Zusammenfassung
Die Darstellung der Untersuchungsergebnisse beginnt mit einer deskriptiven und grafisch veranschaulichten Auswertung des erhobenen Datenmaterials im Vergleich der Weltregionen untereinander (Kapitel 5.1). Anschließend wird ein Gruppenvergleich nach dem jeweiligen Entwicklungs- und Demokratisierungsniveau der Herkunftsländer der befragten Experten durchgeführt (Kapitel 5.2). Im nächsten Schritt der Datenauswertung wird mit Hilfe von Faktorenanalysen untersucht, inwieweit Zusammenhänge zwischen Variablen des Fragebogens bestehen, sodass diese zu Faktoren gebündelt werden können (Kapitel 5.3). Des Weiteren wird unter Anwendung von Regressions- und Pfadanalysen überprüft, inwieweit plausibel begründbare Zusammenhänge und Einflüsse zwischen dem Entwicklungs- und Demokratieniveau der Länder, den Variablen bzw. Faktoren des vorhandenen demokratischen Unterstützungspotentials und der Implementierung einer Bildung für nachhaltige Entwicklung existieren (Kapitel 5.4). Die Abhandlung schließt mit einer komprimierten Zusammenfassung der Untersuchungsergebnisse (Kapitel 5.5).
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Dieser neu generierte Index des Entwicklungs- und Demokratieniveaus dient im Rahmen der statistischen Auswertung der Untersuchungsergebnisse nicht nur als Basis zum entsprechenden Gruppenvergleich, sondern wird darüber hinaus an späterer Stelle als unabhängige Variable verwendet, um unmittelbare und mittelbare Einflüsse zwischen dem Entwicklungs- und Demokratieniveau, dem demokratischen Unterstützungspotential und der Implementierung einer Bildung für nachhaltige Entwicklung zu kennzeichnen (siehe Kap. 5.4).
- 2.
Als eine Weiterentwicklung des HDI sollen mit dem so genannten Human Sustainable Development Index (HSDI) darüber hinaus die Pro-Kopf-Treibhausgas-Emissionen in Form von CO2-Äquivalenten als Indikator herangezogen werden, um auch die Kosten zu benennen, die in der Regel mit dem auf Verbrennung fossiler Energiequellen basierenden Lebensstandard wohlhabender Staaten verbunden ist, der wiederum vor allem zu Lasten der Entwicklungsländer sowie zukünftiger Generationen geht (vgl. UNU 2010). Der HSDI wurde erstmals im Jahre 2010 seitens des Internationalen Geosphären-Biosphären Programms und der Universität der Vereinten Nationen (UNU) für bestimmte Länder eingeführt und im Jahr 2011 nahezu weltweit ermittelt. Im Unterschied zum HDI schneiden die vornehmlich öl- und gasverbrauchenden Länder beim HSDI erwartungsgemäß schlechter ab. Dazu zählen vor allem die ölexportierenden arabischen Länder Katar, die Vereinigten Arabischen Emirate, Kuwait, Bahrain und Saudi Arabien, aber auch hoch entwickelte Industrieländer wie beispielsweise Luxemburg, die USA, Kanada und Australien (vgl. UNU 2010). Insofern jedoch die konkreten Maßzahlen des HSDI für den Erhebungszeitraum der Studie im Jahr 2009 nicht verfügbar sind, kann dieser Index, der neben einem ökonomischen und zwei gesellschaftlichen Komponenten auch ein ökologisches Kriterium berücksichtigt, nicht als Grundlage für ein alternatives Gruppenmodell ausgewählt werden.
- 3.
Die Republik Irak wurde im HDR des Jahres 2010 noch nicht berücksichtigt, erscheint jedoch erstmals im HDR des Jahres 2013 mit einem HDI-Wert von 0,590 (vgl. HDR 2013, S. 18); dies entspricht dem Wert 2 auf der zugewiesenen Rangskala.
- 4.
Auf eine Auseinandersetzung mit der Konzeptqualität der jeweiligen Indizes wird hier verzichtet, da sie den Rahmen des vorliegenden Verwendungskontextes sprengen würde.
- 5.
Die Republik Malta und die Republik Seychellen werden weder vom Global Report 2009 noch vom Global Report 2011 erfasst (vgl. Center for Systemic Peace 2011, S. 30–35). Für diese beiden Länder wird hier der Regimetyp der institutionalisierten bzw. der nichtinstitutionalisierten Demokratie geschätzt.
