Zusammenfassung
Kriminalitätsfurcht stellt aufgrund seiner Auswirkungen auf politisches und gesellschaftliches Handeln eines der großen Themen der Kriminologie dar. Demnach kommt der Qualität der zur Messung von Kriminalitätsfurcht verwendeten Instrumente eine besondere Bedeutung zu. Die weitverbreitete Messung von Kriminalitätsfurcht über globale Indikatoren ist allerdings umstritten, da erhebliche Zweifel bezüglich ihrer Validität bestehen. Bekanntlich stellt eine ausreichende Reliabilität der Daten aber eine Grundvoraussetzung für deren Validität dar. Erstaunlicherweise liegen bis jetzt keine Untersuchungen über die Reliabilität globaler Kriminalitätsfurchtindikatoren vor. In diesem Beitrag wird die erstmalige Untersuchung der Reliabilität und Stabilität des vierstufigen Standardindikators zur Kriminalitätsfurchtmessung vorgestellt. Hierzu werden Paneldaten aus England (BHPS) und Deutschland (DEFECT) verwendet, die Schätzungen erfolgen über Quasi-Markov Simplex-Modelle unter der Verwendung polychorischer Koeffizienten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Siehe hierzu Schnell et al. (2011, S. 141–157)
- 2.
Vereinfacht gesprochen misst ein valides Messinstrument das, was es messen soll (Schnell et al. 2011, S. 146).
- 3.
Dieser Indikator wird, oder wurde, in Varianten zum Beispiel im „British Household Panel Survey“ (BHPS), „European Social Survey“ (ESS), „British Crime Survey“ (BCS, im April 2012 umbenannt in „Crime Survey for England and Wales“), „International Crime Victims Survey“ (ICVS), „Offending, Crime and Justice Survey“ (OCJS), „Eurobarometer“, „Wohlfahrtssurvey“ und „ALLBUS“ verwendet.
- 4.
Darauf wird auch in den periodischen Sicherheitsberichten der Bundesregierung hingewiesen. Für eine Zusammenfassung der Kritikpunkte siehe Hale (1996).
- 5.
Zwar enthalten der „BHPS Youth Survey“ (fünf Wellen) und der „Offending, Crime and Justice Survey“ (vier Wellen, UKDA Study Number 6345) den Indikator in mehr als drei Wellen, beide Untersuchungen beziehen sich jedoch nicht auf die allgemeine Bevölkerung, sondern auf Kinder und Jugendliche, weshalb diese Daten nicht weiter in Betracht gezogen werden.
- 6.
Die Idee hierzu geht auf meinen Doktorvater, Herrn Prof. Dr. Rainer Schnell, zurück..
- 7.
Dabei handelt es sich um den „National Crime Survey“ (NCS). Der Indikator wurde dort erstmalig in den 1970er Jahren im „National Crime Survey Cities Attitude Sub-Sample“ (1972–1975) verwendet.
- 8.
Das empfundene Risiko einer Viktimisierung ist nicht synonym mit Kriminalitätsfurcht. So sind nach Warr und Stafford (1983, S. 1038) zur Erklärung von Kriminalitätsfurcht sowohl das empfundene Risiko als auch die empfundenen Kosten einer Viktimisierung notwendige Komponenten. Wenn eine Viktimisierung entweder als unmöglich (Risiko = 0) oder als konsequenzlos (Kosten = 0) eingeschätzt wird, sollte keine Furcht vor einer Viktimisierung zu beobachten sein. Siehe hierzu auch Winkel (1981).
- 9.
Es könnten durchaus spezielle Antwortstrategien durch die Befragten eingesetzt werden, um das Vorhandensein einer Einstellung vorzutäuschen. Für einen Überblick über verschiedene Nonattitude-Strategien siehe Smith (1984).
- 10.
Wie beispielsweise Interviewereffekte oder zwischenzeitliches Geschehen bei Panelstudien.
- 11.
Allgemein sollte in Situationen, in denen nicht von einer homogenen Population ausgegangen werden kann, die Schätzung eines einzelnen Modells vermieden werden, da dieses Modell unter Umständen für keine der Subgruppen als angemessen angesehen werden kann. Sind die Gruppen im Vorfeld nicht bekannt, können unter bestimmten Umständen Mischverteilungsmodelle zur Untersuchung unbeobachteter Heterogenität verwendet werden. Für Mischverteilungsmodelle siehe beispielsweise McLachlan und Peel (2000).
