In der Vorlesung wird zunächst die multiple Regressionsanalyse und deren Anwendung behandelt. Die multiple Regression eignet sich besonders zur Analyse von unabhängigen Daten und ist die Grundlage für das Verständnis vieler weitere statistischer Analysemethoden, wie z.B. der Pfadanalyse. Zur Sprache kommen unter anderem die Interpretation der Modellkoeffizienten, Modellvergleiche, die Prüfung von Moderationshypothesen, die Analyse non-linearer Zusammenhänge, die Analyse mit kategorialen, unabhängigen Variablen und die (generalisierte) Kovarianzanalyse.
Hiernach ist die logistische Regression Thema, welche zum Einsatz kommt, wenn eine dichotome, kategoriale Variable als Kriterium vorliegt. Die logistische Regression ist unter anderem die Grundlage für das „propensity score matching“, eine Technik zur Kontrolle von Störvariablen bei nicht-randomisierten Beobachtungsstudien, welche in einem späteren Semester behandelt wird.
Schließlich wird die Mehrebenenanalyse (Hierarchisch-Lineare-Modelle) besprochen. Die Mehrebenenanalyse wird verwendet, wenn Beobachtungen oder Messungen verschachtelt sind, wie dies z.B. bei längsschnittlichen Erhebungen oder dem Cluster-Sampling der Fall ist.
Die Vorlesung wird auf Video aufgezeichnet und zum jeweiligen Termin online zur Verfügung gestellt. Die in der Vorlesung behandelten Themen werden in den begleitenden Seminaren am PC praktisch mit der Programmiersprache R vertieft.
Literatur: Eid, Gollwitzer & Schmitt (2017). Statistik und Forschungsmethoden. Weinheim: Beltz.“ close