"Safersexverhalten der Risikogruppe Gay" (pdf, ca - Userpage

Seminar 12644:
Methoden theoriegeleiteter gesundheitspsychologischer Forschung
Vorhersage von Dentalhygiene:
TRA und Selbstwirksamkeit
Urte Scholz & Benjamin Schüz Sch
www.fu-berlin.de
www.fu berlin.de/gesund/ /gesund/schuez schuez
Identitäskrise
Identit skrise
Lebensmodell „Schwul Schwul“ noch sehr jung
Fehlende Vorbilder für f r Lebenmodelle
Einzige Identikation Sexualit Sexualität
Erklärungsversuche
Erkl rungsversuche
des Safersexverhaltens
der Risikogruppe
„Gay Gay“
Ein Satz vorweg:
Die folgende Darstellung ist eine Interpretation der
Veröffentlichungen Ver ffentlichungen von Dr. Joerg Hutter, Hutter,
Mitarbeiter der
Schwul-lesbischen Schwul lesbischen Studien Bremen
http://www.joerg
http:// www.joerg-hutter.de hutter.de
Identitätsgenese
Identit tsgenese

Persönlichkeitstyp
Pers nlichkeitstyp
Der mediale Diskurs
Häufigkeitspolygon: ufigkeitspolygon: Anzahl der Publikationen zum Thema Aids im Spiegel Spiegel
Sexdrive: In der der Hitze Hitze des Gefechts, Gefechts, werden werden
Männer nner „kopflos kopflos“
Der Lustbremse überdr berdrüssig ssig
Verdrängung Verdr ngung und Verharmlosung der Gefahr
Den Moment geniessen
Es gibt bessere Therapiekonzepte
Therapiekonzepte versprechen unbeschwertes
Leben
Pharmawerbung in schwulen Medien
Verdrängung Verdr ngung aus den Mainstream-Medien
Mainstream Medien

Phänomen Ph nomen Bareback
Bareback
Zu deutsch: Reiten ohne Sattel, synonym zu ungeschütztem
ungesch tztem
Verkehr
Zunahme der Bareback Comunity
Verweigerung der Lustbremse Kondom
Verdrängung Verdr ngung und Verharmlosung STD‘s STD s wie HIV
Leben im Jetzt und in der Lust ohne Grenzen
Ausgrenzung der Safe Akteure als Spielverderber und
Langweiler
Nur Barebacker geniessen das wahre Schwule Leben
Virus ist unberechenbar
Ungeschützter Ungesch tzter Verkehr mit Positivem bedeutet nicht
gleich Infektion
Lust auf Risiko-(Sport) Risiko (Sport) und Siegfried-Syndrom
Siegfried Syndrom
Grenzenlose Auslebung der Fantasien in aller
Intensität Intensit t Leben im Jetzt

Theory of Reasoned Action
Ergebnisbewertung
Überzeugungsstärke
Normative
Überzeugung
Einwilligungsbereitschaft
Einstellung Selbstwirksamkeit
Intention
Subjektive
Norm
Verhalten
?
Predicting the Performance of Dental
Health Behaviors
• Untersucht Eignung der TRA,
Zähneputzen und Zahnseidennutzung
zu erklären
• Reichert TRA um
Selbstwirksamkeitserwartung an
• Überprüft Mediationsannahmen der TRA
• Überprüft multtplikative Annahmen der
TRA
Selbstwirksamkeit
• „the conviction that one can
successfully execute a behavior“
• Gut geeignet, verschiedene
Gesundheitsverhalten vorherzusagen
• In der TRA nicht konzipiert
• Frage: Wirkung überhaupt? Wenn ja,
auf welcher Ebene?

Theory of Planned Behavior
(Schifter & Ajzen, 1985)
http://www-unix.oit.umass.edu/~aizen/index.html
Konstrukte
• Intentionen =
Verhaltenswahrscheinlichkeiten
• Selbstwirksamkeitserwartung:
Kontinuum von -100 bis +100
Completely
certain I could not
-100
Completely
certain I could
+100
Erhebungsstrategien:
http://www.unix.oit.umass.edu/~aizen/pdf/
tpb.measurement.pdf
Konstrukte der TRA
• Behavioural beliefs:
Outcome Expectancies*Value
• Attitudes: Semantisches Differential
• Normative Beliefs:
Perceived expectations of
others*Motivation to comply
• Subjective Norms: Single Item
Methode
• Längsschnittstudie an N=77 Studenten
• Ausschluss von Studenten, die keine ZS
benutzen
• Abhängiges Maß: Selbstbericht Zähne
Putzen/Zahnseide (Kompositmaß!)
• Objektive Daten: Residualzahnseide
• Überprüfung der Annahmen der TRA
– Korrelationen
– Hierarchische Regressionen

