Zusammenfassung
Zu Studienabbrüchen im Masterstudium liegen bislang nur wenige empirische Studien vor. Im vorliegenden Beitrag untersuchen wir, inwiefern sich die vergleichsweise geringen Studienabbruchintentionen im Masterstudium auf Unterschiede in der akademischen und sozialen Integration zwischen Master- und Bachelorstudierenden zurückführen lassen. Mit Daten des Deutschen Studierendensurveys zeigen wir, dass Masterstudierende gegenüber Bachelorstudierenden in drei von vier Dimensionen stärker in das Hochschulsystem integriert sind. Darüber hinaus sind alle Integrationsdimensionen negativ mit den Studienabbruchintentionen assoziiert. Die geringeren Abbruchintentionen der Masterstudierenden lassen sich nahezu vollständig auf deren bessere Noten und akademische Integration zurückführen. Zudem zeigt sich in der Tendenz, dass Kontakte zu Fakultätsmitgliedern und Dozierenden für die Studienabbruchintentionen der Masterstudierenden weniger relevant zu sein scheinen als im Bachelorstudium. Aus hochschulpolitischer Perspektive implizieren die Befunde, dass Interventionsmaßnahmen in beiden Studienphasen vor allem auf eine bessere akademische Integration zielen sollten, um Studienabbruchintentionen zu reduzieren.
Volker Stocké hat die Fertigstellung dieses Manuskripts leider nicht mehr erlebt, jedoch das Vorhaben initiiert und vor allem in der Anfangsphase stark geprägt. Wir danken ihm herzlich für wertvolle und fruchtbare Diskussionen und widmen ihm den vorliegenden Beitrag. Daniel Klein und Ulrike Schwabe tragen gleichermaßen zu dieser Arbeit bei und teilen sich die gemeinsame Erstautorenschaft. Wir danken den beiden Herausgebern und einem anonymen Gutachter für konstruktive Kommentare zur Verbesserung einer früheren Version des Beitrags. Alle verbleibenden Mängel gehen zu unseren Lasten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Notes
- 1.
Obwohl sich die Vergabe von Prüfungsnoten an Hochschulen an einer absoluten Bezugsnorm, nämlich den im fachspezifischen Curriculum vorgeschriebenen Lernzielen und der erworbenen Kompetenzen, orientieren sollte (vgl. Rheinberg 2002), konnten auf Basis der amtlichen Prüfungsstatistik systematische Zusammenhänge zwischen fachspezifischen Noten und verschiedenen individuellen, organisationalen und institutionellen Charakteristika aufgezeigt werden (Grözinger 2017). Mittels qualitativer Verfahren konnten zudem verschiedene Einflussgrößen zu unterschiedlichen Typen der Notengebung zusammengefasst werden (vgl. Tsahoura 2017). Solche Untersuchungen verdeutlichen den komplexen Charakter der Notenvergabe und Vergleichbarkeit an deutschen Hochschulen (vgl. auch Wissenschaftsrat 2012).
- 2.
Ramm (2014) betrachtet aufgrund der geringen Rücklaufquote (ca. 19 %) nur die jüngste Erhebungswelle (Wintersemester 2012/2013) genauer. Es zeigt sich, dass Studierende der Sozialwissenschaften und Frauen leicht überrepräsentiert sind; dagegen sind Studienanfänger leicht unterrepräsentiert. In unseren Analysen bedingen wir sowohl auf das Geschlecht als auch auf das Studienfach, sodass hinsichtlich der von uns untersuchten Zusammenhangshypothesen diesbezüglich keine Verzerrungen zu erwarten sind.
- 3.
