Überprüfung von Hypothesen

Question

Hallo,

leider bin ich völlig überfordert und habe leider keine Ahnung wie ich mich der Überprüfung meiner Hypothesen nähern soll. Als Beispiel dient folgende Hypothese:

Eine gute Unternehmenskultur / soziale Beziehungen sowie eine hohe Wichtigkeit des Kriteriums bewirken eine Ausbildungszufriedenheit.

Für den Bereich Unternehmenskultur / soziale Beziehungen habe ich verschiedene Aussagen formuliert wie z. B. Ich identifiziere mich mit meinem Unternehmen oder ich werde von meinen Kollegen respektiert.

Diese Aussagen mussten zweimal anhand einer vierstufigen Skala gewichtet werden, sodass ich für jede Aussage 2 Mittelwerte errechnen konnte. Dabei bezieht sich ein Mittelwert auf die Wichtigkeit des Kriteriums (Erwartung) sowie ein Mittelwert auf das "tatsächliche Vorhandensein im Unternehmen" (Realität).

Zudem habe ich die Ausbildungszufriedenheit anhand einer sechsstufigen Notenskala erfasst.

Gerne würde ich meine Hypothese überprüfen, aber weiß nicht wie. Kann man das mit einer einfaktoriellen oder zweifaktoriellen Varianzanalyse machen? Dabei hätte ich gedacht, dass Realität und Erwartung meine unabhängigen Variablen sind und die Ausbildungszufriedenheit meine abhängige Variable. Oder nutzt man grundsätzlich einen anderen Test für mein Vorhaben?

Ich mache die Auswertung mit Excel und weiß dann leider auch nicht, wie ich die Daten in Spalten / Zeilen eingeben muss.

Vielen Dank für eine Rückmeldung.

Answer 1

Sie haben lt. Ihrer Hypothese 2 unabhängige Variablen (Güte der Unternehmenskultur und soziale Beziehungen) und 1 abhängige Variable (Ausbildungszufriedenheit).

Wenn Sie für alle 3 Variablen auf Individualebene (pro Fall) einen Index berechnen (die Ausbildungszufriedenheit ist ja bereits nur eine Variable), können Sie anschließend eine Regression berechnen (dabei die Interaktion als "dritte" UV nicht vergessen). Dabei müssen Sie von annähernd metrischen Datenniveau Ihrer Messung ausgehen.

Wenn Sie eine mehrfaktorielle Varianzanalyse rechen möchten, müssten Sie die Messung z.B. pro UV dichotomisieren (macht insgesamt 4 Gruppen).

Vorsicht mit der Notenskala - wenn die Noten auch so als Codes im Datensatz stehen, bedeutet ein positiver Koeffizient einen negativen Zusammenhang und umgekehrt.