Dankbarkeit ist eine moralische Tugend, die eine universelle und zeitlose Bedeutung im menschlichen Leben hat und auf intellektueller Ebene seit Jahrhunderten von Philosophen und Gelehrten diskutiert wird (McCullough et al., 2002). Aus psychologischer Sicht ergeben sich vielfältige Formen und Ansätze, wie Dankbarkeit verstanden und erlebt werden kann (Morgan et al., 2017). Nach Wood et al. (2010) kann Dankbarkeit sowohl als trait-ähnliche Disposition als auch als vorübergehender Zustand, wie eine positive Stimmung, gesehen werden. Auf der dispositionellen Ebene kann Dankbarkeit als „Teil einer umfassenderen Lebensorientierung verstanden werden, die darauf abzielt, das Positive in der Welt zu bemerken und zu schätzen" (Wood et al., 2010, S. 891). Derzeit gibt es vier gut etablierte unterschiedliche Maße zur Erfassung von Dankbarkeit (Lermer, 2019). Das erste entwickelte Instrument zur Messung von Dankbarkeit, der einfaktorielle Gratitude Questionnaire-Six Item Form (GQ-6), konzentriert sich hauptsächlich auf die emotionale Komponente der Dankbarkeit (McCullough et al., 2002). In diesem Zusammenhang wurde Dankbarkeit definiert als „eine verallgemeinerte Tendenz, die Rolle des Wohlwollens anderer Menschen bei den positiven Erfahrungen und Ergebnissen, die man erhält, zu erkennen und mit dankbaren Gefühlen darauf zu reagieren" (McCullough et al., 2002, S. 112). Im Gegensatz dazu bietet der Gratitude, Resentment and Appreciation Test (GRAT; Watkins et al., 2003) eine breitere Sichtweise der Dankbarkeit und differenziert zwischen drei Ebenen von Dankbarkeit. Das dritte Maß, die Appreciation Scale, entwickelt von Adler und Fagley (2005), konzeptualisiert und misst Dankbarkeit als eine untergeordnete Facette des breiteren Konstrukts der Wertschätzung. Morgan et al. (2017) stellten schließlich das Multi-Component Gratitude Measure (MCGM) als viertes Maß vor. Das MCGM bietet einen ganzheitlichen Ansatz zur Messung von Dankbarkeit, da die Autoren die bestehenden Definitionen konsolidierten. Insgesamt besteht das MCGM aus vier Komponenten. Zusätzlich zu dem ursprünglichen emotionalen Aspekt der Dankbarkeit werden auch der einstellungs-, verhaltensbezogene- und konzeptionelle Aspekt von Dankbarkeit integriert. Die Einstellungskomponente konzentriert sich darauf, wann man Dankbarkeit zeigt und wie Dankbarkeit im Kontext von Werten wahrgenommen wird. Die Verhaltenskomponente besteht aus dem Ausdruck bzw. Nicht-Ausdruck von Dankbarkeit gegenüber seinen Wohltätern und aus einer eher spirituellen Verbindung zum Dankbarsein und der konzeptionelle Aspekt erfasst Kognitionen über Dankbarkeit (Morgan et al., 2017).

Es konnte gezeigt werden, dass sich Dankbarkeit von anderen Persönlichkeitsmerkmalen und Konstrukten innerhalb der positiven Psychologie (z.B. Optimismus, Hoffnung) klar abgrenzen lässt (Wood et al., 2008). Dankbarkeit geht dabei grundsätzlich mit einem stärkeren subjektiven Wohlbefinden (Emmons & McCullough, 2003) sowie einer höherer Lebenszufriedenheit (Peterson et al. 2007) einher. Darüber hinaus steht Dankbarkeit mit einem geringeren Ausmaß an Stress (Wood et al., 2008) sowie einem niedrigeren Risiko für Angst- und Depressionserkrankungen (Froh et al., 2007, 2011; Kendler et al., 2003) in Zusammenhang.

Das MCGM liegt bisher nur in englischer Sprache vor (Morgan et al., 2017). Eine differenzierte Erfassung des Konstrukts Dankbarkeit ist bis dato nicht möglich. Um eine Verwendung im deutschsprachigen Raum zu ermöglichen, wird in der vorliegenden Dokumentation daher eine deutschsprachige Version des GQ-6 entwickelt und evaluiert.