Ausgehend von 9165 Master- und Bachelorstudierenden, schließen wir 1128 Beobachtungen (12,3 %) aus unseren Analysen aus. Hierunter fallen zunächst 130 Studierende, die nicht eindeutig einer Hochschule zugeordnet werden können; dies ist notwendig, da wir in den Analysen für die Charakteristika der Hochschulen kontrollieren. Weitere 32 Studierende geben kein Studienfach an; dies führt bei der multiplen Imputation zu instabilen Modellen. Weitere 191 Bachelorstudierende haben bereits ein (erstes) Studium abgeschlossen und zählen somit nicht zur theoretisch anvisierten Grundgesamtheit. Ebenso schließen wir 377 Studierende aus den Analysen aus, die angeben, ihr Masterstudium als Erststudium zu absolvieren. Zuletzt beschränken wir unsere Analysen auf Studierende, die zum Zeitpunkt ihrer ersten Einschreibug zwischen 17 und 29 Jahre und zum Befragungszeitpunkt jünger als 35 Jahre alt waren. Fehlende Werte ergänzen wir mittels multipler Imputationen (vgl. dazu Abschn. 3.2); anschließend werden 68 Studierende mit fehlenden Werten auf dem Kriterium aus den Analysen ausgeschlossen (vgl. von Hippel 2007).
- 4.
Bei den Bachelorstudierenden geben 78 % der Befragten an, einen Studienabbruch „gar nicht“ in Betracht zu ziehen; bei den Masterstudierenden sind es sogar 87 %. Zur Bildung der Indikatorvariable fassen wir die Ausprägungen 1 bis 6 zusammen und kontrastieren diese mit der Ausprägung 0.
- 5.
Die entsprechenden Analyseschritte sind ausführlich im Anhang A dargestellt.
- 6.
Zur Berechnung der durchschnittlichen marginalen Effekte der multipel imputierten Daten verwenden wir das Stata ado mimrgns (Klein 2014).
- 7.
Etwas genauer ausgedrückt: Durchschnittliche marginale Effekte stellen die über alle Beobachtungen gemittelte lineare Veränderung der vorhergesagten Wahrscheinlichkeit in Prozentpunkten dar, die mit einer marginalen Änderung des jeweiligen Prädiktors einhergeht. Für Indikatorvariablen wird diese marginale Veränderung i. d. R. als diskrete Veränderung um eine Einheit berechnet und interpretiert; für kontinuierliche Variablen gilt dies nur approximativ, da die modellierten Zusammenhänge eben nicht linear und somit auch nicht über den gesamten Bereich einer Einheit konstant sind (vgl. Williams 2012).
Literatur
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.
Allen, J., Robbins, S. S., Casillas, A., & Oh, I.-S. (2008). Third-year College Retention and Transfer: Effects of Academic Performance, Motivation, and Social Connectedness. Research in Higher Education, 49(7), 647–664.
Aschinger, F., Epstein, H., Müller, S., Schaeper, H., Vöttiner, A., & Weiß, T. (2011). Higher education and the transition to work. In H.-P. Blossfeld, H.-G. Roßbach, & J. von Maurice (Hrsg.), Education as a Lifelong Process. The German National Educational Panel Study (NEPS) (S. 267–282). Zeitschrift für Erziehungswissenschaft, Sonderband 14/2011.
Auspurg, K., & Hinz, T. (2011). Master für Alle? Der Einfluss sozialer Herkunft auf den Studienverlauf und das Übertrittsverhalten von Bachelorstudierenden. Soziale Welt, 62, 75–99.
Bank, B. J., Slavings, R. L., & Biddle, B. J. (1990). Effects of Peer, Faculty, and Parental Influences on Students‘ Persistence. Sociology of Education, 63(3), 208–225.
Bäulke, L., & Dresel, M. (2018). „Ich schmeiß’ alles hin und werde Prinzessin!“ – oder: Ist Studienabbruch ein mehrstufiger motivationaler Prozess? Vortrag auf der 6. Tagung der Gesellschaft für Empirische Bildungsforschung in Basel.
Bean, J. P. (1982). Student attrition, intentions, and confidence. Interaction effects in a path model. Research in Higher Education, 17(4), 291–320.
