Zur Logik der Datenanalyse: Welche Auswertungsstrategie passt am besten zu meiner Fragestellung?

Chapter

Zusammenfassung

Bei der Berechnung von Regressionsmodellen, gleich welcher Art, muss der Anwender eine Reihe von Entscheidungen zur Modellbildung treffen: Werden die unabhängigen Variablen alle auf einmal in das Regressionsmodell aufgenommen oder in mehreren Schritten? Sollen Interaktionseffekte im Modell berücksichtigt werden? Das folgende Kapitel beschäftigt sich mit derartigen Grundfragen zur Logik der Datenanalyse, indem drei gängige Auswertungsstrategien vorgestellt werden: das Brutto-Netto-Modell, die schrittweise (hierarchische) Regression und die Moderationsanalyse. Mit diesen Modellierungsvarianten können verschiedene Formen von Einflüssen sogenannter Drittvariablen untersucht werden: Warum reduziert oder verstärkt sich der Einfluss einer unabhängigen Variablen X auf eine abhängige Variable Y, wenn eine Drittvariable Z in das Modell aufgenommen wird? Wie interpretiert man Interaktionseffekte in Regressionsmodellen?

Literatur

  1. Aiken, Leona S., und Stephen G. West. 1996. Multiple regression: Testing and interpreting interactions. Newbury Park: Sage.Google Scholar
  2. Allison, Paul D. 2005. Missing data. Quantitative applications in the social sciences, 136. Thousand Oaks: Sage.Google Scholar
  3. Baron, Reuben M., und David A. Kenny. 1986. The moderator-mediator distinction in social psychological research: Conceptual, strategic and statistical considerations. Journal of Personality and Social Psychology 51:1173–1182.CrossRefGoogle Scholar
  4. Bollen, Kenneth A. 1987. Total, direct, and indirect effects in structural equation models. In Sociological methodology, Hrsg. Clifford C. Clogg, 37–69. Washington, D.C.: American Sociological Association.Google Scholar
  5. Diekmann, Andreas. 2010. Empirische Sozialforschung. Grundlagen, Methoden, Anwendungen. Reinbek: Rowohlt.Google Scholar
  6. Fox, John. 1997. Applied regression analysis, linear models, and related methods. Thousand Oaks: Sage.Google Scholar
  7. Frazier, Patricia A., Andrew P. Tix, und Kenneth E. Barron. 2004. Testing moderator and mediator effects in counseling psychology research. Journal of Counseling Psychology 51:115–134.CrossRefGoogle Scholar
  8. James, Lawrence R., und Jeanne M. Brett. 1984. Mediators, moderators, and tests for mediation. Journal of Applied Psychology 69:307–321.CrossRefGoogle Scholar
  9. Kühnel, Steffen-M., Dagmar Krebs. 2001. Statistik für die Sozialwissenschaften. Grundlagen, Methoden, Anwendungen. Reinbek: Rowohlt.Google Scholar
  10. Lohmann, Henning. 2010. Nicht-Linearität und Nicht-Additivität in der multiplen Regression: Interaktionseffekte, Polynome und Splines. In Handbuch der sozialwissenschaftlichen Datenanalyse, Hrsg. Christoph Wolf und Henning Best, 677–707. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  11. MacKinnon, David P. 2008. Introduction to statistical mediation analysis. Milton Park: Routledge.Google Scholar
  12. Muthén, Linda K., und Bengt O. Muthén. 2007. Mplus users guide. Los Angeles: Muthén & Muthén.Google Scholar
  13. Schnell, Rainer, Paul Bernhard Hill, und Elke Esser. 2011. Methoden der empirischen Sozialforschung. München: Oldenbourg.Google Scholar
  14. Sobel, Michael E. 1982. Asymptotic confidence intervals for indirect effects in structural equation models. In Sociological methodology, Hrsg. Samuel Leinhardt, 290–312. Washington, DC: American Sociological Association.Google Scholar
  15. Urban, Dieter, und Jochen Mayerl. 2008. Regressionsanalyse: Theorie, Technik und Anwendung. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  16. Whisman, Mark A., und Gary H. McClelland. 2005. Designing, testing, and interpreting interactions and moderator effects in family research. Journal of Family Psychology 19:111–120.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2014

Authors and Affiliations

  1. 1.Universität TrierTrierDeutschland
  2. 2.Universität TübingenTübingenDeutschland

Personalised recommendations