Die Daten wurden mit R Studio analysiert (Version 1.2.1335 auf macOS, R Version 4.0.0). Dabei wurde das lavaan-Paket (Rosseel, 2012) verwendet, um die CFAs zu berechnen. Zusätzlich kamen die Pakete psych (Revelle, 2021) und semTools (Jorgensen, 2020) zum Einsatz, um die Analysen zur Überprüfung der kulturellen Messinvarianz durchzuführen. Das Signifikanzniveau für alle Analysen lag bei α = 5%.

Itemkonstruktion und Itemselektion

Die Fragen für die deutsche Version des Multi-Component Gratitude Measure wurden mittels Hin- und Rückübersetzungsprozedur (Brislin, 1970) von der Originalfassung des MCGM abgeleitet. Im ersten Schritt wurden die Fragen von einem professionellen Übersetzer (Muttersprache Deutsch) ins Deutsche übersetzt. Anschließend wurden diese Fragen von einem weiteren professionellen Übersetzer (Muttersprache Englisch) ins Englische zurückübersetzt. Schließlich wurden beiden Fassungen von einer Psychologin gemeinsam mit den Autoren der englischsprachigen Originalfassung zur finalen Version konsolidiert, um die bestmögliche Übersetzung der Fragen zu erreichen.

Stichproben

Die Validierung erfolgte mittels eines Online-Fragebogens (CASI) und umfasste die Daten von 508 ProbandInnen (79% weiblich, 20% männlich). Die Datenerhebung erfolgte im Jahr 2018. Am Ende ihrer Teilnahme erhielten die TeilnehmerInnen ihren persönlichen Dankbarkeitswert im Vergleich zu den Mittelwerten der Stichprobe des Originals aus Großbritannien (Morgan, 2017). Eine Entlohnung darüber hinaus erfolgte nicht. Der Fragebogen wurde über verschiedene E-Mail-Verteiler an deutschsprachigen Universitäten sowie über Facebook-Gruppen, die sich thematisch auf psychologische Studien beziehen, verteilt. Das durchschnittliche Alter der TeilnehmerInnen betrug M = 24.80 Jahre (SD = 8.00) mit einer Range von 18 bis 67 Jahren. Als höchsten Bildungsabschluss gaben 65% der Befragten Abitur an, 28% verfügten über einen Universitätsabschluss, davon waren etwa 30% PsychologiestudentInnen, und 7% der Befragten hatten einen Hauptschulabschluss. Die Darbietung der Skalen erfolgte randomisiert und die durchschnittliche Bearbeitungszeit betrug M = 410.29 Sekunden (SD = 221.02 Sekunden). Da sämtliche Fragen innerhalb der Online-Befragung beantwortet werden mussten, gab es keine fehlenden Daten.

Zusätzlich zur deutschen Stichprobe konnte zur Analyse der kulturellen Messinvarianz eine englischsprachige Stichprobe (UK) mit 1.599 TeilnehmerInnen (52% weiblich) genutzt werden (Morgan, 2017). Es mussten ebenfalls sämtliche Fragen des Online-Fragebogens beantwortet werden, weshalb es ebenfalls keine fehlenden Daten gab. Die Generierung dieser Stichprobe erfolgte im Zeitraum vom 31.07. bis 05.08.2014 als Quotenstichprobe über die Crowd-Sourcing-Plattform Pure Profile UK, wobei darauf geachtet wurde, dass die ProbandInnen die Zusammensetzung der Bevölkerung (UK) widerspiegelten. Als Entlohnung für die Teilnahme erhielten die TeilnehmerInnen 2£. Das Durchschnittsalter dieser Stichprobe betrug M = 51.43 Jahre (SD = 12.96) mit einer Range von 18 bis 83 Jahre.

