Zusammenfassung
Ziel dieses Kapitels ist es, das anzuwendende Messinstrument für soziales Kapital und eine Analysestrategie für den empirischen Teil vorzustellen und zu erläutern. Ausgangspunkt ist eine formale Beschreibung sozialen Kapitals anhand der gegebenen Definition (vgl. Abschn. 2.3), die sich an der Struktur sozialer Beziehungen zwischen Ego und seinen Alteri, den Ressourcen der Alteri und der Bereitschaft zum sozialen Austausch der Ressourcen zwischen Ego und den Alteri orientiert. Dabei erfährt die Summierung über alle Alteri und über alle Ressourcen gewisse Begrenzungen. Zunächst werden einige Erhebungstechniken und mögliche Messinstrumente diskutiert, die sowohl in der sozialen Netzwerkanalyse als auch in der Social-Support-Forschung etabliert sind. Dazu gehören vor allem verschiedene Verfahren der Messung egozentrierter Netzwerke, wie Global-, Namens-, Positions- und Ressourcengeneratoren.
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.
Diese Bereitschaft Alters, eigene Ressourcen zur Verfügung zu stellen, bezeichnen Weesie und Kollegen (1991, S. 625) als Beziehungsstärke. Sie ist neben der Anzahl der Alter und deren Ressourcen eine weitere bedeutende Dimension sozialen Kapitals. Es gibt unterschiedliche Operationalisierungen für die Beziehungsstärke. Einerseits ergibt sich die Stärke einer Beziehung aus der gemeinsam verbrachten Zeit, der emotionalen Intensität, dem gegenseitigen Vertrauen und reziprokem Austausch (Granovetter 1973, S. 1361). Andererseits lässt sich die Beziehungsstärke am sozialen Kontext der Beziehung ablesen. Neben Familienangehörigen sind vor allem enge Freunde zu den starken Beziehungen zu rechnen, während Bekanntschaften schwache Beziehungen sind (Granovetter 1983, S. 201).
- 2.
Die Eigenschaften der Knappheit und ungleichen Verteilung von Ressourcen gilt an dieser Stelle entsprechend für die Verteilung der Ressourcen über die Alteri.
- 3.
Es gibt weitere Klassifizierungen sozialer Ressourcen. So unterscheiden Foa und Foa (1980) anhand der beiden Achsen Konkretheit versus Symbolismus (Ist die Ressource gegenständlich und mit einer Aktivität verbunden oder über ein Zeichensystem vermittelt?) und Partikularität versus Universalität (Wie stark hängt die Bedeutung einer Ressource von einer spezifischen Person ab?) die sechs Ressourcenklassen Liebe, Status, Information, Dienstleistungen, Geld und materielle Güter. Eine weitere Trennung von Ressourcendimensionen ist die in soziale Unterstützung als Bewältigung von Krisensituationen und Lösung von temporären Problemen (get by) sowie in soziale Lieferung als Zugang zu bestimmten Ressourcen, die die materielle Situation auf lange Sicht bessern (get ahead). Soziale Unterstützung wird durch bonding ties bereitgestellt, während soziale Lieferung über bridging ties abläuft (Kleinhans et al. 2007).
- 4.
Egozentrierte Netzwerke werden auch persönliche Netzwerke genannt (vgl. Mitchell 1969, S. 13).
- 5.
Über die Reputationsmethode werden Informationen von mehreren Experten zusammengetragen. Akteure gehören nur dann zum Netzwerk, wenn ihr Name mit einer festgelegten Häufigkeit genannt wird.
- 6.
Nichtsdestotrotz stellt die Inhaltsanalyse eine etablierte Methode zur Erhebung von Gesamtnetzwerken dar. Als Quellmaterial bieten sich zum Beispiel Archivdaten, Sitzungsprotokolle und Internetforen an (Burt 1983; Galaskiewicz et al. 1985).
- 7.
Im Vergleich zu Namensgeneratoren werden wesentlich mehr Ressourcen abgefragt, die sich zu Dimensionen zusammenfassen lassen. Ein Vorläufer des Ressourcengenerators mit aussagekräftigen aber wenigen Einzelressourcen findet sich in Diewald (1995).
- 8.
Alter ist in diesem Fall ein Intermediär, der den indirekten Ressourcenfluss zu Ego steuert.
- 9.
