Die wichtigsten Skalentypen, die mit Hilfe der Suchmaschine ermittelt wurden, sind Messskalen (Nominalskala und Ordinalskala, Intervallskala und Verhältnisskala). Für die Messung von Einstellungen verwenden die Forscher physiologische Wirkungsmaße, indirekte qualitative Methoden und Selbsteinschätzungen. Bei der Selbsteinschätzung unterscheiden die Forscher zwischen Ein-Item-Skalen und Mehr-Item-Skalen, numerischen und nicht-numerischen Skalen, bildlichen und grafischen Skalen (Google Search 2008). Außerdem unterscheiden die Forscher vergleichende Skalen: Rangordnungsskalen, gepaarte Vergleiche und konstante Summen. Unter Berücksichtigung der Studien und Forschungen der theoretischen Literatur wurden keine neuen und innovativen Ansätze entwickelt. Die untersuchten Skalen ermöglichen also die Auswahl der besten Skala für die weitere Forschung (Huberman und Miles 2002).
Das Verweben und Aussieben von Kategorien von Variablen, um die Beziehungen zwischen ihnen zu formulieren, lässt zumindest eine Behauptung der Subjektivität seitens des Forschers und höchstens eine grobe Fehlinterpretation der tatsächlichen Fakten zu. Die “grounded theorists” werfen den Empirikern vor, den Antworten der Probanden a priori Ratingskalenwerte und Codes aufzuerlegen, während es sein kann, dass die eigene prozessuale Analyse der “grounded theorists” noch stärker auf der Voreingenommenheit des Forschers beruht (Flick 1998).
Anstelle des Eintauchens in die Quellen, gefolgt von einer plötzlichen Einsicht, verlangt die quantitative Forschung die Prüfung einer vermuteten Beziehung mit statistischen Verfahren. Die Statistik kann zwar nicht die metaphysische “Wahrheit” einer Aussage “beweisen”, aber sie kann dazu beitragen, die Art der Verbindungen zwischen den in einer bestimmten Hypothese angenommenen Variablen zu untersuchen. Im Grunde geht es bei diesem Verfahren darum, die Nullhypothese zu verwerfen, die besagt, dass der Zufall das gleiche Ergebnis hervorgebracht haben könnte. Die Art der mathematischen Techniken, die bei der Prüfung eines bestimmten Zusammenhangs zwischen den Variablen anzuwenden sind, wird durch die vier Ebenen der Messung bestimmt:
Bis vor etwa zehn Jahren galt im Allgemeinen, dass die statistischen Verfahren umso leistungsfähiger sind, je höher das Messniveau ist. In jüngster Zeit haben die Statistiker jedoch ausgefeilte analytische Verfahren auch für kategoriale Variablen entwickelt (Gubrium und Holstein 2001).
Im Gegensatz zu einem allgemeinen Bedeutungssinn erfordert die quantitative Forschung eine strenge Interpretation der statistischen Ergebnisse. Die Bedeutung dieses letzten Schrittes kann nicht hoch genug eingeschätzt werden. Allzu oft ertrinken die Wissenschaftler in einem Wust von verwirrenden Ausdrucken, ohne sich mit der ursprünglichen Hypothese auseinanderzusetzen. Im Prinzip gibt es drei aufsteigende Stufen der Formalität: Selbst das einfachste Verfahren wird bereits beschreibende Aussagen über den Datensatz liefern. Vor allem bei bahnbrechenden Forschungen sind solche grundlegenden Informationen über die Struktur oder Entwicklung von Datenmassen bereits ein erheblicher wissenschaftlicher Fortschritt.
Analytisch vielversprechender ist die Überprüfung der ursprünglichen Hypothese. Die Bestätigung, Verwerfung oder, was wahrscheinlicher ist, die Änderung der ursprünglichen Aussage über die Beziehung zwischen den Variablen sollte das normale Bestreben eines quantitativen Historikers sein, da dies die Möglichkeiten der Methode angemessener nutzt. Nur in einer Minderheit der Fälle, in denen die Daten stark genug sind, um eine Theorie zu stützen, ist eine Modellbildung möglich. Die Kombination mehrerer Hypothesen zu einem Modell dürfte der Komplexität historischer Prozesse eher gerecht werden als die Prüfung einer einzelnen Hypothese. Dies ist jedoch nur unter glücklichen Umständen möglich, wenn die Datenbasis genügend Faktoren umfasst und bereits ein theoretischer Rahmen vorhanden ist (Denzin und Lincoln 1995).