Konfirmatorische Faktorenanalyse

Zur Testung der Faktorenstruktur der deutschen Version des MCGM (MCGM-G) für die deutsche Stichprobe wurde eine konfirmatorische Faktorenanalyse durchgeführt. Da keine Normalverteilung vorlag, wurde eine robuste Maximum-Likelihood-Schätzung (MLM) mit Satorra und Bentler’s (2001) skaliertem χ²-Wert angewendet. Um robuste Schätzungen der Fit-Indizes zu erhalten, wurden diese ebenfalls für die robuste χ²-Teststatistik angepasst (Walker und Smith, 2016). Die Bewertung des Modell-Fits folgte dabei nach folgenden Konventionen: Idealerweise sollte der χ²-Test nicht signifikant sein (Schermelleh-Engel et al., 2003). Jedoch neigt der χ²-Test dazu, hohe und somit statistisch signifikante Werte zu produzieren, wenn die Stichprobengröße groß ist (N > 200: Walker und Smith, 2016; N > 250: Bühner, 2011). Einen besseren Fit-Index stellt daher das Verhältnis aus dem χ²-Wert und der Anzahl der Freiheitsgrade (χ²/df) dar (Bentler und Bonett, 1980), welches kleiner als 3 sein sollte (Kline, 1998). Werte des SRMR unter 0.05 sind als gut zu beurteilen (Byrne, 1998) und sollten 0.08 nicht überschreiten (Hu und Bentler, 1999), wobei zu beachten ist, dass das SRMR mit höherer Stichprobengröße abnimmt (Hooper et al., 2008). Werte des RMSEA unter 0.05 weisen auf einen guten Modell-Fit hin und sollten ebenfalls 0.08 nicht überschreiten (Browne und Cudeck, 1993), während CFI und TLI über 0.95 liegen sollten (Schermelleh-Engel et al., 2003).

Abbildung 1. Messmodell entsprechend konfirmatorischer Faktorenanalyse für den MCGM-G (ohne Items 1, 2 und 6 bei ATA). Vollstandardisierte Pfadkoeffizienten, RMSEA = 0.050, CFI = 0.940, SRMR = .059, χ²(284) = 854.12, p < .001, N = 508. Der χ²-Wert ist Satorra-Bentler korrigiert.

FOG = Gefühle der Dankbarkeit (Feelings of gratitude); ATA = Einstellungen zur Angemessenheit (Attitudes to appropriateness); BS = Achtlosigkeit (Behavioral shortcomings); RNB = Rituale/Nutzen erkennen (Rituals/Noticing benefits); EOG = Ausdruck von Dankbarkeit (Expression of gratitude); AOG = Einstellung zur Dankbarkeit (Attitude of gratitude)

Es wurden drei verschiedene Modelle berechnet und gegeneinander getestet. Die Fit-Indizes des ursprünglichen Sechs-Faktoren-Modells mit korrelierten Faktoren (siehe Tabelle 3) des MCGM (Morgan et al., 2017) zeigten bis auf den signifikanten χ²-Test eine gute Passung. Allerdings erwiesen sich die Items 2 („Dankbarkeit sollte demjenigen entgegengebracht werden, der die Absicht hat, Dir zu helfen“) und 6 („Ich bin nur dankbar, wenn der Nutzen einen echten Wert für mich hat“) der Skala Einstellung zur Angemessenheit als negative Faktorladungen. Es wurde überprüft, ob bei der zuvor durchgeführten Analyse ein Fehler beim Reverse-Coding dieser beiden Items aufgetreten war. Da kein Fehler bei der Kodierung gefunden werden konnte, wurden beide Items ausgeschlossen. Nach der Eliminierung der beiden Items verbesserte sich die Modellgüte hinsichtlich aller Fit Indizes (CFI = 0.93, TFI = 0.92, RMSEA = 0.058, SRMR = 0.067). Interessanterweise zeigten sich auch bei Item 1 dieser Dimension (Einstellung zur Angemessenheit) mit einer niedrigen korrigierten Item-Gesamt-Korrelation von r_it = 0.18 nur eine geringe Übereinstimmung mit den anderen Items. Nach dem Ausschluss von Item 1 verbesserte sich die Modellgüte weiter (CFI = 0.94, TFI = 0.93, RMSEA = 0.050, SRMR = 0.059). Im letzten Schritt wurde das Faktorenmodell zweiter Ordnung analysiert. Hierzu wurden entsprechend des englischsprachigen Originals (Morgan et al., 2017) die Dimensionen Einstellungen zur Angemessenheit (ATA) und Einstellung zur Dankbarkeit (AOG) zum Faktor zweiter Ordnung Einstellungen zusammengefasst. Darüber hinaus bildeten Achtlosigkeit (BSC), Ausdruck von Dankbarkeit (EOG) und Rituale/Nutzen erkennen (RNB) den Faktor zweiter Ordnung Verhalten. Die Dimension Gefühle der Dankbarkeit (FOG) ist als eigenständiger Faktor in das Modell eingeflossen. Die Faktorenladungen zweiter Ordnung sowie die Korrelationen zwischen diesen Faktoren können Tabelle 4 entnommen werden. Hier waren die Ergebnisse im Vergleich zum modifizierten Sechs-Faktoren-Modell etwas schlechter, aber immer noch in einem akzeptablen bis guten Bereich (siehe Tabelle 2).