Korrelation
• Beschreibt Zusammenhänge zwischen
Variablen
• Hier: Intentionen
und SWE, r=,49
• Formal:
Kovarianz der beiden
Variablen/Produkt
aus Standardabweichungen
1,00
Regressionen
Task Self-Efficacy T1
4,00
3,50
3,00
2,50
2,00
1,50
1,00
1,50 2,00 2,50 3,00 3,50 4,00
Intentionen T1
• Überprüfen der Mediationsannahmen der TRA
• Überprüfen der sequentiellen Annahmen der
TRA mittels hierarchischer
Regressionsanalyse
• 1. Schritt: Intentionen
2. Schritt: Prädiktoren der Intention
Idee: Klärt Schritt 2 signifikant Varianz
zusätzlich auf, stimmt die
Mediationsannahme nicht
Ergebnisse
• Korrelation von SWE mit allen
Prädiktoren der TRA substantiell, zu
Verhalten ,38/,39 und zu Intentionen
,66/,51
Intentionen sehr eng mit SWE
zusammenhängend
Keine Interkorrelationen für TRA-
Prädiktoren!
Multiple Regression
• Lineare Regression: Ausprägung einer
Variable wird durch eine andere Variable
vorhergesagt
• Lineare Gleichung: ŷ=a*x (+c)
• Modellgüte: Determinationskoeffizient (R²,
durch UV in der AV aufgeklärte Varianz)
• Multiple Regression: Erweiterung dieses
Modells
– Mehrere Prädiktoren
– Hypothetisches Modell für den Zusammenhang
mehrerer Variablen

Grundgleichung
• Erweiterung der linearen Gleichung:
ŷ= β 0 + β 1X 1 + β 2X 2 + ... + β nX n
• β0 ist der Intercept= Wert von y, wenn
alle X=0
• Punkt, wo die Y-Achse durchstoßen
wird
Einfache Regression:
Wochenfloss
Flossing gedeckelt auf
7/wöchentlich
intentt1 Intentionen T1
Correlations
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
**. Correlation is significant at the 0.01 level (2-tailed).
Wochenfloss
Flossing
gedeckelt auf intentt1
7/wöchentlich Intentionen T1
1 ,536**
,000
198 195
,536** 1
,000
195 195
• Intention und ZS-Nutzung korrelieren zu ,536
• R² (Quadrierter Pearson-Koeffizient) =,29
Elemente der Gleichung
• ŷ ist die abhängige Variable (geschätzt)
• β oder B gibt die Steigung der
Regressionsgeraden an, die am Besten
durch die Datenwolke passt
• Methode: Least Square-Schätzung (d.h.
die Summe der quadrierten
Abweichungen vom geschätzten Wert
soll möglichst klein sein)
Einfache Regression:
Model Summary
,536a Adjusted Std. Error of
Model R R Square R Square the Estimate
1
,287 ,284 2,18453
a. Predictors: (Constant), intentt1 Intentionen T1
Model
1
Regression
Residual
Total
ANOVA b
371,492 1 371,492 77,846 ,000a Sum of
Squares df Mean Square F Sig.
921,026 193 4,772
1292,518 194
a. Predictors: (Constant), intentt1 Intentionen T1
b. Dependent Variable: Wochenfloss Flossing gedeckelt auf 7/wöchentlich
Model
1
(Constant)
intentt1 Intentionen T1
Coefficients a
Unstandardized
Coefficients
Standardized
Coefficients
B Std. Error Beta
t Sig.
-1,935 ,496 -3,899 ,000
1,482 ,168 ,536 8,823 ,000
a. Dependent Variable: Wochenfloss Flossing gedeckelt auf 7/wöchentlich
• Modell mit einem Prädiktor:
R und R² sind die Korrelationen
• ANOVA: Quadratsummen für
Regressions- und
Residualmodell, gibt Indiz für
Modellgüte
•Koeffizienten: Bei einfacher
Regression Beta=Pearson-
Korrelation (*sd ergibt
unstandardisiertes Beta)

Beispiel: Verkaufte Platten und
Werbeetat R²=,33
Beispiel: Verkaufte Platten,
Werbeetat und Radio1
• In Variablen aus dem Modell:
Verkaufte Platten = β 1*Werbeetat + β 2*Radio1-
Airplay + β 0
• Methoden:
– Forced Entry: Alle Variablen gleichzeitig
– Stepwise: Selektion der Prädiktoren abhängig von
der Partialkorrelation mit AV
– Hierarchisch: Abfolge wird festgelegt
Beispiel: Verkaufte Platten,
Werbeetat und Radio1 R²=,63
Forced Entry Regression
• Alle unabhängigen Variablen gehen
gleichzeitig ins Modell ein
• Ergebnisse hängen natürlich von diesen
Variablen ein
• Gute theoretische Begründungen für die
Bildung der Gleichung nötig

Stepwise Regression
• Variablen werden abhängig von
statistischen Kriterien in das Modell
gegeben
• Statistikprogramm wählt die Variablen
aus nach:
– Schritt 1: Programm sucht den Prädiktor,
der am meisten Varianz aufklärt
– Höchste Korrelation mit der AV
Stepwise Regression
Stepwise Regression Stepwise Regression
• Nachdem der erste Prädiktor in der Gleichung
ist, wird der zweite unter den übrig
gebliebenen gesucht
• Kriterium: Semipartialkorrelation mit dem
Kriterium
• Semipartialkorrelation: Kontrolle des Effekts
einer Drittvariable (1. Prädiktor) auf die
abhängige Variable
• Eigenständiger Beitrag dieser Variablen zur
Vorhersage der AV