Belloc, F., Maruotti, A., & Petrella, L. (2010). University drop-out. An Italian experience. Higher Education, 60(2), 127–138.
Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance-structures. Psychological Bulletin, 88(3), 588–606.
Bers, T. H., & Smith, K. E. (1991). Persistence of Community College Students: The Influence of Student Intent and Academic and Social Integration. Research in Higher Education, 32(5), 539–556.
Bologna Deklaration (1999). Der Europäische Hochschulraum. Gemeinsame Erklärung der Europäischen Bildungsminister, 19. Juni 1999, Bologna. http://uniko.ac.at/modules/download.php?key=2708_DE_O&cs=2C55. Zugegriffen: 01. März 2018.
Brändle, T. (2010). 10 Jahre Bologna-Prozess. Chancen, Herausforderungen und Problematiken. Wiesbaden: VS.
Braxton, J. M., Sullivan, A. S., & Johnson, R. M. (1997). Appraising Tinto’s Theory of College Student Departure. In J. C. Smart (Hrsg.), Higher Education. Handbook of Theory and Research (S. 107–164). New York: Agathon Press.
Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504.
Dahm, G., & Lauterbach, O. (2016). Measuring Students’ Social and Academic Integration – Assessment of the Operationalization in the National Educational Panel Study. In H.-P. Blossfeld, J. von Maurice, & M. Bayer (Hrsg.), Methodological issues of longitudinal surveys. The example of the National Educational Panel Study (S. 313–329). Wiesbaden: Springer VS.
Davidov, E., Meuleman, B., Cieciuch, J., Schmidt, P., & Billiet, J. (2014). Measurement Equivalence in Cross-National Research. Annual Review of Sociology, 40, 55–75.
Dowaliby, F. J., Garrison, W. M., & Dagel, D. (1993). The Student Integration Survey: Development of an Early Alert Assessment and Reporting System. Research in Higher Education, 34(4), 513–531.
Eckles, J., & Stradley, E. (2012). A social network analysis of student retention using archival data. Social Psychology of Education, 15, 165–180.
Elkins, S. Braxton, J., & James, G. (2000). Tinto’s separation stage and its influence on first-semester college student persistence. Research in Higher Education, 41(2), 251–268.
Ethington, C. A., & Smart, J. C. (1986). Persistence to graduate education. Research in Higher Education, 24(3), 287–303.
Fabian, G., Hillmann, J., Trennt, F., Briedis, K. (2016). Hochschulabschlüsse nach Bologna. Werdegänge der Bachelor- und Masterabsolvent(inn)en des Prüfungsjahrgangs 2013. Hannover: Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW).
Gesk, I. (1999). Studienabbruch an Pädagogischen Hochschulen. Dargestellt am Studiengang für das Lehramt an Grund- und Hauptschulen. Heidelberg University Library.
Gold, A. (1988). Studienabbruch, Abbruchneigung und Studienerfolg. Vergleichende Bedingungsanalysen des Studienverlaufs. Europäische Hochschulschriften: Reihe 6, Psychologie, Bd. 259. Frankfurt am Main: Lang.
Grözinger, G. (2017). Einflüsse auf die Notengebung: eine Analyse ausgewählter Fächer auf Basis der Prüfungsstatistik. In V. Müller-Benedict, & G. Grözinger (Hrsg.), Noten an Deutschlands Hochschulen. Analysen zur Vergleichbarkeit von Examensnoten 1960–2013 (S. 79–116). Wiesbaden: Springer VS.
Heublein, U., Ebert, J., Hutzsch, C., Isleib, S., König, R., Richter, J., & Woisch, A. (2017). Zwischen Studienerwartungen und Studienwirklichkeit. Ursachen des Studienabbruchs, beruflicher Verbleib der Studienabbrecherinnen und Studienabbrecher und Entwicklung der Studienabbruchquote an deutschen Hochschulen. Hannover: Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW).