- 6.
Die Republik Seychellen erscheint weder in den Berechnungen zum Demokratieindex 2010 noch in denen zum Demokratieindex 2012 (vgl. The Economist Intelligence Unit 2013, S. 3–8). Für sie wird hier der Regimetyp der fehlerhaften Demokratie geschätzt.
- 7.
Insofern die Wertebereiche der Indizes nur gering voneinander verschieden sind (Polity IV: 1–5, Demokratieindex: 1–4, Freedom in the World: 1–7), ist eine Standardisierung der Variablenwerte durch eine z-Trans-formation hier nicht notwendig. Die daraus resultierende, etwas größere Gewichtung des Freiheitsindexes nach Freedom House wird dabei in Kauf genommen.
- 8.
Exemplarisch für diese beiden Niveaus können hier die Länder Elfenbeinküste und Australien genannt werden.
- 9.
Mit der Prozedur des „Visuellen Klassierens“ können unter SPSS Variablenwerte metrischer oder ordinalskalierter Variablen zu einer kleineren Zahl von Klassen bzw. Kategorien zusammengefasst und umkodiert werden. Die Neugruppierung der Daten erfolgt auf der Grundlage eines Histogramms, welches die Verteilung und insbesondere die Häufungen der Variablenwerte anschaulich darstellt. Durch die Angabe von Trennwerten und deren Positionen lassen sich sodann geeignete, voneinander abgrenzbare Klassen von Variablenwerten definieren (vgl. Janssen und Laatz 2010, S. 121–126).
- 10.
Bei etwa der Hälfte der ausgewerteten Fragebogenvariablen liegt dabei die Vermutung nahe, dass zwischen diesen Variablen und der Variable des Entwicklungs- und Demokratieniveaus Zusammenhänge bestehen. Diese Vermutung wird in Kap. 5.4 mit Hilfe von Regressions- und Pfadanalysen systematisch überprüft.
- 11.
Die angeführten Mittel- und Prozentwerte werden stets in der aufsteigenden Reihenfolge des Entwicklungs- und Demokratieniveaus, d. h. von Rang 1 bis Rang 5, angegeben.
- 12.
Auf den zusätzlichen Aufwand, der mit der notwendigen Dichotomisierung der Antwortvariablen verbunden wäre, um Faktorenanalysen bei Mehrfachantworten durchzuführen, wird damit verzichtet, zumal die Verteilungsstrukturen der Variablen bereits im Rahmen der Häufigkeitsauszählung in den Kap. 5.1 und 5.2 hinreichend dargestellt werden konnten. Darüber hinaus würden diese Analysen eher zu einer unübersichtlichen Aufblähung der Gesamtauswertung führen als zur gewünschten Komplexitätsreduktion beitragen.
- 13.
Auf die Variable „Unterstützungsgüte“ wird hier verzichtet, da sie als Konstante eine Null-Varianz aufweist und daher bei der Faktorenanalyse nicht berücksichtigt werden kann. Der Wert der Prüfgroße des „measure of sampling adequacy (MSA)“ der Anti-Image-Korrelationsmatrix, der anzeigt, in welchem Umfang die Ausgangsvariablen zusammengehören, beträgt für die verbleibenden Variablen des demokratischen Unterstützungspotentials 0,728. Dieses auch als Kaiser-Meyer-Olkin-Kriterium (KMO) bezeichnete Maß der Stichprobeneignung dient somit als Indikator dafür, ob eine Faktorenanalyse sinnvoll erscheint oder nicht (Backhaus et al. 2011, S. 342). Vor dem Hintergrund, dass sich eine Korrelationsmatrix bereits mit MSA ≥ 0,5 für eine Faktorenanalyse eignet, lässt sich dieser MSA-Wert als „ziemlich gut“ beurteilen. Des Weiteren liefert der Bartlett-Test auf Sphärizität, der die Hypothese überprüft, ob die Stichprobe aus einer Grundgesamtheit entstammt, in der die Variablen unkorreliert sind (vgl. Backhaus et al. 2011, S. 341), einen hohen ungefähren Chi-Quadrat-Wert von 824,216 bei höchster Signifikanz (p = 0,000). Die Komponentenkorrelationsmatrix nach der Rotationsmethode Oblimin mit Kaiser-Normalisierung weist keine relevanten Korrelationen der drei extrahierten Komponenten auf (r = − 0,054, r = 0,066, r = 0,274), sodass die rechtwinklige Rotationsmethode Varimax mit Kaiser-Normalisierung angewendet wird (vgl. Backhaus et al. 2011, S. 363 sowie Bühl 2008, S. 543).
