{"id":4822,"date":"2015-04-07T19:36:44","date_gmt":"2015-04-07T17:36:44","guid":{"rendered":"http:\/\/blogs.uni-paderborn.de\/fips\/?p=4822"},"modified":"2019-05-15T10:43:16","modified_gmt":"2019-05-15T08:43:16","slug":"item-und-skalenanalyse","status":"publish","type":"post","link":"https:\/\/blogs.uni-paderborn.de\/fips\/2015\/04\/07\/item-und-skalenanalyse\/","title":{"rendered":"Item- und Skalenanalyse"},"content":{"rendered":"<div class=\"twoclick_social_bookmarks_post_4822 social_share_privacy clearfix 1.6.4 locale-de_DE sprite-de_DE\"><\/div><div class=\"twoclick-js\"><script type=\"text\/javascript\">\/* <![CDATA[ *\/\njQuery(document).ready(function($){if($('.twoclick_social_bookmarks_post_4822')){$('.twoclick_social_bookmarks_post_4822').socialSharePrivacy({\"txt_help\":\"Wenn Sie diese Felder durch einen Klick aktivieren, werden Informationen an Facebook, Twitter, Flattr, Xing, t3n, LinkedIn, Pinterest oder Google eventuell ins Ausland \\u00fcbertragen und unter Umst\\u00e4nden auch dort gespeichert. N\\u00e4heres erfahren Sie durch einen Klick auf das <em>i<\\\/em>.\",\"settings_perma\":\"Dauerhaft aktivieren und Daten\\u00fcber-tragung zustimmen:\",\"info_link\":\"http:\\\/\\\/www.heise.de\\\/ct\\\/artikel\\\/2-Klicks-fuer-mehr-Datenschutz-1333879.html\",\"uri\":\"https:\\\/\\\/blogs.uni-paderborn.de\\\/fips\\\/2015\\\/04\\\/07\\\/item-und-skalenanalyse\\\/\",\"post_id\":4822,\"post_title_referrer_track\":\"Item-+und+Skalenanalyse\",\"display_infobox\":\"on\"});}});\n\/* ]]> *\/<\/script><\/div><p><em>Robert Kordts-Freudinger<\/em><\/p>\n<p>Sie haben mit Ihrem Fragebogen oder Beobachtungsbogen oder mit einer anderen Erhebungsmethode quantitative Daten gesammelt! Herzlichen Gl\u00fcckwunsch! Nun geht es darum, diese Daten sinnvoll auszuwerten.<\/p>\n<p>Die <a title=\"Deskriptive Statistik\" href=\"http:\/\/blogs.uni-paderborn.de\/fips\/2014\/11\/26\/deskriptive-statistik\/\">deskriptive Auswertung<\/a> der Daten geschieht in der Regel nicht auf der Ebene der einzelnen Fragen (Items), sondern auf der Ebene der Skalen (oder Subtests) Ihrer Erhebung. Die folgenden Kapitel beschreiben, wie Sie diese Skalen bilden k\u00f6nnen.<\/p>\n<p>&nbsp;<\/p>\n<ol>\n<li style=\"text-align: center\"><strong> Warum Skalen bilden?<\/strong><\/li>\n<\/ol>\n<p>Ein Beispiel:<\/p>\n<p>Sie haben 40 Sch\u00fcler\/innen zu ihrem Leseselbstkonzept und zu ihrer Lesemotivation mit einem Fragebogen befragt. Der Fragebogen hat 14 Items, von denen 8 das Leseselbstkonzept und 6 die Lesemotivation erfassen sollen. Die 5-stufige Antwortskala geht von \u201a0\u2018 (trifft \u00fcberhaupt nicht zu) bis \u201a4\u2018 (trifft voll und ganz zu).<\/p>\n<table>\n<tbody>\n<tr>\n<td width=\"141\">(vermutete) Skala<\/td>\n<td width=\"104\">Item-Nummer<\/td>\n<td width=\"201\">Formulierung des Items<\/td>\n<\/tr>\n<tr>\n<td rowspan=\"8\" width=\"141\">Leseselbstkonzept<\/td>\n<td width=\"104\">1<\/td>\n<td width=\"201\">Ich mag Lesen.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">2<\/td>\n<td width=\"201\">Ich hasse es, zu lesen.