Heublein, U., Richter, J., Schmelzer, R., & Sommer, D. (2014). Die Entwicklung der Studienabbruchquoten an den deutschen Hochschulen. Statistische Berechnungen auf der Basis des Absolventenjahrgangs 2012. Hannover: Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW).
Heublein, U, Hutzsch, C., Schreiber, J., Sommer, D., & Besuch, G. (2010). Ursachen des Studienabbruchs in Bachelor- und in herkömmlichen Studiengängen. Ergebnisse einer bundesweiten Befragung von Exmatrikulierten des Studienjahres 2007/08. Hannover: HIS.
Hochschulrektorenkonferenz (2016). Erfolgversprechende Faktoren für extracurriculare Maßnahmen in der Studieneingangsphase. Empfehlung des Runden Tisches Ingenieurwissenschaften des Projekts nexus der HRK. Bonn: Hochschulrektorenkonferenz.
Hu, S. (2005). Special Issue: Beyond Grade Inflation: Grading Problems in Higher Education. ASHE Higher Education Report 30(6).
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 66(1), 1–55.
Ishitani, T. T., & DesJardis, S. L. (2002). A Longitudinal Investigation of Dropout from College in the United States. AIR 2002 Forum Paper. Paper presented at the Annual Meeting of the Association for Institutional Research, Toronto.
Janke, S., & Dickhäuser, O. (2018). Gekommen um zu bleiben: Zur Bedeutsamkeit von Studienwahlmotivation für Studienzufriedenheit, Studienmotivation und Abbruchgedanken im Längsschnitt. Vortrag auf der 6. Tagung der Gesellschaft für Empirische Bildungsforschung in Basel.
Karlson, K. B., Holm, A., & Breen, R. (2012). Comparing Regression Coefficients Between Same-sample Nested Models Using Logit and Probit: A New Method. Sociological Methodology, 42(1), 286–313.
Klein, D. (2014) MIMRGNS: Stata module to run margins after mi estimate. Boston College Department of Economics: Statistical Software Components. Verfügbar unter https://ideas.repec.org/c/boc/bocode/S457795.html. Zugegriffen: 01. März 2018.
Klein, D., & Stocké, V. (2016) Studienabbruchquoten als Evaluationskriterium und Steuerungsinstrument der Qualitätssicherung im Hochschulbereich. In D. Großmann, & T. Wolbring (Hrsg.) Evaluation von Studium und Lehre (S. 323–365). Wiesbaden: Springer VS.
Konsortium Bildungsberichterstattung. (2006). Bildung in Deutschland. Ein indikatorengestützter Bericht mit einer Analyse zu Bildung und Migration. Bielefeld: W. Bertelsmann Verlag GmbH & Co. KG.
Larsen, M. S., Kornbeck, K. P., Kristensen, R., Larsen, M. R., & Sommersel, H. B. (2013). Dropout Phenomena at Universities. What is Dropout? Why does Dropout Occur? What Can be Done by the Universities to Prevent or Reduce it? Kopenhagen: Danish Clearinghouse for educational research.
Mannan, M. A. (2001). An Assessment of the Academic and Social Integration as Perceived by the Students in the University of Papua New Guinea. Higher Education, 41(3), 283–298.
Mannan, M. A. (2007). Student attrition and academic and social integration: Application of Tinto’s model at the University of Papua New Guinea. Higher Education, 53(2), 147–165.
Mayhew, M. J., Rockenbach, A. N., Bowman, N. A., Seifert, T. A. D., Wolniak, G. C., Pascarella, E. T., & Terenzini, P. T. (2016). How college affects students (3. Aufl.). San Francisco, CA: Jossey-Bass.
Middendorff, E., Apolinarski, B., Becker, K., Bornkessel, P., Brandt, T., Heißenberg, S. & Poskowsky, J. (2017a). Die wirtschaftliche und soziale Lage der Studierenden in Deutschland 2016. 21. Sozialerhebung des Deutschen Studentenwerks – durchgeführt vom Deutschen Zentrum für Hochschul- und Wissenschaftsforschung. Berlin: Bundesministerium für Bildung und Forschung (BMBF).