- 14.
Bezüglich dieser Variablen lässt sich das Kaiser-Meyer-Kriterium zur Stichprobeneignung mit dem MSA-Wert der Anti-Image-Korrelationsmatrix von 0,794 nahezu als „verdienstvoll“ beurteilen (vgl. Backhaus et al. 2011, S. 343). Der ungefähre Chi-Quadrat-Wert des Bartlett-Tests auf Sphärizität beträgt 1035,172 bei höchster Signifikanz ( p = 0,000). Folglich kann die Korrelationsmatrix einer explorativen Faktorenanalyse unterzogen werden. Die Komponentenkorrelationsmatrix nach der Rotationsmethode Oblimin mit Kaiser-Normalisierung weist eine Korrelation der zwei extrahierten Komponenten von r = 0,359 auf. Demzufolge ist die rechtwinklige Rotationsmethode Varimax mit Kaiser-Normalisierung nicht anwendbar (vgl. Backhaus et al. 2011, S. 363 sowie Bühl 2008, S. 543).
- 15.
Aufgrund der teilweise zu geringen Fallzahlen innerhalb der verschiedenen Weltregionen ist hier eine Mehrebenenanalyse zur simultanen Berechnung der Aggregat- und Individualebene nicht möglich.
- 16.
Angesicht des MSA-Wertes der Anti-Image-Korrelationsmatrix von 0,847, wodurch das Kaiser-Meyer-Kriterium zur Stichprobeneignung als „verdienstvoll“ zu beurteilen ist (vgl. Backhaus et al. 2011, S. 343), sowie eines ungefähren Chi-Quadrat-Wertes des Bartlett-Tests auf Sphärizität von 1478,423 bei höchster Signifikanz ( p = 0,000) kann die Korrelationsmatrix explorativ auf Faktoren hin untersucht werden. Da die Komponentenkorrelationsmatrix nach der Rotationsmethode Oblimin mit Kaiser-Normalisierung mit r = 0,029 keine relevante Korrelation zwischen den zwei extrahierten Komponenten aufweist, ist zur weiteren Faktorenberechnung die rechtwinklige Rotationsmethode Varimax mit Kaiser-Normalisierung in Betracht zu ziehen (vgl. Backhaus et al. 2011, S. 363 sowie Bühl 2008, S. 543).
- 17.
Die Mustermatrizen der Hauptkomponentenanalysen im Zuge einer Oblimin-Rotation mit Kaiser-Normalisie-rung zeigen hierbei, dass in der Region Afrika die Variablen des Mehrparteiensystems sowie der freien Wahlen sehr hoch auf einen zweiten Faktor laden (Eigenwerte der Faktoren: 5,441 bzw. 1,062). Analog zeigen die Variablen der Grund- und Menschenrechte, des Minderheitenschutzes sowie der Partizipation der Zivilgesellschaft in der Region Lateinamerika und Karibik hohe Ladungen auf einen zweiten Faktor (Eigenwerte der Faktoren: 4,847 bzw. 1,006).
- 18.
Hierbei wird aus der Mustermatrix der Hauptkomponentenanalysen im Zuge einer Oblimin-Rotation mit Kaiser-Normalisierung ersichtlich, dass die Variablen des Minderheitenschutzes und der Partizipation der Zivilgesellschaft deutlich hoch auf einen zweiten Faktor laden (Eigenwerte der Faktoren: 5,882 bzw. 1,104).
- 19.
Insofern die Variablen der tatsächlichen sowie der potentiellen demokratischen Veränderung nicht global gebündelt werden können, erklärt sich die Gesamtvarianz der Beobachtungswerte lediglich durch die einzelnen Variablen selbst. Folglich können auch keine Faktorvariablen generiert werden, die im Kontext der nachfolgenden Regressions- und Pfadanalysen zur Geltung kommen könnten. Dessen ungeachtet lassen sich Zusammenhänge mit anderen Variablen des Fragebogens weiterhin durch die konstruierten Indizes aufzeigen, die sich jeweils auf die gesamten Variablenensembles beziehen (siehe Kap. 5.4).
