< Zurück   INHALT   Weiter >

8.6.4 Clusteranalyse der Motive freiwilliger Arbeit

Die deskriptiven Analysen deuten darauf hin, dass sich die drei Gruppen von Freiwilligen hinsichtlich ihrer Motive unterscheiden. Mit der folgenden Clusteranalyse können Motivbündel berechnet werden und so Ähnlichkeitsstrukturen für die Motive aufgedeckt werden (Schendera 2008, S. 12). Wie bereits in Kapitel 7.3.2 beschrieben, wird zunächst eine sorgfältige Prüfung der inkludierten Merkmale vorgenommen und anschließend hinsichtlich ihrer Motive ähnliche Fälle zu Gruppen zusammengefasst. Die Gruppen sind in sich so homogen wie möglich und unterscheiden sich von den anderen Motivgruppen so deutlich wie möglich. Als erstes wird jedoch überprüft, ob die einzubeziehenden Variablen für die Clusteranalyse geeignet sind.

8.6.4.1 Güteprüfungen der clusterbildenden Variablen

Eine Voraussetzung für die Clusteranalyse ist, dass die Variablen ein einheitliches Skalenniveau aufweisen, da Variablen mit höherem Skalenniveau höhere Gewichte erhalten würden[1] (Schendera 2008, S. 13 f.). Da nur wenige der Motive pro Befragtem mehr als einmal im Rahmen der drei Fragen[2] zu den Motiven genannt wurden, werden diese für die Clusteranalyse ohne großen Informationsverlust zu binären Variablen (0 = Motiv nicht genannt und 1 = Motiv genannt) umcodiert.

Für die Clusteranalyse dürfen die Variablen möglichst nicht korrelieren und müssen ausreichend streuen (Backhaus et al. 2008, S. 443). Die Korrelationen zwischen den Motiven sind nur gering und erreichen einen maximalen Wert von r = 0,28*** für „Wichtige Arbeit“ und „Gesellschaft verbessern“, was zu vernachlässigen ist (Tabelle A 31)[3]. Eine ausreichende Streuung gewährleistet, dass die Variablen zwischen den Fällen trennen können und so relevant zur Clusterbildung beitragen (Schendera 2008, S. 13). Merkmalsvariablen, die nicht ausreichend streuen, können als irrelevant betrachtet und aus der Analyse ausgeschlossen werden. Bleiben irrelevante Variablen in der Analyse enthalten, kann die Clusterung „beeinträchtig“ werden (mehr dazu in Schendera 2008, S. 13). Tabelle A 32 zeigt, dass die Streuung nicht für alle Variablen gleichermaßen gegeben ist. Die Motive „Wurde gefragt“, „Etwas zurückbekommen“, „Zeit/ Tag strukturieren/ Rente“, „Interesse an Arbeit“, „Selbstbewusstsein“, „Ausgleich/ Erfüllung“ wurden nur von wenigen Freiwilligen genannt, was die Mittelwerte von x= 0,10 und weniger zeigen.

Daher wurden die Motivvariablen weiteren Tests auf univariate Normalver-

teilung unterzogen. Die KS- und SW-Tests auf Normalverteilung (Erläuterung in Kapitel 7.3.2), die in Tabelle A 33 dargestellt sind, zeigen bei keiner Variable eine Verletzung der Normalverteilung (Signifikanzen p = 0,000).

Weiterhin wurden Schiefe und Wölbung betrachtet. Die Wölbungs- und Schiefekoeffizienten zeigen bei einigen Variablen deutliche Abweichungen von der Normalverteilung. Wie bereits aufgrund der geringen Streuung erwartet wur-de, handelt es sich um die Motive „Zeit/ Tag strukturieren/ Rente“ (ss = 2,54),

Lob/ Anerkennung/ Zuneigung“ (ss = 2,22), „Ausgleich/ Erfüllung“ (ss = 2,72) sowie „Interesse an Arbeit“ (ss = 2,63), die moderat erhöhte Schiefekoeffizienten zeigen. „Wurde gefragt“ (ss = 3,47, sk = 10,02), „etwas zurück bekommen“ (ss = 3,42, sk = 9,66) und „Selbstbewusstsein“ (ss = 5,34, sk = 26,51) zeigen sogar starke Abweichungen der Grenzwerte für die Wölbungs- und Schiefekoeffizienten nach West und Kollegen (1995, S. 74). Auch das Maß von Mardia ist mit

M

einem Wert sk= 79,21 deutlich höher, als wünschenswert wäre (Tabelle A 33).

