Standortanalyse von Café-Getränkeangeboten mit SPSS: Eine praktische Anleitung zur Hypothesenprüfung

Einleitung: Warum der Standort das Getränkeangebot prägt

Stell dir vor, du betrittst ein Café in einem Einkaufszentrum – die Auswahl an Kaffeespezialitäten, Smoothies und Tees ist riesig. Gehst du dagegen in ein Café an der Hauptstraße, findest du vielleicht eine kleinere, aber feine Karte. Ist das Zufall? Oder steckt System dahinter? In diesem Tutorial lernst du, wie du mit SPSS solche Standortunterschiede systematisch analysieren kannst. Wir orientieren uns dabei an einem realen Forschungsprojekt aus Sydney: der „Latte-Divide“-Studie, die zeigt, dass die sozioökonomische Lage eines Stadtteils das Café-Angebot beeinflusst. Du wirst Hypothesen testen, Hauptkomponenten analysieren und Vorhersagemodelle erstellen – alles mit SPSS.

Die Forschungsfrage: Wie beeinflusst der Standort das Getränkeangebot?

Das Projekt untersuchte, ob sich die Getränkevielfalt („drink species richness“) und die Anzahl der Getränke („drink abundance“) in Cafés unterscheiden, je nachdem, ob sie in einem Einkaufszentrum oder an einer Straßenfront liegen. Zudem wurde die „Latte-Divide“ in Sydney betrachtet: eine gedachte Linie, die wohlhabendere Stadtteile im Nordosten von ärmeren im Südwesten trennt. Die Hypothesen lauteten:

• H1: Die Getränkezusammensetzung unterscheidet sich zwischen Cafés in Einkaufszentren und Straßencafés.
• H2: Die Getränkezusammensetzung unterscheidet sich zwischen Stadtteilen nördlich und südlich der Latte-Divide.
• H3: Hauptkomponenten aus Lebensraumvariablen (z. B. Mietpreise, Kundenfrequenz) unterscheiden sich zwischen den Standorttypen.
• H4: Diese Hauptkomponenten sagen die Getränkevielfalt und -häufigkeit vorher.

In diesem Tutorial zeige ich dir, wie du mit SPSS solche Hypothesen testest. Du kannst die Schritte direkt auf deine eigenen Daten anwenden – ob für ein Uni-Projekt oder eine Marktanalyse.

Schritt 1: Daten in SPSS eingeben und vorbereiten

Bevor du loslegst, musst du deine Daten strukturieren. Für unser Beispiel importierst du eine Tabelle mit folgenden Spalten:

• Cafe_ID: Nummer des Cafés (1–16)
• Standorttyp: 1 = Einkaufszentrum, 0 = Straßenfront
• Lage_Latte: 1 = Nordosten, 0 = Südwesten
• Getränkevielfalt: Anzahl verschiedener Getränkearten (z. B. 12)
• Getränkehäufigkeit: Gesamtzahl der angebotenen Getränke (z. B. 45)
• Miete_pro_qm: Durchschnittliche Miete in der Umgebung (€/m²)
• Kundenfrequenz: Geschätzte Passanten pro Stunde
• Sozioökonomischer_Index: Indexwert des Stadtteils (höher = wohlhabender)

Tipp: Verwende in SPSS die Variable View, um die Variablen korrekt zu definieren: Typ „Numerisch“, Dezimalstellen je nach Bedarf. Für kategoriale Variablen wie Standorttyp setzt du „Werte“-Labels (z. B. 0 = „Straßenfront“, 1 = „Einkaufszentrum“).

Schritt 2: Explorative Datenanalyse mit SPSS

Bevor du Hypothesen testest, verschaffe dir einen Überblick. Nutze Deskriptive Statistiken (Analysieren → Deskriptive Statistiken → Häufigkeiten) für die Getränkevielfalt, getrennt nach Standorttyp. Erstelle Boxplots unter Grafiken → Chart Builder, um Ausreißer zu erkennen.

Beispiel: In unserem Datensatz hatten Cafés in Einkaufszentren im Durchschnitt 15 verschiedene Getränke, Straßencafés nur 10. Das deutet auf einen Unterschied hin – aber ist er signifikant?

Schritt 3: Hypothesentest – t-Test für unabhängige Stichproben

Um H1 zu testen, ob sich die Getränkevielfalt zwischen den beiden Standorttypen unterscheidet, führst du einen t-Test für unabhängige Stichproben durch:

1. Klicke auf Analysieren → Mittelwerte vergleichen → t-Test bei unabhängigen Stichproben.
2. Wähle Getränkevielfalt als Testvariable und Standorttyp als Gruppenvariable.
3. Definiere die Gruppen: Gib 0 und 1 ein.
4. Klicke auf OK.