- 20.
Um die Anzahl der Fälle in der Stichprobe durch Ausschluss fehlender Werte hoch zu halten, werden die Variablen der Veränderung der Umsetzungsstrategie sowie der konkret umgesetzte Ergebnisse bei Projekten, die im Fragebogen als Zusatzfragen formuliert waren und daher von Seiten der Experten oftmals ausgelassen wurden, aus der Faktorenanalyse ausgeschlossen. Auf der Grundlage der Anti-Image-Korrelationsmatrix wird für die verbleibenden Variablen ein MSA-Wert von 0,618 errechnet, der zwar nicht optimal, jedoch immerhin „mittelmäßig“ ist und angesichts eines ungefähren Chi-Quadrat Wertes von 269,602 bei höchster Signifikanz ( p = 0,000) eine Faktorenanalyse noch in Betracht kommen lässt (vgl. Backhaus et al. 2011, S. 343). Die Komponentenkorrelationsmatrix im Zuge der drei extrahierten Faktoren der Rotationsmethode Oblimin mit Kaiser-Normalisierung liefert keine relevanten Korrelationen (r = −0,031, r = 0,014, r = 0,115), sodass die rechtwinklige Rotationsmethode Varimax mit Kaiser-Normalisierung zur Anwendung kommen kann.
- 21.
Das statistische Rechenverfahren der Regressionsanalyse wird hier als Ursachenanalyse verwendet. Vor dem Hintergrund begründbarer Kausalbeziehungen (Ursache-Wirkung-Beziehungen, Je-Desto-Beziehungen) dient es der Beantwortung der Frage, wie stark die jeweiligen Einflüsse ausgewählter unabhängiger Variablen und Faktoren auf abhängige Variablen und Faktoren sind und in welche Richtung diese jeweils wirken (vgl. Backhaus et al. 2011, S. 59 ff.). Um die Vergleichbarkeit der Regressionskoeffizienten zu gewährleisten, werden die standardisierten Werte berechnet, welche die unterschiedlichen Messdimensionen der Variablen eliminieren und als so genannte Beta-Werte (β) angeben, wie wichtig die jeweiligen Variablen sind (vgl. Backhaus et al. 2011, S. 70). In alle nachfolgenden Berechnungen gehen die im Vergleich zu den übrigen Variablen des Fragebogen entgegengesetzt konstruierten Variablen des Entwicklungs- und Demokratieniveaus sowie der zivilgesellschaftlichen Demokratisierung in umgepolter Ausrichtung ein, sodass die Einflussrichtung der jeweils ermittelten Beta-Werte erhalten bleibt.
- 22.
Als lineare Strukturgleichungsmodelle ermöglichen Pfadanalysen insbesondere die Darstellung indirekter Effekte bzw. Mediatoreffekte intermittierender bzw. „zwischengeschalteter“ Variablen (vgl. Geiser 2011, S. 76). Diese zugleich abhängigen und unabhängigen Variablen werden in den Pfadmodellen entsprechend der zweiten Fragestellung aus dem demokratischen Unterstützungspotenzial rekrutiert.
- 23.
Zur Bestimmung der unmittelbaren Einflüsse des Entwicklungs- und Demokratieniveaus auf die Variablen und Faktoren des demokratischen Unterstützungspotentials sowie der Implementierung einer Bildung für nachhaltige Entwicklung ohne Berücksichtigung anderer Einflussvariablen und -faktoren werden Regressionsanalysen durchgeführt, bei denen die Variable Entwicklungs- und Demokratieniveau als alleinige unabhängige Variable und die Variablen bzw. Faktoren des demokratischen Unterstützungspotentials sowie der Implementierung einer Bildung für nachhaltige Entwicklung als abhängige Variablen eingegeben werden. Unter SPSS entspricht dies dem Rechenverfahren der einfachen Regression mit Einschlussmethode. Als Ergebnis werden die Beta-Werte (β) der jeweiligen abhängigen Variablen bzw. des jeweiligen abhängigen Faktors aufgelistet (Tab. 5.25 und 5.26). Die globalen Gütemaße der Regressionsmodelle werden hier nicht aufgeführt, da der „Fit“ der jeweiligen Regressionsgleichung der Signifikanz des jeweiligen alleinigen Beta-Wertes entspricht.