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">3<\/td>\n<td width=\"201\">Das Lesen f\u00e4llt mir immer extrem leicht.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">4<\/td>\n<td width=\"201\">Lesen f\u00e4llt mir sehr leicht.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">5<\/td>\n<td width=\"201\">Lesef\u00e4higkeiten sind f\u00fcr mich sp\u00e4ter wichtig.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">6<\/td>\n<td width=\"201\">Ich bin ein guter Leser.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">7<\/td>\n<td width=\"201\">Mir macht Lesen Freude.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">8<\/td>\n<td width=\"201\">\u2026<\/td>\n<\/tr>\n<tr>\n<td rowspan=\"6\" width=\"141\">Lesemotivation<\/td>\n<td width=\"104\">9<\/td>\n<td width=\"201\">Ich habe Lust auf\u2019s Lesen.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">10<\/td>\n<td width=\"201\">Ich habe selten Zeit, ein Buch zu lesen.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">11<\/td>\n<td width=\"201\">Meine Eltern belohnen mich, wenn ich etwas lese.<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">12<\/td>\n<td width=\"201\">\u2026<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">13<\/td>\n<td width=\"201\">\u2026<\/td>\n<\/tr>\n<tr>\n<td width=\"104\">14<\/td>\n<td width=\"201\">\u2026<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Wie im Beitrag zu Frageb\u00f6gen kurz erkl\u00e4rt, bilden in der Regel mehrere Items eine Skala. Dies erh\u00f6ht in der Regel die Reliabilit\u00e4t (Zuverl\u00e4ssigkeit) der Erfassung (siehe unten), die eine wichtige Voraussetzung f\u00fcr eine hohe Validit\u00e4t ist. Diese Skala und damit alle dazu geh\u00f6rigen Items sollen ein Merkmal erfassen. In unserem Beispiel sollen also die 8 Items zusammen das Leseselbstkonzept erfassen.<\/p>\n<p>Diese Skalen sollten die folgenden Eigenschaften aufweisen (Pospeschill, 2013, S. 114):<\/p>\n<ul>\n<li>verschiedene Schwierigkeiten der Items: Erfassung verschiedener Auspr\u00e4gungsgrade des Merkmals<\/li>\n<li>hohe Reliabilit\u00e4t: verl\u00e4sslich und genaue Messung<\/li>\n<li>hohe Trennsch\u00e4rfe der Items: Differenzierung von Personen mit hoher Merkmalsauspr\u00e4gung von Personen mit schwacher Merkmalsauspr\u00e4gung<\/li>\n<li>Homogenit\u00e4t (Dimensionalit\u00e4t): Die Items der Skala erfassen nur eine Dimension des theoretischen Konstrukts<\/li>\n<li>hohe Testobjektivit\u00e4t: eindeutig auswertbar<\/li>\n<li>hohe Testvalidit\u00e4t: gute Begr\u00fcndung daf\u00fcr, dass auch wirklich das zu erfassende Konstrukt gemessen wird.<\/li>\n<\/ul>\n<p>Die alles entscheidende Frage:<\/p>\n<p>Treffen diese Eigenschaften auf Ihre Skala \u201eLeseselbstkonzept\u201c wirklich zu?<\/p>\n<p>Mithilfe einer Skalenanalyse k\u00f6nnen Sie Antworten zu den Aspekten der Item-Schwierigkeit, Reliabilit\u00e4t, Trennsch\u00e4rfe und Dimensionalit\u00e4t finden. Wie, wird im Folgenden dargestellt.