2A1 LE 3: Quantitative Analyseverfahren. Eine Einführung
1. Einführung [Markus Tausendpfund]
1.1 Einordnung im Forschungsprozess
Im quantitativen Forschungsprozess werden statistische Analyseverfahren genutzt,
um theoretisch formulierte Hypothesen empirisch überprüfen zu können.
Vor dieser Datenanalyse ist es jedoch wichtig, ein paar Entscheidungen wie
die Festlegung eines Forschungsthemas und die Entwicklung einer Forschungsfrage zu treffen!
Nur wenn die Phasen vor der Datenanalyse erfolgreich durchlaufen und bearbeitet wurden,
gelangt man auch zu zuverlässigen empirischen Befunden.
Während der Identifizierung und
theoretischen Klärung der Konzepte;
Formulierung von Hypothesen und
Operationalisierungen der Konzepte
setzt man sich auch mit dem
Stand der Forschung auseinander.
„Datenerhebung“ können bei Sekundäranalyse übersprungen werden
Die Phasen „Forschungsdesign", „Auswahlverfahren“ und
Datenaufbereitung:
1. erhobene empirische Daten müssen systematisch
in einen Datensatz aufgenommen werden
2. Beschriftung der Variablen und
Erstellung eines Codebuchs
3. Durchführung von Fehlerkontrollen
(z.B. Eingabefehler) und Plausibilitätstests
4. oftmals müssen Variablen auch verändert werden
(Datenmodifikation/Datentransformation)
Bei Inferenzstatistik
geht es um
Übertragung der
Befunde von
G
Zufallsstichproben auf
zugehörige
Grundgesamtheiten.
I
Univariate Datenanalyse: Bivariate Datenanalyse: Multivariate Datenanalyse:
• befasst sich mit einzelnen • Untersuchung des Verhältnisses • hier werden mehrere Variablen
Variablen zwischen zwei Variablen gleichzeitig betrachtet
• Erstellung von Häufigkeitstabellen • Verwendung von Kreuztabellen • Nutzung von Regressionsanalysen,
• die vielen Daten werden jetzt und Zusammenhangsmaße um Einfluss der unabhängigen
mithilfe von Lage-, Streuungs- (Koeffizienten) Variablen auf eine abhängige
und Formmaße auf wenige • Zusammenhangsmaße sind Variable zu schätzen
Kennzahlen verdichtet bspw. Cramér‘s V, Spearman‘s rho • Lineare und logistische Regression
und Pearson‘s r
, 2A1 LE 3: Quantitative Analyseverfahren. Eine Einführung
1. Einführung [Markus Tausendpfund]
1.2 Grundgesamtheit und Stichprobe
bei empirischen Studien wird meistens nur eine zufällige Auswahl aus der Grundgesamtheit untersucht:
Stichprobenfehler (Abweichungen)
sind bei Zufallsstichproben nicht zu
vermeiden, d.h. der Mittelwert einer
Stichprobe wird sich vom Mittelwert
der Grundgesamtheit unterscheiden!
