Ausblick auf multivariate Verfahren

• zu Beginn: Hypothesen von möglichen Zusammenhängen in den Daten

• Ziel: Überprüfung von theoretisch vermuteten Zusammenhängen zwischen Variablen

=> Multivariate lineare Regression -> metrischskaliert

=> Multivariate logistische Regression -> kategorialskaliert

=> Mehrebenenregression

• zu Beginn: keine Hypothese von möglichen Zusammenhängen in den Daten

• Ziel: Entdeckung von Zusammenhängen zwischen Variablen oder Fällen

=> Clusteranalyse -> keine Anforderungen

=> Faktorenanalyse -> intervallskaliert

=> Korrespondenzanalyse -> kategorialskaliert

=> Untersuchung wie individuelles Handeln sowohl durch individuelle, als auch durch kontextuelle Einflüsse beeinflusst wird.

Dabei werden Daten unterschiedlicher Aggregationsniveaus gemeinsam analysiert => Mikroebene - Mesoebene - Makroebene

=> Die logistische Regression ist ein Verfahren zur multivariaten Analyse nicht-metrischer abhängiger Variablen.

Dabei wird Regressionsmodell entwickelt, das die abhängige Variable in einem möglichst hohen Ausmaß statistisch erklärt.

=> Gruppierung der Fälle (Objekte/Untersuchungseinheiten

Dabei werden Fälle mit ähnlichen Merkmalen klassifiziert, was zu einer Reduktion der Komplexität führt

=> Reduktion von Variablen

Dabei werden Gruppen von intervallskalierten Variablen zu aussagekräftigen und voneinander möglichst unabhängigen sogenannten „Faktoren“ zusammengefasst => Durch eine solche Strukturierung von Variablenmengen anhand von Faktoren können wir latente „hinter den Variablen“ stehende (nicht direkt messbare) Größen oder Merkmale identifizieren.

=> Visualisierung der Datenstruktur einer Kreuztabelle und der Verdichtung der in ihr enthaltenen Informationen

Dabei werden die Zeilen und Spalten einer Tabelle grafisch als Punkte in einem zweidimensionalen „Raum“ (Koordinatensystem mit zwei Achsen) dargestellt.