<\/p>\n<p>Achtung: In machen Frageb\u00f6gen sind einige Items negativ gepolt. Im Beispiel ist Item Nr. 2 \u201eIch hasse das Lesen\u201c anders gepolt als die anderen Items dieser Skala. Wenn die generelle Richtung der Antwortskala eine positive ist, m\u00fcssen Sie das negativ gepolte Item vor allen Berechnungen umpolen, d.h. niedrige Werte dieses Items durch gespiegelt hohe Werte ersetzen usw. (4 -&gt; 0, 3 -&gt; 1, 2 -&gt; 2, 1 -&gt; 3, 0 -&gt; 4).<\/p>\n<p>&nbsp;<\/p>\n<ol start=\"2\">\n<li style=\"text-align: center\"><strong> Item-Schwierigkeit<\/strong><\/li>\n<\/ol>\n<p>Zun\u00e4chst empfehle ich Ihnen die Analyse der einzelnen Items. Hierf\u00fcr bietet sich der Index der \u201eItem-Schwierigkeit\u201c an. Dieser Index gibt an, von wie vielen Teilnehmenden das jeweilige Item mit hohen Werten beantwortet wird, also z.B. wie viele Teilnehmende mit \u201eJa\u201c oder \u201eStimme eher\/voll zu\u201c geantwortet haben oder wie viele Teilnehmende die Multiple Choice-Aufgabe korrekt gel\u00f6st haben.<\/p>\n<p>Berechnung:<\/p>\n<p>Die Schwierigkeit wird bei Ratingskalen in der Regel wie der Mittelwert (s. <a title=\"Deskriptive Statistik\" href=\"http:\/\/blogs.uni-paderborn.de\/fips\/2014\/11\/26\/deskriptive-statistik\/\">Deskriptive Statistik<\/a>) berechnet: Man summiert die Werte dieses einen Items \u00fcber alle Teilnehmenden auf und teilt diese Summe durch die Anzahl der Teilnehmenden.<\/p>\n<p>Voraussetzung f\u00fcr die Berechnung der Schwierigkeit als Mittelwert ist, dass die niedrigste Auspr\u00e4gung des Items mit \u201a0\u2018 kodiert ist und dass die h\u00f6heren Werte aufsteigend mit \u201a1\u2018, \u201a2\u2018, \u201a3\u2018 etc. kodiert sind. Wie oben gesagt, sollten die Schwierigkeiten der Items, die gemeinsam eine Skala bilden, einen m\u00f6glichst breiten Bereich abdecken (m\u00f6glichst unterschiedlich hoch sein). Dabei sollte es nicht zu viele Items mit extremen Schwierigkeiten geben.<\/p>\n<p>Anmerkung:<\/p>\n<p>Im Falle eines hohen Schwierigkeits-Werts (Mittelwerts) nennt man das Item \u201epsychometrisch schwer\u201c, bei niedrigen Werten \u201epsychometrisch leicht\u201c. Im Beispiel k\u00f6nnten also 2 der Items f\u00fcr die Skala Leseselbstkonzept eine niedrige Schwierigkeit (zwischen 0 und 1) aufweisen, z.B. das Item Nr. 3 \u201eDas Lesen f\u00e4llt mir immer extrem leicht.\u201c<\/p>\n<p>Daneben k\u00f6nnten 4 andere Items eine mittlere Schwierigkeit aufweisen (zwischen 1 und 3) und die restlichen 2 Items k\u00f6nnten eine hohe Schwierigkeit aufweisen (zwischen 3 und 4), z.B. das Item Nr. 5 \u201eLesef\u00e4higkeiten sind f\u00fcr mich sp\u00e4ter wichtig.\u201c<\/p>\n<p>&nbsp;<\/p>\n<ol start=\"3\">\n<li style=\"text-align: center\"><strong> Reliabilit\u00e4t<\/strong><\/li>\n<\/ol>\n<p>Da eine hohe Reliabilit\u00e4t wichtige Voraussetzung daf\u00fcr ist, dass Sie Zusammenh\u00e4nge und Unterschiede in Ihren Daten finden k\u00f6nnen, sollten Sie die Reliabilit\u00e4t Ihrer Skala bestimmen (s.a. Beitrag zur <a title=\"Planung von Studien\" href=\"http:\/\/blogs.uni-paderborn.de\/fips\/2015\/02\/13\/planung\/\">Planung<\/a>).