Eine Frage- und Itembatterie zum Thema Elektroautos in der Wahrnehmung von Studenten. Entwicklung und Testung eines Fragebogens

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Problemstellung und Relevanz des Themas
1.2 Zielsetzung, Methodik und Aufbau der Arbeit

2 Theoretische Fundierung des Projekts
2.1 Elektromobilität und Elektroautos
2.2 Messtheoretische Grundlagen der Datenerhebung
2.2.1 Überblick über die Marktforschung
2.2.2 Item und Itembatterie
2.2.3 Gütekriterien empirischer Forschungsinstrumente
2.3 Definition der ausgewählten Methoden
2.3.1 Fragebogen
2.3.2 Explorative Faktorenanalyse
2.3.3 Split-Half Methode

3 Entwicklung und Testung einer Frage-und Item-Batterie
3.1 Operationalisierung der Dimensionen
3.2 Stichprobengewinnung und -beschreibung
3.2.1 Demographische Daten
3.2.2 Daten zur Fahrzeugnutzung
3.2.3 Vorwissen und Erfahrungen
3.3 Durchführung der explorativen Faktorenanalyse
3.3.1 Prüfung der Anwendungsvoraussetzungen und Kriterien
3.3.2 Die Extraktion und Rotation der Faktoren
3.4 Qualitätsanforderungen an die Itembatterie
3.4.1 Überprüfung der Objektivität
3.4.2 Reliabilitätsschätzung mittels Split-Half Methode
3.4.3.. Prüfung der Validität
3.5 Zusammenfassung der Ergebnisse

4 Handlungsempfehlungen

5 Fazit und Schlussbetrachtung

Literaturverzeichnis

Fachbücher:

Internet:

Fachzeitschriften:

Datenanalyse Befragung Elektromobilität:

Anhang

Ein Hinweis vorab:

Aus Gründen der besseren Lesbarkeit wird auf die gleichzeitige Verwendung männlicher und weib- licher Sprachformen verzichtet. Sämtliche Personenbezeichnungen gelten im Sinne der Gleichbe- handlung für beide Geschlechter. Die verkürzte Sprachform hat nur redaktionelle Gründe und bein- haltet keine Wertung.

Abbildungsverzeichnis

Abbildung 1 Schematische Darstellung der Split-Half-Reliabilitätsmethode. 10

Abbildung 2 Fragebogen (1)

Abbildung 3 Fragebogen (2)

Abbildung 4 Fragebogen (3)

Abbildung 5 Fragebogen (4)

Abbildung 6 Fragebogen (5)

Abbildung 7 Fragebogen (6)

Abbildung 8 Fragebogen (7)

Abbildung 9 Fragebogen (8)

Abbildung 10 Fragebogen (9)

Abbildung 11 Fragebogen (10)

Abbildung 12 Fragebogen (11)

Abbildung 13 Fragebogen (12)

Abbildung 14 Fragebogen (13)

Abbildung 15 Deskriptive Auswertung - Geschlecht der Befragten Studenten

Abbildung 16 Deskriptive Auswertung - Haushalts-Nettoeinkommen

Abbildung 17 Deskriptive Auswertung - Personen im Haushalt

Abbildung 18 Deskriptive Auswertung - Besitz eines eigenen Autos

Abbildung 19 Auswertung - Notwendigkeit eines Autos

Abbildung 20 Deskriptive Auswertung - Interesse an Elektromobilität

Abbildung 21 RegelmäBigkeit der Autonutzung (Fahrer vs. Beifahrer)

Abbildung 22 Graphische Darstellung der CVI-Werte

Abbildung 23 Faktor 1: Technologie - Test Item L

Abbildung 24 Faktor 2: Technologie - Test Item M

Abbildung 25 Faktor 2: Gesellschaftliche Wirkung - Test Item H

Abbildung 26 Faktor 2: Gesellschaftliche Wirkung - Test Item T

Abbildung 27 Faktor 2: Gesellschaftliche Wirkung - Test Item K

Abbildung 28 Faktor 3: Umweltfreundlichkeit - Test Item A

Abbildung 29 Faktor 3: Umweltfreundlichkeit - Test Item B

Abbildung 30 Faktor 3: Umweltfreundlichkeit - Test Item C

Abbildung 31 Faktor 3: Umweltfreundlichkeit - Test Item D

Abbildung 32 Faktor 4: Kostensituation - Test Item F

Abbildung 33 Faktor 4: Kostensituation - Test Item G

Tabellenverzeichnis

Tabelle 1 Theoretisch hergeleitete Items zur Erfassung der Wahrnehmung von Elektromobilität

Tabelle 2 Kaiser-Meyer-Olkin- und Barlett-Test (1)

Tabelle 3 Hauptachsenfaktorenanalyse

Tabelle 4 Ergebnisse der Faktorenanalyse

Tabelle 5 Reliabilitätskoeffizienten der Faktoren

Tabelle 6 Tests auf Normalverteilung . XVII

Tabelle 7 Deskriptive Statistiken - Mittelwerte und Standardabweichungen

Tabelle 8 Hauptkomponentenanalyse

Tabelle 9 Inhaltsvalidität: Rohdaten und CVI-Wert

Tabelle 10 Anti-Image-Korrelation

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

Die vorliegende Ausarbeitung beschäftigt sich mit der Entwicklung und Testung einer Item-Batterie zur Erforschung der Wahrnehmung von Elektroautos, durch Studenten. Dieses Projekt wird im Rah- men der Marktforschung durchgeführt.

1.1 Problemstellung und Relevanz des Themas

Die Automobilindustrie ist von einem tiefgreifenden Wandel betroffen (Schlei-Perters, 2019, S. 12). Nicht selten heiBt es, die Elektromobilität hat das Potential die gesamte Automobilindustrie und Au- tomobilität zu revolutionieren (Wolter, 2013, S. 1 und Bernhart/Zollenkop, 2011, S. 286). Nach Schumpeter bezeichnet eine Innovation eine Neukombination diverser Produktionsfaktoren sowie deren erfolgreiche Durchsetzung am Markt (Schumpeter, 1934, S. 97 ff). Dieser Definition nach lässt sich nur rückblickend beurteilen, ob eine Neuheit als erfolgreiche Innovation bezeichnet werden kann. So lässt sich dies für den Bereich der Elektromobilität heute - im Jahr 2020 - nicht abschlie- Bend beurteilen. Die langfristige Durchsetzung der Elektromobilität gegenüber der Verbrennungs- motor-basierten Automobilität ist aktuell noch unsicher.

