Forschungsmethoden und Statistik für die Soziale Arbeit. Mathias Blanz
des Präzisierungsgrades einer Hypothese kann unterschieden werden zwischen einer Forschungshypothese, die eine Aussage über die Beziehung zwischen (mindestens) zwei Variablen darstellt (z. B. »Es besteht ein Zusammenhang zwischen dem Interesse von Studierenden an den Inhalten einer Lehrveranstaltung und der Bewertung der Lehrveranstaltung«; siehe Blanz, 2008, 2014) und einer operationalen Hypothese, bei der die (eher allgemeine) Forschungshypothese (Zusammenhang zwischen Fachinteresse und Lehrbewertung) umformuliert wird in eine spezifische Aussage, die sich auf die jeweiligen UntersuchungsteilnehmerInnen (z. B. Studierende der Sozialen Arbeit) sowie die Methoden zur Messung (Operationalisierung) der beteiligten Variablen bezieht (z. B. könnte das Interesse der Studierenden durch die Anzahl der Sitzungen, an denen sie die Veranstaltung besuchen, operationalisiert werden und die Bewertung des Unterrichts durch die Vergabe eine Note von 1 bis 6). Dies mündet schließlich in einer statistischen Hypothese, bei der die operationale Hypothese in eine statistische Aussage umgewandelt wird. Bei einer statistischen Hypothese wird die operationale Hypothese »Für die Studierenden des Studienganges Soziale Arbeit der Hochschule für angewandte Wissenschaften (HAW) Würzburg besteht ein Zusammenhang zwischen der Besuchshäufigkeit und der Benotung einer Lehrveranstaltung« einer konkurrierenden Hypothese gegenüber gestellt, die das Gegenteil behauptet: »Für die Studierenden des Studienganges Soziale Arbeit der HAW Würzburg besteht kein Zusammenhang zwischen der Besuchshäufigkeit und der Benotung einer Lehrveranstaltung«. Dabei wird diejenige statistische Hypothese, die einen Zusammenhang (oder eine Wirkung) behauptet (»… besteht ein Zusammenhang …«), als Alternativhypothese (oder H1 für Hypothese 1) bezeichnet und die statistische Hypothese, die einen Zusammenhang (oder Effekt) verneint (»… besteht kein Zusammenhang …«), als Nullhypothese (oder H0 für Hypothese 0). Es ist unmittelbar einsichtig, dass nur eine der beiden statistischen Hypothesen zutreffen kann, und es ist Aufgabe empirischer Untersuchungen, eine begründete (rationale) Entscheidung darüber zu treffen, welche der beiden Hypothesen »angenommen« (akzeptiert) wird und welche »verworfen« (abgelehnt) wird. H1 und H0 aus dem Beispiel lauten in statistischer Form folgendermaßen:
• H1 (Alternativhypothese): »Der Zusammenhang (wird auch als Korrelation bezeichnet;
• H0 (Nullhypothese): »Der Zusammenhang (die Korrelation) zwischen der Besuchshäufigkeit und der Benotung einer Lehrveranstaltung für Studierende des Studienganges Soziale Arbeit der HAW Würzburg ist gleich Null.«
Statistische Hypothesen lassen sich nicht nur sprachlich (verbal) sondern auch durch Formeln (mathematisch) ausdrücken. Dies sieht für das Beispiel so aus:
• H1 (Alternativhypothese): KorrelationBesuchshäufigkeit-Benotung ≠ Null
• H0 (Nullhypothese): KorrelationBesuchshäufigkeit-Benotung = Null
Welches Kausalitätsmodell wird in der Hypothese angenommen?
Ein zweiter Aspekt, nach dem sich Hypothesenarten voneinander differenzieren lassen, bezieht sich auf das angenommene Kausalitätsmodell der beteiligten Variablen. Dabei wird unterschieden zwischen sog. ungerichteten und gerichteten Hypothesen. Bei ungerichteten Hypothesen (wie in dem Beispiel »Es besteht ein Zusammenhang zwischen der Besuchshäufigkeit und der Benotung einer Lehrveranstaltung«) wird nichts darüber ausgesagt, welche der beiden Variablen als Ursachevariable (unabhängige Variable) und welche als Wirk- oder Folgevariable (abhängige Variable) angesehen wird. Dies ist anders bei gerichteten Hypothesen, die eine Aussage über die erwartete Kausalrichtung der beteiligten Variablen enthalten (z. B. »Die Besuchshäufigkeit wirkt sich auf die Benotung aus« oder »Die Benotung wirkt sich auf die Besuchshäufigkeit aus«).
In welche Richtung wirkt sich die eine Variable auf die andere aus?