<\/p>\n<p>Hierf\u00fcr haben Sie verschiedene Rechen-M\u00f6glichkeiten. In diesem Kapitel konzentrieren wir uns auf die relativ leicht umsetzbaren Split-Half-Methode und die Methode der internen Konsistenz. Die auch m\u00f6glichen Methoden Testwiederholung oder Paralleltest erkl\u00e4rt z.B. B\u00fchner (2011, S. 235ff).<\/p>\n<ol>\n<li>a) Split-half<\/li>\n<\/ol>\n<p>Bei dieser Rechnung wird die Skala, die Sie untersuchen, in zwei gleich gro\u00dfe H\u00e4lften aufgeteilt und die Ergebnisse beider H\u00e4lften miteinander korreliert (in Zusammenhang gesetzt). Je h\u00f6her die Korrelation zwischen beiden H\u00e4lften, desto zuverl\u00e4ssiger erfasst die Skala ein Konstrukt.<\/p>\n<p>Achtung: WELCHES Konstrukt erfasst wird, ist hiermit noch nicht gekl\u00e4rt. Dies ist eine Frage der <em>Validit\u00e4t<\/em>.<\/p>\n<p>Berechnung:<\/p>\n<p>Sie k\u00f6nnen die Skala entweder nach 1. H\u00e4lfte und 2. H\u00e4lfte aufteilen oder (vor allem wenn die Skala aus sehr vielen Items besteht und die Antwortenden \u201eerm\u00fcdet\u201c werden k\u00f6nnten) nach geraden und ungeraden Items aufteilen (sog. odd even-Methode).<\/p>\n<p>Im Beispiel k\u00f6nnten Sie f\u00fcr die Skala Leseselbstkonzept eine Subskala mit allen Items mit einer ungeraden Nummer (Items Nummern 1, 3 und 5) und eine Subskala mit allen Items mit einer geraden Nummer (Items Nummern 2, 4 und 6) bilden. Die Skalenwerte dieser beiden Subskalen (z.B. Summen- oder Mittelwerte) korrelieren Sie dann miteinander. Weitere Details zum Vorgehen finden Sie z.B. bei B\u00fchner (2011, S. 236).<\/p>\n<ol>\n<li>b) Interne Konsistenz<\/li>\n<\/ol>\n<p>Bei dieser \u2013 am h\u00e4ufigsten angewendeten \u2013 Berechnung der Reliabilit\u00e4t werden alle einzelnen Items miteinander korreliert und der Wert dieser Korrelation als Index f\u00fcr die Reliabilit\u00e4t interpretiert. Der am h\u00e4ufigsten genannte Index \u201eCronbachs Alpha\u201c gibt dabei den Wert der Reliabilit\u00e4t an: Je h\u00f6her, desto besser.<\/p>\n<p>Berechnung:<\/p>\n<p>Der Kern der Formel f\u00fcr Cronbachs Alpha besteht aus den durchschnittlichen Korrelationen aller Items der Skala.<\/p>\n<p>Generell gilt: Je mehr Items zu einer Skala geh\u00f6ren, desto h\u00f6her Cronbachs Alpha.<\/p>\n<p>Die Reliabilit\u00e4t sollte einen Wert von \u00fcber .8 aufweisen. Ab einem Wert von .9 aufw\u00e4rts spricht man von einer hohen Reliabilit\u00e4t (Bortz &amp; D\u00f6ring, 2006, S. 199). Alle Reliabilit\u00e4ts-Werte unterhalb .7 ben\u00f6tigen daher einer \u00dcberarbeitung oder zumindest eines \u00dcberdenkens der Skala.<\/p>\n<p>Im Beispiel k\u00f6nnte Cronbachs Alpha der Skala Leseselbstkonzept mit den Items in der Tabelle (siehe oben) eventuell nur einen Wert von .52 betragen. In so einem Fall k\u00f6nnen Sie versuchen, \u00fcber das Weglassen einzelner Items, die wenig zum Wert beitragen, den Wert der Skala zu erh\u00f6hen (siehe B\u00fchner, 2011).