Allerdings ist die Verbreitung der Elektromobilität bei Autos in den vergangenen Jahren stark gestie- gen. Alle groBen Automobilhersteller haben inzwischen Forschungsprojekte aufgesetzt, um Brenn- stoffzellen für den Antrieb von Elektroautos serienreif zu machen. Tatsächlich sind die Investitionen der Autokonzerne für die Entwicklung und Produktion von Elektroautos stark gestiegen. Im März 2018 berichtete ein Fachblatt dazu, dass die 16 gröBten Autokonzerne im Jahr 2017 Projekte im Wert von insgesamt 27,4 Milliarden Euro angekündigt haben. Dies entspricht 68 Prozent mehr als im Vorjahr (Kirchbeck, 2018). Zu Beginn des Jahres 2019 wurden durch das Fachportal Reuters Graphics, Investitionen in Höhe von 300 Milliarden Dollar in den kommenden fünf bis zehn Jahren angekündigt. Fast die Hälfte (135 Milliarden Dollar) der Investitionen sollen dabei in China ausgege- ben werden, wo sowohl die Produktion als auch der Verkauf von Elektrofahrzeugen durch ein Sys­tem von staatlich vorgeschriebenen Krediten, Quoten und Anreizen stark gefördert wird (Lienert und Chan, 2019). Möglicherweise ist bei der genannten Summe übertrieben worden, zumal auch der beschriebene Zeitraum eher unscharf formuliert wird. Dennoch bleibt festzuhalten, dass die Investi- tionen stark zunehmen. Dies zeigt auch die steigende Anzahl der in Deutschland zugelassenen Elektroautos. Im Jahr 2010 waren es laut des Kraftfahrtbundesamts 1.588 PKWs. Im Jahr 2015 bereits über 107.000 Autos und im vergangenen Jahr 2019 mehr als 341.000 Elektroautos (Kraft- fahrtbundesamt, 2019).¹ Treiber dieser Entwicklungen sind sicherlich die Diskussion um den Klima- wandel, die Lärm- und Umweltbelastungen durch den Individualverkehr und die Endlichkeit fossiler Ressourcen (Quaschning, 2018, S. 19-21 und BMU, 2019, S. 6-15).

Elektroautos unterscheiden sich deutlich von konventionellen PKW: Durch die verbesserte Batterie- technik sind bereits reale Reichweiten von mehr als 300 Kilometern möglich. Diese liegen allerdings noch immer weit unter denen von Benzin- und Dieselfahrzeugen (ADAC, 2019, S. 1). Die steigende Ladeleistung der Batterien stöBt derzeit an ihre Grenzen - nur wenige Autos vertragen mehr als 100 kW Strom. Zudem stellt der ADAC Ecotest fest, dass es insbesondere bei Schnelllader-Elektroautos zu Ladeverlusten kommt (ADAC, 2020). Der gröBte Vorteil der Batterie besteht darin, dass sowohl der Automobilhersteller als auch der Autofahrer nicht mehr von nur einer Primärquelle (dem Öl) abhängig ist (Matthies und Traenckner, 2011, S.4). Auch über die Batterie-Problematik hinaus müs- sen sich die Nutzer von Elektroautos auf Veränderungen einstellen: Elektroautos werden mit Strom beladen, anstatt mit Benzin oder Diesel betankt. Sie zeigen ein anderes Fahrverhalten als herkömm- liche Autos. Die fast geräuschlose Beschleunigung erfolgt ohne Schaltunterbrechung und lokal voll- ständig emissionsfrei (Matthies und Traenckner, 2011, S. 4 und Dudenhöffer, 2015, S. 14). Die ak- tuell auf dem Markt erhältlichen Fahrzeuge variieren hinsichtlich ihrer technischen Entwicklung. Eine Hürde betrifft das Tankstellennetz, bei der ein klarer Netzwerkeffekt zum Tragen kommt: Damit Elektroautos sinnvoll nutzbar für den Verbraucher sind muss es ausreichend Stromtankstellen ge­ben. Umgekehrt rentieren sich umfassende Investitionen in Elektrotankstellen nur, wenn es ausrei- chend Elektrofahrzeuge gibt. Im Negativfall könnte sich hier eine „Henne-Ei“ Problematik ergeben (Lassnig, 2018, S. 22-23). Die genannten Quantensprüngen zeigen, dass Elektromobilität, aus Nut- zersicht, zu einem Systemwechsel in der Mobilität führt (Matthies und Traenckner, 2011, S. 4-10). Aus diesem Grund ist es relevant Elektromobilität nicht nur aus technischer und wirtschaftlicher Sicht zu fördern, sondern auch die Bedürfnisse und Wünsche der (potenziellen) Nutzer systematisch zu untersuchen und zukünftige Entwicklungen daran auszurichten. Ohne die Akzeptanz der Nutzer ist eine erfolgreiche Markteinführung nicht gewährleistet.

1.2 Zielsetzung, Methodik und Aufbau der Arbeit

Innerhalb der vorliegenden Hausarbeit soll eine Frage- und Itembatterie entwickelt und getestet wer- den. Ziel ist es über dieses Instrument herauszufinden wie Studenten (die Nutzergruppe der Zukunft) zum Thema Elektromobilität stehen und so die nachfolgende zentrale Forschungsfrage zu beant- worten: Wie nehmen Studenten Elektromobilität bei Autos wahr?

Die Gliederung der vorliegenden Arbeit folgt schlüssig der systematischen Beantwortung der For- schungsfrage. Im ersten Teil werden die zu Grunde liegende Ausgangssituation und die Relevanz des Themas wiedergegeben. Daraus werden die Zielsetzung der Arbeit sowie die Forschungsfrage abgeleitet. Im Anschluss werden der Aufbau und die Methodik der Hausarbeit dargelegt. Im zweiten Kapitel wird der Elektromobilitätsbegriff definiert und abgegrenzt. Zudem erfolgt in Kapitel 2 eine Literaturrecherche, welche einen geeigneten Überblick über mögliche Methoden zur Entwicklung und Validierung der Itembatterie, bietet. Der Überblick über die Forschung unter Betrachtung der Unterschiede, unterstützt den Projektführer bei der Wahl des Verfahrens. Das Kapitel wird mit der Auswahl der gewählten Methoden abgeschlossen. Kapitel 3 beschäftigt sich mit der Entwicklung und Testung einer Frage- und Itembatterie. Es umschlieBt die Operationalisierung der Dimensionen, die Gewinnung und Beschreibung der Stichprobe, die Durchführung der explorativen Faktorenana- lyse sowie die Überprüfung der Gütekriterien.