Middendorff, E., Apolinarski, B., Bornkessel, P., Brandt, T., Heißenberg, S., Naumann, H., Poskowsky, J. & Becker, K. (2017b). Die wirtschaftliche und soziale Lage der Studierenden in Deutschland 2016. 21. Sozialerhebung des Deutschen Studentenwerks – durchgeführt vom Deutschen Zentrum für Hochschul- und Wissenschaftsforschung. Randauszählung zur 21. Sozialerhebung für deutsche und bildungsinländische Studierende insgesamt und nach Abschlussart. http://www.sozialerhebung.de/sozialerhebung/archiv/download/21/Soz21_ra_bund_abschlussart.pdf. Zugegriffen: 01. März 2018.
Mood, C. (2010). Logistic Regression: Why We Cannot Do What We Think We Can Do, and What We Can Do About It. European Sociological Review, 26(1), 67–82.
Müller-Benedict, V., & Grözinger, G. (Hrsg.). (2017). Noten an Deutschlands Hochschulen. Analysen zur Vergleichbarkeit von Examensnoten 1960–2013 (S. 79–116). Wiesbaden: Springer VS.
Müller-Benedict, V., Tsarouha, E. (2011). Können Examensnoten verglichen werden? Eine Analyse von Einflüssen des sozialen Kontextes auf Hochschulprüfungen. Zeitschrift für Soziologie, 40(5), 388–409.
Multrus, F. (2016). Der Studierendensurvey. Konzept, Aufbau und theoretische Grundlagen (Hefte zur Bildungs- und Hochschulforschung Nr. 87). Konstanz: Universität Konstanz.
Neugebauer, M., Neumeyer, S., & Alesi, B. (2016). More diversion than inclusion? Social stratification in the Bologna system. Research in Social Stratification and Mobility, 45, 51–62.
Nora, A., & Crisp, G. (2012). Student Persistence and Degree Attainment beyond the First Year in College: Existing Knowledge and Directions for Future Research. In A. Seidman (Hrsg.), College Student Retention: Formula for Student Success (S. 229–250). Plymouth, UK: Rowman & Littlefield Publishers, Inc.
Öhlschlegel-Haubrock, S., Rach, J., & Wolf, J. (2014). Förderung der Selbstwirksamkeitserwartung in der Studieneingangsphase mittels Mentoring. Zeitschrift für Hochschulentwicklung, 9(1), 23–35.
Pascarella, E. T., & Chapman, D. W. (1983). Validation of a theoretical model of college withdrawal. Interaction effects in a multi-institutional sample. Research in Higher Education, 19(1), 25–48.
Pascarella, E. T., & Terenzini, P. T. (1979). Interaction Effects in Spady and Tinto’s Conceptual Models of College Attrition. Sociology of Education, 52(4), 197–210.
Pascarella, E. T., & Terenzini, P. T. (1980). Predicting Freshman Persistence and Voluntary Dropout Decisions from a Theoretical Model. The Journal of Higher Education, 51(1), 60–75.
Ramm, M. (2014). Response, Stichprobe und Repräsentativität. Zwei Dokumentationen zum Deutschen Studierendensurvey (DSS) (Hefte zur Bildungs- und Hochschulforschung Nr. 72). Konstanz: Universität Konstanz.
Rheinberg, F. (2002). Bezugsnormen und schulische Leistungsmessung. In F. E. Weinert (Hrsg.), Leistungsmessung in Schulen (S. 59 – 71). Weinheim: Beltz.
Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. Hoboken, NJ, USA: John Wiley & Sons, Inc.
Smith, J. P., & Naylor, R. A. (2001). Dropping out of university. A statistical analysis of the probability of withdrawal for UK university students. Journal of the Royal Statistical Society, 164(2), 389–405.
StataCorp. (2017). Stata Statistical Software: Release 15. College Station, TX: StataCorp LLC.
