Advertisement

Ein Ausblick auf fortgeschrittene statistische Analyseverfahren

Chapter

Zusammenfassung

Im folgenden Kapitel werden Grundkonzepte von fünf fortgeschrittenen statistischen Verfahren vorgestellt, die in den Sozialwissenschaften mittlerweile weit verbreitet sind: die Ereignisdaten-, Mehrebenen-, Panel-, Pfad- und Metaanalyse. Nach der Lektüre des Kapitels sollte der Leser einschätzen können, bei welchen Fragestellungen das jeweilige Verfahren eingesetzt werden kann und welche Auswertungsmöglichkeiten überhaupt zur Verfügung stehen. Was versteht man im Zusammenhang mit Ereignisdatenanalysen zum Beispiel unter den Begriffen Übergangsrate und Überlebensfunktion? Warum müssen bei sogenannten hierarchisch strukturierten Daten spezielle Verfahren wie die Mehrebenenanalyse eingesetzt werden? Wann ist es sinnvoll, komplexe Pfadmodelle mit mehreren abhängigen (endogenen) Variablen zu berechnen? Was versteht man unter einer Metaanalyse und welche Formen sind hier zu unterscheiden? Das Kapitel enthält auch Hinweise auf weiterführende Literatur zum jeweiligen Verfahren.