Tabelle 2

Goodness-of-fit-indices des Messmodells für MCGM-G sowie die modifizierte Version der MCGM-G ohne Items 1, 2, 6 im Vergleich

Anmerkungen. N = 508.

^a Der χ²-Wert ist Satorra-Bentler korrigiert.

^b Modifiziertes Modell ohne die Items 2 und 6 der Skala Einstellungen zur Angemessenheit (Attitudes to appropriateness).

^c Modifiziertes Modell ohne die Items 1, 2 und 6 der Skala Einstellungen zur Angemessenheit (Attitudes to appropriateness).

^d MCGM-G-SOF basiert auf der modifizierten Version des MCGM-G ohne die Items 1, 2 und 6 der Skala Einstellungen zur Angemessenheit (Attitudes to appropriateness).

Tabelle 3

Kovarianzen zwischen den Dimensionen des Messmodell entsprechend konfirmatorischer Faktorenanalyse für den MCGM-G (ohne Items 1, 2 und 6 bei ATA)

Anmerkungen. FOG = Gefühle der Dankbarkeit (Feelings of gratitude); ATA = Einstellungen zur Angemessenheit (Attitudes to appropriateness); BS = Achtlosigkeit (Behavioral shortcomings); RNB = Rituale/Nutzen erkennen (Rituals/Noticing benefits); EOG = Ausdruck von Dankbarkeit (Expression of gratitude); AOG = Einstellung zur Dankbarkeit (Attitude of gratitude)

Tabelle 4

Faktorenladungen zweiter Ordnung für das Messmodell mit den Faktoren zweiter Ordnung (MCGM-G SOF)

Anmerkungen. FOG = Gefühle der Dankbarkeit (Feelings of gratitude); ATA = Einstellungen zur Angemessenheit (Attitudes to appropriateness); BS = Achtlosigkeit (Behavioral shortcomings); RNB = Rituale/Nutzen erkennen (Rituals/Noticing benefits); EOG = Ausdruck von Dankbarkeit (Expression of gratitude); AOG = Einstellung zur Dankbarkeit (Attitude of gratitude)

Itemkennwerte

Die einzelnen Dimensionen des Messinstruments werden gebildet, indem die jeweiligen Items zu einem Skalenmittelwert zusammengefasst werden (siehe hierzu auch den Abschnitt Auswertungshinweise). Bei den beiden Dimensionen zweiter Ordnung (Einstellungen und Verhalten) werden die Mittelwerte aus den zugehörigen Dimensionen erster Ordnung gebildet. Der Shapiro-Wilk-Test zeigte, dass sämtliche Dimensionen sowie die Faktorwerte 1. und 2. Ordnung des MCGM-G nicht normalverteilt sind (Schiefe = -1.10 bis 0.23, Kurtosis = 2.50 bis 4.05). Die durchschnittliche korrigierte Item-Total-Korrelation (Trennschärfe) für alle Dimensionen des MCGM-G betrug r_it = .69. Tabelle 5 können die Itemkennwerte der MCGM-G, unterteilt in die einzelnen manifesten Items der verschiedenen Dimensionen, entnommen werden.

Deskriptive Statistiken

Die deskriptiven Statistiken der mehrdimensionalen Skala zur Messung von Dankbarkeit (MCGM-G) können Tabelle 5 entnommen werden. Alle Faktoren (1. und 2. Ordnung) der MCGM-G als auch die einzelnen Dimensionen sind nicht normalverteilt (Shapiro-Wilk-Test: p < .05, Schiefe = -1.10 bis 0.23, Kurtosis = 2.50 bis 4.05).