- 12.
Südlich des Kaledonischen Kanals und ohne Nordirland.
- 13.
- 14.
Für weitere Details siehe beispielsweise Alwin (2007).
- 15.
Somit werden keine Korrelationen der Messfehler spezifiziert. Dies entspricht der Annahme „lokaler stochastischer Unabhängigkeit“. Diese nimmt an, dass die beobachteten Korrelationen der manifesten Variablen vollständig auf die im Modell spezifizierten latenten Variablen zurückgehen (Vermunt und Magidson 2004).
- 16.
Die Restriktion von über die Zeit identischen Ladungen ist zur Identifikation des Modells notwendig (Saris und Andrews 1991, S. 584). Um einer latenten Variablen ξi eine ebenfalls zur Identifikation notwendige Metrik zuzuweisen, kann generell die Ladung der manifesten Variablen xi auf λii = 1, oder die Varianz der latenten Variablen auf Var(ξi) = 1 fixiert werden, was zu einer Standardisierung der latenten Variablen ξi führt (Kline 2011, S. 127–128). Im Modell nach Wiley und Wiley wird die Fixierung der Ladungen auf λii = 1 gewählt, was auf die aus der klassischen Testtheorie bekannten Zerlegung des beobachteten Wertes in wahren Wert und Messfehler xi = ξi + εi führt.
- 17.
Aufgrund der in Abschn. 2 angesprochenen Probleme des Standardindikators entfällt die Möglichkeit, die Anzahl der Freiheitsgrade durch die Verwendung eines Modells mit multiplen Indikatoren zu erhöhen und die Reliabilität über ein entsprechendes Modell zu schätzen (zu solchen Modellen siehe Wheaton et al. 1977). Da erhebliche Zweifel bestehen, was der Standardindikator tatsächlich misst, kann nicht sichergestellt werden, dass sich die multiplen Indikatoren (zum Beispiel zusätzliche deliktspezifische Kriminalitätsfurchtitems) auf dasselbe Konstrukt beziehen (siehe hierzu generell Costner 1969, S. 254; auch Smith und Stephenson 1979, S. 48–52).
- 18.
Für eine eingehende Behandlung der Frage nach der „Modellidentifikation“ in Strukturgleichungsmodellen siehe Bollen (1989). Die einfachste Regel (t-Regel) besagt, dass Modelle nicht mehr frei zu schätzende Parameter enthalten dürfen, als nichtredundante Elemente in der Varianz-Kovarianzmatrix enthalten sind, da sie sonst mit df < 0 nicht identifiziert sind (siehe auch Formel 3). Die t-Regel stellt allerdings nur eine notwendige, aber keine hinreichende Bedingung der Modellidentifikation dar.
- 19.
Die polychorischen Varianz-Kovarianz-Matrizen sind im Anhang in Tab. 4 aufgeführt.
- 20.
Zu den Vorteilen der Nutzung von Datenanalysegrafiken siehe Schnell (1994).
- 21.
Biplots gehen auf Gabriel (1971) zurück. Der Kosinus des Winkels zwischen zwei Variablen stellt eine Approximation ihrer Korrelation dar, wobei ein Winkel von 90 Grad die Unabhängigkeit der Variablen anzeigt. Null und 180 Grad stehen für eine perfekt positive, beziehungsweise eine perfekt negative Korrelation. Hier werden nicht Variablen und Beobachtungen gleichzeitig, sondern nur die Variablen geplottet. Die verwendeten Biplots wurden mit dem Stata-Paket „biplot8“ von Kohler und Luniak (2005) erstellt.
- 22.
- 23.
Um Overplotting-Probleme aufgrund der kategorialen Natur des Standardindikators zu vermeiden, wurden die Techniken des Jittering, sowie des α-Blending verwendet (Cleveland 1993, S. 121 f.; Theus 2008, S. 167). Die verwendeten Parallelkoordinatenplots wurden mit dem R-Paket „lattice“ erstellt. Siehe hierzu Sarkar (2008).
- 24.
Der Anteil der männlichen Befragten, die in allen 3 Wellen mit einer der „sicheren“ Antwortkategorien „ziemlich sicher“ oder „sehr sicher“ antworteten, liegt im BHPS-Datensatz bei 81 %, im DEFECT-Datensatz bei 83 %.
- 25.
