Interpretation der Dependenzanalyse

Bei Einführung der Korrelationsrechnung haben wir betont, daß die Korrelation ein Maß für eine interdependente Beziehung zwischen zwei Variablen ist - trotz häufig zu findender einseitig-dependenter Interpretation. Wir haben abschließend in diesem Lehrbuch drei statistische Verfahren vorgestellt, in deren Modellen von dependenten Beziehungen in einem multivariaten Geflecht ausgegangen wird, nämlich die Faktorenanalyse (genauer: das Modell mehrerer gemeinsamer Faktoren), die Partialkorrelation und die (multiple) Regression. Allen diesen Modellen ist gemeinsam, daß sie nicht dazu taugen, den Traum mancher naiven Forscher zu erfüllen, nämlich ohne fundierte theoretische Überlegungen und entsprechende Gestaltung eines Forschungsdesigns tatsächliche Kausalbeziehungen in einem multivariaten Setting aufzudecken. Es wurde verdeutlicht, daß die Verfahren nützlich sein können zum Auffinden von Varianzquellen, daß sie aber nicht Ursachen im kausalen Sinne aufspüren können. Alle drei Verfahren verlangen theoretische Überlegungen bei der Erstellung des Designs und der Interpretation der Ergebnisse.

Ein 'gutes' Ergebnis z.B. in einer multiplen Regressionsanalyse liefert noch längst keinen hinreichenden Hinweis für sozialtechnologische Handlungsanweisungen, u.a. deshalb weil dieses Verfahren relativ empfindlich auf leichte Variationen in der Datenbasis reagiert. Variieren die Korrelationen der Ausgangsmatrix auch nur relativ gering, so kann es aufgrund des Partialiserungsvorganges zu starken Verschiebungen bei den Beta-Koeffizienten kommen.

Schließlich legt die Auswahl der analysierten Daten zumindest eine Ergebnisrichtung bereits im Vorhinein fest. Nimmt man z.B. bei der Berechnung einer Partialkorrelation zwischen Intelligenz und Schulleistung als herauszupartialisierende dritte Variable anstelle des sozioökonomischen Status des Elternhauses die Variable 'eigene Erfahrungen der Eltern mit ihrem schulischen Lernstoff', dann können bei vergleichbarer Auswirkung auf die Korrelation zwischen Intelligenz und Schulleistung höchst unterschiedliche Schlüsse gezogen werden.In der Entscheidung über die in eine Untersuchung einzubeziehenden Variablen drückt sich die Erfahrung und theoretische Ausrichtung (z.B. eine eher sozialpsychologische gegenüber einer eher individualpsychologischen Ausrichtung) eines Wissenschaftlers aus. Eine Objektivierung durch repräsentative Abdeckung des Variablenraumes, wie sie manche Autoren z.B. idealerweise für die Basisdaten einer Faktorenanalyse verlangen, ist schlechterdings nicht zu erreichen.

Ein gutes Beispiel scheinen uns dafür die verschiedenen Intelligenztests und die darauf basierende Erforschung der Intelligenzfaktoren zu sein. Es ist schon erstaunlich, wie sehr die Aspekte von kreativer, sozialer und Handlungsintelligenz venachlässigt wurden, und wie wenig Berührung die empirisch-differentielle Intelligenzforschung mit der theoretisch fundierten Kognitionstheorie PIAGET's aufweist.

Hinzu kommt eine weitere Erklärung, die für alle genannten Verfahren gleichermaßen gilt:

Sie gehen von einem linearen Zusammenhangsmodell aus, d.h. sie können auch nur lineare Dependenzbeziehungen beschreiben. Es mag für viele sozialwissenschaftliche und psychologische Daten sinnvoll sein, von Normalverteilung und damit von Linearität auszugehen; wir befürchten allerdings, daß eine starke, jahrzehntelange Tradition in Ausbildung und Forschung den Blick für sinnvolle nicht-lineare Zusammenhänge verdeckt hat.

Trotz der genannten Einschränkungen halten wir die dependenzanalytischen Verfahren für wichtig, gerade weil sie einen großen Teil der empirischen Psychologieforschung ausmachen und ihre quasi-objektiven Resultate dem Studierenden allenthalben vorgehalten werden, und haben sie deshalb für dieses Lehrbuch ausgewählt. Sie können - allerdings nur auf der Basis einer fundierten Theorie -. auch dazu dienen, Modelle zu entwickeln, die dann weiter zu beforschen sind. Wir wollen mit den obigen Überlegungen lediglich erreichen, daß diese Verfahren bewußt und kritsch gelesen und eingesetzt werden.