<\/p>\n<p>&nbsp;<\/p>\n<ol start=\"4\">\n<li style=\"text-align: center\"><strong> Trennsch\u00e4rfe<\/strong><\/li>\n<\/ol>\n<p>Die Items einer Skala sollen \u2013 bei hoher Reliabilit\u00e4t \u2013 Personen mit niedriger Merkmalsauspr\u00e4gung (z.B. Sch\u00fcler\/innen mit einem schwach ausgepr\u00e4gten Leseselbstkonzept) von solchen unterscheiden k\u00f6nnen, die eine hohe Merkmalsauspr\u00e4gung aufweisen (z.B. Sch\u00fcler\/innen mit einem stark ausgepr\u00e4gten Leseselbstkonzept). Damit dieses Kriterium erf\u00fcllt ist, m\u00fcssen die Items einer Skala trennscharf sein.<\/p>\n<p>Berechnung:<\/p>\n<p>Die Trennsch\u00e4rfe eines Items berechnet sich aus der Korrelation dieses Items mit dem Wert der Skala, zu der das Item geh\u00f6ren soll. Je h\u00f6her der Wert, desto besser repr\u00e4sentiert dieses Item die Gesamt-Skala, zu der es geh\u00f6rt.<\/p>\n<p>Die Trennsch\u00e4rfe sollte einen Wert von \u00fcber .5 aufweisen (Bortz &amp; D\u00f6ring, 2006, S. 220). Alle Items mit Trennsch\u00e4rfen-Werten unterhalb .3 ben\u00f6tigen daher einer \u00dcberarbeitung der Skala, z.B. durch Streichen der betroffenen Items.<\/p>\n<p>Im Beispiel k\u00f6nnte die Trennsch\u00e4rfe des Items Nr. 4 \u201eLesen f\u00e4llt mir sehr leicht\u201c der Skala Leseselbstkonzept einen Wert von .61 betragen. Dies w\u00fcrde inhaltlich bedeuten, dass Sch\u00fcler\/innen, denen (nach Selbstaussage) das Lesen leicht f\u00e4llt, auch diejenigen sind, die generell ein positives Leseselbstkonzept aufweisen (zumindest mit der Skala \u201eLeseselbstkonzept\u201c). Ein niedriger (positiver) Wert von .13 oder sogar negative Werte wie -.23 w\u00fcrden bedeuten, dass Sch\u00fcler\/innen, denen das Lesen leicht f\u00e4llt, wahrscheinlich kein positives Leseselbstkonzept haben, da die anderen Items in dieser Skala in eine andere Richtung deuten k\u00f6nnen.<\/p>\n<p>&nbsp;<\/p>\n<ol start=\"5\">\n<li style=\"text-align: center\"><strong> Dimensionalit\u00e4t<\/strong><\/li>\n<\/ol>\n<p>Auch wenn die Items (z.B. Item Nr. 4 \u201eLesen f\u00e4llt mir sehr leicht\u201c) einer Skala (z.B. Leseselbstkonzept) mit genau dieser Skala hoch korrelieren (= eine hohe Trennsch\u00e4rfe aufweisen), kann es doch sein, dass sie auch mit den ANDEREN SKALEN ebenfalls hoch korrelieren (z.B. mit der Skala Lesemotivation). Alternativ k\u00f6nnte es auch sein, dass die Items Ihrer Skala (Leseselbstkonzept) gar nicht inhaltlich alle das Gleiche erfassen, sondern unterschiedliche Sachen. In der Regel sind diese beiden F\u00e4lle nicht erw\u00fcnscht: Die Items eine Skala sollen \u201eexklusiv\u201c zu dieser Skala geh\u00f6ren und nicht zu mehreren und pro Skala soll es nur eine inhaltliche Dimension geben. Vor allem dann, wenn eine dieser beiden Bef\u00fcrchtungen besteht und wenn Sie Items neu formuliert haben und bisher noch nicht empirisch getestet haben, sollten Sie deshalb eine Berechnung der Dimensionalit\u00e4t der Skalen vornehmen.<\/p>\n<p>Hierf\u00fcr wird in der Regel das statistische Verfahren der Faktorenanalyse (explorative oder konfirmatorische) durchgef\u00fchrt.