{"id":19,"date":"2024-01-17T09:34:46","date_gmt":"2024-01-17T08:34:46","guid":{"rendered":"https:\/\/blogs.uni-bremen.de\/antifemdata\/?page_id=19"},"modified":"2024-06-25T16:58:03","modified_gmt":"2024-06-25T14:58:03","slug":"methode","status":"publish","type":"page","link":"https:\/\/blogs.uni-bremen.de\/antifemdata\/methode\/","title":{"rendered":"Methode"},"content":{"rendered":"
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Methode<\/h1><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>
\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Auf dieser Seite werden wir unser methodisches Vorgehen n\u00e4her erl\u00e4utern. Insbesondere werden wir uns mit der Konstruktion des Sexismus-Indizes auseinandersetzen, sowie mit der Auswahl der Fallbeispiele. Uns ist es wichtig, so viel Transparenz wie m\u00f6glich zu schaffen. <\/span>Daf\u00fcr erl\u00e4utern wir unser Vorgehen detailreich und kritisch. So geben wir anderen die M\u00f6glichkeit, uns auf Basis einer guten Informationslage zu kritisieren. Solltest du noch weitere Kritik oder Anmerkungen haben, kannst du am Ende der Seite ein Kommentar da lassen. <\/span><\/p><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Zur Sprache<\/h1><\/div>\n\t\t\t<\/div>
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Wir haben uns dazu entschieden, auf dieser Website weitestgehend das Wort FLINTA* zu nutzen, um alle, die von Sexismus betroffen sind, in einem Begriff zu integrieren. Konkret steht das f\u00fcr Frauen, Lesben, Inter, Nichtbin\u00e4r, A-Gender und allen, die sich als nicht cis m\u00e4nnlich definieren (daf\u00fcr das Sternchen). Dennoch gibt es Stellen, an denen wir das Wort Frau*\/Mann* nutzen, da es sich die zitierten Quellen lediglich auf Frauen\/M\u00e4nner bezieht. Mit dem Sternchen wollen wir kennzeichnen, dass das auch Menschen einschlie\u00dfen kann, die sich nicht als Frau\/Mann identifizieren. <\/span>
<\/span><\/p><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>

\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Der Sexismus-Index<\/h1><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>
\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Der Sexismus-Index wurde auf Basis von sechs Variablen und 87.446 F\u00e4llen aus 33 L\u00e4ndern aus der 7. Welle des World Value Survey (2017-2020) (Haerpfer et al. 2022) konstruiert. Der World Values Survey (WVS) ist ein internationales Forschungsprogramm, das weltweit Werte und \u00dcberzeugungen untersucht. Gegr\u00fcndet 1981 von Professor Ronald Inglehart, strebt das Projekt an, den Einfluss von Wertewandel auf die soziale, politische und wirtschaftliche Entwicklung von L\u00e4ndern zu bewerten. Mit repr\u00e4sentativen Umfragen alle f\u00fcnf Jahre in \u00fcber 120 L\u00e4ndern ist der WVS eine der f\u00fchrenden und meistgenutzten l\u00e4nder\u00fcbergreifenden Studien in den Sozialwissenschaften. Mehr Informationen zum WVS und die Daten findet ihr auf der Website:
<\/span><\/p><\/div>\n\t\t\t<\/div>

\n\t\t\t\tworldvaluessurvey.org<\/a>\n\t\t\t<\/div>
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Die Auswahl an L\u00e4ndern, die in den Daten repr\u00e4sentiert sind, ist auf 33 limitiert, da die von uns genutzten Variable nicht in allen L\u00e4ndern dieser Welle erhoben waren. Unsere Ergebnisse zeigen also lediglich einen Ausschnitt. Bei der Auswahl der Variablen war uns wichtig, dass sie alle die Disposition \"Sexismus\" messen sollen. Deshalb haben wir uns f\u00fcr folgende Einstellungsvariablen entschieden, welche je die Auspr\u00e4gungen 1 f\u00fcr \"strongly disagree\" bis 4 bzw. 5 f\u00fcr \"strongly agree\" haben:<\/span><\/p>\n

