Multivariate Analyseverfahren sind ein Sammelbegriff für kom plexe statistische Techniken schlechthin; im Rahmen eines Stu dienskripts ist es somit nicht möglich, eine vertiefende Dar stellung aller dieser Verfahren zu geben. Das Schwergewicht dieser Darstellung liegt vielmehr auf den erst in den letzten zehn Jahren zur Anwendungsreife entwickelten komplexen Analyse verfahren für nicht-metrische Daten, die in gewisser Weise das Gegenstück zur klassischen Pfadanalyse darstellen. Mit diesen neuen Verfahren ist es gelungen, die Defizite mehrdimensiona ler Tabellenanalyse vom LAZARSFELDschen Typus zu überwinden, und eine auch formal statistisch befriedigende Alternative zur Pfadanalyse zu schaffen. Während sich in den USA die Erkennt nis schon weitgehend durchgesetzt hat, daß etwa dichotome ab hängige Variable nicht mit den Mitteln der klassischen Pfad analyse untersucht werden sOllten, sind die neueren Verfahren im deutschsprachigen Raum noch nicht vollständig in das Stan dardrepertoire des Forschungspraktikers eingegangen. Der Initiative des Kölner ZENTRALARCHIVS für empirische Sozial forschung ist es zu danken, daß der übliche time-lag zwischen der internationalen Entwicklung (und Maßstab dafür ist in der Soziologie im wesentlichen die USA) und der Rezeption in der BRD in diesem Falle vielleicht geringer ausfällt als gewöhn lich. Thema des Frühjahrsseminars '78 waren multivariate Ver fahren für metrische und nicht-metrische Daten. Das vorliegen de Skript beruht zu wesentlichen Teilen auf der zehnstündigen Vorlesung, die ich im Rahmen dieses Frühjahrsseminars gehalten habe.

Inhalt

Einführung.- 1.1. Aufgabe und Stellenwert komplexer Analyseverfahren.- 1.2. Multivariate Analyseverfahren im Überblick.- 1.3. Hinweise zu Aufbau und Benutzung des Texts.- 2. Regression als deskriptives Analysemodell.- 2.1. Die Regression zweier Merkmale.- 2.2. Die Einbeziehung eines dritten Merkmals.- 2.3. Der allgemeine Regressionsansatz.- 3. Voraussetzungen und Aussagewert statistischer Inferenz.- 3.1. Der klassische Fall: Zufallsstichproben.- 3.2. Der Begriff des hypothetischen Universums.- 4. Inferenzschlüsse im metrischen Regressionsmodell.- 4.1. Wahrscheinlichkeitsverteilung der Regressionskoeffizienten.- 4.2. Varianzanalytische Überlegungen und F-Test.- 5. Regression mit nicht-metrischen unabhängigen Variablen: Varianzanalyse.- 5.1. Orthogonale und nicht-orthogonale Ansätze.- 5.2. Die Design-Matrix für polytome Merkmale.- 5.3. Der Einfluß eines Kodierungswechsels.- 6. Der GSK Ansatz.- 6.1. Metrisierungen der Zielvariablen.- 6.2. Die Design-Matrix.- 6.3. Die Betrachtung von saturierten Modellen.- 6.4. Der Weg zum 'besten' Modell.- 6.5. Hinweise zur Benutzung des NONMET-Programms.- 6.6. Statistische Grundlagen des GSK-Ansatzes.- 7. GOODMANs 'General Model'.- 7.1. Allgemeine Grundzüge des GOODMAN-Ansatzes.- 7.2. Das Testen von unsaturierten Modellen.- 7.3. Strukturgleichungen und Pfadanalyse.- 7.4. Vergleich zwischen log-linearen Modellen im GOODMAN- und im GSK-Ansatz.- 7.5. Hinweise zur Benutzung des ECTA-Programms.