An dieser Stelle ist darauf hinzuweisen, dass gegenüber dem ursprünglich von Gaag und Snijders eingesetzten Ressourcengenerator zwei konkrete von ihnen diskutierte Verbesserungsvorschläge für die Antwortkategorien umgesetzt wurden: die Möglichkeit „niemand“ zu nennen und die Möglichkeit, Mehrfachantworten bei den Personenkreisen zuzulassen.
- 10.
Die beiden Begriffe Freundschaft und Bekanntschaft werden von verschiedenen Bevölkerungsgruppen unterschiedlich verstanden (Hollstein 2001).
- 11.
Zähldaten nehmen ganzzahlige Werte (0, 1, 2, 3, …) an. Sie sind diskret und haben eine untere Grenze des Wertebereichs. Zähldaten können zwei Verteilungen folgen, der Binomial-Verteilung und der Poisson-Verteilung. Der Unterschied liegt in der oberen Begrenzung des Wertebereichs. Während Binomialdaten durch eine Anzahl n begrenzt sind (0 ≤ y ≤ n), können Poissondaten unbegrenzt alle positiven, ganzzahligen Werte annehmen (0 ≤ y ≤ + ∞). Während Binomialdaten also immer durch die maximale Anzahl n dividiert werden können, um eine Auftretenswahrscheinlichkeit anzugeben, ist dies für Poissondaten nicht möglich. Für Zähldaten sind lineare OLS-Regressionen ungeeignet (Long 1997, S. 38 ff.). So können die geschätzten y-Werte außerhalb des gültigen Wertebereichs liegen, d. h. sie können kleiner als null sein und für binomialverteilte Daten können die geschätzten y-Werte zudem über der oberen Wertebereichsgrenze liegen. Die Anwendung von OLS-Regressionen erfordert die Einhaltung der Homoskedastizitätsannahme, d. h. die Varianz der Fehlerwerte ist für alle Werte der unabhängigen Variablen gleich (Long 1997, S. 13). Aufgrund der Natur binomialverteilter Daten ist der Fehlerterm notwendigerweise heteroskedastisch. Die Folge von Heteroskedastizität sind ineffiziente Schätzungen, in denen der Regressionskoeffizient vom wahren Wert in der Grundgesamtheit abweicht. In Folge dieser fehlerhaften OLS-Regressionen werden sowohl die Regressionskoeffizienten verzerrt als auch die wahren Standardfehler unterschätzt, wodurch die inferenzstatistische Signifikanz überschätzt wird (Cohen et al. 2003, S. 525).
- 12.
Für diese Verteilung sind Erwartungswert und Varianz gleich dem Mittelwert μ = var(y|x). Oft ist aber Overdispersion in den empirischen Daten zu beobachten. Overdispersion bedeutet, dass die Varianz der Zählvariable größer als die durch das Poissonmodell erklärte Varianz ist. Die Gründe für Overdispersion sind zahlreich, wobei hauptsächlich unbeobachtete Heterogenität (wird nicht durch die Kovariaten des linearen Prädiktors erklärt) und positive Korrelationen zwischen individuellen Antworten der abhängigen Variable (individuelle Einheiten gehören einem Cluster an) für Overdispersion verantwortlich sind. Overdispersion kann durch einen Nuisance Parameter (ϕ) im Poissonmodell berücksichtigt werden: var(y|x) = σ(μ) = ϕ μ (Fahrmeir und Tutz 1994, S. 34 f.). Es gibt komplexere Modelle, die Extravariation in den Daten berücksichtigen (Cameron und Trivedi 1986; Cohen et al. 2003).
- 13.
Beispielsweise hat ein linearer Prädiktor mit drei Variablen die Form: β0 + β1 x 1 + β2 x 2 + β3 x 3.
- 14.
Die meisten Datenanalyseprogramme listen deshalb neben den Regressionskoeffizienten auch die exponierten Regressionskoeffizienten auf.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Petermann, S. (2015). Operationalisierung und Messung des sozialen Kapitals. In: Persönliches soziales Kapital in Stadtgesellschaften. Netzwerkforschung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-05418-2_6
Download citation
DOI: https://doi.org/10.1007/978-3-658-05418-2_6
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-05417-5
Online ISBN: 978-3-658-05418-2
eBook Packages: Humanities, Social Science (German Language)