Datenanalyse mit SPSS für Fortgeschrittene 2: Multivariate Verfahren für Querschnittsdaten

Mit dem zweiten Band der Reihe „Datenanalyse mit SPSS für Fortgeschrittene“ wird eine Einführung in verschiedene multivariate Analysemethoden für Querschnittsdaten vorgelegt. Das Buch versteht sich als Arbeitshilfe für fortgeschrittene Nutzer von SPSS und setzt sowohl Grundkenntnisse im Umgang mit dem Programm, insbesondere der Syntax voraus, wie auch Grundkenntnisse der Statistik und der Methoden der quantitativen empirischen Sozialforschung. Die mathematischen Grundlagen der Verfahren werden jedoch nur soweit behandelt, wie es für das Verständnis der Auswertungen erforderlich ist. Ziel des Buches ist eine möglichst praxisnahe Darstellung der Verfahren. Aus diesem Grund werden alle Verfahren an praktischen Auswertungsfragen auf Basis realer, also nicht zu Lehrzwecken erstellter Datensätze entwickelt. Das bedeutet, dass jedes Kapitel eine komplexe Auswertungsstrategie darstellt, die auch die Aufbereitung und Transformation von Daten beinhaltet. Es bedeutet auch, dass reale Probleme wie in der Forschungspraxis auftreten: uneindeutige Ergebnisse, Verletzung von Modellannahmen usw. Die Diskussion dieser Probleme und die Darstellung möglicher Strategien des Umgangs mit ihnen ergänzen die Einführung in die Analyseverfahren.

Die Varianzanalyse (ANOVA = ANalysis Of VAriance) ist ein kausalanalytisches multivariates Verfahren, bei dem der Einfluss verschiedener nominalskalierter und metrischer unabhängiger Variablen auf eine abhängige metrische Variable beurteilt werden soll.

In soziologischen Untersuchungen geht es häufig um die Frage, ob und wie eine oder mehrere unabhängige Variablen auf eine abhängige Variable einwirken. Eine typische Fragestellung wäre etwa, von welchen Einflussgrößen die Höhe des Einkommens einer Person abhängt. In diesem Fall wäre das Einkommen die abhängige Variable, Größen wie das Alter, die berufliche Qualifikation, die Dauer der Berufstätigkeit, das Geschlecht usw. die unabhängigen Variablen.

Die logistische Regressionsanalyse kann immer dann eingesetzt werden, wenn es darum geht, Gruppenunterschiede zu erklären oder Gruppenzugehörigkeiten zu prognostizieren.

Bei der Diskriminanzanalyse geht es darum, die Unterschiede zwischen Gruppen von Merkmalsträgern zu untersuchen und darüber hinaus Merkmalsträger, deren Gruppenzugehörigkeit nicht bekannt ist, zu klassifizieren. Anders als etwa bei der Clusteranalyse sind die interessierenden Gruppen also vorab bekannt.

Die Clusteranalyse – auch als „Numerische Klassifikation“ bezeichnet – ist ein Verfahren zur Aufdeckung homogener Klassen von Merkmalsträgern. Sie impliziert die Annahme, dass im Datensatz natürliche Klassen von Merkmalsträgern existieren, die einander in Hinblick auf bestimmte Merkmale „ähnlich“ sind und sich gleichzeitig von anderen Klassen unterscheiden.

Die Korrespondenzanalyse ist ein exploratives Verfahren zur Visualisierung der Datenstruktur einer Kontingenztabelle und zur Verdichtung der in ihr enthaltenen Informationen. Ihre Grundidee besteht darin, die Zeilen und Spalten der Tabelle grafisch als Punkte in einem Koordinatensystem mit – in der Regel – zwei Achsen darzustellen und so einer inhaltlichen, meist dimensionalen Interpretation zugänglich zu machen.