Da die Variablen „wurde gefragt“ „etwas zurück bekommen“ und „Selbstbe-

wusstsein“ sowohl die Grenzwerte für Wölbung als auch Schiefe überschreiten und daher nicht ausreichend zur Clusterbildung beitragen können, werden diese ausgeschlossen. Die Variablen, die nur moderate Verletzungen des Schiefekoeffizienten zeigen, werden in der Analyse weiterhin berücksichtigt.

Als nächstes müssen alle Fälle ausgeschlossen werden, die keine Angaben hinsichtlich der Motive freiwilliger Arbeit beinhalten. Insgesamt handelt es sich um 37 Freiwillige (6,2%)[4], die keine Angaben gemacht haben und daher im Folgenden ausgeschlossen werden. Die Klassifizierung findet aufgrund der übrigen 17 Motivvariablen und übrigen 557 Fälle statt, weshalb ein polythetisches Verfahren zugrunde liegen muss (Backhaus et al. 2008, S. 411). Aufgrund der binären Metrik der Variablen wird das agglomerative hierarchische Single-Linkage-Verfahren gewählt, das die einzelnen Fälle schrittweise in Gruppen zusammenfasst (Schendera 2008, S. 9). Im nächsten Schritt wird überprüft, ob multivariate Ausreißer für die Motivkombinationen vorliegen. Ausreißer können als Fälle definiert werden, die „ungewöhnlich, nicht plausibel und widersprüchlich“ (Weiber und Mühlhaus 2009, S. 145) sind und daher identifiziert und eliminiert werden müssen, da es das Ziel der Clusteranalyse ist, homogene Gruppen zu finden. Die Ausreißer können nicht adäquat zu Gruppen hinzugefügt werden. Das Dendogramm zeigt, dass vier Fälle (Fall 213, 53, 111 und 536) den maximalen Abstandswert von 25 erreichen, sich also nicht gut in die Cluster einfügen lassen (Abbildung A 1). Für die weiteren Analysen wurden diese Fälle ausgeschlossen.

Die erneuten Tests auf uni- und multivariate Normalverteilungen ohne Ausreißer, ohne die Fälle, die keine Angabe zu den Motiven machten und ohne die drei ausgeschlossenen Motivvariablen, zeigen eine Verbesserung gegenüber den vorangegangenen Tests mit allen Fällen und Merkmalsvariablen (Tabelle A 34).

Mardia's Koeffizient beträgt nun sM= 9,67. Die KS- und SW-Tests auf Normal-

verteilung zeigen weiterhin bei keiner Variable eine Verletzung der Normalver-

teilung (Signifikanzen p = 0,000). Es können keine Verletzungen des Grenzwertes für Wölbungskoeffizienten mehr festgestellt werden und nur moderate Verletzungen des Schiefekoeffizientens bei zwei der bereits erwähnten Variablen „Ausgleich/ Erfüllung“ (ss = 2,69) sowie „Interesse an Arbeit“ (ss = 2,50).

  • [1] Nur die Two-Step-Clusteranalye kann Variablen mit gemischten Skalenniveaus verarbeiten, allerdings werden die Daten an das niedrigste Messniveau der vorhandenen Merkmalsvariablen angepasst (Schendera 2008, S. 14)
  • [2] Wie in Kapitel 7.3.1 beschrieben wird auf die Motivvariablen zurückgegriffen, die sich aus der Zusammenfassung von den Antworten zu Frage 10, 11 und 13 ergeben haben
  • [3] Eine vorgeschaltete Faktoranalyse, um korrelierende Merkmale zusammenzufassen, ist daher nicht notwendig (Schendera 2008, S. 19)
  • [4] Aufgrund der geringen Anzahl und inhaltlicher Bedenken wird hier auf eine Imputation der fehlenden Fälle verzichtet
 
< Zurück   INHALT   Weiter >