Insgesamt sind bei drei vierstufigen Items 1/43 = 64 verschiedene Antwortmuster möglich. Wären die Antworten gleichmäßig über die verschiedenen Antwortmuster verteilt, so liegt der erwartete Wert pro Antwortmuster bei 1/64 ≈ 0.0156.
- 26.
Zur Überprüfung können beispielsweise die beiden untersuchten Häufigkeitstabellen als Variablen gespeichert und die Häufigkeiten gegeneinander geplottet werden. Je stärker die Werte von der ersten Winkelhalbierenden abweichen, desto größer sind die Unterschiede zwischen beiden Datensätzen.
- 27.
Die Schätzung für komplexe Surveydesigns ist in LISREL 8.8 nur für metrische Daten verfügbar.
- 28.
Dieser kleine Zuwachs kann durchaus durch Designeffekte, wie sie beispielsweise in Klumpenstichproben oder CATI-Studien auftreten, zustande kommen (Schnell und Kreuter 2005). Wird eine einseitige Fragestellung zugrunde gelegt, müsste der Wert für deft 1.35 betragen. Die Approximation von deft für Var(ς3) über eine Maximum Likelihood-Schätzungen führte zu einem Wert von 1.27. Für Details zu deft, siehe Kish (1995) und Schnell und Kreuter (2005).
- 29.
Dieses Ergebnis bleibt auch bei der Berechnung des Modells über den Maximum Likelihood-Ansatz, ohne die Verwendung polychorischer Koeffizienten bestehen.
- 30.
Solche negativen Varianzschätzungen sind in der Literatur unter dem Begriff „Heywood Cases“ bekannt (Rindskopf 1984).
- 31.
- 32.
Wird β31 = 0.3 zu Testzwecken als fixierte, nicht zu schätzende Größe in die Modelle aufgenommen, sind keine negativen Residualvarianzen zu beobachten.
- 33.
Ebenso ist jegliche Erweiterung des Modells, beispielsweise zu gemischten Wiley und Wiley-Modellen um das Problem unbeobachteter Heterogenität zu behandeln, von der Anzahl der Freiheitsgrade abhängig, die wiederum von der Anzahl der Panelwellen bestimmt wird.
- 34.
Als weitere Fehlerquellen kommen ebenso andere Aspekte der Befragungssituation, wie zum Beispiel das Alter oder das Geschlecht der Interviewer, in Betracht.
Literatur
Alwin, D. F. (2007). Margins of error: A study of reliability in survey measurement. Hoboken: Wiley.
Alwin, D. F., & Krosnick J. A. (1991). The reliability of survey attitude measurement: The influence of question and respondent attributes. Sociological Methods & Research 20, 139–181.
Bentler, P. M. (2009). Alpha, dimension-free, and model-based internal consistency reliability. Psychometrika, 74, 137–143.
Bollen, K. A. (1989). Structural Equations with Latent Variables. New York: Wiley.
Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of covariance structures. British Journal of Mathematical and Statistical Psychology, 37, 62–83.
Cleveland, W. S. (1993). Visualizing data. Summit: Hobart Press.
Coenders, G., Saris, W. E., Batista-Foguet, J. M., & Andreenkova, A. (1999). Stability of three-wave simplex estimates of reliability. Structural Equation Modeling, 6, 135–157.
Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78, 98–104.
Costner, H. L. (1969). Theory, deduction, and rules of correspondence. American Journal of Sociology, 75, 245–263.
Ditton, J., Chadee, D., Farrall, S., Gilchrist, E., & Bannister J. (2004) From imitation to intimidation: A note on the curious and changing relationship between the media, crime and fear of crime. British Journal of Criminology, 44, 595–610.
Farrall, S., Bannister, J., Ditton, J., & Gilchrist, E. (1997) Questioning the measurement of the „fear of crime“: Findings from a major methodological study. British Journal of Criminology, 37, 658–679.
Fattah, E. A. (1993). Research on fear of crime: Some common conceptual and measurement problems. In W. Bilsky, C. Pfeiffer, & P. Wetzels (Hrsg.), Fear of crime and criminal victimization (S. 45–70). Stuttgart: Enke.
Ferraro, K. F., & LaGrange, R. (1987). The measurement of fear of crime. Sociological Inquiry, 57, 70–101.
Franklin, T. W., Franklin, C. A., & Fearn, N. E. (2008). A Multilevel analysis of the vulnerability, disorder, and social integration models of fear of crime. Social Justice Research, 21, 204–227.