SPSS liefert dir die Ausgabe mit Mittelwerten, Standardabweichungen und dem t-Wert. Ist der p-Wert kleiner als 0,05, lehnst du die Nullhypothese ab – die Standorte unterscheiden sich signifikant. In unserem Beispiel war der Unterschied signifikant (t(14) = 2,45, p = 0,028).

Den gleichen Test führst du für H2 durch, indem du Lage_Latte als Gruppenvariable verwendest. Vielleicht findest du, dass Cafés im Nordosten eine größere Getränkevielfalt bieten – ein Hinweis auf den „Latte-Divide“-Effekt.

Schritt 4: Hauptkomponentenanalyse (PCA) mit SPSS

H3 und H4 beziehen sich auf Hauptkomponenten aus Lebensraumvariablen. Mit einer PCA reduzierst du mehrere korrelierte Variablen (z. B. Miete, Kundenfrequenz, Sozioökonomischer Index) auf wenige Faktoren.

So geht’s:

1. Klicke auf Analysieren → Dimensionsreduktion → Faktorenanalyse.
2. Wähle die metrischen Lebensraumvariablen aus (Miete, Kundenfrequenz, Sozioökonomischer Index).
3. Unter Extraktion wählst du Hauptkomponenten und legst fest, dass nur Komponenten mit Eigenwert > 1 extrahiert werden.
4. Unter Rotation wählst du Varimax, um die Interpretation zu erleichtern.
5. Klicke auf OK.

SPSS zeigt dir die rotierte Komponentenmatrix. Angenommen, es ergeben sich zwei Faktoren:

• Faktor 1 „Standortattraktivität“ (hohe Ladungen auf Miete und Kundenfrequenz)
• Faktor 2 „Sozioökonomie“ (hohe Ladung auf Sozioökonomischer Index)

Speichere die Faktorwerte als neue Variablen (Transformieren → Variable berechnen oder direkt über die Faktorenanalyse-Option „Werte speichern“).

Schritt 5: Unterschiede der Faktorwerte zwischen Standorttypen (H3)

Jetzt testest du, ob sich die Faktorwerte zwischen Einkaufszentrum und Straßenfront unterscheiden. Führe erneut einen t-Test durch, diesmal mit den Faktorwerten als Testvariablen.

Beispiel: Der Faktor „Standortattraktivität“ könnte in Einkaufszentren höher sein (weil dort die Mieten und die Kundenfrequenz höher sind). Ein signifikanter t-Test würde H3 stützen.

Schritt 6: Regression – Hauptkomponenten als Prädiktoren (H4)

Um zu prüfen, ob die Hauptkomponenten die Getränkevielfalt vorhersagen, führst du eine multiple lineare Regression durch:

1. Klicke auf Analysieren → Regression → Linear.
2. Setze Getränkevielfalt als abhängige Variable.
3. Wähle die beiden Faktorwerte als unabhängige Variablen.
4. Klicke auf OK.

SPSS gibt dir das R² (Anteil erklärter Varianz) und die Koeffizienten. Ist der β-Koeffizient für einen Faktor signifikant (p < 0,05), hat dieser Faktor einen Einfluss. In unserem Beispiel war Faktor 1 (Standortattraktivität) ein signifikanter Prädiktor (β = 0,52, p = 0,012) – je attraktiver der Standort, desto größer die Getränkevielfalt.

Interpretation der Ergebnisse und praktische Tipps

Die Ergebnisse zeigen, dass der Standort tatsächlich einen Einfluss auf das Getränkeangebot hat. Cafés in Einkaufszentren bieten eine größere Vielfalt, möglicherweise weil sie ein breiteres Publikum bedienen müssen. Der „Latte-Divide“-Effekt zeigte sich ebenfalls: Nördlich der Linie war die Vielfalt höher, was auf die höhere Kaufkraft zurückzuführen sein könnte.

Wichtige SPSS-Tipps:

• Überprüfe immer die Voraussetzungen: Normalverteilung (z. B. mit Shapiro-Wilk-Test) und Varianzhomogenität (Levene-Test) beim t-Test.
• Bei der PCA solltest du den Kaiser-Meyer-Olkin-Wert (KMO) prüfen – er sollte über 0,6 liegen.
• Speichere die Syntax, damit du die Analyse später reproduzieren kannst.

Fazit: Standortanalyse mit SPSS – ein mächtiges Werkzeug

Dieses Tutorial hat gezeigt, wie du mit SPSS die Auswirkungen des Standorts auf Café-Getränkeangebote untersuchen kannst – von der Dateneingabe über PCA bis zur Regression. Die Methoden lassen sich auf viele andere Bereiche übertragen, z. B. auf die Analyse von Filialstandorten im Einzelhandel oder die Bewertung von Immobilien. Mit SPSS hast du ein Werkzeug, das dir hilft, Muster zu erkennen und datenbasierte Entscheidungen zu treffen. Probiere es selbst aus – vielleicht entdeckst du in deiner Stadt einen eigenen „Latte-Divide“!