→ wie schon zuvor gesagt, beschäftigt sich die Inferenzstatistik mit der Frage,
ob Stichprobenergebnisse auf Grundgesamtheit übertragen werden dürfen (vgl. SB, LE 3, S. 15)
Und auch hier sind zwei wesentliche Dinge zu beachten:
1. Man kann Inferenzstatistik nur mit Zufallsstichproben anwenden
2. Mit Signifikanztest kann der Zusammenhang zwischen Stichprobe und Grundgesamtheit überprüft werden
(Befund ist signifikant, wenn dieser mit großer Sicherheit übertragen werden kann)
1.3 Klassifikation von Variablen
Variable = sozialwissenschaftliches Merkmal mit mindestens zwei Ausprägungen
Variable kann nach vier folgenden Kriterien klassifiziert werden:
Diskrete und stetige Dichotome und polytome Manifeste und latente
verschiedene Skalenniveaus
Variablen Variablen Variablen
Skalenarten von Stevens (1946):
nominales Skalenniveau: diskrete Variable: dichotome Variable: manifeste Variable:
„Je höher das Skalenniveau ist, desto mehr Rechenoperationen sind möglich.“ (SB, LE 3, S.16)
• hier können Ausprägungen einer
mit nur endlich diskrete Variable mit direkt beobachtbare
Variable verglichen werden
vielen Ausprägungen nur zwei Merkmale
oder abzählbaren Ausprägungen
Beispiel: Geschlecht
Ausprägungen; Beispiele:
ordinales Skalenniveau: polytome Variable: Geschlecht oder
keine Zwischenwerte Haarfarbe einer
• hier können Ausprägungen einer möglich diskrete Variable mit Person
Variable in Rangfolge geordnet mehreren
werden Beispiele: Ausprägungen latente Variable:
Anzahl der nicht direkt
Beispiel: Schulabschluss Fachsemester oder beobachtbare
Kinderzahl einer Merkmale
metrisches Skalenniveau: Familie
Intervallskala: müssen erst
stetige Variable: „beobachtbar“
• neben einer Rangfolge können gemacht werden
hier auch Abstände zwischen mit unendlich vielen (‚Operationalisierung‘)
den Ausprägungen Ausprägungen
Interpretiert werden Beispiele:
• kein natürlicher Nullpunkt Zwischenwerte sind Intelligenz oder
vorhanden und keine möglich Einstellungen einer
Berechnung von Verhältnissen Person
Beispiele:
Ratioskala: Zeit- und
Größenangaben
• ein natürlicher Nullpunkt ist oder
vorhanden und Verhältnis von monetäre Größen
zwei Ausprägungen kann
berechnet werden
, 2A1 LE 3: Quantitative Analyseverfahren. Eine Einführung
1. Einführung [Markus Tausendpfund]
1.3 Klassifikation von Variablen
Noch zu ordinales Skalenniveaus:
Rechenoperationen für die jeweiligen Skalenniveaus:
Es ist also wichtig zu wissen, mit welchem Skalenniveau man es zu tun hat,
damit man auch ein geeignetes Analyseverfahren auswählen kann!!
1. Einführung [Markus Tausendpfund]
1.1 Einordnung im Forschungsprozess
Im quantitativen Forschungsprozess werden statistische Analyseverfahren genutzt,
um theoretisch formulierte Hypothesen empirisch überprüfen zu können.
Vor dieser Datenanalyse ist es jedoch wichtig, ein paar Entscheidungen wie
die Festlegung eines Forschungsthemas und die Entwicklung einer Forschungsfrage zu treffen!
Nur wenn die Phasen vor der Datenanalyse erfolgreich durchlaufen und bearbeitet wurden,
gelangt man auch zu zuverlässigen empirischen Befunden.
Während der Identifizierung und
theoretischen Klärung der Konzepte;
Formulierung von Hypothesen und
Operationalisierungen der Konzepte
setzt man sich auch mit dem
Stand der Forschung auseinander.
„Datenerhebung“ können bei Sekundäranalyse übersprungen werden
Die Phasen „Forschungsdesign", „Auswahlverfahren“ und
Datenaufbereitung:
1. erhobene empirische Daten müssen systematisch
in einen Datensatz aufgenommen werden
2. Beschriftung der Variablen und
Erstellung eines Codebuchs
3. Durchführung von Fehlerkontrollen
(z.B. Eingabefehler) und Plausibilitätstests
4. oftmals müssen Variablen auch verändert werden
(Datenmodifikation/Datentransformation)
Bei Inferenzstatistik
geht es um
Übertragung der
Befunde von
G
Zufallsstichproben auf
zugehörige
Grundgesamtheiten.