- 24.
Dabei werden wie in Kap. 5.4.1 jeweils die standardisierten Regressionskoeffizienten β einschließlich ihres jeweiligen Signifikanzniveaus angegeben. Zur Ermittlung der spezifischen Einflüsse wird das Regressionsverfahren der multiplen linearen Regression mit schrittweiser Methode angewendet, welches die nicht signifikanten Wirkungszusammenhänge eliminiert und somit insbesondere der Komplexitätsreduktion des Auswertungsprozesses dient. Diese Prozedur bezieht die unabhängigen Variablen bzw. Faktoren nacheinander einzeln in die Regressionsgleichung ein und wählt jeweils nur diejenigen Prädiktoren aus, die ein bestimmtes Gütekriterium maximieren bzw. den größten Beitrag zu Erhöhung des Bestimmtheitsmaßes leisten (vgl. Backhaus et al. 2011, S. 108 und S. 111). Dieser Auswahlalgorithmus führt folglich zu einer insgesamt geringeren Anzahl unabhängiger Variablen bzw. Faktoren, deren unmittelbarer Vergleich jedoch inhaltlich aussagekräftigere Beta-Werte ermöglicht. Die Variable der Unterstützung durch die politischen Gremien im eigenen Land kann in die Analysen nicht mit einbezogen werden, da sie eine konstante Einflussgröße darstellt und insofern keinen substantiellen Erklärungsbeitrag zur Variation der unabhängigen Variablen liefert.
Die Anpassungsgüte der Regressionsmodelle an die empirischen Daten wird in den Tabellen jeweils unterhalb der Zeile der globalen Gütemaße angegeben. Für den „Fit“ der Regressionsgleichung ist der Wert des Bestimmtheitsmaßes R-Quadrat verantwortlich; er erklärt den prozentualen Anteil der Variation der abhängigen Variable durch die unabhängige/n Variable/n (vgl. Janssen/Laatz 2010, S. 419). So besagt z. B. der Wert R2 = 0,254 im Modell 5 der ersten Regressionsanalyse zur abhängigen Variable der grundlegenden Diskussion über eine Bildung für nachhaltige Entwicklung im bildungspolitischen Kontext (vgl. Tab. 5.27), dass 25,4 % der Variation dieser Variable durch die fünf angegebenen unabhängigen Variablen erklärt wird. In den weniger aussagekräftigen Modellen kann dieser Wert von R-Quadrat auch unter 0,100 liegen. Im Vergleich mit anderweitigen, auf „härtere Daten“ zurückgreifenden empirischen Untersuchungen in sozial- und bildungswissenschaftlichen Kontexten erscheinen diese Werte zur Varianzaufklärung der Zielvariablen zweifellos gering. Jedoch ist hier zu berücksichtigen, dass – neben dem notwendigerweise ausgeprägt explorativen Charakter der vorliegenden Studie, die auf Experteneinschätzungen beruht (vgl. Kap. 1), – bei den schrittweise generierten Regressionsmodellen lediglich die signifikanten der zwölf Variablen zur Geltung kommen sollen, um die Auswertung nicht über Gebühr auszudehnen. Auch sinkt die Anzahl der Beobachtungen mit der reduzierten Anzahl der erklärenden Variablen. Diesem Zusammenhang trägt das korrigierte R-Quadrat als zweites Bestimmtheitsmaß Rechnung, indem es sowohl die Anzahl der erklärenden Variablen als auch die Anzahl der Beobachtungen berücksichtigt (vgl. Janssen und Laatz 2010, S. 419). Zur Erhöhung der Varianzaufklärungen wären letztlich weiterführende Studien mit entsprechend ausdifferenzierten Forschungsdesigns notwendig.
Neben den Bestimmtheitsmaßen qualifiziert auch die varianzanalytische Prüfung der Regressionsschätzung mit Hilfe des F-Tests die Anpassungsgüte der jeweiligen Regressionsmodelle (vgl. Janssen und Laatz 2010, S. 420). Nachfolgend werden daher df als die Anzahl der Freiheitsgrade für die erklärte und nicht erklärte Streuung sowie der zugehörige Wert für F (jedoch ohne Angabe der erklärten und nicht erklärten Varianzen sowie deren durchschnittlichen quadrierten Abweichungen) einschließlich seiner Signifikanz angegeben. Dieser Test auf Irrtumswahrscheinlichkeit, der in SPSS automatisch erfolgt, prüft jedoch nur allgemein, ob mehrere Erklärungsvariablen gemeinsam einen regressionsanalytischen Erklärungsbeitrag leisten. Daher werden in allen Regressionsanalysen die Regressionskoeffizienten stets auch einzeln auf Signifikanz überprüft.