<\/span><\/p><\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

\"On the whole, men make better political leaders than women do.\"<\/span><\/p>\n

\"A university education is more important for a boy than for a girl.\"<\/span><\/p>\n

\"On the whole, men make better business executives than women do.\" <\/span><\/p>\n

\"Being a housewife just as fulfilling as working for pay.\"<\/span><\/p>\n

\"When jobs are scarce, men should have more right to a job than women.\"
<\/span><\/p>\n

\"If a woman earns more money than her husband, it's almost certain to cause problems.\"<\/span><\/p><\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Nat\u00fcrlich m\u00fcssen wir uns bewusst sein, dass die Annahme, diese Variablen w\u00fcrden uns das Ma\u00df an sexistischen Einstellungen in einem Land angeben, eher eingeschr\u00e4nkt g\u00fcltig ist. Es gibt M\u00f6glichkeiten zu testen, ob den Variablen alle dieselbe latente Dimension (in diesem Fall \"Sexismus\") zugrunde liegt, das haben wir hier allerdings aus Komplexit\u00e4tsgr\u00fcnden nicht gemacht. Folglich m\u00fcssen wir beachten, dass die Auswahl der Variablen ausschlie\u00dflich auf unserer subjektiven Beurteilung beruht. Wir sind limitiert auf die Variablen, welche im WVS abgefragt werden und m\u00fcssen damit alle Verzerrungen, die aufgrund von Fragestellung, Setting, Sample und Sensitivit\u00e4t der Frage entstanden sind, in Kauf nehmen. Bei der Auswahl musste es weiteren die Verf\u00fcgbarkeit der Variable beachtet werden, sodass Variablen, die eventuell noch besser gepasst h\u00e4tten, ausgeschlossen werden musste, weil sie nicht in allen L\u00e4ndern abgefragt wurden. Welche L\u00e4nder fehlen bzw. welche L\u00e4nder besonders viele fehlende Werte auf den Variablen aufweisen, k\u00f6nnte ebenfalls auf eine Systematik zur\u00fcckzuf\u00fchren sein, da sensible Fragen, wie Fragen zur Sexualit\u00e4t, Einkommen oder politische Pr\u00e4ferenz oft eine hohe Nonresponse-Rate haben (Tourangeau\/Yan 2007). Auch spielt soziale Erw\u00fcnschtheit der Antworten bei sensiblen Fragen eine Rolle, da Befragte dazu tendieren so zu antworten, dass sie ein besseres Bild von sich vermitteln (Bogner\/Landrock 2015: 2). Welche Fragen als sensibel gelten, variiert des Weiteren auch zwischen Kulturkreisen und kann somit auch noch mal Verzerrungen verursachen. <\/span><\/p>\n

Wir haben die Variablen aufsummiert und zu L\u00e4nderdurchschnitten hoch aggregiert. Dabei sind Werte zwischen 6 und 26 entstanden, welche wir auf einen Wertebereich zwischen 0 und 1 standardisiert haben. Nat\u00fcrlich k\u00f6nnte man argumentieren, dass so die St\u00e4rke des Sexismus nicht mehr ber\u00fccksichtigt wird, sondern lediglich der Vergleich zu anderen L\u00e4ndern. Dem ist zu entgegnen, dass vor der Standardisierung auch keine konkreten Aussagen zur \"St\u00e4rke\" des Sexismus in einem Land gemacht werden konnte, weil ein niedriger Wert auch nur bedeutet, dass die Befragten den abgefragten Aussagen nicht zustimmen, aber nichts \u00fcber ihre weiteren m\u00f6glicherweise sexistischen Ansichten verr\u00e4t. Die Fragen haben insgesamt auch einen Fokus auf Wirtschaft und Bildung, sodass sexistische Einstellungen in anderen Bereichen, wie z.B. der Geschlechterrollen im Haushalt nicht abgefragt und dementsprechend nicht ber\u00fccksichtigt werden. Wir gehen lediglich davon aus, dass die Antwort auf diese Fragen mit dem realen Level an Sexismus im Land korreliert, aber mehr als annehmen k\u00f6nnen wir nicht. Folglich macht es keinen Unterschied, ob wir die Werte standardisieren, da wir eh keine Aussage \u00fcber die \"St\u00e4rke\" des Sexismus machen k\u00f6nnen. Wir haben sie standardisiert, um die Werte intuitiver interpretieren zu k\u00f6nnen.
<\/span><\/p>\n