Nebengütekriterien

Ökonomie

Beim MCGM-G handelt es sich vor dem Hintergrund des hohen Differenzierungsgrades aus ökonomischer Sicht um ein Messinstrument mit moderatem Zeitaufwand. Die durchschnittliche Bearbeitungszeit in der deutschen Referenzstichprobe lag mit M = 410.29 Sekunden (SD = 221.02) knapp unter sieben Minuten.

Kulturelle Messinvarianz für Stichproben aus Deutschland und UK

Zur Beurteilung der Messinvarianz zwischen der deutschen und der britischen Stichprobe und der Prüfung der Geschlechtsunterschiede wurden Multigruppenvergleiche (Fischer und Karl, 2019; Vandenberg und Lance, 2000) durchgeführt. Die Analyse basierte auf den bei Fischer und Karl (2019) beschriebenen drei typischen Phasen. Dabei wird im ersten Schritt das Basismodell mit dem konfiguralen Modell verglichen, um zu prüfen, ob die Gesamtfaktorstruktur über beide Gruppen vergleichbar ist (konfigurale Invarianz). Im zweiten Schritt wird geprüft, ob die Faktorladungen über die Gruppen hinweg vergleichbar sind (metrische Invarianz). Im dritten Schritt wird schließlich geprüft, ob die Intercepts der Items über die Gruppen hinweg vergleichbar sind (skalare Invarianz). Die Auswertung der Modellanpassung folgte ebenfalls entsprechend der folgenden Konventionen: Da der χ²-Test sensitiv für die Stichprobengröße ist, sind Unterschiede im CFI (Little, 1997) und RMSEA (Little et al., 2007) aussagekräftiger und sollten für jede Stufe der Invarianz unter 0.01 liegen (Cheung und Rensvold, 2002; Putnick und Bornstein, 2016; Fischer und Karl, 2019). Die Ergebnisse der Multigruppenvergleiche werden nach den Empfehlungen von Putnick und Bornstein (2016) berichtet und können Tabelle 9 entnommen werden.

Die Analysen zeigen, dass die MCGM-G keine vollständige skalare Messinvarianz (d.h. kulturelle Messinvarianz) erfüllt, sondern lediglich eine partielle skalare Messinvarianz angenommen werden kann. Fit-Indizes des Basismodells des MCGM-G weisen auf konfigurale Messinvarianz hin (χ² = 1845.90, df = 568, p < .001; CFI = 0.955; RMSEA = 0.046; SRMR = 0.039). Ein Vergleich mit dem Modell, das die metrische Messinvarianz testet, zeigte, dass der Fit schlechter ist (Δχ² = 152,44, df = 20, p < .001). Da der χ²-Differenztest sensitiv für die Stichprobengröße ist und die anderen Fit-Indizes gut waren (CFI = 0.951; RMSEA = 0.048; SRMR = 0.044), kann metrische Messinvarianz angenommen werden. Auf der Ebene der skalaren Messinvarianz zeigte sich jedoch eine schlechtere Modellgüte. Neben der signifikanten χ²-Differenz (Δχ² = 1027.56, df = 20, p < .001) lagen auch die Differenzen der anderen gängigen Fit-Indizes über der akzeptablen Schwelle von 0.01 (ΔCFI = 0.035; ΔRMSEA = 0.013). Eine skalare Messinvarianz kann demnach nicht angenommen werden. Die Betrachtung der Modifikationsindizes ergab, dass mehrere Item-Intercepts bei allen Faktoren nicht invariant waren. Eine partielle skalare Messinvarianz konnte festgestellt werden, indem die Intercepts der Items 2, 4, 5 und 6 der Dimension Gefühle der Dankbarkeit, der Items 4 und 5 der Dimension Einstellungen zur Angemessenheit, der Items 2 und 3 der Dimension Achtlosigkeit, der Items 4 und 5 der Dimension Rituale/Nutzen erkennen, des Items 3 der Dimension Ausdruck der Dankbarkeit und der Items 1, 2, 3 und 4 der Dimension Einstellung zur Dankbarkeit zwischen den Gruppen variieren durften (χ² = 2243. 13, df = 592, p < .001; CFI = 0.942; RMSEA = 0.052; SRMR = 0.046; ΔCFI = 0.009; ΔRMSEA = 0.009; ΔSRMR = 0.002). Eine Ausnahme bildet die Dimension Einstellung zur Dankbarkeit, da alle Item-Intercepts dieses Faktors nicht invariant waren. Somit können latente Mittelwertvergleiche für fünf Dimensionen des MCGM-G durchgeführt werden, wenn die entsprechenden Items einen eigenen Intercept haben können. Da metrische Messinvarianz vorliegt, ist die Faktorenstruktur der sechs Dimensionen in beiden Gruppen äquivalent, was darauf hindeutet, dass den latenten Konstrukten die gleiche Bedeutung zugeschrieben werden kann. Somit können Assoziationen zwischen dem MCGM-G und anderen Variablen über Stichproben aus Großbritannien und Deutschland hinweg miteinander verglichen werden.

