Individuen als Kontexte. Datenerhebung mittels faktorieller Surveys und die mehrebenenanalytische Auswertung dieser Dat

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.