230463 VO+UE Advanced Methods: Statistical Analysis of Categorical Data (2008S)

Logistic Regression, Logit and Loglinear Models and other Methods

5.00 ECTS (3.00 SWS), SPL 23 - Soziologie

Continuous assessment of course work

Campus Schulungsraum 2,
Di. 08.04. 09:00-16:00
Mo.19.05. + Di. 20.05. 09:00-17:00
Di. 24.06. 09:00-16:00

Details

Language: German

Lecturers

Florian Pichler

Classes

Currently no class schedule is known.

Information

Aims, contents and method of the course

Nach einer kurzen Darstellung von grundlegenden Begriffen (Lage- und Streuungsmaße von kategorialen Daten, Unterschiede zu kontinuierlichen Daten,...) sowie Analysemethoden (allgemein) werden erste Methoden zur Auswertung kategorialer Daten (bivariat und trivariat, tabellarisch sowie graphisch) beschrieben. Im Anschluss daran wird die logistische Regression im Detail behandelt. Dabei handelt es sich um ein Regressionsmodell, bei welchem die abhängige Variable kategorialer Natur ist. Die Verwandtschaft zur linearen Regression wird betrachtet sowie Varianten der logistischen Regression (binär, multinomial und ordinal) aufgezeigt. Anhand von Beispielen aus der gegenwärtigen Forschung (forschungsgeleitete Lehre) wird veranschaulicht, welche Ergebnisse logistische Regressionen liefern und wie diese zu interpretieren sind. Weiters wird gezeigt, wie logistische Regressionen im SPSS durchzuführen sind damit Studierende eigene Fragestellungen erarbeiten können. Neben der logistischen Regression beschäftigt sich die Lehrveranstaltung auch noch mit Logit und Loglinearen Modellen, sowie Latent Class Analysis. Diese Methoden werden in weniger Detail behandelt, jedoch wird den Studierenden ein Überblick über die Vielfältigkeit von Methoden zur Auswertung kategorialer Daten gegeben. Im Abschluss werden auch noch allgemeine Methoden (zb Faktoranalyse, Clusteranalyse...) anhand von kategorialen Daten präsentiert. Da nicht alle dieser Methoden im SPSS berechnen werden können, wird alternative Software vorgestellt.
Studierende haben die Aufgabe selbst eine Analyse kategorialer Daten durchzuführen. Dabei steht der methodische Aspekt im Vordergrund, allerdings wird großer Wert auf die theoretische Fundierung der Forschungsfrage gelegt. Diesbezüglich vermittelt die Lehrveranstaltung auch Kenntnisse über die Recherche von aktueller Literatur (va im Internet via Datenbasen [zB Sociological Abstracts], Online Journals, sowie anderen Quellen) sowie Datenquellen (erhältliche Datensätze). Im Rahmen der LV sollen Studierende ihre eigene Forschungsfrage entwickeln, mit Literatur belegen, Hypothesen formulieren, Operationalisierungen durchführen sowie Auswertungen (kategoriale Daten) dazu liefern. Abschließend sollen Studierende ihre Auswertungen den Kollegen präsentieren, gemeinsam diskutieren und eine schriftliche Arbeit (ca. 5000 Wörter) verfassen.

Assessment and permitted materials

Minimum requirements and assessment criteria

Die Lehrveranstaltung vermittelt grundlegende und fortgeschrittene Kenntnisse der Analyse von kategorialen Daten mit Schwerpunkt auf logistischer Regression (binär, multinomial sowie ordinal). Ähnlichkeiten mit Methoden zur Analyse kontinuierlicher Variablen werden aufgezeigt. Studierende sollen in der Lage sein, eigenständig Analysen mit kategorialen Daten durchzuführen und diese zu interpretieren/präsentieren. Dabei werden Studierende besonders auf die Wichtigkeit der Verknüpfung von Theorie und empirischer Analyse aufmerksam gemacht.

Examination topics

Die Lehrveranstaltung alterniert zwischen Vorlesungs- und Praxiseinheiten (EDV Schulungsraum). Im Vorlesungsteil widmet sich die Lehrveranstaltung vor allem der logistischen Regression in allen Varianten. Desweiteren werden andere (wenig bekanntere) Methoden zur Analyse kategorialer Daten (Latent Class, Logit und Loglineare Modelle) sowie allgemeine Methoden (zb Faktor- oder Clusteranalysen) mit kategorialen Daten beschrieben und anhand von Beispielen im SPSS (und anderer Software) veranschaulicht. Im Praxisteil wird gezeigt wie anhand vorhandener Software (SPSS) kategoriale Daten auszuwerten sind. Im Sinne von forschungsgeleitetem Lernen werden Beispiele aus der aktuellen Forschung zur Illustration herangezogen. Kleinere Übungen sollen helfen, das Erlernte auch praktisch anzuwenden. Studierende werden anhand von Sekundärdaten (zB ESS) selbst Datensätze auswerten und ihre Ergebnisse (sowie Vorgehensweise) präsentieren und verschriftlichen.

Reading list

Agresti, A.: 2002, Categorical Data Analysis, 2 edn, Wiley, Hoboken, NJ. Andersen, E. B.: 1990, The Statistical Analaysis of Categorical Data, Springer-Verlag, Berlin, Heidelberg, New York and Tokyo. Andreß, H. J., Hagenaars, J. A. and Kühnel, S.: 1997, Analyse von Tabellen und kategorialen Daten. Log-lineare Modelle, latente Klassenanalyse, logistische Regression und der GSK-Ansatz, Springer, Berlin. Hosmer, D. W. and S. Lemeshow. Applied Logistic Regression. Wiley, Hoboken, NJ. Uebersax, J. S.: 2005, Latent Class Analysis. Frequently Asked Questions, World Wide Web. Retrieved March 13. *http://ourworld.compuserve.com/homepages/jsuebersax/faq.htm. Vermunt, J. K.: 1997, ?em: A general program for the analysis of categorical data, Tilburg University, World Wide Web. Retrieved March 13, 2005. *http://spitswww.uvt.nl/web/mto/lem/manual.pdf. Vermunt, J. K. and Magidson, J.: 2005, Latent Class Analysis, World Wide Web. Retrieved March 13. *http://www.statisticalinnovations.com/articles/Latclass.pdf.
Weitere Literatur wird in der Lehrveranstaltung bekanntgegeben.

Association in the course directory

Last modified: Fr 31.08.2018 08:54