Tabelle 9

Analyse der kulturellen Messinvarianz für den MCGM-G im Vergleich mit der UK-Stichprobe nach Morgan et al. (2017)

Anmerkungen. Alle χ²-Tests und Δχ²-Werte wurden signifikant, p < .01

^a Finales Modell ohne die Items 2 und 6 der Skala Einstellungen zur Angemessenheit (Attitudes to appropriateness).

^bIntercepts der folgenden Items variierten zwischen den Gruppen: FOG-i2, FOG-i4, FOG-i5, FOG-i6, ATA-i4, ATA-i5, BS-i2, BS-i3, RNB-i4, RNB-i5, EOG-i3, AOG-i1, AOG-i2, AOG-i3, AOG-i4.

FOG = Gefühle der Dankbarkeit (Feelings of gratitude); ATA = Einstellungen zur Angemessenheit (Attitudes to appropriateness).

Messinvarianz für das Geschlecht

Die deutsche Stichprobe ist – wie in vielen anderen psychologischen Studien – in Richtung der weiblichen Teilnehmerinnen verzerrt und hat ein vergleichsweise niedriges Durchschnittsalter von 24.80 Jahren. Die (vorliegende) Konzeptualisierung von Dankbarkeit ist demnach möglicherweise nur für junge Frauen repräsentativ. Obwohl dies ein typischer Bias ist, der auch andere Validierungsstudien von Dankbarkeitsmaßen (z. B. Gouveia et al., 2019, Hudecek et al., 2020) betrifft, wurde zusätzlich die Messinvarianz zwischen den Geschlechtern geprüft. Die Ergebnisse zeigten dabei skalare Messinvarianz hinsichtlich des Geschlechts der TeilnehmerInnen für alle Dimensionen des MCGM-G (siehe Tabelle 10).

Tabelle 10

Analyse der Messinvarianz für den MCGM-G über Geschlecht

Anmerkungen. Alle χ²-Tests und Δχ²-Werte wurden signifikant, p < .01.

Sämtliche Angaben beziehen sich auf die finale Version des MCGM-G unter Ausschluss der Items 1, 2 und 6 bei der Skala Einstellungen zur Angemessenheit (Attitudes to appropriateness).

Weiterführende Literatur

Hudecek, M.F.C., Blabst, N., Morgan, B. & Lermer, E. (2020). Measuring Gratitude in Germany: Validation Study of the German Version of the Gratitude Questionnaire-Six Item Form (GQ-6-G) and the Multi-Component Gratitude Measure (MCGM-G). Frontiers in Psychology, 11:590108. https://doi.org/10.3389/fpsyg.2020.590108

Morgan, B., Gulliford, L., & Kristjánsson, K. (2017). A new approach to measuring moral virtues: The Multi-Component Gratitude Measure. Personality and Individual Differences, 107, 179–189. https://doi.org/10.1016/j.paid.2016.11.044

Danksagung

Wir danken Julia Cecil für ihre wertvolle Unterstützung bei dieser Publikation.

• Matthias Hudecek, Lehrstuhl für Sozial-, Arbeits-, Organisations- und Wirtschaftspsychologie, Universität Regensburg, E-Mail: matthias.hudecek@psychologie.uni-regensburg.de.
• Eva Lermer, LMU Center for Leadership and People Management, LMU Munich; Hochschule Ansbach, E-Mail: eva.lermer@psy.lmu.de

Der zur Validierung der deutschsprachigen Version des MCGM-G verwendete Datensatz ist in einem öffentlich zugänglichen Online-Repository bei Open Science Framework unter https://osf.io/8v5ej/ zu finden.