />
<strong>der</strong> Partialkorrelation mit AV<br />
– Hierarchisch: Abfolge wird festgelegt<br />
Beispiel: Verkaufte Platten,<br />
Werbeetat und Radio1 R²=,63<br />
Forced Entry Regression<br />
• Alle unabhängigen Variablen gehen<br />
gleichzeitig ins Modell ein<br />
• Ergebnisse hängen natürlich von diesen<br />
Variablen ein<br />
• Gute theoretische Begründungen für die<br />
Bildung <strong>der</strong> Gleichung nötig
Stepwise Regression<br />
• Variablen werden abhängig von<br />
statistischen Kriterien in das Modell<br />
gegeben<br />
• Statistikprogramm wählt die Variablen<br />
aus nach:<br />
– Schritt 1: Programm sucht den Prädiktor,<br />
<strong>der</strong> am meisten Varianz aufklärt<br />
– Höchste Korrelation mit <strong>der</strong> AV<br />
Stepwise Regression<br />
Stepwise Regression Stepwise Regression<br />
• Nachdem <strong>der</strong> erste Prädiktor in <strong>der</strong> Gleichung<br />
ist, wird <strong>der</strong> zweite unter den übrig<br />
gebliebenen gesucht<br />
• Kriterium: Semipartialkorrelation mit dem<br />
Kriterium<br />
• Semipartialkorrelation: Kontrolle des Effekts<br />
einer Drittvariable (1. Prädiktor) auf die<br />
abhängige Variable<br />
• Eigenständiger Beitrag dieser Variablen zur<br />
Vorhersage <strong>der</strong> AV
Stepwise Regression Probleme<br />
Hierarchische Regression<br />
• Bekannte Variablen werden zuerst in<br />
die Gleichung gegeben<br />
• Neue Prädiktoren in einem zweiten<br />
Block<br />
Gut zum Theorien testen!<br />
Zuwachs an aufgeklärter Varianz für<br />
jede neue Variable, weil die an<strong>der</strong>en<br />
konstant gehalten werden<br />
Forscher sollte wissen, was er tut<br />
Modell<br />
1<br />
2<br />
• Mathematisches Kriterium<br />
• Variablenauswahl kann schon aufgrund<br />
kleinster Differenzen in <strong>der</strong><br />
Semipartialkorrelation erfolgen<br />
• Diese können zu erheblichen<br />
theoretischen Schwierigkeiten führen<br />
• Sollte man nur für explorative Zwecke<br />
nutzen<br />
Beispiel: Zahnseidennutzung<br />
Korrigiertes<br />
Modellzusammenfassung<br />
Standardf<br />
ehler des<br />
Än<strong>der</strong>ung in<br />
Än<strong>der</strong>ungsstatistiken<br />
Än<strong>der</strong>ung in<br />
Signifikanz<br />
,536a ,287 ,284 2,1845 ,287 77,846 1 193 ,000<br />
,558b R R-Quadrat R-Quadrat Schätzers R-Quadrat Än<strong>der</strong>ung in F df1 df2 von F<br />
,311 ,304 2,1533 ,024 6,630 1 192 ,011<br />
a. Einflußvariablen : (Konstante), Intentionen T1<br />
b. Einflußvariablen : (Konstante), Intentionen T1, Task Self-Effi<strong>ca</strong>cy T1<br />
• R² Modell 1: Intentionen klären 28,7% Varianz auf (Korrigiert:<br />
Adjustiert für Anzahl Prädiktoren<br />
•R² Modell 2: Zuwachs an aufgeklärter Varianz durch<br />
Selbstwirksamkeit (inkl. Signifikanz dieses Zuwachses)
Beispiel: Zahnseidennutzung<br />
Modell<br />
1<br />
2<br />
(Konstante)<br />
Intentionen T1<br />
(Konstante)<br />