Gabriel, K. R. (1971). The Biplot Graphic Display of Matrices with Application to Principal Component Analysis. Biometrika, 58, 453–467.
Garofalo, J. (1979). Victimization and the Fear of Crime. Journal of Research in Crime and Delinquency, 16, 80–97.
Goodey, J. (1997). Boys don’t cry. masculinities, fear of crime and fearlessness. British Journal of Criminology, 37, 401–418.
Green, S. B., & Hershberger, S. L. (2000). Correlated Errors in True Score Models and Their Effect on Coefficient Alpha. Structural Equation Modeling, 7, 251–270.
Green, S. B., & Yang, Y. (2009a). Commentary on Coefficient Alpha: A Cautionary Tale. Psychometrika, 74, 121–135.
Green, S. B., & Yang, Y. (2009b). Reliability of Summed Item Scores Using Structural Equation Modeling: An Alternative to Coefficient Alpha. Psychometrika, 74, 151–167.
Hale, C. (1996). Fear of crime: A review of the literature. International Review of Victimology, 4, 79–150.
Heise, D. R. (1969). Separating reliability and stability in test-retest correlation. American Sociological Review, 34, 93–101.
Inselberg, A. (2009). Parallel coordinates: VISUAL multidimensional geometry and its applications. New York: Springer.
Jackson, J. (2005). Validating new measures of the fear of crime. International Journal of Social Research Methodology, 8, 297–315.
Jackson, J. (2006). Introducing fear of crime to risk research. Risk Analysis, 26, 253–264.
Jagodzinski, W., & Kühnel, S. M. (1987). Estimation of reliability and stability in single-indicator multiple-wave models. Sociological Methods & Research, 15, 219–258.
Kaplan, D. (2000). Structural equation modeling: Foundation and extensions. Thousand Oaks: Sage.
Kish, L. (1995). Methods for design-effects. Journal of Official Statistics, 11, 55–77.
Kline, R. B. (2011). Principles and Practice of Structural Equation Modeling. New York: Guilford Press.
Kohler, U., & Luniak, M. (2005). Data inspection using biplots. Stata Journal, 5, 208–223.
Kreuter, F. (2002). Kriminalitätsfurcht: Messung und methodische Probleme. Opladen: Leske + Budrich.
Kury, H., Lichtblau, A., & Neumaier, A. (2004a). Was messen wir, wenn wir Kriminalitätsfurcht messen? Kriminalistik, 7, 457–465.
Kury, H., Lichtblau, A., Neumaier, A., & Obergfell-Fuchs, J. (2004b). Zur Validität der Erfassung von Kriminalitätsfurcht. Soziale Probleme, 15, 141–165.
Loehlin, J. C. (2004). Latent variable models—an introduction to factor, path, and structural equation analysis (4th ed.). Mahwah: Erlbaum.
Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Reading: Addison-Wesley.
McLachlan, G., & Peel, D. (2000). Finite mixture models. New York: Wiley.
Raykov, T., & Marcoulides, G. A. (2006). A first course in structural equation modeling (2nd ed.). Mahwah: Erlbaum.
Revelle, W., & Zinbarg, R. E. (2009). Coefficients alpha, beta, omega and the glb: comment on sijtsma. Psychometrika, 74, 145–154.
Rindskopf, D. (1984). Structural equation models: Empirical identification, heywood cases, and related problems. Sociological Methods & Research, 13, 109–119.
Saris, W. E., & Frank M. (1991). Evaluation of measurement instruments using a structural modeling approach. In P. P. Biemer, R. M. Groves, L. E. Lyberg, N. A. Mathiowetz & S. Sudman (Hrsg.), Measurement error in surveys (S. 575–597). New York: Wiley.
Saris, W. E., & Gallhofer, I. N. (2007). Design, evaluation, and analysis of questionnaires for survey research. Hoboken: Wiley.
Sarkar, D. (2008). Lattice—multivariate data visualization with R. New York: Springer.
Schmitt, N. (1996). Uses and abuses of coefficient alpha. Psychological Assessment, 6, 350–353.
Schnell, R. (1994). Graphisch gestützte Datenanalyse. München: Oldenbourg.
Schnell, R., Hill, P. B., & Esser, E. (2011). Methoden der empirischen Sozialforschung. München: Oldenbourg.
