Glim: Verallgemeinerte Lineare Modelle

ISBN-13: 9783528043544 / Niemiecki / Miękka / 1986 / 250 str.

Hans-J Rgen Andre

Opis

Multivariate Analyseverfahren haben in den letzten Jahren einen gewaltigen Aufschwung in den Sozialwissenschaften erfahren. Die Vielfalt der Methoden ist fur den Forschungs praktiker kaum noch zu uberblicken. Mit diesem Buch wird der Versuch unternommen, ein allgemeines Modell statistischer Datenanalyse vorzustellen, das mehrere multivariate Analyseverfahren als Spezialfall enthiilt. Dazu ziihlen die klassischen Anwendungen der Regressions-, Varianz- und Kovarianzanalyse, aber auch verschiedene Methoden zur Ana lyse von kreuztabellierten Daten (log-lineare und logistische Modelle, GSK-Ansatz). Dieses verallgemeinerte lineare Modell wurde von NELDER und WEDDERBURN (1972) vorgeschlagen. Fur praktische Auswertungen mit diesem Ansatz steht das Programmpaket GUM zur Verfugung, das von der Numerical Algorithms Group vertrieben wird. Bisher sind sowohl der statistische Ansatz als auch das Programm G LIM in der Forschungspraxis nur sehr zogernd aufgenommen worden. Das liegt sicherlich zum groBen Teil daran, daB der Grad der statistischen Formalisierung relativ hoch und der Umfang der Programm dokumentation relativ gering ist. Vor allem fehlt es an konkreten Beispielen, wie man mit einem Datensatz z. B. eine Regressionsanalyse oder ein log-lineares Modell berechnet.

Spis treści

1 Einleitung.- 1.1 Multivariate Analyseverfahren — Ein Überblick.- 1.2 Verallgemeinerte lineare Modelle und ihre Realisierung in dem Programmpaket GLIM.- 1.3 Ein Anwendungsbeispiel.- 1.3.1 Fragestellung und betrachtete Merkmale.- 1.3.2 Individualdaten, aggregierte Daten, Kreuztabellen.- 1.4 Gliederung dieses Buches und notwendige Vorkenntnisse.- 2 Spezifikation verallgemeinerter linearer Modelle: Theoretische Grundlagen.- 2.1 Struktur der verallgemeinerten linearen Modelle.- 2.2 Verteilungsannahmen bei verallgemeinerten linearen Modellen.- 2.3 Abhängigkeitsbeziehungen in verallgemeinerten linearen Modellen.- 2.4 Erklärende Variablen in verallgemeinerten linearen Modellen.- 2.4.1 Regressionsanalyse.- 2.4.2 Varianzanalyse (Regressionsanalyse mit Dummy-Variablen).- 2.4.2.1 Reparametrisierung und Effektkodierung.- 2.4.2.2 Spezielle Designmatrizen: Interaktionen, konditionale und geordnete Effekte.- 2.4.2.3 Varianzanalyse und Kreuztabellenanalyse: Das Problem fehlender Beobachtungen.- 2.4.3 Kovarianzanalyse.- 2.4.4 Konstruktion der Matrix der unabhängigen Variablen innerhalb des Programmpakets GLIM.- 2.5 Spezifikation verallgemeinerter linearer Modelle — Zusammenfassung an Hand des Beispiels.- 3 Überprüfung verallgemeinerter linearer Modelle: Theoretische Grundlagen.- 3.1 Schätzung der Regressionsparameter.- 3.2 Konfidenzintervalle der Regressionsparameter und Hypothesentests.- 3.3 Modellanpassung.- 3.3.1 Exkurs: Berechnung der Devianz für zwei Submodelle des GLIM-Ansatzes.- 3.3.2 Modellanpassungstests.- 3.3.3 Schätzung des Skalenparameters und Signifikanztests für ZweiParameter-Verteilungen.- 3.4 Eigenschaften der Testverfahren.- 3.5 Multiple und partielle Bestimmtheitsmaße für verallgemeinere lineare Modelle.- 3.6 Analyse der Residuen.- 4 Anwendung verallgemeinerter linearer Modelle: Eine empirische Analyse beruflicher Wechsel.- 4.1 Metrische Zielvariablen: Statusänderungen bei Berufswechseln.- 4.1.1 Regressionsanalyse.- 4.1.2 Varianzanalyse.- 4.1.3 Kovarianzanalyse.- 4.2 Dichotome Zielvariablen: Abstiegsrisiko in verschiedenen Subgruppen.- 4.2.1 Probleme der Analyse dichotomer Zielvariablen.- 4.2.2 Analyse dichotomer Zielvariablen mit gewichteter Regression.- 4.2.2.1 Grundprinzipien des GSK-Ansatzes (Minimum-Chi-Quadrat-Methode).- 4.2.2.2 Ein empirisches Beispiel: Ein lineares Modell des Abstiegsrisikos.- 4.2.3 Analyse dichotomer Zielvariablen mit Maximum-Likelihood-Schätzungen.- 4.2.3.1 Theoretische Grundlagen.- 4.2.3.2 Ein empirisches Beispiel: Ein logistisches Modell des Abstiegsrisikos.- 4.2.4 Unvollständige Kreuztabellen.- 4.3 Polytome Zielvariablen: Verschiedene Arten von Tätigkeitswechseln.- 4.3.1 Analyse polytomer Zielvariablen mit gewichteter Regression und Maximum-Likelihood-Schätzungen.- 4.3.2 Ein empirisches Beispiel: Ein multivariates logistisches Modell verschiedener Tätigkeitswechsel.- 4.3.3 Ordinale Zielvariablen.- 4.4 Diskrete Zielvariablen mit Individualdaten.- 4.4.1 Kreuztabellen und Individualdaten.- 4.4.2 Ein empirisches Beispiel: Ein logistisches Modell des individuellen Abstiegsrisikos.- 4.5 Fortgeschrittene Anwendungen verallgemeinerter linearer Modelle.- 5 GLIM als Programmiersprache.- 5.1 Sprachdefinition.- 5.2 Dateneingabe und Druckausgabe.- 5.3 Datenmanipulation.- 5.3.1 Berechnung von Variablen.- 5.3.2 Umkodierung von Variablen.- 5.3.3 Aggregierung von Daten und Generierung von Kreuztabellen.- 5.3.4 Auswahl von Fällen.- 5.4 Macros.- Statistischer Anhang.- Datenanhang.- Programmanhang.- GLIM: Kommandoübersicht.- Autorenregister.- Stichwortregister.

O autorze

Dr. phil. Hans-Jürgen Andreß ist Professor für Statistik und Methoden empirischer Sozialforschung an der Fakultät für Soziologie der Universität Bielefeld.