Um unsere Ergebnisse zu veranschaulichen, haben wir eine Karte erstellt, welche mit einem Farbcode die Unterschiede zwischen den L\u00e4ndern veranschaulichen soll. Das reduziert die Information nat\u00fcrlich stark, da so die feinen Unterschiede zwischen den L\u00e4ndern nicht mehr ber\u00fccksichtigt werden. Dazu l\u00e4sst sich allerdings sagen, dass die feinen Unterschiede voraussichtlich ohnehin nicht besonders aussagekr\u00e4ftig sind, da diese sich schnell durch Messfehler verzerren lassen. Durch die Farbabstufung werden zwar Varianzen veranschaulicht, vermittelt aber auch schnell den Fehlschluss, dass eine dunklere Farbe ein st\u00e4rkerer Effekt bedeutet. <\/span>Wir k\u00f6nnen daraus schlie\u00dfen, dass es viele Faktoren gibt, welche beachtet werden m\u00fcssen, wenn wir statistische Ergebnisse interpretieren und generalisieren. Auch unsere Methode ist kritisch zu betrachten und hat nur eine eingeschr\u00e4nkte G\u00fcltigkeit.
<\/span><\/p>\n

<\/span><\/p><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Code<\/h1><\/div>\n\t\t\t<\/div>
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Wir haben die Daten mithilfe des Datenalyseprogarmms R<\/strong><\/a><\/span> aufgearbeitet. Der Code steht in Form eines Html's zur Verf\u00fcgung und kann ohne Weiteres heruntergeladen und betrachtet werden:<\/span>
<\/span><\/p>\n