Kapitel 4 schlieBt die Arbeit ab und fasst die wesentlichen Erkenntnisse der Untersuchung zusam- men. Die Ergebnisse werden kritisch betrachtet, Handlungsempfehlungen für die Elektroautomobil- industrie abgeleitet und Ansatzpunkte für die weitere Forschung aufgezeigt.

Die Beantwortung der Forschungsfragen erfolgt mithilfe einer ausgiebigen Literaturanalyse und un­ter Erhebung und Bearbeitung der relevanten Daten des Fragebogens.

2 Theoretische Fundierung des Projekts

Um das Projekt in einem praktischen Kontext einzuordnen, erfolgt in diesem Kapitel die Darstellung der Grundlagen zum Thema Elektromobilität. Darüber hinaus wird ein Überblick über die Marktfor- schung gegeben, der Begriff des Items und der Itembatterie erklärend definiert und die Gütekriterien der empirischen Forschung erläutert. AnschlieBend werden die ausgewählten Marktforschungsme- thoden definierend dargestellt.

2.1 Elektromobilität und Elektroautos

Vor dem Einstieg in das Themengebiet der Technik von Elektroautos ist eine Abgrenzung von kon- ventionell betriebenen PKWs notwendig. Sowohl das konventionell betriebene als auch das Elekt- rofahrzeug benötigen Energie. Diese kann aus erschöpflichen und unerschöpflichen Quellen stam- men. Bei einem konventionell betriebenen PKW erfolgt die Umwandlung des Energieträgers in Fah- renergie durch die Verbrennung des Treibstoffs im Verbrennungsmotor (Klauke, 2009, S. 3). Das Frauenhofer-Institut für System- und Innovationsforschung (ISI) versteht unter Elektromobilität im engeren Sine den elektrisch angetriebenen, straBengebundenen Individualverkehr (Dallinger et al, 2011, S. 6). Im Kontext dieser Arbeit umfasst Elektromobilität alle Fahrzeuge die elektrisch bewegt werden. Der Fokus liegt dabei ausschlieBlich auf dem PKW.

Im Folgenden wird ein Überblick zur Akzeptanz von Elektromobilität gegeben. Berücksichtigt werden dabei primär aktuelle Elektromobilitätsstudien mit Bezügen zur Akzeptanzforschung (Bsp. Ernst & Young, 2010, S. 2-24 und BearingPoint, 2017, S. 2-10). Darüber hinaus ergänzen Nutzerstudien (u. a. DLR, 2015) den Forschungsüberblick. Die Erkenntnisse aus der Literatur- und Quellenanalyse zur Wahrnehmung von Elektrofahrzeugen werden strukturiert und auf Plausibilitätsbasis den nach- folgenden Dimensionen zugeordnet:

- Umweltfreundlichkeit
- Kostensituation
- Gesellschaftliche Wirkung
- Technologie

Die theoretischen Überlegungen werden, bei der Erstellung, der Frage- und Itembatterie noch An- wendung finden.

2.2 Messtheoretische Grundlagen der Datenerhebung

Der nachfolgende Abschnitt gibt einen Überblick über die am meisten verbreiteten Marktforschungs- instrumente und die damit verbundenen Konzepte der Gütekriterien.

2.2.1 Überblick über die Marktforschung

Die Entscheidung für eine Voll- oder Teilerhebung ist für die Durchführung einer Marktforschungs- studie notwendig. Eine Vollerhebung umfasst sämtliche Einheiten einer realen statistischen Masse mit ihren Merkmalen. Dieses Verfahren ist detailgenau und liefert valide Ergebnisse. Die Durchfüh- rung hingegen ist oftmals schwer realisierbar, aufwendig und kostenintensiv. Bei einer Teilerhebung werden einzelne Teile der Grundgesamtheit betrachtet und die, zur Erreichung des Untersuchungs- ziels, relevanten Merkmale erfasst. Niedrige Kosten und eine schnelle Datenerhebung sind Vorteile der Teilerhebung (Magerhans, 2016, S. 73-75). Ein Nachteil ist die (Rest-)Unsicherheit, die zu einer Fehlertoleranz führen kann. Diese Unsicherheiten lassen sich gröBtenteils durch Wahrscheinlichkei- ten quantifizieren (Weis und Steinmetz, 2008, S. 107).

Ist der Umfang der Erhebung festgelegt ist eine Entscheidung über die Erhebungsmethode zu tref- fen. Unterschieden wird dabei zwischen Experiment, Beobachtung und Befragung. Die Befragung lässt sich unterscheiden in: mündlich, schriftlich oder online (Olbrich, 2012, S. 73). Beobachtungen sind instrumentelle bzw. visuelle Formen der Datenerhebungen (Kastin, 2008, S. 45), bei denen sich der Proband nicht äuBert (Grundwald/Hempelmann, 2012, S. 50). Experimente sind Versuchsan- ordnungen, mit denen Ursache-Wirkungsbeziehungen untersucht werden. Bei dieser Erhebungs- methode werden die EinflussgröBen verändert (Grunwald/Hempelmann, 2012, S.11).

Zuletzt wird das Erhebungsdesign festgelegt, welches die Operationalisierung der Untersuchungs- variablen, die Gestaltung des Fragebogens (sofern diese Methode gewählt wurde), den Erhebungs- ablauf und die -durchführung umfasst (Grunwald/Hempelmann, 2012, S.12). Die Operationalisierung bezeichnet die Zerlegung eines Konstrukts, wie bspw. „Umweltfreundlichkeit“ (s. ob), in überschnei- dungsfreie Teilaspekte. Ziel ist die Erfassung des Konstruktes, an einer geeigneten Messskala (Grunwald/Hempelmann, 2012, S. 54-55).

2.2.2 Item und Itembatterie

Ein Item ist ein Bestandteil einer Batterie von Fragen oder Aussagen, die inhaltlich-thematisch mit- einander in Beziehung stehen. Sie werden mit denselben Skalen oder Antwortmöglichkeiten beant- wortet (Diaz-Bone/Weischer, 2015, S. 203).