Terenzini, P. T., & Pascarella, E. T. (1977). Voluntary freshman attrition and patterns of social and academic integration in a university. A test of a conceptual model. Research in Higher Education, 6(1), 25–43.
Thomas, S. L. (2000). Ties That Bind. A Social Network Approach to Understanding Student Integration and Persistence. The Journal of Higher Education, 71(5), 591–615.
Tinto, V. (1975). Dropout from Higher Education. A Theoretical Synthesis of Recent Research. Review of Educational Research, 45, 89–125.
Tinto, V. (1988). Stages of Student Departure: Reflections on the Longitudinal Character of Student Leaving. The Journal of Higher Education, 59(4), 438–455.
Tsarouha, E. (2017). Typologie der Einflussgrößen auf die Notengebung. In V. Müller-Benedict, & G. Grözinger (Hrsg.), Noten an Deutschlands Hochschulen. Analysen zur Vergleichbarkeit von Examensnoten 1960–2013 (S. 79–116). Wiesbaden: Springer VS.
Van Buuren, S., Brand, J. P. L., Groothuis-Oudshoorn, C. G. M., & Rubin, D. B. (2006). Fully conditional specification in multivariate imputation. Journal of Statistical Computation and Simulation, 76(12), 1049–1064.
Von Hippel, P. T. (2007). Regression with Missing Ys: An Improved Strategy for Analyzing Multiply Imputed Data. Sociological Methodology, 37, 83–117.
White, I. R., Royston, P., & Wood, A. M. (2011). Multiple imputation using chained equations: Issues and guidance for practice. Statistics in medicine, 30(4), 377–399.
Williams, R. (2012). Using the margins command to estimate and interpret adjusted predictions and marginal effects, The Stata Journal, 12(2), 308–331.
Wissenschaftsrat (2012). Prüfungsnoten an Hochschulen im Prüfungsjahr 2010. Arbeitsbericht mit einem wissenschaftspolitischen Kommentar des Wissenschaftsrats. Hamburg: Wissenschaftsrat.
Wissenschaftsrat (2015). Empfehlungen zum Verhältnis von Hochschulbildung und Arbeitsmarkt. Zweiter Teil der Empfehlungen zur Qualifizierung von Fachkräften vor dem Hintergrund des demographischen Wandels. Bielefeld: Wissenschaftsrat.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Anhang
Anhang
1.1 A Empirische Überprüfung der Messinvarianz
Aus methodischer Sicht stellen die zentralen Determinanten, akademische und soziale Integration, latente Dimensionen dar, die nicht direkt beobachtet werden können. In empirischen Studien werden deshalb einzelne Items mittels dimensionsanalytischer Verfahren zu Gesamtskalen zusammengefasst (vgl. Pascarella und Terenzini 1979, 1980; Mannan 2001; Dahm und Lauterbach 2016). Ein aussagekräftiger Vergleich der akademischen und sozialen Integration zwischen unterschiedlichen Studienphasen setzt dabei voraus, dass sich die Messung der latenten Dimensionen zwischen den Master- und Bachelorstudierenden nicht unterscheidet. Obwohl in einigen Studien Gruppenvergleiche bezüglich der Integrationsdimensionen vorgenommen werden, wird die Messäquivalenz der verwendeten Instrumente in keinem uns bekannten Fall überprüft. Die Forderung, diese Messinvarianz empirisch sicherzustellen, hat sich jüngst insbesondere in der international-vergleichenden Forschung durchgesetzt (vgl. Davidov et al. 2014). Im Bereich der empirischen Bildungsforschung wird dieser Problematik dagegen bisher wenig Aufmerksamkeit geschenkt.
Grundlegend lassen sich drei Stufen der Messinvarianz unterscheiden, die im Folgenden knapp erläutert und dann überprüft werden (vgl. Davidov et al. 2014).