<\/span><\/p>\n

<\/span><\/p>\n

<\/span><\/p>\n

<\/span><\/p>\n

<\/span><\/p><\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Wertetabelle<\/h1><\/div>\n\t\t\t<\/div>
\n\t\t\t\tDownload <\/a>\n\t\t\t<\/div>
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Niederlande<\/td>\n0<\/td>\n<\/tr>\n
Gro\u00dfbritannien<\/td>\n0,06<\/td>\n<\/tr>\n
Andorra<\/td>\n0,06<\/td>\n<\/tr>\n
Neuseeland<\/td>\n0,08<\/td>\n<\/tr>\n
\u00d6sterreich<\/td>\n0,08<\/td>\n<\/tr>\n
Nordirland<\/td>\n0,1<\/td>\n<\/tr>\n
Deutschland<\/td>\n0,11<\/td>\n<\/tr>\n
Kanada<\/td>\n0,12<\/td>\n<\/tr>\n
Uruguay<\/td>\n0,2<\/td>\n<\/tr>\n
Puerto Rico<\/td>\n0,21<\/td>\n<\/tr>\n
USA<\/td>\n0,24<\/td>\n<\/tr>\n
Serbien<\/td>\n0,24<\/td>\n<\/tr>\n
Argentinien<\/td>\n0,26<\/td>\n<\/tr>\n
Rum\u00e4nien<\/td>\n0,33<\/td>\n<\/tr>\n
Peru<\/td>\n0,35<\/td>\n<\/tr>\n
Guatemala<\/td>\n0,36<\/td>\n<\/tr>\n
Griechenland<\/td>\n0,37<\/td>\n<\/tr>\n
Singapur<\/td>\n0,37<\/td>\n<\/tr>\n
Venezuela<\/td>\n0,38<\/td>\n<\/tr>\n
Kolumbien<\/td>\n0,39<\/td>\n<\/tr>\n
Chile<\/td>\n0,4<\/td>\n<\/tr>\n
Mexiko<\/td>\n0,42<\/td>\n<\/tr>\n
Ecuador<\/td>\n0,43<\/td>\n<\/tr>\n
Kenia<\/td>\n0,43<\/td>\n<\/tr>\n
Japan<\/td>\n0,44<\/td>\n<\/tr>\n
Zypern<\/td>\n0,44<\/td>\n<\/tr>\n
\u00c4thiopien<\/td>\n0,45<\/td>\n<\/tr>\n
Tschechien<\/td>\n0,45<\/td>\n<\/tr>\n
Nicaragua<\/td>\n0,46<\/td>\n<\/tr>\n
Hongkong<\/td>\n0,46<\/td>\n<\/tr>\n
Macao<\/td>\n0,47<\/td>\n<\/tr>\n
Bolivien<\/td>\n0,48<\/td>\n<\/tr>\n
Libanon<\/td>\n0,48<\/td>\n<\/tr>\n
Mongolei<\/td>\n0,48<\/td>\n<\/tr>\n
China<\/td>\n0,49<\/td>\n<\/tr>\n
Slowakei<\/td>\n0,49<\/td>\n<\/tr>\n
Malediven<\/td>\n0,49<\/td>\n<\/tr>\n
Thailand<\/td>\n0,5<\/td>\n<\/tr>\n
Armenien<\/td>\n0,52<\/td>\n<\/tr>\n
Zimbabwe<\/td>\n0,54<\/td>\n<\/tr>\n
Ukraine<\/td>\n0,54<\/td>\n<\/tr>\n
S\u00fcdkorea<\/td>\n0,57<\/td>\n<\/tr>\n
Marokko<\/td>\n0,58<\/td>\n<\/tr>\n
Vietnam<\/td>\n0,58<\/td>\n<\/tr>\n
Malaysia<\/td>\n0,58<\/td>\n<\/tr>\n
Russland<\/td>\n0,58<\/td>\n<\/tr>\n
Kasachstan<\/td>\n0,59<\/td>\n<\/tr>\n
T\u00fcrkei<\/td>\n0,6<\/td>\n<\/tr>\n
Philippinen<\/td>\n0,67<\/td>\n<\/tr>\n
Nigeria<\/td>\n0,71<\/td>\n<\/tr>\n
Indonesien<\/td>\n0,72<\/td>\n<\/tr>\n
Tunesien<\/td>\n0,72<\/td>\n<\/tr>\n
Iran<\/td>\n0,72<\/td>\n<\/tr>\n
Tajikistan<\/td>\n0,77<\/td>\n<\/tr>\n
Libyen<\/td>\n0,79<\/td>\n<\/tr>\n
Bangladesch<\/td>\n0,79<\/td>\n<\/tr>\n
Jordanien<\/td>\n0,82<\/td>\n<\/tr>\n
Irak<\/td>\n0,85<\/td>\n<\/tr>\n
Jordanien<\/td>\n0,85<\/td>\n<\/tr>\n
Irak<\/td>\n0,86<\/td>\n<\/tr>\n
Kirgistan<\/td>\n0,87<\/td>\n<\/tr>\n
\u00c4gypten<\/td>\n0,91<\/td>\n<\/tr>\n
Myanmar<\/td>\n0,92<\/td>\n<\/tr>\n
Pakistan<\/td>\n1<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>

\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Die Fallbeispiele<\/h1><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Schlussworte<\/h1><\/div>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>
\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t

Wir haben uns insgesamt drei L\u00e4nder herausgesucht, welche wir n\u00e4her betrachten haben. F\u00fcr die Auswahl wurden mehrere Aspekte herangezogen, welche grob die beiden Pole des Indexes abbilden. Die L\u00e4nder wurden nach folgenden Kriterien ausgew\u00e4hlt: <\/span><\/span><\/p><\/div>\n\t\t\t<\/div>

\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t