Mittels der Itemanalyse wird die Eignung der Items, einer Skala oder eines Testverfahrens, hinsicht- lich der zu erfassenden Fähigkeiten, Merkmale oder Eigenschaften überprüft. Ziel ist es die Itemaus- wahl für eine Skala oder einen Test ggf. optimieren zu können. Sie umfasst die Analyse der Vertei- lung der Itemantworten, der Trennschärfe der Items und der Item-Schwierigkeiten sowie eine Über- prüfung der Heterogenität bzw. Homogenität der Items (Diaz-Bone/Weischer, 2015, S. 203). Mehrere Items bilden in der Regel eine Skala. So kann die Reliabilität (Zuverlässigkeit) der Erfas- sung, welche eine wichtige Voraussetzung für eine hohe Validität ist, erhöht werden. Die Skala, mit allen dazugehörigen Items, soll ein Merkmal erfassen.

Für die Entwicklung einer Itembatterie gibt es diverse Vorgaben. Dazu gehören zum einen die For- mulierungsregeln, wie das Verwenden leicht verständlicher Fragen, das Formulieren kurzer Items das Weglassen überflüssiger Fragen sowie das Vermeiden von Suggestivfragen. Darüber hinaus ist es wichtig, die Verständlichkeit des Fragebogens auf ein möglichst hohes Niveau zu bringen. Dieses Ziel lässt sich erreichen, indem die nachfolgenden Regeln befolgt werden: Sachverhalte sollten in Einzelfragen zerlegt werden, d.h. nur eine Aussage pro Frage. Es sollten keine Doppelfragen genutzt und keine doppelte Verneinung verwendet werden. Darüber hinaus sollten doppelte Verneinungen, hypothetische, lange und komplexe Fragen vermieden werden. Die Fragen sollten einen eindeutigen zeitlichen Bezug aufweisen und unklare Begriffe müssen definiert werden (Bryman/Bell, 2011, S. 263; Raab-Steiner/Benesch, 2012, S. 49-51).

2.2.3 Gütekriterien empirischer Forschungsinstrumente

In der wissenschaftlichen Disziplin der empirischen Sozialforschung liegen die mathematischen Grundlagen der Marktforschung. Im Rahmen der Testtheorie werden die Gütekriterien festgelegt, welche empirische Erhebungsinstrumente kennzeichnen. Unterschieden wird dabei zwischen der Objektivität, der Reliabilität und der Validität des Messinstrumentes (Pusler, 2019, S. 87-88).

Objektivität ist gegeben, wenn die Messergebnisse unabhängig vom Durchführenden, der For- schung, sind. Das Qualitätskriterium lässt sich in drei Bereiche zerlegen:

- Die Durchführungsobjektivität, die voraussetzt, dass der gesamte Ablauf der Marktfor- schungsstudie frei von subjektiven Einflüssen ist.
- Die Auswertungsobjektivität soll die Ergebnisse vor Manipulation, durch den auswertenden Marktforscher schützen.
- Die Interpretationsobjektivität soll sicherstellen, dass der Marktforscher, aus den gewonne- nen Daten die richtigen Schlüsse zieht (Magerhans, 2016, S. 87-88).

Unter der Voraussetzung konstanter Messbedingungen fordert das Qualitätskriterium Reliabilität, dass eine wiederholte Messung zu reproduzierbaren Ergebnissen führt. Die Reliabilität eines Mess­instruments kann mithilfe der Test-Retest-, der Paralelltest- und der Split-Half Methode überprüft werden (Berekoven et al, 2009, S. 81; Hammann/Erichson, 2000, S. 94).

Zur Anwendung der Test-Retest-Methode müssen die gleichen Untersuchungsbedingungen vorlie- gen. Sofern es bei wiederholter Messung, an identischen Personen, zu abweichenden Messergeb- nissen kommt, muss davon ausgegangen werden, dass das Messinstrument nicht zuverlässig ist. Mögliche Lerneffekte der Testpersonen gilt es allerdings zu berücksichtigen. Oftmals ist es nicht möglich Personen für eine Messung langfristig zugänglich zu machen (Magerhans, 2016, S. 89).

Bei der Reliabilitätsanalyse, mit Parallel-Test, werden zwei Versionen eines Instruments (A und B) mit unterschiedlichen Frageitems erstellt. Diese werden beide an derselben Stichprobe durchgeführt und die Korrelation zwischen den Ergebnissen beider Testformen berechnet (Schermelleh-En- gel/Werner, 2012, S. 125-126).

Um die Nachteile wiederholter Messung zu vermeiden, gibt es statistische Verfahren der internen Konsistenz. So werden bspw. bei der Split-Half-Methode die Items in zwei künstliche Hälften geteilt und miteinander korreliert. Ein hoher Korrelationskoeffizient deutet dabei auf eine gute Reliabilität des Messinstruments hin (Magerhans, 2016, S. 89).

Das Gütekriterium Validität beschreibt die „Gültigkeit“ einer Messung. Genauer stellt es sicher, ob der interessierende Sachverhalt tatsächlich gemessen wurde. Für eine valide Messung ist der Ein- fluss des systematischen Fehlers auf die Messergebnisse auszuschlieBen. Eine geringe Ausprä- gung des Zufallsfehlers und somit eine reliable Messung sind ebenfalls Voraussetzungen der Vali- dität. Folglich ist Reliabilität eine notwendige, aber keine hinreichende Bedingung für eine valide Messung (Weiber/Mühlhaus, 2010, S. 127). Die unterschiedlichen Interpretationen lassen sich mit verschiedenen Untersuchungsmethoden stützen. Aus diesem Grund muss bei der Prüfung der Va- lidität immer spezifiziert werden, auf welche Interpretation sich die Validität beziehen soll (Harting/ Frey/Jude, 2012, S. 169).

Die Inhaltsvalidität fasst erklärende und verallgemeinernder Interpretationen zusammen, die sich darauf beziehen, dass die Testinhalte auf Item- und Gesamtebene tatsächlich das interessierende Merkmal beschreiben (Harting/Frey/Jude, 2012, S. 169-170). Je besser die Testitems die Grundge- samtheit repräsentieren, umso höher ist die Inhaltsvalidität. Die Inhaltsvalidität ist insbesondere bei Tests und Fragebögen anwendbar, bei denen das interessierende Merkmal direkt durch das Test- verhalten repräsentiert wird. Eine numerische Bestimmung der Höhe der Inhaltsvalidität ist nicht möglich. Es können lediglich subjektive Einschätzungen vorgenommen werden (Bortz/Döring, 2016, S. 446). Der Inhaltsvalidität-Index (CVI) ist das, am häufigsten genutzte, Instrument zur Messung der Inhaltsvalidität. Experten können dabei die Relevanz der einzelnen Items, z.B. anhand einer 1­4 Likert Skala, beurteilen. In der Literatur wird bei einem CVI > 0,80 von einer guten Inhaltsvalidität gesprochen. In der Praxis werden häufig auch niedrigere Werte akzeptiert (Schnell et al, 2008, S. 154).

