Full text: Die Antrittswahrscheinlichkeit zur Lehrabschlussprüfung

Situation von Wiener Lehrlingen im letzten Ausbildungsjahr 
öibf 19 
 
Um eine lineare Regression durchzuführen muss ein Regressionsmodell erstellt 
werden. Als Regressionsmodell wird das bereits beschriebene Hypothesensystem 
zur Erklärung des subjektiven LAP-Vorbereitungsgrades (Abbildung 1) modelliert.  
Das Regressionsmodell wird durch eine Gleichung ausgedrückt:   
 
Subjektiver LAP-Vorbereitungsgrad (I) =  
Konstante + b1 Erfolg Berufsschule (I) + b2 Intrinsische LAP-Motivation (I) +  
b3 LAP-Unterstützung Betrieb (I) + b4 Selbstwirksamkeit (I) + b5 Ausbildungsqualität 
(I) + b6 Prüfungsangst (I) + b7 Berufszufriedenheit (I) + b8 Probleme in Ausbildung + b9 
Geschlecht + b10 Alter + b11 Migrationshintergrund + b12 Bildungsressourcen + b13 Lehr-
betriebsgröße + b14 Lehrberufsgruppen + b15 Übrige Bundesländer 
Das Regressionsverfahren schätzt, auf Basis der Daten der Lehrlingsbefragung, die 
einzelnen (partiellen) nicht-standardisierten Regressionskoeffizienten b1 bis b15. 
Der geschätzte Regressionskoeffizient bi gibt formal an, um wie viele Einheiten 
sich die abhängige (zu erklärende) Variable ändert, wenn sich die unabhängige 
Variable i um eine Einheit erhöht, bei Konstanthaltung (Kontrolle) aller anderen 
Variablen im Modell. Der Regressionskoeffizient ist ein Maß, um die Stärke des 
Einflusses einer unabhängigen auf eine abhängige Variable anzugeben.  
Die geschätzten Regressionskoeffizienten der Regressionsanalyse für unser Modell  
sind in Tabelle 3 und grafisch in Abbildung 8 dargestellt. Die dargestellten ge-
schätzten Regressionskoeffizienten können in der oben dargestellten Gleichung 
eingesetzt werden. 
 
Tabelle 3: Regressionsmodell zur Erklärung des LAP-Vorbereitungsgrades 
 Regressionskoeffizienten 
Indizes  
Erfolg Berufsschule (I) 0,25** 
Intrinsische LAP-Motivation (I) 0,21** 
LAP-Unterstützung Betrieb (I) 0,12** 
Selbstwirksamkeit (I) 0,10** 
Ausbildungsqualität (I) 0,09** 
Prüfungsangst (I) -0,08** 
Berufszufriedenheit (I) Kein statistischer Effekt 
Kein Problem in Ausbildung (Referenz) - 
Kleine Probleme in Ausbildung -0,08 * 
Große Probleme in Ausbildung -0,12 * 
Soziodemografische Variablen  
Geschlecht (männlich) 0,28** 
Korrigiertes R2 0,31 
Weitere Kontrollvariablen im Modell (nicht signifikant): 
Alter, Migrationshintergrund, Bildungsressourcen, Lehrbetriebsgröße, Lehrberufs-
gruppen, Übrige Bundesländer 
Quelle: öibf LAP-Befragung 2013. 
Regressionsmethode: lineare multiple Regression. Abhängige Variable: LAP-
Vorbereitungsgrad. Regressionskoeffizienten sind nicht standardisiert.  
Signifikanzniveaus: **0,99, *0,90. n=3.246 (1.617 Fälle wegen fehlender Werte gelöscht). 
Die Voraussetzungen und Modellannahmen der Regressionsanalyse wurden geprüft. 
Abkürzung: (I)=Index, konstruiert aus mehreren Items 
 
Es zeigt sich, dass sich in dieser Analyse die Reihung der Zusammenhänge anders 
darstellt. So hat der Index „Erfolg Berufsschule“ den stärksten Einfluss auf den 
subjektiven „LAP-Vorbereitungsgrad“. Der geschätzte Regressionskoeffizient von 
0,25 drückt aus: Wenn sich der Wert des Index um Eins ändert, dann erhöht sich 
der subjektive LAP-Vorbereitungsgrad um 0,25 Einheiten, wenn alle anderen Vari-
ablen im Modell sich nicht verändern. Lehrlinge, die ihren Erfolg in der Berufs-
        

Note to user

Dear user,

In response to current developments in the web technology used by the Goobi viewer, the software no longer supports your browser.

Please use one of the following browsers to display this page correctly.

Thank you.