Handbuch der sozialwissenschaftlichen Datenanalyse

Das Handbuch der sozialwissenschaftlichen Datenanalyse bietet in über 40 Kapiteln eine umfassende Darstellung multivariater Analyseverfahren. Schwerpunkte des Handbuchs bilden Grundlagen der Datenanalyse, regressionsanalytische Verfahren für Quer- und Längsschnittsdaten sowie Skalierungsverfahren. Behandelt werden u. a. OLS-, logistische und robuste Regression, Strukturgleichungsmodelle, Mehrebenen-, Panel-, Ereignisdaten- und Zeitreihenanalyse, MDS und Rasch-Modelle. Darüber hinaus werden viele neuere Verfahren dargestellt, etwa multiple Imputation, Bootstrappen, Analyse latenter Klassen und propensity score matching.
Jedes Kapitel beginnt mit einer allgemein verständlichen Einführung. Es folgt eine Darstellung der mathematisch-statistischen Grundlagen. Anschließend wird jedes Verfahren anhand eines sozialwissenschaftlichen Beispiels vorgestellt. Die Beiträge enden mit Hinweisen auf typische Anwendungsfehler und einer kommentierten Literaturempfehlung.

Das Handbuch zur Datenanalyse Includes supplementary material: sn.pub/extras

Vorwort
Das Handbuch zur Datenanalyse

Autorentext
Prof. Dr. Christof Wolf ist Wissenschaftlicher Leiter der Abteilung "Dauerbeobachtung der Gesellschaft" der GESIS Leibniz-Institut für Sozialwissenschaften und hat eine Professur für Sozialstrukturanalyse an der Universität Mannheim.

PD Dr. Henning Best ist wissenschaftlicher Mitarbeiter am Lehrstuhl für Methoden der empirischen Sozialforschung der Universität Mannheim.

Inhalt
Einführung.- Einführung: Sozialwissenschaftliche Datenanalyse.- Kausalität als Gegenstand der Sozialwissenschaften und der multivariaten Statistik.- Grundlagen der Datenanalyse.- Datengewinnung und Datenaufbereitung.- Uni-und bivariate deskriptive Statistik.- Graphische Datenexploration.- Der Umgang mit fehlenden Werten.- Gewichtung.- Grundlagen des statistischen Schließens.- Einführung in die Inferenz durch den nichtparametrischen Bootstrap.- Maximum-Likelihood Schätztheorie.- Messen und Skalieren.- Reliabilität, Validität, Objektivität.- Thurstone-und Likertskalierung.- Guttman-und Mokkenskalierung.- Item-Response-Theorie.- Hauptkomponentenanalyse und explorative Faktorenanalyse.- Korrespondenzanalyse.- Multidimensionale Skalierung.- Analyse von Häufigkeiten, Gruppen und Beziehungen.- Analyse kategorialer Daten.- Varianz-und Kovarianzanalyse.- Diskriminanzanalyse.- Clusteranalyse.- Analyse latenter Klassen.- Netzwerkanalyse.- Regressionsverfahren für Querschnittsdaten.- Lineare Regressionsanalyse.- Lineare Regression: Modellannahmen und Regressionsdiagnostik.- Nicht-Linearität und Nicht-Additivität in der multiplen Regression: Interaktionseffekte, Polynome und Splines.- Robuste Regression.- Mehrebenenanalyse mit Querschnittsdaten.- Strukturgleichungsmodelle.- Regression mit unbekannten Subpopulationen.- Logistische Regression.- Multinomiale und ordinale Regression.- Regression für Zählvariablen.- Graphische Darstellung regressionsanalytischer Ergebnisse.- Analyse von zeitbezogenen Daten.- Nichtparametrische Schätzung kausaler Effekte mittels Matchingverfahren.- Kausalanalyse mit Paneldaten.- Survival-und Ereignisanalyse.- Latente Wachstumskurvenmodelle.- Sequenzdatenanalyse.- Zeitreihenanalyse.