Die Konstruktvalidität ist eng mit der Inhaltsvalidität verknüpft und kann empirisch erfasst werden. Sie lässt sich durch die strukturelle Validität, bzw. durch die Methoden der Hypothesentestung, be- stimmen. Ein Test weist Konstruktvalidität aus, wenn das Testinstrument stark mit Tests korreliert, die dasselbe theoretische Konstrukt messen sollen und niedrig mit Testinstrumenten korreliert, die etwas anderes messen sollen (Bortz/Döring, 2016, S. 446).

Kriteriumsvalidität liegt vor, wenn der Testwert positiv mit inhaltlich korrespondierenden, manifesten AuBenkriterien korreliert. Kriterien können mit dem Testinstrument entweder zum selben Zeitpunkt erhoben werden (konkurrente Validität), in der Vergangenheit erfasst worden sein (retrospektive Va- lidität) oder in der Zukunft erhoben werden (prognostische Validität) (Bortz/Döring, 2016, S. 447).

2.3 Definition der ausgewählten Methoden

Im Folgenden werden die, für das vorliegende Praxisprojekt, verwendeten Marktforschungsmetho- den definiert und ihre Relevanz für die Erstellung und Testung einer Frage- und Itembatterie her- ausgearbeitet.

2.3.1 Fragebogen

Die vorliegende Ausarbeitung konzentriert sich auf eine Teilerhebung, da sie eine schnelle und kos- tengünstige Durchführung erlaubt. Zudem ist eine vollständige Untersuchung der Grundgesamtheit im Rahmen dieses Projekts, nicht möglich. Zur Erhebung der Daten wird die schriftliche Befragung gewählt. Die Vorteile liegen im geringen Kostenaufwand und dem Vermeiden des Interviewer Effek- tes. Die gegebene Anonymität, ermöglicht darüber hinaus das Thematisieren von „heiklen“ Punkten, wie z.B. die Frage nach dem verfügbaren Einkommen (Weinreich, 2008, S. 45-46).

Ziel der schriftlichen Befragung ist es herauszufinden, wie Studenten Elektromobilität wahrnehmen. Dazu wird ein Fragebogen erstellt, der verschiedene Konstrukte des genannten Themas umfasst. Die Befragung wird im Zeitraum vom 01.01.2020 bis zum 15.01.2020, mit Hilfe des Online Umfrage Tools „LamaPoll“, online ausgegeben. Folglich kann die Aktualität der Daten gewährleistet werden. In der Operationalisierung gilt es die Wahrnehmung der Studenten beobachtbar zu machen. D.h. der Begriff „Elektromobilität“ ist in Teilaspekte zu gliedern, welche im Rahmen des Fragebogens, durch eine Vielzahl von Items, messbar gemacht werden.

Der Fragebogen beinhaltet zehn Fragen zu Vorerfahrung und dem Bedarf eines Autos für die eigene Mobilität. Zudem beinhaltet er 19 Items zur Erfragung der Einstellung. Für die Beantwortung dieser wird eine Likert-Skala mit sechs Abstufungen von „stimme voll und ganz zu“ (Rohwert 5) bis „stimme überhaupt nicht zu“ (Rohwert 0) gewählt, um Durchschnittsantworten (Zentralitätseffekt) zu vermei- den. Vier der Variablen werden inhaltlich entgegensetzt formuliert, sodass in bei der Datenauswer- tung eine Umpolung erfolgen muss. Darüber hinaus werden fünf Fragen zur Erfassung der demo- grafischen Merkmale gestellt.

Da der Fragebogen auch fortgesetzt werden kann, wenn nicht jede Frage beantwortet ist, wird die Antwortoption „keine Angabe“ nicht angeboten. So wird, in dieser Ausarbeitung, das Auslassen einer Antwort als „keine Angabe“ gewertet. Das bedeutet, dass die entsprechend ausgelassene Antwort nicht in die Auswertung mit eingeht. Bei der Anordnung und Formulierung der Fragen wurden die oben bereits genannten Regeln und Verfahrensweisen beachtet. Bei den Teilnehmern handelt es sich um selbstrekrutierte Freiwilligen-Panels (Volunteer of Internet users), deren Rekrutierung in der Regel ausschlieBlich über das Internet erfolgt.

2.3.2 Explorative Faktorenanalyse

Bei der explorativen Faktorenanalyse handelt es sich um ein Verfahren der multivariaten Statistik. Das Verfahren der Datenanalyse wird angewendet, wenn in einem Datensatz nach einer noch nicht bekannten, korrelativen Struktur gesucht wird. Mithilfe der explorativen Faktorenanalyse kann aus einer Vielzahl manifester Variablen (z.B. Items eines Fragebogens) auf wenige zugrunde liegende latente Variablen (Faktoren) geschlossen werden. Diese Faktoren sollen einen möglichst groBen Teil der Varianz aufklären. Da bei der explorativen Faktorenanalyse keine exakte Hypothesenprü- fung möglich ist, sind auch keine bestimmten Verteilungsannahmen erforderlich. Basis ist die An- nahme, dass es lineare Zusammenhänge zwischen den beobachteten Variablen und den Faktoren gibt. Die Ergebnisse sind demnach nur dann sinnvoll interpretierbar, wenn die zu faktorisierenden Variablen (zumindest annähernd) als intervallskaliert betrachtet werden können. Streng genommen trifft diese Annahme auf Fragebogenitems nicht zu. Dennoch werden sie in der Praxis als annähernd intervallskaliert betrachtet, wenn die Antwortkategorien in etwa gleichabständig erscheinen (Scher- melleh-Engel et al, 2010, S. 2).

2.3.2.1 Anwendungsvoraussetzungen und Prüfkriterien

Die Anwendungsvoraussetzungen werden in der Literatur intensiv diskutiert. Backhaus et al emp- fehlen ein n > 50 als MinimalstichprobengröBe (2018, S. 389). Hair et al hingegen empfehlen ein Minimum von n > 100 als Stichprobenumfang (2010, S. 102).