<\/p>\n<p>Berechnung:<\/p>\n<p>Die Faktorenanalyse bestimmt mittels verschiedener Verfahren die den Daten zugrundeliegenden Strukturen, die die Daten mit weniger als den urspr\u00fcnglichen Items erkl\u00e4ren k\u00f6nnen. Wenn mehrere Items das Gleiche erfassen, sollten sie auch hoch miteinander korrelieren. Die Faktorenanalyse bestimmt einen Faktor, der die gemeinsamen Anteile dieser miteinander korrelierenden Items repr\u00e4sentiert (sozusagen den \u201eOverlap\u201c, das Gemeinsame dieser Items). Damit macht die Faktorenanalyse gleichzeitig die Struktur Ihrer Daten einfacher (weniger komplex). Ferner erhalten Sie im g\u00fcnstigen Fall dadurch die Best\u00e4tigung, dass den Items einer Skala (z.B. Leseselbstkonzept) wirklich nur ein gemeinsamer (in der Faktorenanalyse ermittelter) inhaltlicher Faktor zugrunde liegt. Das hei\u00dft, dass alle Items Ihrer Skala tats\u00e4chlich empirisch zusammenh\u00e4ngen und nicht zum Beispiel durch noch einen anderen Faktor erkl\u00e4rt werden k\u00f6nnen. Wenn es nur einen Faktor der Items einer Skala gibt, w\u00fcrden die Items Ihrer Skala \u201edas Gleiche\u201c erfassen (WAS sie erfassen, das ist allerdings eine Frage der Validit\u00e4t!).<\/p>\n<p>Details zur Faktorenanalyse inklusive aller Berechnungsschritte und Interpretationen finden Sie bei B\u00fchner (2011, S. 295ff.).<\/p>\n<p>Im Beispiel k\u00f6nnten Sie mittels der Faktorenanalyse aber auch herausfinden, dass \u2013 entgegen Ihrer Annahme \u2013 die urspr\u00fcngliche Skala Leseselbstkonzept tats\u00e4chlich aus zwei verschiedenen inhaltlichen Skalen besteht: der Skala \u201eLeseselbstkonzept\u201c (z.B. mit dem Item Nr. 4 \u201eLesen f\u00e4llt mir sehr leicht.\u201c) und der Skala \u201eSpa\u00df am Lesen\u201c (z.B. mit dem Item Nr. 7 \u201eMir macht Lesen Freude.\u201c). Diese beiden Dimensionen w\u00fcrden als \u201eFaktoren\u201c oder \u201eKomponenten\u201c vom Statistikprogramm ausgegeben werden. Sie w\u00fcrden daraufhin Ihre Skala \u201eLeseselbstkonzept\u201c \u00fcberarbeiten, h\u00e4tten gleichzeitig aber auch eine neue Skala empirisch gefunden, mit der Sie weiterrechnen k\u00f6nnen. Mit Ihrer (neu gefundenen oder best\u00e4tigten) Skalenstruktur k\u00f6nnen Sie nun den Mittelwert (manchmal auch: die Summe) aller Items der Skala oder den Faktor aus der Faktorenanalyse als Skalenwert verwenden. F\u00fcr diesen Skalenwert k\u00f6nnen Sie dann Mittelwerte und Standardabweichungen \u00fcber die Antwortenden berechnen sowie andere <a title=\"Deskriptive Statistik\" href=\"http:\/\/blogs.uni-paderborn.de\/fips\/2014\/11\/26\/deskriptive-statistik\/\">deskriptive<\/a> un<em>d <\/em><a title=\"Inferenzstatistik\" href=\"http:\/\/blogs.uni-paderborn.de\/fips\/2014\/11\/26\/inferenzstatistik\/\">inferenzstatistische<\/a> Auswertungen vornehmen.