Konfigurale Messinvarianz liegt dann vor, wenn die Faktorstrukturen in beiden Studierendengruppen gleich sind. Dies ist der Fall, wenn das Messmodell in beiden Gruppen gleichermaßen gut angepasst werden kann. Die Anpassungsmaße der getrennten Modelle (hier nicht berichtet), unterscheiden sich in unserem Fall nur unwesentlich von denen des Gesamtmodells (beide Gruppen simultan betrachtet). Die entsprechenden Fit-Indizes dieses Modells, in dem sowohl die Faktorladungen als auch die Konstanten zwischen den Studierendengruppen frei variieren, sind in der ersten Zeile in Tab. 5 dargestellt. Die Ergebnisse bestätigen die konfigurale Messinvarianz für die verwendeten Daten. Es kann demnach davon ausgegangen werden, dass die theoretischen Faktoren in beiden Gruppen sinntragend interpretiert werden können.
Metrische Messinvarianz liegt dann vor, wenn alle Faktorladungen in beiden Studierendengruppen gleich sind. Lassen sich zwischen den Gruppen wenigstens zwei gleiche Ladungen je latentem Faktor nachweisen, wird von partieller metrischer Invarianz gesprochen. Diese schwächere Form ist ausreichend, um die Stärke der Zusammenhänge der akademischen und sozialen Integration mit den Studienabbruchintentionen im Gruppenvergleich interpretieren zu können. Um (partielle) metrische Invarianz zu testen, werden die Faktorladungen in beiden Gruppen gleichgesetzt. Das resultierende Modell wird dann mit dem Modell der konfiguralen Invarianz verglichen. Nach Chen (2007) soll die Veränderung des CFI nicht größer als 0,01, die des RMSEA nicht größer als 0,015 und die des SRMR nicht größer als 0,03 sein. Im vorliegenden Fall können wir nach diesen Maßgaben die partielle metrische Invarianz unseres Messmodells bestätigen (vgl. Tab. 5). Zusätzlich fällt auch der Likelihood-Ratio-Test zwischen den beiden Modellen nicht signifikant aus (χ2(11) = 13,00; p = 0,29).
Zuletzt liegt (partielle) skalare Messinvarianz vor, wenn zusätzlich zu den Faktorladungen auch die Konstanten zwischen den beiden Studierendengruppen gleich sind. Ist diese Stufe der Invarianz erreicht, lassen sich die Mittelwerte im direkten Gruppenvergleich interpretieren. Nach den von Chen (2007) vorgeschlagenen Grenzwerten können wir für unser Modell partielle skalare Invarianz annehmen (vgl. Tab. 5), nachdem wir je eine Konstante pro Faktor frei zwischen den Gruppen schätzen. Einschränkend soll erwähnt sein, dass der Likelihood-Ratio-Test hier signifikant ausfällt (χ2(4) = 138,90; p < 0,001).
Insgesamt sehen wir die Voraussetzung für den direkten Gruppenvergleich zwischen Master- und Bachelorstudierenden als gegeben an. Uns ist keine andere Studie bekannt, in der diese messtheoretische Voraussetzung für einen Gruppenvergleich bezüglich der Integrationsdimensionen thematisiert wird.
1.2 B Interaktionseffekte
In Tab. 6 sind die Interaktionseffekte zwischen der Master-Indikatorvariable und der Durchschnittsnote sowie den vier Integrationsdimensionen dargestellt.
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Klein, D., Schwabe, U., Stocké, V. (2019). Studienabbruch im Masterstudium. Erklären akademische und soziale Integration die unterschiedlichen Studienabbruchintentionen zwischen Master- und Bachelorstudierenden?. In: Lörz, M., Quast, H. (eds) Bildungs- und Berufsverläufe mit Bachelor und Master. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-22394-6_9
Download citation
DOI: https://doi.org/10.1007/978-3-658-22394-6_9
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-22393-9
Online ISBN: 978-3-658-22394-6
eBook Packages: Social Science and Law (German Language)