t-test (und vergleichbare parametrische verfahren) setzen bei der/den abhängigen variable/n ein metrisches skalenniveau (mind. intervall-skala) voraus. insofern geht das mit deinen daten nicht. da sind die voraussetzungen aber streng genommen sowieso sehr strikt (normalverteilung!, varianzhomogenität), wenngleich das in der praxis oft vernachlässigt wird.

entweder nimmst du den vier-felder-test (chi-quadrat) oder du schaust mal, was spss so bei den non-parametrischen verfahren anzubieten hat. die spss-hilfe ist in meiner erinnerung ziemlich aussagekräftig, was sowas angeht.

ich komm grad nicht mehr drauf, aber hehe, doch! (danke, google!) der Mann-Whitney-U-Test kann auch ränge vergleichen. in spss unter Analysieren->Nichtparametrische Tests->2 unabh. Stichproben.

Zitat von »DUI«

Danke für die Antwort.

Den Mann-Whitney-U-Test habe ich bereits herangezogen, jedoch für Mehrgruppenvergleiche ("Unterscheidet sich der Mittelwert der Zufriedenheit X in der Befragtengruppe A signifikant von dem Mittelwert der Zufriedenheit X in der Befragtengruppe B?").

Bei einem Vergleich von zwei Mittelwerten, die sich auf zwei unterschiedliche Variablen beziehen hilft dieser aber meines Wissens nicht weiter..?

doch. wenn du einen mittelwertsvergleich im sinne eines tests machst, gibt es nicht zwei unabhängige variablen, sondern eben eine abhängige. du hast dann keinen gruppenfaktor, sondern ein within-groups-design. für diesen fall gibt's den Wilcoxon-Rangsummentest, der vergleicht für zwei abhängige stichproben. vielleicht ist's das, was du suchst? für den fall multipler within-group-vergleiche musst du aber das globale signifikanzniveau festlegen, und alpha in den subtests adjustieren, und zwar nach der weltbekannten Bonferroni-Methode ... :

aber mir scheint, dass sowieso kein quasi-experimentelles design vorliegt. insofern gibt's da in dieser hinscht auch nicht "gerichtetes" zu testen, sondern es geht um einen ungerichteten zusammenhang innerhalb eines datensatzes.

das prüfst du entweder über korrelation zwischen den beiden variablen. in der korrelationsmatrix kannst du die signifikanz der zusammenhänge testen lassen. du solltest für diesen fall unbedingt auch noch die effektstärke für die korrelation berechnen, am einfachsten als r² (determinationskoeffizient), der dann eine aussage über die durch die korrelation aufgeklärte varianz macht. oder eben die "richtigen" effektstärkemaße. weil: die signifikanz von korrelationen ist letztlich abhängig von der stichprobengröße. bei hinreichender stichprobengröße wird alles signifikant. das lieblingsbeispiel meines statistik-profs war immer, dass er (ich glaube in einem n=1200 datensatz) mal bewiesen hat, dass schuhgröße und IQ signifikant zusammenhängen. die anschlußfrage war nun: machen große schuhe intelligent, oder wachsen intelligente füße schneller? ...

oder du nimmst halt den ollen chi-quadrat. der prüft letztlich die unabhängigkeit zweier merkmale voneinander, kann aber auch als verteilungstest verwendet werden. hier ist's nochmal ausführlicher erklärt, sogar mit einem besipiel für zufriedenheitsmessungen (scroll). wenn ich das richtig verstehe, dann hast du in der matrix eine spalte mit "zufriedenheit_1" und "zufriedenheit_2" und in den zeilenüberschriften sind die einzelnen rangwerte (1,2,3,...,n).

puh, das ist alles schon ein bisschen was her bei mir, insofern werde ich gerade immer unsicherer...

ich glaube, es ergibt sich keine sinnvolle gerichtete aussage (sondern eben nur eine kovariation), es sei denn du hast die begründete annahme, dass sich zufriedenheit_1 zumindest teilweise direkt aus zufriedenheit_2 speist, zB weil z_1 die gesamt- und z_2, z_3 usw. partikularzufriedenheiten sind.

letztlich ist die wahl des statistischen verfahrens abhängig von der fragestellung und dem untersuchungsdesign. da musst du selbst wissen, was du aufgrund welcher daten warum und wie wissen willst ... ;D

für was brauchstn den mist überhaupt? uni-übung?

Zitat von »DUI«

An sich geht es um folgende konkrete Frage:

Bei einer Frage nach der Zufriedenheit der Kunden mit den Produkten des Unternehmens sowie der Zufriedenheit mit den angebotenen Dienstleistungen konnten diese auf einer fünfstufigen Likert-Skala antworten.
Nun kam bspw. bei 300 Antworten bei der Zufriedenheit mit den Produkten ein Mittelwert von 3,80, bei den Dienstleistungen 3,70 raus.
Jetzt würde mich interessieren ob es möglich ist, zu sagen, ob diese Differenz statistisch signifikant ist und die Gesamtheit der Kunden mit den Produkten wirklich zufriedener als mit den Dienstleistungen ist.

