290138 VU Statistical Data Analysis with SPSS (2022S)

Ziele:
- Tieferes Verständnis für deskriptiv- und inferenzstatistische sowie multivariate statistische Methoden entwickeln
- Richtige Auswahl der richtigen statistischen Methode für eine konkrete quantitative Fragestellung treffen
- Eigenständiges Durchführen von deskriptiven, inferenzstatistischen und multivariaten Analysen mit der Statistiksoftware SPSS
- Eigenständige Interpretation von Ergebnissen statistischer Analysen (SPSS-Output)
- Fachliteratur lesen und kritisch bewerten können

Inhalte:
- Datenquellen für insb. humangeografische Fragestellungen
- Kurze Wiederholung von Grundbegriffen der Statistik
- Einführung in die Statistiksoftware SPSS inkl. Durchführung von Berechnungen, Umkodierungen, Sortierungen, Aggregationen etc.
- Deskriptive statistische Analysen mit SPSS: Häufigkeitsbegriff, Lage- und Streuungsmaße, einfache Diagramme (Säulen- und Kreisdiagramm, Histogramm, Streudiagramm)
- Verteilungsanalyse mit SPSS: (Standard)Normalverteilung, Verteilungsmaße, Box-Plots, zusätzliche Prüfverfahren auf Normalverteilung (QQ-Plots, KS-Test)
- Grundbegriffe der Inferenzstatistik (schließende Statistik): Stichproben (abhängige und unabhängige), Unterschieds- und Zusammenhangshypothesen, Null- und Alternativhypothese, Fehler 1. Art und Fehler 2. Art, Signifikanzniveau, Teststärke (power), p-Wert, Standardfehler und Konfidenzintervalle
- Inferenzstatistische Analysen mit SPSS:
o Unterschiedshypothesen: 2 und >2 Gruppenvergleich für abhängige und unabhängige Stichproben: parametrisch und nicht-parametrisch (T-Test unabhängig, U-Test, T-Test abhängig, Wilcoxon-Test, Varianzanalyse (ANOVA), Kruskal-Wallis-Test, ANOVA mit Messwiederholungen, Friedman-Test)
o Zusammenhangshypothesen (kategoriale Variable): Kreuztabellen, Test für abhängige und unabhängige Stichproben (McNemar, Chi-Quadrat), Assoziationsmaße; Zusammenhangshypothesen (metrische Variable): Korrelation (Pearson und Spearman), partielle Korrelation
- Bi- und multivariate Methoden mit SPSS: Einfache und multiple lineare Regression, logistische Regression, multinomiale und ordinale logistische Regression, komplexere varianzanalytische Modelle, Kovarianzanalyse, Reliabilitätsanalyse, Clusteranalyse (Grundkenntnisse)

Die Erarbeitung der oben genannten Inhalte erfolgt unter Zuhilfenahme von Datensätzen aus EUROSTAT und ESS; diese werden zur Verfügung gestellt.

Methode:
- LV-Inhalte für das Selbststudium werden mittels Vortragsfolien und Audio-Erläuterungen aufbereitet
- Tutorials zur Handhabung von SPSS werden zur Verfügung gestellt
- Vorlesungsteile und Übungen wechseln einander ab
- Interaktion zwischen dem Vortragenden und den Studierenden mittels Online-Meetings (Moodle); nach Möglichkeit im zweiten Teil des Semesters auch vor Ort
- Selbstständiges Lösen von Aufgabenstellungen