Um die Eignung der Indikatorvariablen für einen Faktor festzustellen, muss eine Überprüfung der Abhängigkeiten, mittels Korrelationsanalyse, in den Ausgangsdatensätzen vorgenommen werden (Backhaus et al, 2018, S. 372-375). Zur Beurteilung inwieweit die Korrelationsmatrix als Ausgangs- basis für die explorative Faktorenanalyse geeignet ist, lassen sich die nachfolgenden Prüfkriterien heranziehen:

1. Inverse der Korrelationsmatrix: Es wird davon ausgegangen, dass die Eignung gegeben ist, wenn die Inverse eine Diagonalmatrix darstellen. Das bedeutet, dass die nicht-diagonalen Elemente der Korrelationsmatrix nahe um Null liegen. Ein allgemeingültiges Kriterium dafür wie oft und wie stark die nicht-diagonalen Elemente von null abweichen dürfen, existiert nicht (Backhaus et al, 2018, S. 376).
2. Barlett-Test: Voraussetzung des Barlett-Tests ist die Normalverteilung der Indikatorvariab- len. Das Verfahren überprüft die Hypothese: die Stichprobe entstammt einer Grundgesamt- heit, in der die Variablen unkorreliert sind (Backhaus et al, 2018, S. 376-377).
3. Anti-Image-Korrelation-Matrix: Guttmann formuliert den Begriff Anti-Image in einer Image- Analyse. Er geht davon aus, dass sich die Variablenvarianz in zwei Teile zerlegen lässt: das Image und das Anti-Image (Guttmann, 1953, S. 277-279). Das Image ist der Varianzanteil, der durch die verbleibenden Variablen erklärt werden kann. Der Teil, der von den übrigen Variablen unabhängig ist, wird Anti-Image genannt. Die Variablen sind nur für die Faktoren- analyse geeignet, wenn ihr Anti-Image entsprechend gering ist (Dziuban/Shirkey, 1974, S. 359). Den eigentlichen Erkenntniswert der Anti-Image-Korrelationsmatrix liefern die in der Hauptdiagonalen ausgewiesenen „Measure of Sampling Adequacy“ (MSA) Werte. Eine Be- urteilung der MSA Werte kann durch das Kaiser-Meyer-Olkin-Kriterium über die gesamte Korrelationsmatrix oder für die einzelnen Variablen erfolgen. Der Wertebereich liegt zwi- schen 0 und 1. Ein MSA-Wert von <5 eignet sich nicht für die Faktorenanalyse (Backhaus et al, 2018, S. 378-379).
4. Kaiser-Meyer-Olkin-Kriterium: Das Kriterium gibt an, zu welchem Grad die Indikatorvari- ablen als zusammengehörig aufzufassen sind. Der Wertebereich liegt zwischen 0 und 1. Dabei werden die Grenzwerte in Referenz zu Kaiser und Rice wie folgt definiert: MSA > 0,9 = wunderbar, MSA > 0,8 =verdienstvoll, MSA > 0,7 = ziemlich gut, MSA > 0,6 = mittelmäBig, MSA > 0,5 = kläglich, MSA < 0,5 = untragbar (Backhaus et al, 2018, S. 379).

2.3.2.2 Maximum-Likelihood-Methode

Die Maximum-Likelihood-Methode (ML-Methode) ist eine Methode der explorativen Faktorenana- lyse, bei der iterativ die Wahrscheinlichkeit (Likelihood) maximiert wird, um Mithilfe der Modellpara- meter, der Faktorenanalyse, die empirische Korrelationsmatrix zu erzeugen. Voraussetzung dafür ist, dass entstammen der Stichprobe aus einer multivariaten Normalverteilung (Backhaus et al, 2018, S. 393). Ohne diese besteht bei der Anwendung der ML-Methode ein erhöhtes Risiko, dass die Anzahl der Faktoren überschätzt wird. Vor dem Hintergrund, dass die Maximum-Likelihood-Methode nur leichte bis moderate Verletzungen toleriert müssen ggf. andere faktorenanalytische Methoden in Betracht gezogen werden. Die Hauptachsenanalyse und die Hauptkomponentenanalyse setzen keine speziellen Verteilungsformen voraus.

2.3.2.3 Hauptkomponentenanalyse

Die Überlegung der Hauptkomponentenanalyse besteht darin, dass die gesamte Varianz einer Aus- gangsvariable durch die zu extrahierenden Faktoren (Hauptkomponenten) erklärt werden kann. Es wird unterstellt, dass die Hauptkomponenten unkorreliert sind. Wenn ebenso viele Faktoren wie Va- riablen extrahiert werden wird die Kommunalität² einer Variablen in Höhe von 1 vollständig reprodu- ziert. Kommunalitätenwerte kleiner als 1 ergeben sich wenn weniger Faktoren als Variablen extra- hiert werden. Der nicht erklärte Varianzanteil (1-Kommunalität) ist bei der Hauptkomponentenana- lyse nicht als Einzelrestvariation zu verstehen. Vielmehr handelt es sich um einen durch die Faktoren nicht reproduzierten Varianzanteil. Dieser ist als (bewusst in Kauf genommener) Informationsverlust zu betrachten (Backhaus et al, 2018, S. 392-393).

2.3.2.4 Hauptachsenfaktorenanalyse

Die Hauptachsenfaktorenanalyse zielt ebenso wie die Hauptkomponentenanalyse auf die Reduktion der Dimensionen ab. Es findet keine Unterscheidung zwischen abhängigen und unabhängigen Va- riablen statt. Während die Hauptkomponentenanalyse durch die orthogonale Datentransformation erreicht wird (der kein statistisches Modell zu Grunde liegt), basiert die Hauptachsenfaktorenanalyse auf einem statistischen Modell (Noack, 2007, S. 32). Im Unterschied zur Hauptkomponentenanalyse versucht die Hauptachsenfaktorenanalyse nur den Teil der Varianz der Variablen zu erklären, der durch die anderen Variablen bestimmt wird. Durch den Ausschluss von Einzelvariablen (Unique Va- riablen) und Fehlervarianz (Residualvarianz) kann die Lösung dieser Methode als „fehlerfrei“ be- zeichnet werden, weshalb sie in der vorliegenden Arbeit bevorzugt wird (Schendera, 2010, S. 192­194).

2.3.3 Split-Half Methode

Wie in Kapitel 2.2.3 bereits erläutert ist die Split-Half- (oder Testhalbierungs-) Methode eine Mög- lichkeit die Reliabilität eines Messinstruments zu bestimmen. Dabei werden alle Items, die zur Mes- sung einer latenten Variablen dienen in zwei Gruppen aufgeteilt. Die Ergebnisse der einen Testhälfte werden mit denen der anderen Testhälfte, pro Person, korreliert. Die nachfolgende Abbildung ver-

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Schematische Darstellung der Split-Half-Reliabilitätsmethode

Quelle: eigene Darstellung in Anlehnung an: Rammstedt, 2004, S. 9

Die errechnete Korrelation stellt ein MaB für die Reliabilität der beiden Testhälften dar. Diese Me­thode kann als Vereinfachung der Paralleltest-Methode angesehen werden: Die bestehende Skala wird dabei in zwei vergleichbare Hälften geteilt, anstatt eine neue Skala zu erstellen. Die Homoge- nität der Items ist dabei eine wichtige Voraussetzung für die Anwendung der Split-Half-Methode.

