Multivariate Analyseverfahren

ISBN-13: 9783519000358 / Niemiecki / Miękka / 1979 / 262 str.

Manfred Keuchler; M. Kuchler; M. Kuchler

Opis

Multivariate Analyseverfahren sind ein Sammelbegriff fur kom plexe statistische Techniken schlechthin; im Rahmen eines Stu dienskripts ist es somit nicht moglich, eine vertiefende Dar stellung aller dieser Verfahren zu geben. Das Schwergewicht dieser Darstellung liegt vielmehr auf den erst in den letzten zehn Jahren zur Anwendungsreife entwickelten komplexen Analyse verfahren fur nicht-metrische Daten, die in gewisser Weise das Gegenstuck zur klassischen Pfadanalyse darstellen. Mit diesen neuen Verfahren ist es gelungen, die Defizite mehrdimensiona ler Tabellenanalyse vom LAZARSFELDschen Typus zu uberwinden, und eine auch formal statistisch befriedigende Alternative zur Pfadanalyse zu schaffen. Wahrend sich in den USA die Erkennt nis schon weitgehend durchgesetzt hat, dass etwa dichotome ab hangige Variable nicht mit den Mitteln der klassischen Pfad analyse untersucht werden sOllten, sind die neueren Verfahren im deutschsprachigen Raum noch nicht vollstandig in das Stan dardrepertoire des Forschungspraktikers eingegangen. Der Initiative des Kolner ZENTRALARCHIVS fur empirische Sozial forschung ist es zu danken, dass der ubliche time-lag zwischen der internationalen Entwicklung (und Massstab dafur ist in der Soziologie im wesentlichen die USA) und der Rezeption in der BRD in diesem Falle vielleicht geringer ausfallt als gewohn lich. Thema des Fruhjahrsseminars '78 waren multivariate Ver fahren fur metrische und nicht-metrische Daten. Das vorliegen de Skript beruht zu wesentlichen Teilen auf der zehnstundigen Vorlesung, die ich im Rahmen dieses Fruhjahrsseminars gehalten ha

Spis treści

1. Einführung.- 1.1. Aufgabe und Stellenwert komplexer Analyseverfahren.- 1.2. Multivariate Analyseverfahren im Überblick.- 1.3. Hinweise zu Aufbau und Benutzung des Texts.- 2. Regression als deskriptives Analysemodell.- 2.1. Die Regression zweier Merkmale.- 2.2. Die Einbeziehung eines dritten Merkmals.- 2.2.1. Die Untersuchung auf Kausalität.- 2.2.2. Regressionsebene und Interpretation der Koeffizienten.- 2.2.3. Abhängigkeit der Lösung von der Drittvariablen.- 2.2.4. Determinationskoeffizient und relativer Einfluß der unabhängigen Variaben.- 2.2.5. Probleme: Multikollinearität und kleine Fallzahlen.- 2.2.6. Zusammenfassung.- 2.3. Der allgemeine Regressionsansatz.- 2.3.1. Matrizennotation und elementare Rechenregeln.- 2.3.2. Die allgemeine Lösung des Regressionsansatzes und substantielle Interpretation der Koeffizienten.- 2.3.3. Nicht-lineare Ansätze und Einbeziehung von Interaktionswirkungen.- 2.3.4. Herleitung einiger grundlegender Beziehungen im allgemeinen Regressionsansatz.- 3. Voraussetzungen und Aussagewert statistischer Inferenz.- 3.1. Der klassische Fall: Zufallsstichproben.- 3.2. Der Begriff des hypothetischen Universums.- 4. Inferenzschlüsse im metrischen Regressionsmodell.- 4.1. Wahrscheinlichkeitsverteilung der Regressionskoeffizienten.- 4.2. Varianzanalytische Überlegungen und F-Test.- 5. Regression mit nicht-metrischen unabhängigen Variablen: Varianzanalyse.- 5.1. Orthogonale und nicht-orthogonale Ansätze.- 5.2. Die Design-Matrix für polytome Merkmale.- 5.3. Der Einfluß eines Kodierungswechsels.- 6. Der GSK — Ansatz.- 6.1. Metrisierungen der Zielvariablen.- 6.2. Die Design-Matrix.- 6.3. Die Betrachtung von saturierten Modellen.- 6.3.1. Dichotome Merkmale: Harders DO-Modell.- 6.3.2. Polytome Merkmale.- 6.4. Der Weg zum ‘besten’ Modell.- 6.4.1. Inferenzbetrachtungen.- 6.4.2. Konstruktion spezifischer Design-Matrizen.- 6.5. Hinweise zur Benutzung des NONMET-Programms.- 6.6. Statistische Grundlagen des GSK-Ansatzes.- 7. GOODMANs ‘General Model’.- 7.1. Allgemeine Grundzüge des GOODMAN-Ansatzes.- 7.1.1. Dualismus von direkten Effektschätzungen und Modell-Tests.- 7.1.2. Symmetrische und asymmetrische Betrachtung.- 7.1.3. Substantielle Interpretation der Effekte.- 7.2. Das Testen von unsaturierten Modellen.- 7.2.1. Hierarchische Modelle.- 7.2.2. Das Maximum-Likelihood-Prinzip.- 7.2.3. Der Weg zum ‘besten’ Modell.- 7.3. Strukturgleichungen und Pfadanalyse.- 7.3.1. Überprüfung theoretisch postulierter Pfaddiagramme.- 7.3.2. Interpretation des besten Modells als Pfeildiagramm.- 7.4. Vergleich zwischen log-linearen Modellen im GOODMAN- und im GSK-Ansatz.- 7.5. Hinweise zur Benutzung des ECTA-Programms.

Blurb

Aus dem Inhalt: Regressionsanalyse für metrische und nichtmetrische Daten / Analyse qualitativer Daten: GSK-Ansatz / Goodmans "General Model"