download (3.897 KB) - sofia

Sonderforschungsgruppe Institutionenanalyse und Universität Kassel
bei den Behördenmitarbeitern hat (siehe dazu Anhang 9.6 „Machbarkeitsstudie“, Abschnitt
2.3.6).
Abschließend wird evaluiert, ob die tatsächliche Qualität einer Station von dem Arbeitsaufwand
in dieser Station abhängt bzw. dazu im Verhältnis steht.
Um den (proportionalen) Aufwand in den einzelnen Stationen dafür zu messen, werden die
aufgewendeten Arbeitstage von den behördlichen Bearbeitern der bewerteten Fallstudien in den
einzelnen Stationen evaluiert und anschließend ins Verhältnis zu der tatsächlichen Qualität der
jeweiligen Station gesetzt. Eine Unterscheidung in kleine, mittlere und große UVPs wird anhand
der Investitionssumme des Vorhabens bei der Vollerhebung berücksichtigt.
3.4.2.3
Statistische Auswertung
Die statistische Auswertung erfolgt anhand von Korrelationen, Regressionen sowie deskriptiven
Kennzahlen.
Mit Hilfe von Korrelationen ist es möglich, Zusammenhänge zwischen den einzelnen Stationen
bezüglich der tatsächlichen Qualität zu ermitteln. Dadurch kann man herauszufinden, ob und in
welcher Höhe die einzelnen Stationen sich gegenseitig beeinflussen. Der Korrelationskoeffizient
kann für diese Analyse sinnvoll eingesetzt werden, da die Variable „tatsächliche Qualität“ metrisch
skaliert ist. Ein positiver Zusammenhang zwischen den einzelnen Stationen liegt vor, wenn
der Korrelationskoeffizient einen Wert größer null annimmt. Der Zusammenhang wird umso
fester, je höher der Korrelationskoeffizient ist. Der Korrelationskoeffizient wird im Folgenden mit
„f“ abgekürzt. Folgende Intervalleinteilung gilt:
− Ein Korrelationskoeffizient > 0 und < 0.1 bedeutet einen schwachen Zusammenhang,
− ein Korrelationskoeffizient > 0.1 und < 0.3 einen mittleren Zusammenhang und
− ein Korrelationskoeffizient > 0.3 einen starken Zusammenhang.
Ab einem Korrelationskoeffizient von 0.1 kann man pauschal sagen, 40 dass der Zusammenhang
– also der Korrelationskoeffizient – signifikant von 0 abweicht.
Mit Hilfe von einfachen linearen Regressionsmodellen ist es möglich, den Zusammenhang von
der tatsächlichen Qualität der einzelnen Stationen auf die wahrgenommene Qualität insgesamt
und die wahrgenommene Qualität der einzelnen Stationen zu ermitteln. Man muss dabei beachten,
dass die Variablen „wahrgenommene Qualität insgesamt“ und „wahrgenommene Qualität
der einzelnen Station“ ordinalskaliert sind. Damit ist eine Annahme des linearen Regressionsmodells
verletzt, nämlich dass beide Variablen metrisch skaliert sind. Eine Signifikanz der Regressionsgraden
ist damit vorsichtig zu bewerten. Um methodisch exakt Signifikanztests durchführen
zu können, müssen alle Annahmen eines einfachen Regressionsmodells erfüllt sein. Das ist in der
Realität sehr selten erfüllt. Die abhängige Variable des Regressionsmodells ist ordinalskaliert und
kann damit nur ganzzahlige Werte im Intervall von 1 bis 5 annehmen. Sollte dennoch eine Regressionsgrade
durch die Daten gelegt werden können, die trotz Modellverletzung signifikant ist,
kann man daraus tendenzielle Aussagen ableiten und dieses für eine Interpretation verwerten.
Das Regressionsmodell hat den Vorteil, dass unmittelbar der Einfluss der tatsächlichen Qualität
auf die beiden Variablen „wahrgenommene Qualität insgesamt“ und „wahrgenommene Qualität
der einzelnen Stationen“ gemessen werden kann. Der Einfluss der tatsächlichen Qualität der
Station 2 „UVP-Unterlagen“ auf die „wahrgenommene Qualität“ der gesamten UVP durch die
Mitarbeiter der Behörde erläutert das folgende Beispiel:
40 Die genaue Signifikanz hängt von der Anzahl der Beobachtungen ab.
46