Literatur

  1. Allison, Paul D. 1984. Event history analysis. Regression for longitudinal event data. Beverly Hills: Sage.Google Scholar
  2. Allison, Paul D. 1994. Using panel data to estimate the effects of events. Sociological Methods & Research 23:174–199.CrossRefGoogle Scholar
  3. Allison, Paul D. 2005. Missing data. Quantitative applications in the social sciences, 136. Thousand Oaks: Sage.Google Scholar
  4. Allison, Paul D. 2009. Fixed effects regression models. Quantitative applications in the social sciences, 160. Thousand Oaks: Sage.Google Scholar
  5. Backhaus, Klaus, Bernd Erichson, Wulff Plinke, und Rolf Weiber. 2006. Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. Berlin: Springer.Google Scholar
  6. Berlin, Jesse A., Jill Santanna, Christopher H. Schmid, Lynda A. Szczech, und Harold I. Fledman. 2002. Individual patient- versus group-level data meta-regressions for the investigation of treatment effect modifiers: ecological bias rears its ugly head. Statistics in Medicine 21:371–387.CrossRefGoogle Scholar
  7. Bickel, Robert. 2008. Multilevel analysis for applied research. It’s just regression! New York: Guilford Press.Google Scholar
  8. Blossfeld, Hans-P., Katrin Golsch, und Götz Rohwer. 2007. Event history analysis with Stata. Mahwah: Lawrence Erlbaum.Google Scholar
  9. Blossfeld, Hans-P., Alfred Hamerle, und Karl U. Mayer. 1989. Event history analysis. Statistical theory and application in the social sciences. Hillsdale: Lawrence Erlbaum.Google Scholar
  10. Blossfeld, Hans-P., und Götz Rohwer. 1995. Techniques of event history modeling: New approaches to causal analysis. Hillsdale: Lawrence Erlbaum.Google Scholar
  11. 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
  12. Borenstein, Michael, Larry V. Hedges, Julian P. T. Higgens, und Hannah R. Rothstein. 2009. Introduction to meta-analysis. Chicester: Wiley.CrossRefGoogle Scholar
  13. Brüderl, Josef. 2010. Kausalanalyse mit Paneldaten. In Handbuch der sozialwissenschaftlichen Datenanalyse, Hrsg. Christof Wolf und Henning Best, 963–994. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  14. Brüderl, Josef, und Andreas Diekmann. 1995. The log-logistic rate model: Two generalizations with an application to demographic data. Sociological Methods and Research 24:158–186.CrossRefGoogle Scholar
  15. Bryk, Anthony S., und Stephen W. Raudenbush. 1992. Hierarchical linear models: applications and data analysis methods. Newbury Park: Sage.Google Scholar
  16. Cameron, A. Colin, und Pravin K. Trivedi. 2005. Microeconometrics: Methods and applications. Cambridge: Cambridge Univerity Press.CrossRefGoogle Scholar
  17. Cameron, A. Colin, und Pravin K. Trivedi. 2009. Microeconometrics using stata. College Station: Stata Press.Google Scholar
  18. Diekmann, Andreas, und Peter Mitter. 1984. Methoden zur Analyse von Zeitverläufen. Stuttgart: Teubner.Google Scholar
  19. Ditton, Hartmut. 1998. Mehrebenenanalyse. Grundlagen und Anwendungen des Hierarchisch Linearen Modells. Weinheim: Juventa.Google Scholar
  20. Geiser, Christian. 2010. Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  21. Glass, Gene V. 1976. Primary, secondary, and meta-analysis of research. Educational Researcher 5:3–8.CrossRefGoogle Scholar
  22. Guo, Guang. 1993. Event-history analysis for left-truncated data. In Sociological Methodology. 23 Aufl. Peter V. Marsden, 217–243. Oxford: Blackwell.Google Scholar
  23. Guo, Guang, und Zhao, Hongxin. 2000. Multilevel modeling for binary data. Annual Review of Sociology, 26:441–462.Google Scholar
  24. Halaby, Charles N. 2004. Panel models in sociological research. Annual Review of Sociology 30:507–544.CrossRefGoogle Scholar
  25. Hank, Karsten, Michaela Kreyenfeld, und Katharina Spieß. 2004. Kinderbetreuung und Fertilität in Deutschland. Zeitschrift für Soziologie 33: 228–244.Google Scholar
  26. Hosmer, David W., Stanley Lemeshow, und Susanne May. 2008. Applied survival analysis: Regression modeling of time to event data. New York: Wiley.CrossRefGoogle Scholar
  27. Hox, Joop. 2002. Multilevel analysis. Techniques and applications. Mahwah: Lawrence Erlbaum.Google Scholar
  28. Hunt, Morton, 1997. How science takes stock. The story of meta-analysis. New York: Russell Sage.Google Scholar
  29. Klein, Thomas. 1992. Zur Zeitabhängigkeit der Wiederbeschäftigungsrate Arbeitsloser. Erwiderung auf Ludwig-Mayerhofer. Kölner Zeitschrift für Soziologie und Sozialpsychologie 44:134–138.Google Scholar
  30. Klein, Thomas, Johannes Kopp, und Ingmar Rapp. 2013. Metanalysen mit Originaldaten. Ein Vorschlag zur Forschungssynthese in der Soziologie. Zeitschrift für Soziologie 42: 221–236.Google Scholar
  31. Kleinbaum, David G. 2005. Survival analysis: A self-learning text. Berlin: Springer.Google Scholar
  32. Langer, Wolfgang. 2004. Mehrebenenanalyse: Eine Einführung für Forschung und Praxis. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  33. Lipsey, Mark W., und David B. Wilson. 2001. Practical meta-analysis. Thousand Oaks: Sage.Google Scholar
  34. Lois, Daniel. 2011. Wie verändert sich die Religiosität im Lebensverlauf? Eine Panelanalyse unter Berücksichtigung von Ost-West-Unterschieden. Kölner Zeitschrift für Soziologie und Sozialpsychologie 63:83–110.CrossRefGoogle Scholar
  35. Luke, Douglas A. 2004. Multilevel modeling. Quantitative applications in the social sciences, 143. Thousand Oaks: Sage.Google Scholar
  36. Mann, Charles M. 1990. Meta-Analysis in the Breech. Science 249:476–480.CrossRefGoogle Scholar
  37. Mosteller, Frederick, und Grahamn A. Colditz. 1996. Understanding research synthesis (meta-analysis). Annual Review of Public Health 17:1–23.CrossRefGoogle Scholar
  38. Muthén, Bengt O. 2002. Beyond SEM: General latent variable modeling. Behaviormetrika 29:81–117.CrossRefGoogle Scholar
  39. Nachtigall, Christof, Ulf Kroehne, Friedrich Funke, und Rolf Steyer. 2003. (Why) should we use SEM? Pros and cons of structural equation modeling. Methods of Psychological Research Online 8:1–22.Google Scholar
  40. Reinecke, Jost. 2005. Strukturgleichungsmodelle in den Sozialwissenschaften. München: Oldenbourg.CrossRefGoogle Scholar
  41. Rosenthal, Robert, und M. Robin DiMatteo. 2001. Meta-analysis: Recent developments in quantitative methods for literature reviews. Annual Review of Psychology 52:59–82.CrossRefGoogle Scholar
  42. Schulze, Alexander, Felix Wolter, und Rainer Unger. 2009. Bildungschancen von Grundschülern: Die Bedeutung des Klassen- und Schulkontextes am Übergang auf die Sekundarstufe I. Kölner Zeitschrift für Soziologie und Sozialpsychologie 61:411–435.CrossRefGoogle Scholar
  43. Singer, Judith D., und John B. Willett. 2003. Applied longitudinal data analysis. Modeling change and event occurrence. Oxford: University Press.CrossRefGoogle Scholar
  44. Snijders, Tom, und Roel Bosker. 1999. Multilevel analysis. An introduction to basic and advanced multilevel modeling. London: Sage.Google Scholar
  45. Sutton, A. J., D. Kendrick, und C. A. C Coupland. 2008. Meta-analysis of individual- and aggregate-level data. Statistics in Medicine 27:651–669.CrossRefGoogle Scholar
  46. Sutton, Alexander, und Julain P. T. Higgens. 2008. Recent developments in meta-analysis. Statistics in Medicine 27:625–650.CrossRefGoogle Scholar
  47. Wagner, Michael, und Bernd Weiß. 2003. Bilanz der Scheidungsforschung. Versuch einer Meta-Analyse. Zeitschrift für Soziologie 33: 29–49.Google Scholar
  48. Wagner, Michael, und Bernd Weiß. 2006. On the variation of divorce risk in Europe: Findings from a meta-analysis of European longitudinal studies. European Sociological Review 22:483–500.CrossRefGoogle Scholar
  49. Willett, John B., und Judith D. Singer. 1993. Investigating onset, cessation, relapse and recovery: Why you should, and how you can, use discrete-time survival analysis. Journal of Consulting and Clinical Psychology 61:952–965.CrossRefGoogle Scholar
  50. Wooldridge, Jeffrey M. 2003. Introductory econometrics: A modern approach. Mason: Thomson.Google Scholar
  51. Yamaguchi, Kazuo. 1991. Event history analysis. Newbury Park: Sage.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2014

Authors and Affiliations

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

Personalised recommendations