Einführung

Zusammenfassung

Das wohl wichtigste und am meisten verwendete statistische Analysemodell in den Sozialwissenschaften ist das lineare Regressionsmodell. Seine Vorteile liegen klar auf der Hand: Es ist einfach zu berechnen und – womöglich noch wichtiger – die Ergebnisse sind einfach zu interpretieren. Es scheint daher naheliegend, dieses Modell überall dort anzuwenden, wo einem sinnvollen Einsatz nichts entgegensteht. In vielen Fällen, die in den Sozialwissenschaften untersucht werden, besteht das zu untersuchende Phänomen jedoch in einer Charakteristik oder einer Eigenschaft, die entweder vorhanden oder nicht vorhanden ist, die abhängige, zu erklärende Variable ist also dichotomer Natur und kann nur zweierlei Ausprägungen annehmen. Typische dichotome Variablen in den Sozialwissenschaften sind z.B. Arbeitslosigkeit, die Mitgliedschaft in einer bestimmten Vereinigung, z.B. in der OECD, die Verfolgung einer bestimmten Politik, die Teilnahme an einer Wahl, Ehestatus, die Kinderlosigkeit eines Ehepaars, das Vorliegen einer bestimmten Organisationsstruktur in einem Betrieb, z.B. das Vorhandensein eines Betriebsrats etc. Logistische Regressionsmodelle sind statistische Analyseverfahren, die für diese Art von Untersuchungen angewandt werden können bzw. sich für eine Analyse von Daten und Zusammenhängen der beschriebenen Art besonders gut eignen. Neben den klassischen linearen Regressionsmodellen zählen logistische Regressionsanalysen, oft auch als Logit-Modelle bezeichnet, inzwischen zu den Standardverfahren in den Sozialwissenschaften.