Mit dem U-Test kann ich ja bspw. sagen, ob die Mittelwerte einer Variablen (bspw. Zufriedenheit mit den Produkten) bei Kunden der Zielgruppe Händler sich signifikant von der Zielgruppe Einzelhandel unterscheidet.
Aber das hilft mir hier ja nicht weiter, da die Kundengruppen identisch sind, dafür aber zwei Variablen zu untersuchen sind.

Ich glaube, du siehst da einen Unterschied, der für den Test so keine Bedeutung hat. Der U-Test bzw. t-Test werden für den Vergleich der Mittelwerte zweier Verteilungen eingesetzt. Und genau das machst du ja in beiden Szenarien, die du angesprochen hast. Auch wenn für Produkte und Dienstleistungen dieselben Leute befragt wurden (verschiedene Gruppen wären für die gezielte Untersuchung Prod. <-> Dienstl. ja kontraproduktiv), so hast du dennoch zwei empirische Verteilungen vorliegen: Die Zufriedenheit mit den Produkten und die Zufriedenheit mit den Dienstleistungen. Diese beiden Verteilungen sind, denke ich, relativ unabhängig (und weisen vermutlich auch ähnliche Standardabweichungen/Dispersionen auf), sodass ich jetzt keinen Grund sehe, den U-Test hier NICHT einzusetzen.

Oder irre ich mich da?

yo, sehe ich auch so. also u-test bzw. wilcoxon (wg der abhängigen stichproben) müsste "statistik-technisch erlaubt" sein. kommt vielleicht auch auf den betreuer der arbeit an ... kannst du die frage der statischen methode mit ihm besprechen? dann würde ich das ganze mal zunächst korrelationsstatistisch beschreiben und zusätzlich u-test und chi² rechnen, und mit beiden ergebnissen zum betreuer laufen. vielleicht kann er dir mit der entscheidung helfen ...

was andereres ist noch die güte der messung selbst:
beziehen sich die mittelwerte aus deiner untersuchung lediglich auf zwei fragen (items) oder auf zwei zusammengesetzte skalen aus mehreren fragen? also mit welchem instrument hast du die zufriedenheit gemessen? ist das ein "fertiger" fragebogen zur zufriedenheitsmessung oder hast du den selbst erstellt?

im zweiten fall ("richtiger", methodisch geprüfter und vaidierter fragebogen als "messinstrument") hast du zufriedenheits-scores, die man ganz normal inferenzstatistisch prüfen kann.

für den fall von "lediglich zwei fragen" kannst du den inneren zusammenhang zwischen den antworten der probanden auf die beiden fragen natürlich auch statistisch testen. aber: untersuchst du in diesem fall das antwortverhalten, oder prüfst du das messinstrument (zB im sinne der homogenität der items bei der testkonstruktion)?!

ich würde es (für den fall, dass du wirklich nur zwei fragen in einem selbsterstellten instrument hast) so machen, also den zusammenhang lediglich statistisch beschreiben. wenn ich mich richtig erinnere, kannst du bei dem befehl für die korrelation zwischen zwei variablen mitangeben, ob die signifikanz getestet werden soll. guck mal, was spss da automatisch für eine test-methode verwendet.

für einen seperaten test im engeren sinne fehlen glaube ich die voraussetzungen. aufgrund dieser daten ist mE kaum zu sagen, wie die beiden werte zusammenhängen: sind produkte und dienstleistungen einfach ähnlich gut? oder sind zufriedene kunden tendenziell "insgesamt" zufriedener (zB weil sie beruflich erfogreicher sind), und bewerten deshalb unterschiedlos verschiedene einzelaspekte tendenziell besser? oder hebt die gute qualität der dienstleistungen die qualität (zB die nützlichkeit) der produkte, und das ist es, was sich in den zufriedenheits-ratings abbildet?

wenn du da "rumtestest" läufst du mE gefahr, dich zu aussagen zu versteigen, die mittels der reinen statistik nicht abzudecken sind: also überinterpretation. insofern machst du deine arbeit angreifbar.

also würde ich dir raten, die statistik für diesen fall so niedrig wie möglich zu hängen (deskriptive korrelationen mit signifikanzprüfung und effektstärke), und die ergebnisse erstmal nüchtern zu beschreiben. in der diskussion der arbeit kannst du dann ja auch die methodischen fragen ansprechen, und eben auch deutlich machen, welche inhaltlichen fragen deine arbeit nicht beantworten kann. so hast wunderbar auf weitere "forschungsdesiderata" abgezielt, und kannst evtl. sogar einen folgeauftrag an land ziehen

ch glaube, meine sicht der dinge ist methodisch eher "streng". wie gesagt, es kommt da wohl auch auf deinen betreuer an.