Schnell, R., & Kreuter, F. (2000). Das DEFECT-Projekt: Sampling-Errors und Nonsampling-Errors in komplexen Bevölkerungsstichproben. ZUMA-Nachrichten, 24, 89–102.
Schnell, R., & Kreuter, F. (2005). Separating Interviewer and Sampling-point Effects. Journal of Official Statistics, 21, 389–410.
Shapland, J., & Vagg, J. (1988). Policing by the public. London: Routledge.
Sijtsma, K. (2009a). On the Use, the misuse, and the very limited usefulness of cronbach’s alpha. Psychometrika, 74, 107–120.
Sijtsma, K. (2009b). Reliability beyond theory and into practice. Psychometrika, 74, 169–173.
Smith, T. W. (1984). Nonattitudes: A review and evaluation. In C. F. Turner & E. Martin (Hrsg.) Surveying Subjective Phenomena (Vol. 2).(S. 215–255). New York: Russel Sage Foundation.
Smith, T. W., & Stephenson, C. B. (1979). An analysis of test-retest experiments on the 1972, 1973, 1974, and 1978 general social surveys. GSS Methodological Report 8.
Smith, W. R., & Torstensson, M. (1997). Fear of crime. Gender differences in risk perception and neutralizing fear of crime. Toward resolving the paradoxes. British Journal of Criminology, 37, 608–634.
Sutton, R. M., & Farrall, S. (2005). Gender, socially desirable responding and the fear of crime. Are women really more anxious about crime? British Journal of Criminology, 45, 212–224.
Taylor, M. F., Brice, J., Buck, N., & Prentice-Lane, E. (2009). British household panel survey user manual volume a: Introduction, technical report and appendices. Colchester: University of Essex.
Theus, M. (2008). High-dimensional data visualization. In C. Chen, W. Härdle & A. Unwin (Hrsg.), Handbook of data visualization (S. 151–178). Berlin: Springer.
Tourangeau, R. (1984) Cognitive science and survey methodsmethods: A cognitive perspective. In T. Jabine, M. Straf, J. M. Tanur & R. Tourangeau (Hrsg.), Cognitive aspects of survey methodology: Building a bridge between disciplines (S. 73–100). Washington: National Academy Press.
Tourangeau, R., & Rasinski, K. A. (1988). Cognitive Processes Underlying Context Effects in Attitude Measurement. Psychological Bulletin, 103, 299–314.
Tourangeau, R., & Yan, T. (2007). Sensitive Questions in Surveys. Psychological Bulletin, 133, 859–883.
van de Pol, F., & de Leeuw, J. (1986). A latent markov model to correct for measurement error. Sociological Methods & Research, 15, 118–141.
Vermunt, J. K., & Magidson, J. (2004). Local independence. In M. S. Lewis-Beck, A. Bryman, & T. F. Liao (Hrsg.), The Sage encyclopedia of social sciences research methods (S. 580–581). Thousand Oakes: Sage.
Warr, M., & Stafford, M. (1983). Fear of victimization: a look at the proximate causes. Social Forces, 61, 1033–1043.
Warr, M. (1984). Fear of victimization: Why are women and the elderly more afraid?. Social Science Quarterly, 65, 681–702.
Warr, M. (1985). Fear of Rape Among Urban Women. Social Problems, 32, 238–250.
Wheaton, B., Muthén, B., Alwin, D. F., & Summers, G. F. (1977). Assessing Reliability and Stability in Panel Models. Sociological Methodology, 8, 84–136.
Wiley, D. E., & Wiley, J. A. (1970). The Estimation of Measurement Error in Panel Data. American Sociological Review, 35, 112–117.
Winkel, F. W. (1981). Angst voor Criminaliteit: Verklarende Modellen. Tijdschrift voor Criminologie, 23, 289–308.
Wolter, K. M. (2006) Introduction to variance estimation. New York: Springer.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Anhang
Anhang
Rights and permissions
Copyright information
© 2014 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Noack, M. (2014). Probleme bei der Reliabilitäts- und Stabilitätsschätzung für allgemeine Kriminalitätsfurchtindikatoren. In: Eifler, S., Pollich, D. (eds) Empirische Forschung über Kriminalität. Kriminalität und Gesellschaft. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-531-18994-9_10
Download citation
DOI: https://doi.org/10.1007/978-3-531-18994-9_10
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-531-18258-2
Online ISBN: 978-3-531-18994-9
eBook Packages: Humanities, Social Science (German Language)