In der Literatur werden diverse Verfahren zur Testhalbierung aufgeführt, welche hier nur sporadisch genannt werden sollen: Unterteilung in erste und zweite Testhälfte (Bsp. Items 1-4 und Items 5-8).

Bei langen Instrumenten besteht hier die Gefahr des Ermüdungseffekts, weshalb dieses Vorgehen eher bei relativ kurzen Skalen Anwendung finden sollte. Alternativ kann die Skala in ungradlinige und gradlinige Kennwerte unterteilt werden. Wichtig ist, dass sämtliche Items in dieselbe Richtung des zu erfassenden Merkmals gepolt sind. Alle Items müssen das Merkmal in positiver Ausprägung erfassen und somit ggf. recodiert worden sein (Rammstedt, 2004, S. 9-11). In der Literatur werden die Skalenwerte der Reliabilität wie folgt eingestuft: r > 0,10 entspricht einem schwachen Effekt, r > 0,30 einem mittleren Effekt und r > 0,50 einem starken Effekt (Cohen, 1992).

3 Entwicklung und Testung einer Frage- und Item-Batterie

Die Instrumentenentwicklung zur Messung der latenten Variablen, der Wahrnehmung von Elektro- mobilität bei Studenten, erfolgt in mehreren Schritten. Zunächst werden in Kapitel 3.1 die Konstrukte zur Wahrnehmung von Elektromobilität theoretisch identifiziert. Kapitel 3.2 beschäftigt sich mit der Stichprobengewinnung und -beschreibung. Im Nachgang dazu erfolgt in Kapitel 3.3 die Durchfüh- rung der explorativen Faktorenanalyse und in Kapitel 3.4 die Testung der Gütekriterien. Kapitel 3.5 fasst die gewonnen Ergebnisse zusammen. Kapitel 4 gibt Handlungsempfehlungen für die nachfol- gende Forschung und Kapitel 5 schlieBt das vorliegende Praxisprojekt ab.

3.1 Operationalisierung der Dimensionen

Die in Kapitel 2.1 gewonnen Erkenntnisse aus der Literatur- und Quellenanalyse werden zur Erstel- lung einer Itembatterie genutzt. Um die einzelnen Konstrukte der theoretischen Voranalyse zu er- fassen werden je Konstrukt zwischen drei und acht Items entwickelt. Die Items müssen den nach- folgenden Anforderungen genügen: Sie müssen für alle befragten Studenten zutreffend und zu be- antworten sein. Sie müssen auf einer (sechststufigen) Likert-Skala messbar sein, um sie mittels Faktorenanalyse auswerten zu können. Sie müssen sich explizit auf die Wahrnehmung von Elektro- mobilität, genauer Elektroautos, beziehen. Die entwickelten Items sind in der nachfolgenden Tabelle dargestellt:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1 Theoretisch hergeleitete Items zur Erfassung der Wahrnehmung von Elektromobilität

Quelle: eigene Darstellung, 2020.

Die Items A, B, C und D sollen das Konstrukt „Umweltfreundlichkeit“ abbilden. Die „Kostensituation“ soll durch die Items E, F und G gemessen werden. Die Items H, T, J und K sollen die „Gesellschaft- liche Wirkung“ wiedergeben. Das Konstrukt „Technologie“ soll durch die übrigen Items L, M, V, W, X, Q, Y und S der Tabelle gemessen werden.

Darüber hinaus werden Fragen zum Fahrzeugbesitz, zur Nutzerhäufigkeit und zu den Vorerfahrun- gen mit Elektromobilität gestellt, welche dem Fragebogen seinen entsprechenden Rahmen geben. Hierbei handelt es sich um „Ja/Nein“-Fragen, die sich nicht für eine Faktorenanalyse eignen. Das Interesse an Elektroautos wird über ein Item mit drei Antwortoptionen abgefragt und ist für die Fak- torenanalyse ebenfalls ungeeignet. Der finale Fragebogen ist vollständig in den Abbildungen 2-14 zu finden (vgl. Anhang, 2020).

3.2 Stichprobengewinnung und -beschreibung

Bei den im Folgenden dargestellten Ergebnissen handelt es sich um die erste empirische Überprü- fung, anhand einer für die verwendeten Methoden ausreichend groBen Stichprobe. Nach Durchfüh- rung der empirischen Analyse liegen 291 vollständig verwertbare Fragebögen vor. Mit dem Wegfall der Fragebögen, die nicht durch Studenten beantwortet wurden, konnten noch 282 Fragebögen für die Analyse verwendet werden. Für die Befragung haben die Teilnehmer im Durchschnitt 323 Se- kunden, also etwas mehr als 5 Minuten Zeit benötigt. Folglich kann davon ausgegangen werden, dass es nicht zu einem Ermüdungseffekt gekommen ist (vgl. Kapitel 2.3.3).

3.2.1 Demographische Daten

Die Teilnehmer an der Befragung sind zum Zeitpunkt der Datenerhebung im Durchschnitt 24,7 Jahre alt. 46 Prozent der Teilnehmer sind männlich, was einer Anzahl von 121 Befragten entspricht. 53 Prozent der befragten Personen sind weiblich, was 151 Personen entspricht und ein Prozent, sprich zwei Personen sind divers (vgl. Abbildung 15, Anhang, 2020).

16 Prozent der Befragten geben an, ein monatliches Haushaltsnettoeinkommen von unter 500 Euro zu haben. Den gröBten Anteil macht mit 31 Prozent die Einkommensgruppe von 501 Euro- 1.000 Euro aus. Daraufhin folgt die Gruppe von 1.001 Euro - 1.500 Euro Haushalts-Nettoeinkommen, mit insgesamt 26 Prozent. Nicht einmal ein Viertel aller befragten Studenten hat ein Haushaltsnettoein- kommen von mehr als 1.500 Euro monatlich: 13 Prozent geben an, dass ihnen zwischen 1.501 Euro und 2.000 € zur Verfügung stehen und acht Prozent geben an mehr als 2.000 Euro monatlich zur Verfügung zu haben. Sechs Prozent der Teilnehmer machen keine Angabe zum Einkommen (vgl. Abbildung 16, Anhang, 2020).