Des Weiteren wurden bei allen Modellen Statistiken durchgeführt, die die Einhaltung der Prämissen von linearen Regressionen prüfen. Kollinearitätsdiagnosen dienen hierbei der Beurteilung der Stärke der Multikollinearität, also der linearen Abhängigkeit der erklärenden Variablen untereinander, die zu ungenauen Schätzergebnissen für die Regressionskoeffizienten führen kann (vgl. Janssen und Laatz 2010, S. 424–425). Dabei leitet sich aus den Eigenwerten der Korrelationsmatrix der Erklärungsvariablen ein Konditionsindex ab, dessen Wert zwischen 1 und 10 sehr geringe bis geringe, zwischen 10 und 30 moderate bis starke, und bei einem Wert über 30 sehr starke Multikollinearität diagnostiziert (vgl. Janssen und Laatz 2010, S. 425). In den folgenden schrittweise generierten Regressionsmodellen bleiben die Konditionsindizes bei den Variablen weitgehend unter dem Wert 10 und bei den Faktoren in der Regel zwischen den Werten 1 und 3, sodass nur in sehr geringem bis geringem Maße auf Multikollinearität geschlossen werden kann.
Um die Modellvoraussetzungen bezüglich der Residualgrößen und Vorhersagewerten zu prüfen, sind weitere Teststatistiken erforderlich. Ist die Streuung der Residuen in einer Reihe von Werten der prognostizierten abhängigen Variablen nicht konstant, wäre die Störgröße von den unabhängigen Variablen und von der Reihenfolge der Beobachtungen abhängig. Dieser Fall von Heteroskedastizität würde zu einer ineffizienten Schätzung sowie zu einem verfälschten Standardfehler des Regressionskoeffizienten führen (vgl. Backhaus et al. 2011, S. 90). Die Prüfung auf Heteroskedastizität erfolgt für alle vorliegenden Regressionsmodelle visuell durch die Betrachtung der Residuen in einem Streudiagramm, das durch die standardisierten geschätzten Werte auf der X-Achse und die Werte der standardisierten Residuen auf der Y-Achse entfaltet wird. Bei allen generierten Streudiagrammen ist nicht erkennbar, dass die Streuung der Residualwerte systematisch mit der Höhe der Vorhersagewerte variiert. Die Streudiagramme der variablenbezogenen Regressionsmodelle weisen zwar geradlinige Strukturen auf, die jedoch keine Dreiecksmuster bilden, während die Punktwolken in den Diagrammen der faktorenbezogenen Regressionsmodelle gänzlich als zufällig erscheinen. Demnach liegen hier keine relevanten Fälle von Heteroskedastizität vor.
Mit der Prüfung der Störgrößen auf angenäherte Normalverteilung wird die Gültigkeit der Signifikanz des F-Tests auch bei geringen Fallzahlen sichergestellt (vgl. Backhaus et al. 2011, S. 96). Diese Überprüfung lässt sich über die Häufigkeitsverteilung der standardisierten Residuen veranschaulichen (vgl. Janssen und Laatz 2010, S. 430–431). Die für die nachfolgend durchgeführten Regressionsanalysen in SPSS entsprechend ausgegebenen Histogramme zeigen bei den variablenbezogenen Regressionsmodellen neben normalverteilten Häufigkeiten auch solche mit geringen Abweichungen, die sich – wie zu erwarten ist – auf die Modelle mit einem niedrigen Bestimmtheitsmaß beziehen. Dagegen erscheinen bei allen faktorenbezogenen Regressionsmodellen deutlich ausgeprägte Normalverteilungen.
- 25.
