Welchen zwei Kategorien können Erhebung und Analyse zugeordnet werden?
- Strukturprüfenden und Strukturentdeckenden Verfahren
Was ist Strukturprüfendes Vorgehen?
- Es liegen bereits Theorien über Strukturen und Faktoren bei bestimmten Phänomenen vor
- Auf dieser Basis können Hypothesen definiert und geprüft werden
Was ist Strukturentdeckendes Vorgehen?
- Methodische Erhebungen und Auswertungsprozeduren, die Einblicke die bislang unstrukturierte Themen bringen
- Ziel ist es, in Daten (neue) Muster zu finden und neue Theorien abzuleiten
- Beispielsweise Unterschiede zwischen Gruppen, zwischen Anwendungskontexten, zusammenhängende Faktoren etc.
Welches Verfahren wird bei der Linearen Regression angewandt?
- eher strukturprüfend
- entdeckt aber auch den stärksten Einfluss
Welches Verfahren wird bei der Faktorenanalyse angewandt?
- eher strukturentdeckend
- prüft aber auch, ob die Faktoren orthogonal sind
Wie ist das klassische Vorgehen bei der Vorstruktuierung und Erstellung eines Faktorenraums?
- Nach qualitativer Analyse werden identifizierten Argumenten (und passender Literatur) Items formuliert
- Strategie: Möglichst breit, um genügend Konstrukte zu haben, mit denen man nachher explorative
Auswertungsverfahren nutzen kann - Nutzer Faktoren
- Situative Faktoren
- Kontextfaktoren
- Nach deskriptiver Auswertung Anwendung explorative Verfahren, um Strukturen in den Daten zu identifizieren
Was sind Nutzer Faktoren?
− demographische Faktoren (Trägervariablen)
− erklärende Moderatorvariablen, um Cluster oder Nutzerprofile abbilden zu können
Was sind Situative Faktoren?
− Bewertung des Nutzungskontext über verschiedene Szenarien
Was sind Kontextfaktoren?
− Wahrgenommene Vor- und Nachteile einer Technologie, Nutzungsbedingungen
Welche Strukturentdeckenden Verfahren sind geeignet?
- Visualisierungsverfahren, um schnell Zusammenhänge in den Daten zu erkennen
− Korrelationstabellen & -heatmaps (Farbe kodiert Stärke der Korrelation)
− Streudiagramme, um Daten auf horizontaler und vertikaler Achse darzustellen, Verteilung und Zusammenhänge erkennen - Identifikation starker Einflussgrößen durch lineare Regression
− Etwa Schrittwiese Regression über Nutzervariablen auf Nutzungsintention - Reduktion vieler Variablen auf wenig latente Konstrukte
− Explorative Faktorenanalyse bzw. Hauptkomponentenanalyse
− Korrespondenzanalyse (für kategoriale Daten) - Reduktion der Fälle/Teilnehmenden auf möglichst homogene Gruppen von Beobachtungen
− Clusteranalyse
Wie lassen sich Korrelationen visualisieren?
- Anstatt geleitet durch Hypothesen einzelne Zusammenhänge zu prüfen werden alle (bivariaten) linearen Zusammenhänge berechnet und untersucht
- korrelationstabelle
Was ist eine Korrelationstabelle?
− Tabelle mit 𝑁𝑥𝑁-Einträgen (bei 𝑁 Variablen)
− Ist symmetrisch, daher wird oft eine Hälfte für andere Informationen genutzt (e.g., oben/rechts 𝑟, unten links 𝑝-Wert)
Wie lassen sich Korrelationstabellen bewerten?
− Übersicht über Zusammenhänge und Muster in den Daten
− Ggf. getrennt nach Gruppen
− Achtung: Alpha-Fehler, Überinterpretation von Zufallsfunden
Was ist das Ziel einer Cluster-Analyse?
- aus Menge von Daten Gruppen interpretieren
− Elemente innerhalb eines Clusters sich ähnlich sind (homogen)
− Elemente zu denen anderer Clustern möglichst unähnlich (inhomogen)
− Familie von Methoden mit unterschiedlichen Ansätzen
− Alle Verfahren segmentieren die Daten über Distanzmaße in ähnliche und nicht ähnliche Gruppen
Was ist die Aufgabe der Cluster Analyse?
− diese Cluster zu identifizieren
− Keine Aussage, ob sie sich signifikant unterscheiden
− Keine Aussage, ob oder wie die Cluster interpretierbar sind
Was ist k-Means Clustering?
- Exploratives Verfahren zur Typenbildung
- Ziel: Gruppierung ähnlicher Objekte in k Cluster
- Anzahl der Cluster (k) wird vorab festgelegt
- Algorithmus ordnet jedem Objekt genau ein Cluster zu
- Iteratives Verfahren:
1. zufällige Startzentroiden
2. Zuordnung der Datenpunkte zum nächsten Zentrum
3. Neuberechnung der Clusterzentren
4. Wiederholung bis Stabilität - Optimiert die Binnenhomogenität der Cluster
- Ergebnis: Clusterzugehörigkeit + Clusterzentren
- Keine inferenzstatistische Prüfung
Welche Variablen nimmt man zum Clustern?
- Es kann über viele unterschiedliche Variablen und -typen geclustert werden
− Üblicherweise werden alle Variablen normalisiert
(etwa auf den Bereich [0 … 1], passiert automatisch) - Aber: Nicht alle Variablen (Features) sind gleich wichtig
− Features ausschließen, die vermutlich nicht substantiell beitragen
▪ ProbandenID, Bearbeitungsdauer, …⇒ Keine Relevanz, keine Interpretation
▪ Versuchsgruppe, … ⇒ Offensichtliche Cluster
− Nicht alle Features integrieren, sondern mit einem gewissen „Bauchgefühl“
▪ E.g. Nutzerfaktoren, Bewertungen, … - Setzen Sie—wenn möglich—die Cluster im Anschluss zu anderen Variablen
(außerhalb des Clustering-Verfahrens) in Bezug