Ein dritter Aspekt zur Differenzierung von Hypothesen betrifft die Frage, ob ein positiver Zusammenhang zwischen den Variablen vermutet wird (z. B. »Die Besuchshäufigkeit verbessert die Benotung einer Lehrveranstaltung«) oder ein negativer Zusammenhang (»Die Besuchshäufigkeit verschlechtert die Benotung einer Lehrveranstaltung«). Zusammen mit der angenommenen Kausalrichtung ergeben sich in Bezug auf das Beispiel somit vier Möglichkeiten, die zunächst ungerichtete Forschungshypothese (»Besuchshäufigkeit und Benotung einer Lehrveranstaltung hängen miteinander zusammen«) in eine gerichtete operationale Hypothese umzuwandeln:
• »Hohe Besuchshäufigkeit verbessert die Benotung einer Lehrveranstaltung.«
• »Hohe Besuchshäufigkeit verschlechtert die Benotung einer Lehrveranstaltung.«
• »Gute Benotung einer Lehrveranstaltung erhöht die Besuchshäufigkeit der Studierenden.«
• »Gute Benotung einer Lehrveranstaltung verringert die Besuchshäufigkeit der Studierenden.«
Alle drei bisher dargestellten Aspekte zur Differenzierung von Hypothesen – ihr Genauigkeitsgrad, ihr angenommenes Kausalmodell und ihre vermutete Richtung des Zusammenhanges zwischen den Variablen – wirken sich auf den Informationsgehalt von Hypothesen und damit auf ihre Falsifizierbarkeit aus: Je eher eine Hypothese 1. in statistischer Form vorliegt, 2. eine Kausalitätsrichtung angibt und 3. die Zusammenhangsrichtung zwischen den Variablen spezifiziert, desto höher ist ihr Informationsgehalt und damit ihre Qualität einzuschätzen.
Behauptet die Hypothese einen Zusammenhang, einen Unterschied oder eine Veränderung bezüglich der Variablen?
Es gibt schließlich noch einen vierten Aspekt, nach dem man Hypothesen voneinander unterscheiden kann. Dieser bezieht sich auf das sog. Variablenverhältnis, d. h. darauf, ob hinsichtlich der beteiligten Variablen ein Zusammenhang, ein Unterschied oder eine Veränderung vorhergesagt wird. Während bei einer Zusammenhangshypothese eine Beziehung zwischen ein oder mehreren Merkmalen angenommen wird (z. B. »Es besteht ein Zusammenhang zwischen Stress am Arbeitsplatz und Fehlzeiten«), formuliert eine Unterschiedshypothese eine Ungleichheit zwischen zwei (oder mehreren) Populationsgruppen bezüglich einer (oder mehreren) Variablen (z. B. »Studierende der Sozial- und Naturwissenschaften unterscheiden sich bezüglich ihres politischen Engagements«) und eine Veränderungshypothese einen Wandel in den Ausprägungen einer (oder mehreren) Variablen im Laufe der Zeit (z. B. »Wiederholte Werbung für ein Produkt erhöht die Bereitschaft, es zu kaufen«). Zur Prüfung von Zusammenhangs-, Unterschieds- und Veränderungshypothesen können unterschiedliche Forschungsdesigns (oder Untersuchungspläne) gewählt werden, auf die in Kapitel 2.2 näher eingegangen wird.
Von der Hypothese zur Gesetzmäßigkeit
Eine der Hauptaufgaben sozialwissenschaftlicher Forschung ist die Formulierung und empirische Überprüfung von Hypothesen mit dem Ziel, allgemeine Gesetzmäßigkeiten herauszufiltern. D. h. es sind solche Hypothesen zu identifizieren, die mehrmalige Widerlegungsversuche überstehen. Ein Beispiel ist der sogenannte Bystander-Effekt (im Deutschen auch als Zuschauer- oder Anzahl-Effekt bezeichnet): »Je mehr Menschen ZeugInnen der Notlage einer Person werden (z. B. bei einem Unfall oder Überfall), desto weniger helfen sie.« Die Geschichte dieses Effektes begann mit dem Fall einer jungen New Yorkerin, die nachts auf ihrem Nachhauseweg überfallen und nach wiederholten Messerattacken, die sich über fast eine halbe Stunde erstreckten und während denen sie laut um Hilfe rief, nach heftiger Gegenwehr starb: Obwohl mehr als 30 Personen Zeugen der Angriffe geworden waren, war niemand bereit, einzugreifen. Dies veranlasste Forschende dazu, eine ähnliche Situation im Labor nachzustellen. In der Studie von Darley & Latané (1968) hörten die VersuchsteilnehmerInnen über eine Sprechanlage, wie eine andere Person (angeblich) einen epileptischen Anfall erlitt. Während die Hilferate bei 80 % lag, wenn die TeilnehmerInnen glaubten, alleine Zeuge des Anfalls zu sein, sank sie auf 30 %, wenn sie dachten, dass noch vier weitere Personen den Anfall mitbekommen haben. Es