Der GroBteil der Befragten lebt mit 64 Prozent in Ein- bzw. Zweipersonenhaushalten. Jeweils 16 Prozent geben an in Drei- oder Vierpersonenhaushalten zu leben. Insgesamt nur vier Prozent der Befragten leben in Haushalten mit fünf Personen oder mehr (vgl. Abbildung 17, Anhang, 2020).

3.2.2 Daten zur Fahrzeugnutzung

59 Prozent, was 167 Personen entspricht, geben an ein eigenes Auto zu besitzen. Dem hingegen geben 41 Prozent, was 115 Personen entspricht, an kein eigenes Auto zu besitzen (vgl. Abbildung 18, Anhang, 2020). 62 Prozent der Studenten geben an ein Auto für die Mobilität zu benötigen. Das entspricht sieben Personen mehr als denen die ein eigenes Auto besitzen. 108 Personen, was 38 Prozent von n entspricht, geben an das Auto für die eigene Mobilität nicht zu benötigen (vgl. Abbil- dung 19, Anhang, 2020).

Die RegelmäBigkeit der Autonutzung wird in Abbildung 21 dargestellt. Die Grafik unterscheidet beim Gebrauch des PKWs zwischen der Nutzung als Fahrer und der Nutzung als Beifahrer. Mehr als 100 der befragten Personen (37 Prozent) nutzen das Auto täglich als Fahrer. Täglich Beifahrer zu sein geben hingegen nur drei Personen (ein Prozent) an. Insgesamt 108 (39 Prozent) der befragten Stu- denten nutzen das Auto entweder mehrmals pro Woche oder mehrmals pro Monat als Fahrer. Als Beifahrer nutzen 181 Personen (64 Prozent) das Auto mehrmals pro Woche oder Monat. 41 Perso- nen (14 Prozent) geben an das Auto, als Fahrer, weniger als einmal pro Monat und 28 Personen (zehn Prozent) nie zu nutzen. 62 Studenten (22 Prozent) machen die Angabe, weniger als einmal pro Monat Beifahrer zu sein und 36 Personen (13 Prozent) geben an das Auto nie als Beifahrer zu nutzen (vgl. Abbildung 21, Anhang, 2020).

3.2.3 Vorwissen und Erfahrungen

Darüber hinaus sollten die Testteilnehmer Fragen zu ihrem Vorwissen und ihren Erfahrungen mit dem Thema Elektroautos beantworten. 77 Prozent der Befragten geben an schonmal selbst mit einem Elektroauto gefahren zu sein, während 23 Prozent dies nach eigenen Angaben noch nicht getan haben. Beifahrer sind 38 Prozent der Befragten gewesen. 69 Prozent der Teilnehmer haben sich schonmal über Elektroautos informiert. Die Frage „siehst du öfter Elektroautos oder Ladestati- onen in deiner Umgebung?“ beantworten 62 Prozent positiv. Nur eine Person gibt an, ein eigenes Elektroauto zu besitzen (vgl. Rohdaten, 2020).

Des Weiteren sollten die Befragten sich zu ihrem Interesse an Elektromobilität und einer möglichen Kaufabsicht äuBern. Insgesamt drei Prozent geben an sich für Elektromobilität zu interessieren und eine konkrete Kaufabsicht zu haben. 70 Prozent sagen aus Interesse an der Elektromobilität aber derzeit keine Kaufabsicht zu haben. Kein Interesse an Elektromobilität zu haben geben insgesamt 27 Prozent der Befragten an (vgl. Abbildung 20, Anhang, 2020).

3.3 Durchführung der explorativen Faktorenanalyse

Alle Items werden zunächst deskriptiven Verteilungsanalysen unterzogen. Neben den Informationen zu den Mittelwerten sind mithilfe des Statistikprogramms SPSS 26 auch die Standardabweichungen ausgewertet worden (vgl., Tabelle 8, Anhang, 2020). Für die Überprüfung der multivariaten Normal- verteilung wird das von Mardia vorgeschlagene MaB der multivariaten Wölbung herangezogen (Mar- dia, 1970). Nach Byrne sind Werte >5 als kritisch zu betrachten (2016, S. 123). Zur Beurteilung der Abweichung der hier betrachteten Daten werden sowohl die Histogramme als auch die multivariate Verteilung anhand der Schiefe und Kurtosis (Wölbung) betrachtet. Die Histogramme zeigen nach Auswertung mittels SPSS eine deutliche Abweichung von der Normalverteilung. Wenn das Verhält- nis zwischen Schiefe bzw. Kurtosis und dem jeweiligen Standardfehler im Intervall von -2 bis +2 liegt kann eine annähernde Normalverteilung angenommen werden. Wenn die berechneten Signifikanz- werte gröBer als 0,05 sind kann laut dem Kolomogorov-Smirnov-Test und dem Shairo-Willk-Test von einer Normalverteilung gesprochen werden (Brosius, 2011, S. 405). Dies trifft auf keins der ge- testeten Items zu, weshalb die ML-Methode nicht das geeignete Analyseinstrument darstellt (vgl. Tabelle 6, Anhang, 2020). Um einen ersten Eindruck von der Faktorenstruktur des Messinstruments zu gewinnen wird deshalb die Hauptachsen-Faktorenanalyse, für die theoretisch entwickelten Di­mensionen, durchgeführt.

3.3.1 Prüfung der Anwendungsvoraussetzungen und Kriterien

Die Stichprobe ist mit n= 282 Personen ausreichend groB für die Durchführung einer Faktorenana- lyse. Der Kaiser-Meyer-Olkin-Test und der Barlett-Test liefern die ersten Hinweise darauf, ob die Struktur der Korrelation eine Faktorenanalyse sinnvoll erscheinen lässt. Mit dem Barlett-Test kann die Hypothese, dass in der Grundgesamtheit alle Korrelationskoeffizienten den Wert Null haben, geprüft werden (vgl. Kapitel 2.3.2). In den vorliegenden Daten ist das Ergebnis des Barlett-Tests signifikant und erlaubt die Interpretation, dass in der Grundgesamtheit zwischen einigen Variablen Korrelationen bestehen.

[...]

---

¹ Zeitpunkt der Erhebung ist jeweils der 1. Januar des nachfolgenden Jahres.

² Die Kommunalität gibt an, wie viel Varianz die Variable an allen Faktoren erklärt.