Die Unterschiede zwischen diesen Kategorien und die Fähigkeit zu erkennen, welche Skala jede Variable in einem Datensatz widerspiegelt. Die deskriptiven und inferentiellen Statistiken, die für die Beantwortung bestimmter Forschungsfragen geeignet sind, werden weitgehend durch die Messskala der betreffenden Variable oder Variablen bestimmt. Die Werte von Nominalskalenvariablen stellen eine Reihe von erschöpfenden und sich gegenseitig ausschließenden Kategorien des zu messenden Merkmals oder der zu messenden Qualität dar.
Daher werden sie manchmal auch als kategoriale Variablen bezeichnet. Solche Variablen leiten sich in der Tat von einfachen Klassifikationsschemata ab. Die einzige Information, die solche Variablen vermitteln, besteht darin, dass Fälle, die einer Kategorie zugeordnet werden, in Bezug auf ein bestimmtes zu messendes Merkmal als gleichwertig gelten und sich in Bezug auf dieses Merkmal von Fällen unterscheiden, die anderen Kategorien zugeordnet werden (Denzin und Lincoln 1995).
Obwohl es üblich ist, ist es nicht notwendig, den Kategorien solcher Variablen Zahlen zuzuordnen, da auch Buchstaben oder andere eindeutige Symbole ausreichen würden. Es ist jedoch wichtig, sich daran zu erinnern, dass alle verwendeten numerischen Werte lediglich Bezeichnungen sind, die ohne Rücksicht auf ihre Reihenfolge oder Größenordnung verwendet werden. In den Daten von Fort Moultrie wären Geburtsort, Beruf und Familienstand gute Beispiele für nominell skalierte Variablen. Andere übliche kategoriale Variablen in der historischen Forschung sind Geschlecht, religiöse Präferenz und Provinz oder Staat (Denzin und Lincoln 1995).
Ordinalskalenvariablen erfüllen die erschöpfende und sich gegenseitig ausschließende Kategorisierungsregel für Nominalskalenvariablen. Darüber hinaus müssen ihre Kategorien geordnet werden können, um anzugeben, welche Fälle mehr oder weniger von einer bestimmten Eigenschaft aufweisen. Die zugewiesenen numerischen Werte spiegeln zwar die kategoriale Einstufung wider, geben aber nicht an, wie groß die Unterschiede zwischen ihnen in Bezug auf die Ausprägung der Eigenschaft sind (Denzin und Lincoln 1995).
Intervallskalenvariablen haben alle ordinalen Eigenschaften mit dem Zusatz, dass die Intervalle zwischen den geordneten Kategorien gleiche Werte haben. Dies bedeutet, dass Unterschiede zwischen Werten durch Subtraktion gemessen werden können und dass die Nullpunkte auf solchen Skalen willkürlich sind. Die bekanntesten Beispiele für diesen Messtyp sind die Fahrenheit- und die Celsius-Skala für die Temperatur. Obwohl beide einen unterschiedlichen Nullpunkt in Bezug auf das Gefrieren von Wasser haben, ist es möglich, Temperaturunterschiede in konstanten Einheiten auf jeder Skala zu berechnen und diese Unterschiede zu vergleichen (Denzin und Lincoln 1995).
Die Messung für Variablen der Verhältnisskala ist sogar noch strenger als für Intervallvariablen, da es einen absoluten Nullpunkt geben muss. So können nicht nur Unterschiede als Verhältnisse verglichen werden, sondern auch Verhältnisse der Werte selbst. Das Alter und der Wert der Immobilien in den Daten von Fort Moultrie sind Beispiele für Variablen mit Verhältnisskala. Für die meisten praktischen statistischen Zwecke kann die subtile Unterscheidung zwischen Intervall- und Verhältnisskalen ignoriert werden, und die beiden Arten von Variablen werden zusammen als quantitative oder kontinuierliche Variablen betrachtet (Denzin und Lincoln 1995).
Literaturverzeichnis
Denzin, N.K. und Lincoln, Y.S. 1995, Handbook of Qualitative Research, Thousand Oaks CA: Sage.
Google Suche: “Einstellungsskalen und Marketingforschung”. Web.
Gubrium, J. F. und Holstein, J. A. (Hrsg.) 2001, Handbook of Interview Research, Thousand Oaks CA: Sage.
Flick, U. 1998, An Introduction to Qualitative Research, London: Sage.
Huberman, A. M. und Miles M. B 2002, The Qualitative Researcher’s Companion, Thousand Oaks CA: Sage.