Advertisement

Logistische Modelle für Individualdaten

  • Hans-Jürgen Andreß
  • Jacques A. Hagenaars
  • Steffen Kühnel
Chapter
  • 283 Downloads
Part of the Springer-Lehrbuch book series (SLB)

Zusammenfassung

In den Kapiteln 2 und 3 haben wir eine mehrdimensionale Häufigkeitstabelle von Alter (A), Konfession (B), Parteipräferenz (C) und Wahlbeteiligung (D) analysiert (vgl. Tabelle 1.2). Beim Alter wurde zwischen jüngeren und älteren Personen unterschieden, wobei Befragte über 40 Jahren zur zweiten Gruppe gezählt wurden. Die Analysen ergaben, daß sich ältere Personen eher an Wahlen beteiligen als jüngere Personen. Nun ist Alter in den ursprünglichen Individualdaten (vgl. Anhang 4) eine Variable mit mehr als zwei Ausprägungen. In diesen Individualdaten ist die jüngste Person 18 Jahre und die älteste 70 Jahre alt. Es stellt sich hier die Frage, ob der festgestellte Zusammenhang zwischen Alter und Wahlbeteiligung auch ohne diese Dichotomisierung zu beobachten ist. Um die gruppierte Altersvariable von der urprünglichen Variable mit sehr vielen Ausprägungen zu unterscheiden, verwenden wir im folgenden für die metrische Variable „Alter in Jahren“ das Symbol x. Wenn wir versuchen, diese Frage mit den Modellen zur multivariaten Tabellenanalyse zu beantworten, erhalten wir eine Tabelle, die sehr viele Zellen umfaßt. Bei Berücksichtigung aller 53 Altersstufen zwischen 18 und 70 Jahren ergeben sich bereits bei der Kreuztabellierung von Alter und Wahlbeteiligung 106 Zellen. Falls wir zusätzlich die Konfession mit zwei Ausprägungen und die Parteipräferenz mit drei Ausprägungen berücksichtigen, erhalten wir sogar eine Tabelle mit 636 Zellen. In unserer Stichprobe liegen aber nur Informationen über 750 Fälle vor. Wir müßten daher mit schwach und gar nicht besetzten Zellen rechnen. Die Anwendbarkeit des GSK-Ansatzes oder der log-linearen Analyse ist somit nicht oder nur eingeschränkt möglich. Dieses Problem stellt sich typischerweise, wenn eine kategoriale abhängige Variable durch (metrische) Variablen mit sehr vielen Ausprägungen erklärt werden soll. Wir wollen in diesem Kapitel Analysemodelle vorstellen, die speziell fir diesen Anwendungsfall konstruiert sind.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur- und Programmhinweise

  1. Maier, G./Weiss, P. (1990): Modelle diskreter Entscheidungen. Theorie and Anwendung in den Sozial-and Wirtschaftswissenschaften. Wien: SpringerGoogle Scholar
  2. Cramer, J.S. (1991): The logit model: an introduction for economists. London: Edward ArnoldGoogle Scholar
  3. Hensher, D.A./Johnson, L.W. (1981): Applied discrete-choice modeling. New York: Wiley Higgins, J.E./Koch, G.G. (1977): Variable selection and generalized chi-square analysis of categorical data applied to a large cross-sectional occupational health survey. Interna-tional Statistical Review, 45, 51-62 Google Scholar
  4. Ben-Akiva, M./Lerman, S.R. (1985): Discrete choice analysis: theory and application to travel demand. Cambridge: The MIT PressGoogle Scholar
  5. Hosmer, D.W./Lemeshow, St. (1989): Applied logistic regression. New York: WileyGoogle Scholar
  6. Kleinbaum, D.G. (1994): Logistic regression: a self-learning text. New York/Berlin/ Heidelberg: SpringerGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • Hans-Jürgen Andreß
    • 1
  • Jacques A. Hagenaars
    • 2
  • Steffen Kühnel
    • 3
  1. 1.Fakultät für SoziologieUniversität BielefeldBielefeldDeutschland
  2. 2.Faculty of Social SciencesTilburg UniversityTilburgThe Netherlands
  3. 3.Institut für PolitikwissenschaftUniversität GießenGießenDeutschland

Personalised recommendations