I
Univariate Datenanalyse: Bivariate Datenanalyse: Multivariate Datenanalyse:
• befasst sich mit einzelnen • Untersuchung des Verhältnisses • hier werden mehrere Variablen
Variablen zwischen zwei Variablen gleichzeitig betrachtet
• Erstellung von Häufigkeitstabellen • Verwendung von Kreuztabellen • Nutzung von Regressionsanalysen,
• die vielen Daten werden jetzt und Zusammenhangsmaße um Einfluss der unabhängigen
mithilfe von Lage-, Streuungs- (Koeffizienten) Variablen auf eine abhängige
und Formmaße auf wenige • Zusammenhangsmaße sind Variable zu schätzen
Kennzahlen verdichtet bspw. Cramér‘s V, Spearman‘s rho • Lineare und logistische Regression
und Pearson‘s r
, 2A1 LE 3: Quantitative Analyseverfahren. Eine Einführung
1. Einführung [Markus Tausendpfund]
1.2 Grundgesamtheit und Stichprobe
bei empirischen Studien wird meistens nur eine zufällige Auswahl aus der Grundgesamtheit untersucht:
Stichprobenfehler (Abweichungen)
sind bei Zufallsstichproben nicht zu
vermeiden, d.h. der Mittelwert einer
Stichprobe wird sich vom Mittelwert
der Grundgesamtheit unterscheiden!
→ wie schon zuvor gesagt, beschäftigt sich die Inferenzstatistik mit der Frage,
ob Stichprobenergebnisse auf Grundgesamtheit übertragen werden dürfen (vgl. SB, LE 3, S. 15)
Und auch hier sind zwei wesentliche Dinge zu beachten:
1. Man kann Inferenzstatistik nur mit Zufallsstichproben anwenden
2. Mit Signifikanztest kann der Zusammenhang zwischen Stichprobe und Grundgesamtheit überprüft werden
(Befund ist signifikant, wenn dieser mit großer Sicherheit übertragen werden kann)
1.3 Klassifikation von Variablen
Variable = sozialwissenschaftliches Merkmal mit mindestens zwei Ausprägungen
Variable kann nach vier folgenden Kriterien klassifiziert werden:
Diskrete und stetige Dichotome und polytome Manifeste und latente
verschiedene Skalenniveaus
Variablen Variablen Variablen
Skalenarten von Stevens (1946):
nominales Skalenniveau: diskrete Variable: dichotome Variable: manifeste Variable:
„Je höher das Skalenniveau ist, desto mehr Rechenoperationen sind möglich.“ (SB, LE 3, S.16)
• hier können Ausprägungen einer
mit nur endlich diskrete Variable mit direkt beobachtbare
Variable verglichen werden
vielen Ausprägungen nur zwei Merkmale
oder abzählbaren Ausprägungen
Beispiel: Geschlecht
Ausprägungen; Beispiele:
ordinales Skalenniveau: polytome Variable: Geschlecht oder
keine Zwischenwerte Haarfarbe einer
• hier können Ausprägungen einer möglich diskrete Variable mit Person
Variable in Rangfolge geordnet mehreren
werden Beispiele: Ausprägungen latente Variable:
Anzahl der nicht direkt
Beispiel: Schulabschluss Fachsemester oder beobachtbare
Kinderzahl einer Merkmale
metrisches Skalenniveau: Familie
Intervallskala: müssen erst
stetige Variable: „beobachtbar“
• neben einer Rangfolge können gemacht werden
hier auch Abstände zwischen mit unendlich vielen (‚Operationalisierung‘)
den Ausprägungen Ausprägungen
Interpretiert werden Beispiele:
• kein natürlicher Nullpunkt Zwischenwerte sind Intelligenz oder
vorhanden und keine möglich Einstellungen einer
Berechnung von Verhältnissen Person
Beispiele:
Ratioskala: Zeit- und
Größenangaben
• ein natürlicher Nullpunkt ist oder
vorhanden und Verhältnis von monetäre Größen
zwei Ausprägungen kann
berechnet werden
, 2A1 LE 3: Quantitative Analyseverfahren. Eine Einführung
1. Einführung [Markus Tausendpfund]
1.3 Klassifikation von Variablen
Noch zu ordinales Skalenniveaus:
Rechenoperationen für die jeweiligen Skalenniveaus:
Es ist also wichtig zu wissen, mit welchem Skalenniveau man es zu tun hat,
damit man auch ein geeignetes Analyseverfahren auswählen kann!!