Als lineare Strukturgleichungsmodelle haben latente Pfadanalysen gegenüber manifesten Pfadanalysen den Vorteil, dass Messfehlereinflüsse bei der Schätzung von direkten, indirekten und sonstigen Effekten berücksichtigt werden (vgl. Geiser 2011, S. 85). Aufgrund der komplexeren Struktur der Pfadmodelle können deren Beta-Werte von den Ergebnissen der vorgeschalteten Regressionsanalysen leicht abweichen. Zur Beurteilung der Modellanpassung im Rahmen der Pfadanalysen gelten neben dem Bestimmtheitsmaß R-Quadrat die relevanten Gütekriterien von Strukturgleichungsmodellen, die im Programm Mplus durch statistische Tests standardmäßig erhältlich sind. Für den Comparative-Fit-Index (CFI) und den Tucker-Lewis-Index (TLI) liegen gute Werte in einem Bereich größer als 0,95, wohingegen Werte, die kleiner als 0,05 sind, für die Koeffizienten des Root-Mean-Square-Error-of-Approximation (RMSEA) und des Standardized-Root-Mean-Square-Residual (SRMR) als günstig angesehen werden (vgl. Geiser 2011, S. 60–61). Bezüglich der faktorenbezogenen Regressionen können keine Pfadmodelle generiert werden, da die Gütekriterien nicht hinreichend erfüllt sind.
- 26.
Trotz sehr guter Fit-Werte bezüglich der CFI- und TLI-Indizes wie auch der RMSEA- und SRMR-Koeffizien-ten ist die Varianzaufklärung des Pfadmodells im Hinblick auf die abhängige Variable mit dem Wert.097 für R2 erheblich eingeschränkter als die des Regressionsmodells. Dessen ungeachtet leistet das Pfadmodell einen wichtigen Erklärungsbeitrag zu den indirekten Einflüssen des Entwicklungs- und Demokratieniveaus.
- 27.
Die hier angeführten Beobachtungen erheben zwar den Anspruch auf plausible Ursache-Wirkungs-Zusammenhänge (und ermöglichen dadurch weitere explorative Suchprozesse), sie können jedoch der Beweislast für die Vermutung von Rückkopplungen des Implementierungsprozesses bezüglich einer Bildung für nachhaltige Entwicklung auf deren demokratisches Unterstützungspotential selbstverständlich nicht hinreichend Rechnung tragen. Die erforderlichen Indizien dafür müssten im strengen Sinne in Form von Längsschnittstudien mit zwei oder besser drei Erhebungszeitpunkten ermittelt werden.
- 28.
Entsprechend der Anzahl der möglichen abhängigen Variablen und Faktoren werden insgesamt zwölf Regressionen zwischen Variablen und drei Regressionen zwischen Faktoren durchgeführt. Analog zu Kap. 5.4.2 wird jeweils die multiple lineare Regression mit schrittweiser Methode angewendet, sodass lediglich die signifikanten unabhängigen Variablen und Faktoren in die Regressionsmodelle aufgenommen werden, die letztlich zu aussagekräftigeren Werten für den standardisierten Regressionskoeffizienten β führen. Die Anpassungsgüte der Regressionsmodelle an die empirischen Daten ist dabei wiederum durch die Kontrolle der globalen Gütemaße R-Quadrat und korrigiertes R-Quadrat sowie des F-Tests gewährleistet. Darüber hinaus ergeben die Prüfungen auf Kollinearität und Heteroskedastizität sowie die Prüfung der Störgrößen auf Normalverteilung bezüglich der Signifikanzgültigkeit des F-Tests, dass die Prämissen zur Anwendung von Regressionen hinreichend erfüllt sind. Da hinsichtlich der umgekehrten Einflüsse insgesamt weniger signifikante Prädiktoren als in Kap. 5.4.2 zur Geltung kommen und um die Auswertungsstatistik nicht über Gebühr auszudehnen, verzichtet die nachfolgende Auswertung auf die tabellarische Darstellung der jeweiligen Regressionsmodelle einschließlich der Koeffizienten für die Gütekriterien. Allerdings werden die bereits ermittelten signifikanten Einflüsse des demokratischen Unterstützungspotentials noch einmal aufgegriffen, sodass unmittelbare Rückkopplungen bzw. Wechselwirkungen zwischen den Variablen und Faktoren sichtbar werden. Diese Rückkopplungseffekte werden im Folgenden als βR gekennzeichnet.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Ohlmeier, B., Brunold, A. (2015). Untersuchungsergebnisse. In: Politische Bildung für nachhaltige Entwicklung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-02854-1_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-02854-1_5
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-02853-4
Online ISBN: 978-3-658-02854-1
eBook Packages: Humanities, Social Science (German Language)