Stepwise Regression Probleme
Hierarchische Regression
• Bekannte Variablen werden zuerst in
die Gleichung gegeben
• Neue Prädiktoren in einem zweiten
Block
Gut zum Theorien testen!
Zuwachs an aufgeklärter Varianz für
jede neue Variable, weil die anderen
konstant gehalten werden
Forscher sollte wissen, was er tut
Modell
1
2
• Mathematisches Kriterium
• Variablenauswahl kann schon aufgrund
kleinster Differenzen in der
Semipartialkorrelation erfolgen
• Diese können zu erheblichen
theoretischen Schwierigkeiten führen
• Sollte man nur für explorative Zwecke
nutzen
Beispiel: Zahnseidennutzung
Korrigiertes
Modellzusammenfassung
Standardf
ehler des
Änderung in
Änderungsstatistiken
Änderung in
Signifikanz
,536a ,287 ,284 2,1845 ,287 77,846 1 193 ,000
,558b R R-Quadrat R-Quadrat Schätzers R-Quadrat Änderung in F df1 df2 von F
,311 ,304 2,1533 ,024 6,630 1 192 ,011
a. Einflußvariablen : (Konstante), Intentionen T1
b. Einflußvariablen : (Konstante), Intentionen T1, Task Self-Efficacy T1
• R² Modell 1: Intentionen klären 28,7% Varianz auf (Korrigiert:
Adjustiert für Anzahl Prädiktoren
•R² Modell 2: Zuwachs an aufgeklärter Varianz durch
Selbstwirksamkeit (inkl. Signifikanz dieses Zuwachses)

Beispiel: Zahnseidennutzung
Modell
1
2
(Konstante)
Intentionen T1
(Konstante)
Intentionen T1
Task Self-Efficacy T1
Nicht standardisierte
Koeffizienten
Koeffizienten a
a. Abhängige Variable: Flossing gedeckelt auf 7/wöchentlich
Standardi
sierte
Koeffizien
ten
Kollinearitätsstatistik
B
Standardf
ehler Beta T Signifikanz Toleranz VIF
-1,935 ,496 -3,899 ,000
1,482 ,168 ,536 8,823 ,000 1,000 1,000
-3,433 ,760 -4,516 ,000
1,242 ,190 ,449 6,528 ,000 ,758 1,319
,756 ,294 ,177 2,575 ,011 ,758 1,319
• B (nicht standardisiert): Veränderung in der AV durch
Änderung der UV um eine Einheit
•Standardisiertes Beta: Dasselbe als Standardabweichung
Modellgüte
• R² gibt Betrag aufgeklärter Varianz an
• Residuen: Betrag der AV, der nach Abzug von
ŷ übrig bleibt
• 95% der Residuen sollten im Rahmen von +-2
liegen
• 99% zwischen +- 2,5
• Alle größer 3 sind Outlier (sollten wenige
sein)
• Modell soll auf die ganze Population passen
Interpretation:
• Gleichung:
ŷ= β 0 + β 1X 1 + β 2X 2 + ... + β nX n
Zahnseidennutzung= + 1,24*Intentionen +
0,75*Selbstwirksamkeit – 3,43
• Unstandardisierte Betas: Nehmen Intentionen
um 1 zu, nimmt ZS um 1,24 zu
• Entsprechend für standardisierte Betas: Wenn
Intentionen um 1sd zunehmen, nimmt ZS-
Nutzung um ,45sd zu
Voraussetzungen:
• Kontinuierliche Variablen
• Varianz ungleich Null
• Lineare Beziehung der Variablen
• Keine Multikollinearität
• Normalverteilte Fehler
Homoskedaszität: Konstante Varianz
der Fehlerterme für jeden
Prädiktorwert

Ergebnisse der TRA-Regression
• Intention mediieren nicht vollständig
• Attitudes und Subjektive Normen
mediieren nicht vollständig
• R²=,27 (Zähneputzen), R² (ZS)
• SWE bringt keinen Zuwachs an
aufgeklärter Varianz in der AV
• Sign. Interaktion Intentionen*SWE
• Varianz in der AV?
Selbstwirksamkeit vs. PBC
• Ajzen (1991) PBC und SWE sind
teilweise synonym (hinsichtlich des
Verhaltens)
• PBC oft als subjektiv empfundene
Kontrolle erhoben
„Wenn ich wollte, könnte ich jeden Tag im
kommenden Monat 30 Minuten Ergometertraining
machen“
„Wie viel Kontrolle haben Sie darüber, jeden Tag im
kommenden Monat 30 Minuten Ergometertraining zu
machen?“
Probleme mit der Studie
• Anzahl Versuchspersonen
• Erfassung von Intentionen
• Erfassung der TRA-Konstrukte
• Abhängige Variablen?
• Multiplikative Annahmen
• Theoretisch überflüssig (TPB war
bereits auf dem Markt)