Intentionen T1<br />
Task Self-Effi<strong>ca</strong>cy T1<br />
Nicht standardisierte<br />
Koeffizienten<br />
Koeffizienten a<br />
a. Abhängige Variable: Flossing gedeckelt auf 7/wöchentlich<br />
Standardi<br />
sierte<br />
Koeffizien<br />
ten<br />
Kollinearitätsstatistik<br />
B<br />
Standardf<br />
ehler Beta T Signifikanz Toleranz VIF<br />
-1,935 ,496 -3,899 ,000<br />
1,482 ,168 ,536 8,823 ,000 1,000 1,000<br />
-3,433 ,760 -4,516 ,000<br />
1,242 ,190 ,449 6,528 ,000 ,758 1,319<br />
,756 ,294 ,177 2,575 ,011 ,758 1,319<br />
• B (nicht standardisiert): Verän<strong>der</strong>ung in <strong>der</strong> AV durch<br />
Än<strong>der</strong>ung <strong>der</strong> UV um eine Einheit<br />
•Standardisiertes Beta: Dasselbe als Standardabweichung<br />
Modellgüte<br />
• R² gibt Betrag aufgeklärter Varianz an<br />
• Residuen: Betrag <strong>der</strong> AV, <strong>der</strong> nach Abzug von<br />
ŷ übrig bleibt<br />
• 95% <strong>der</strong> Residuen sollten im Rahmen von +-2<br />
liegen<br />
• 99% zwischen +- 2,5<br />
• Alle größer 3 sind Outlier (sollten wenige<br />
sein)<br />
• Modell soll auf die ganze Population passen<br />
Interpretation:<br />
• Gleichung:<br />
ŷ= β 0 + β 1X 1 + β 2X 2 + ... + β nX n<br />
Zahnseidennutzung= + 1,24*Intentionen +<br />
0,75*Selbstwirksamkeit – 3,43<br />
• Unstandardisierte Betas: Nehmen Intentionen<br />
um 1 zu, nimmt ZS um 1,24 zu<br />
• Entsprechend für standardisierte Betas: Wenn<br />
Intentionen um 1sd zunehmen, nimmt ZS-<br />
Nutzung um ,45sd zu<br />
Voraussetzungen:<br />
• Kontinuierliche Variablen<br />
• Varianz ungleich Null<br />
• Lineare Beziehung <strong>der</strong> Variablen<br />
• Keine Multikollinearität<br />
• Normalverteilte Fehler<br />
Homoskedaszität: Konstante Varianz<br />
<strong>der</strong> Fehlerterme für jeden<br />
Prädiktorwert
Ergebnisse <strong>der</strong> TRA-Regression<br />
• Intention mediieren nicht vollständig<br />
• Attitudes und Subjektive Normen<br />
mediieren nicht vollständig<br />
• R²=,27 (Zähneputzen), R² (ZS)<br />
• SWE bringt keinen Zuwachs an<br />
aufgeklärter Varianz in <strong>der</strong> AV<br />
• Sign. Interaktion Intentionen*SWE<br />
• Varianz in <strong>der</strong> AV?<br />
Selbstwirksamkeit vs. PBC<br />
• Ajzen (1991) PBC und SWE sind<br />
teilweise synonym (hinsichtlich des<br />
Verhaltens)<br />
• PBC oft als subjektiv empfundene<br />
Kontrolle erhoben<br />
„Wenn ich wollte, könnte ich jeden Tag im<br />
kommenden Monat 30 Minuten Ergometertraining<br />
machen“<br />
„Wie viel Kontrolle haben Sie darüber, jeden Tag im<br />
kommenden Monat 30 Minuten Ergometertraining zu<br />
machen?“<br />
Probleme mit <strong>der</strong> Studie<br />
• Anzahl Versuchspersonen<br />
• Erfassung von Intentionen<br />
• Erfassung <strong>der</strong> TRA-Konstrukte<br />
• Abhängige Variablen?<br />
• Multiplikative Annahmen<br />
• Theoretisch überflüssig (TPB war<br />
bereits auf dem Markt)