Beginnen Sie Ihre Datenauswertung mit der deskriptiven Statistik. Hierfür lassen Sie sich den Mittelwert (bzw. Median oder Modalwert) sowie Standardabweichung für Ihre Studienvariablen ausgeben. Schauen Sie sich auch Häufigkeiten an und die Verteilung Ihrer Stichprobe entlang von soziodemographischen Merkmalen (z.B. Geschlecht, Alter, Bildung, Berufserfahrung, Arbeitsstunden pro Woche...). Hier finden Sie eine Videoanleitung zum Ziehen deskriptiver Statistiken in SPSS und in JASP.
Um ein erstens Verständnis der Beziehung und Zusammenhangsmuster zwischen den Variablen zu erkunden, aber auch um mögliche Kontrollvariablen zu erkennen die für den späteren Hypothesentest relevant sind, sollten Sie - ganz unabhängig von den Hypothesen - zu Beginn eine zweiseitige (siehe unten) Korrelationsanalyse durchführen und alle Ihre Studienvariablen mit den wichtigsten soziodemographischen Variablen (z.B. Geschlecht, Alter, Bildung, Berufserfahrung, Arbeitsstunden pro Woche..) korrelieren zu lassen. Dies ergibt dann die Korrelationstabelle, welche sich auch sehr gut zur Darstellung in Abschlussarbeiten eignet (siehe Darstellung einer Korrelationstabelle im nächsten Kapitel "Berichten quantitativer Ergebnisse".
Dann widmen Sie sich dem Hypothesentest. Ja nach Hypothesentyp (nähere Informationen zu Hypothesen entnehmen Sie bitte dem offenen FERNFH-Kurs Vom Forschungsinteresse zum empirischen Forschungsdesign) kommen andere Analyseverfahren in Frage welche in Folge aufgeschlüsselt sind.
1. Unterschiedshypothesen
1a. Unterschiede von 2 Gruppen hinsichtlich ein oder mehrerer abhängiger Variablen:
- Beispielhypothese: Mitarbeiter*innen in Teams mit hohem social support zeigen eine höhere Stressresilienz als Mitarbeiter*innen in Teams mit wenig social support.
- Analyseverfahren: z.B. Zweistichproben-t-Test, Mann-Whitney-U-Test
1b. Unterschiede von mehr als 2 Gruppen hinsichtlich einer abhängigen Variablen:
- Beispielhypothese: Mitarbeiter*innen in Teams mit hohem social support zeigen eine höhere Stressresilienz als Mitarbeiter*innen in Teams mit mittlerem und wenig social support.
- Analyseverfahren: z.B. univariate Varianzanalyse (ANOVA), Kruskal-Wallis-Test
1c. Unterschiede von mehr als 2 Gruppen hinsichtlich mehrerer abhängiger Variablen:
- Beispielhypothese: Mitarbeiter*innen in Teams mit hohem social support zeigen eine (a) höhere Stressresilienz und (b) intrinsische Motivation als Mitarbeiter*innen in Teams mit mittlerem und wenig social support.
- Analyseverfahren: z.B. multivariate Varianzanalyse (MANOVA)
2. Zusammenhangshypothesen
2a. Undirektionaler Zusammenhang:
- Beispielhypothese: Es besteht ein Zusammenhang zwischen der Inklusion im Unternehmen und dem Job Commitment.
- Analyseverfahren: z.B. Korrelationsanalyse
2b. Direktionaler Zusammenhang
wenn 1 unabhängige Variable (UV) und 1 abhängige Variable (AV):
- Beispielhypothese: Die Inklusion im Unternehmen hat einen positiven Einfluss auf das Commitment im Job ODER Je höher Mitarbeiter*innen ihre Inklusion im Unternehmen wahrnehmen, desto höher ist ihr Commitment im Job.
- Analyseverfahren: z.B. Korrelationsanalyse, einfache Regressionsanalyse
wenn 2 unabhängige Variablen (UVs) und 1 abhängige Variable (AV):
- Beispielhypothese: Je höher Mitarbeiter*innen ihre a) fachliche und b) soziale Inklusion im Unternehmen wahrnehmen, desto höher ist ihr Commitment im Job.
- Analyseverfahren: z.B. multiple Regressionsanalyse
wenn 1 oder mehr unabhängige Variable (UVs) und 2 oder mehr abhängige Variable (AVs):
- Beispielhypothese: Je höher Mitarbeiter*innen ihre a) fachliche und b) soziale Inklusion im Unternehmen wahrnehmen, desto höher ist ihr c) Commitment und ihre d) Zufriedenheit im Job.
- Analyseverfahren: z.B. Pfadmodell, Strukturgleichungsmodell (da diese Analysen nicht mehr so einfach mittels SPSS und JASP durchgeführt werden können empfehlen wir Ihnen eine Hypothese mit mehreren AVs in mehrere Hypothesen mit jeweils nur einer AV zu splitten und getrennte Analysen durchzuführen).
2c. Moderation:
- Beispielhypothese: Die wahrgenommene Inklusion im Unternehmen hat einen positiven Effekt auf das Job Commitment und dieser Zusammenhang ist umso höher, je höher die intrinsische Motivation der Mitarbeiter*innen ist.
- Analyseverfahren: z.B. multiple Regressionsanalyse (moderierte Regression)
2d. Mediation:
- Beispielhypothese: Die wahrgenommene Inklusion im Unternehmen hat einen positiven Einfluss auf das Job Commitment und dieser Zusammenhang wird durch das Gefühl von sozialer Eingebundenheit vermittelt: Je höher die Inklusion desto höher die soziale Eingebundenheit, und je hoher die soziale Eingebundenheit desto höher das Commitment.
- Analyseverfahren: z.B. Mediationsanalyse
3. Veränderungshypothesen
3a. Veränderungen über 2 (Mess-)Zeitpunkte:
- Beispielhypothese: Das Stresslevel ist unmittelbar nach einer Übung zum Stressabbau niedriger als es davor war.
- Analyseverfahren: z.B. abhängiger t-Test, Wilcoxon-Test für abhängige Stichproben
3b. Veränderungen über mehr als 2 (Mess-)Zeitpunkte:
- Beispielhypothese: Nach einer Woche Stressübungen ist das Stresslevel niedriger als vor der Stressübung und sinkt dann nochmal nach zwei Wochen Stressübungen.
- Analyseverfahren: z.B. ANOVA mit Messwiederholung, Friedman-Test
Ein- vs. zweiseitiges TestenÜblicherweise werden Hypothesen gerichtet formuliert (z.B. Es besteht ein positiver/negativer Zusammenhang zwischen X und Y ODER Der Wert von Gruppe A ist größer als der von Gruppe B.) und können dann einseitig getestet werden, d.h. der p-Wert (Signifikanzwert) darf halbiert werden. Selten werden Hypothesen ungerichtet formuliert (z.B. Es besteht ein Zusammenhang zwischen X und Y) und müssen dann zweiseitig getestet werden. Es empfiehlt sich aber immer, zweiseitig zu testen, dann ist man unvoreingenommen gegenüber möglicher nicht vorhergesehenen Zusammenhänge in den Daten. Auch in den gängigen Statistikprogrammen wie SPSS und JASP werden standardmäßig zweiseitige Tests verwendet. Wenn man hier einseitig testen will muss man das aktiv umstellen/einstellen. Hier ein
Video zum ein- und zweiseitigem Testen.
