Cornelia Frings, M.A.

1. Individuen als Kontexte. Datenerhebung mittels faktorieller Surveys und die mehrebenenanalytische Auswertung dieser Daten Cornelia Frings, M.A.

2. Gliederung des Vortrags • Einführung - Individuen als Kontexte • Die Messmethode faktorieller Survey 3. Konkretes Forschungsprojekt aus der Vertrauensforschung • Theoretischer Ausgangspunkt und getestetes Kausalmodell • Erhebungsdesign • Statistische Auswertung mittels Hierarchisch Linearer Modelle

3. Individuen als Kontexte Hierarchische Datenstrukturen bei … • Vergleichenden Studien • Mehrstufigen Zufallsstichproben • Individualebene als Analyseebene erster Ordnung; Länder, Regionen, einzelne Wahlkreise oder Organisationen der Meso-Ebene als Kontexte • Paneldaten • Faktorielle Survey-Daten • Individuen als Kontexte; Messungen als Analyseebene erster Ordnung

4. Die Messmethode faktorieller Survey • Befragte bewerten fiktive Situationsbeschreibungen (Vignetten) i. H. auf eine bestimmte Fragestellung (Rating) • Jeder Befragte beurteilt mehrere Vignetten (Vignettenset) • Identisch sind die beschriebene Grundsituation, die Fragestellung und die Beurteilungsskala zur Messung der AV • variierend sind bestimmte Merkmale der Situation = UV, deren Einfluss auf ein bestimmtes Untersuchungsobjekt untersucht werden soll

5. Die Messmethode faktorieller Survey • Kombination von Elementen experimenteller Designs mit Elementen der klassischen Umfrageforschung • geeignet zur differenzierten Messung und Analyse latenter Objekte, denen Konditionalität unterstellt wird • Dekompositionelles Verfahren

6. Hierarchische Datenstruktur bei faktoriellen Survey-Daten Zweite Ebene = Befragte 1 2 3 Erste Ebene = Vignettenurteile U1 U2 Ux U1 U2 Ux U1 U2 Ux

7. Konkretes Forschungsprojekt – Theoretischer Ausgangspunkt • Soziologischer vs. ökonomischer Vertrauensansatz • Soziologischer Ansatz: Vertrauen als situationsunabhängig stabile generelle Einstellung (generelles Vertrauen)  keine Konditionalität • Ökonomischer Ansatz: Vertrauen als von situativen Anreizstrukturen abhängige kognitive Erwartung (spezifisches Vertrauen); Vertrauensentscheidung wird modelliert mit werterwartungsth. Konzepten  Konditionalität • Beide Theorieansätze greifen zu kurz; kaum überzeugende Integrationsversuche

8. Konkretes Forschungsprojekt – getestetes Kausalmodell Kausale Sequenz – Getesteter Ausschnitt Generelles Vertrauen (soziologischer Ansatz) Niveau-effekt Situationsspezifische Vertrauenserwartung p (ökonomischer Ansatz) Kooperative Handlung Interaktionseffekte Ökonomischer Bestimmungsfaktor 1 Ökonomischer Bestimmungsfaktor 2 Bewertung u Ökonomischer Bestimmungsfaktor x Kausale Sequenz – komplettes Modell

9. Konkretes Forschungsprojekt - Erhebungsdesign • Faktorieller Survey mit 238 Studierenden und acht Vignetten pro Befragtem • Abhängige Variable (Rating-Skala) = situationsspezifische Vertrauenserwartung • Aus RC-Perspektive zentrale situative Anreizstrukturen als systematisch variierende Dimensionen • klassischer Fragebogen i. e. L. zur Erhebung der generellen Vertrauenseinstellung

10. Die einzelnen Schritte der statistischen Modellierung 1 Einfaches Regressionsmodell Einfache ML-Regression nur mit situativen Anreizstrukturen (ökonomisches Modell)  Nullmodell 2 Random Intercept Modelle Random Intercept Only Modell (Leeres Modell) Unkonditioniertes RIM Konditioniertes RIM 3 Random Intercept Random Slope Modelle Unkonditioniertes RIRSM Konditioniertes RIRSM

11. Random Intercept Only Modell (Leeres Modell) • inhaltlich: Gibt es überhaupt interpersonelle Unterschiede im spezifischen Vertrauen? • RIOM  Berechnung der Intraklassenkorrelation • 37,4% der Gesamtvarianz des spezifischen Vertrauens kann auf interpersonelle Unterschiede zurückgeführt werden; • maximale Anteil der Varianzaufklärung durch situative Anreizstrukturen beträgt 62,6% • Likelihood-Ratio- -Test zeigt hochsignifikante interpersonelle Variation im spezifischen Vertrauen

12. Random Intercept Modelle – Erklärte Varianz • Inhaltlich: Welche partielle Varianzaufklärung erbringen die RC-Determinanten und die generelle Vertrauenseinstellung? • Random Intercept Modell (unkonditioniert) • Random Intercept Modell (konditioniert)

13. Random Intercept Modelle – Erklärte Varianz und Modellfit Anm.: *** p < 0,001; bei Varianzkomp. p <0,0005

14. Random Intercept Modelle – Erklärte Varianz • Berechnung des RBR2 mit unterschiedlichen Nullmodellen:

15. Niveaueffekt des generellen Vertrauens im kond. Random Intercept Modell ***=p<0.001 ** =p<0.01 * =p<0.05

16. Vergleich der Modelle Kausale Sequenz Generelles Vertrauen (soziologischer Ansatz) Niveau-effekt Situationsspezifische Vertrauenserwartung p (ökonomischer Ansatz) Interaktionseffekte Ökonomischer Bestimmungsfaktor 1 Ökonomischer Bestimmungsfaktor 2 Ökonomischer Bestimmungsfaktor x

17. Vergleich der Modelle – zusätzliche Varianzaufklärung • Kausales Sequenzmodell mit Niveaueffekt erbringt eine um 57,66% verbesserte Modellanpassung. • Allein 13,3 Prozentpunkte Erklärungsanteil an der Gesamtvarianz entfallen auf die generelle Vertrauenseinstellung.

18. Fazit In inhaltlicher Hinsicht: • Die Bildung von spezifischen Vertrauensurteilen ist nicht nur von situativen Anreizkonstellationen, sondern auch von personenbezogenen Merkmalen abhängig. • Es zeigt sich ein deutlicher Niveaueffekt des generellen Vertrauens. • Ein integratives Erklärungsmodell erklärt mehr als ein rein auf situative Anreizstrukturen ausgerichtetes ökonomisches Vertrauensmodell. In methodischer Hinsicht: • Faktorielle Surveys sind geeignet zur differenzierten Analyse latenter konditionaler Objekte. • Sie erzeugen eine komplexe hierarchische Datenstruktur. • Hierarchisch Lineare Analysemodelle sind daher empfehlenswert.