<\/p>\n<p>&nbsp;<\/p>\n<ol start=\"6\">\n<li style=\"text-align: center\"><strong> Ein Hinweis zum Schluss<\/strong><\/li>\n<\/ol>\n<p>Trotz aller mathematischen Berechnungen, die Sie mit Items und Skalen durchf\u00fchren k\u00f6nnen und teilweise sollten, verlieren Sie nie die Semantik, den Inhalt der Items aus dem Blick. So kann man bei den oben aufgef\u00fchrten Beispielen relativ schnell schon am Inhalt sehen, dass einige Items der Skala Leseselbstkonzept ganz andere Dimensionen erfassen als eben das Leseselbstkonzept und damit niedrige Trennsch\u00e4rfen, Reliabilit\u00e4ten etc. berechnet werden (z.B. Items 1, 2, 7). Bei anderen Items sieht man schon an der Formulierung, dass sie sehr \u00e4hnliche Dinge erfassen (empirisch: hoch miteinander korrelieren werden und damit eins davon nicht n\u00f6tig ist (z.B. Items 3 und 4). Diese inhaltlichen Erw\u00e4gungen sind immer ein wichtiger Bestandteil der Item- und Skalenanalysen.<\/p>\n<p>&nbsp;<\/p>\n<p><strong>Software-Empfehlungen:<\/strong><\/p>\n<p>F\u00fcr die Berechnung der in diesem Kapitel vorgestellten statistischen Verfahren empfehlen wir die Nutzung eines Statistik-Programms wie R oder SPSS.<\/p>\n<p>https:\/\/www.youtube.com\/watch?v=cX532N_XLIs&#038;list=PLqzoL9-eJTNBDdKgJgJzaQcY6OXmsXAHU&#038;index=1<\/p>\n<p><iframe loading=\"lazy\" title=\"SPSS Tutorial 0 [D] \u2013\u00a0Intro\" width=\"584\" height=\"329\" src=\"https:\/\/www.youtube.com\/embed\/OkKi8Kx6acw?list=PLf-ByOJbq4HQu-94-YjyU_1JthFWr75AR\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<p><strong>Literatur<\/strong><\/p>\n<p>Bortz, J. &amp; D\u00f6ring, N. (2006). Forschungsmethoden und Evaluation f\u00fcr Human- und Sozialwissenschaftler (4. Aufl.). Berlin: Springer.<\/p>\n<p>B\u00fchner, M. (2011). Einf\u00fchrung in die Test- und Fragebogenkonstruktion (3. Aufl.). M\u00fcnchen: Pearson.<\/p>\n<p>Pospeschill, M. (2013). Empirische Methoden in der Psychologie. M\u00fcnchen: UTB Reinhardt.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Robert Kordts-Freudinger Sie haben mit Ihrem Fragebogen oder Beobachtungsbogen oder mit einer anderen Erhebungsmethode quantitative Daten gesammelt! Herzlichen Gl\u00fcckwunsch! Nun geht es darum, diese Daten sinnvoll auszuwerten. Die deskriptive Auswertung der Daten geschieht in der Regel nicht auf der Ebene &hellip; <a href=\"https:\/\/blogs.uni-paderborn.de\/fips\/2015\/04\/07\/item-und-skalenanalyse\/\">Weiterlesen <span class=\"meta-nav\">&rarr;<\/span><\/a><\/p>\n","protected":false},"author":1091,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[21,31],"tags":[],"class_list":["post-4822","post","type-post","status-publish","format-standard","hentry","category-auswertung","category-quantitativ"],"_links":{"self":[{"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/posts\/4822","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/users\/1091"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/comments?post=4822"}],"version-history":[{"count":10,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/posts\/4822\/revisions"}],"predecessor-version":[{"id":5663,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/posts\/4822\/revisions\/5663"}],"wp:attachment":[{"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/media?parent=4822"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/categories?post=4822"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.uni-paderborn.de\/fips\/wp-json\/wp\/v2\/tags?post=4822"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}