Suchergebnisse

This accessible and practical textbook gives students the perfect guide to the use of regression models in testing and evaluating hypotheses dealing with social relationships. A range of statistical methods suited to a wide variety of dependent variables is explained, which will allow students to read, understand, and interpret complex statistical analyses of social data. Each chapter contains example applications using relevant statistical methods in both Stata and R, giving students direct experience of applying their knowledge. A full suite of online resources - including statistical command files, datasets and results files, homework assignments, class discussion topics, PowerPoint slides, and exam questions - supports the student to work independently with the data, and the instructor to deliver the most effective possible course. This is the ideal textbook for advanced undergraduate and beginning graduate students taking courses in applied social statistics

When facing small numbers of observations or rare events, political scientists often encounter separation, in which explanatory variables perfectly predict binary events or nonevents. In this situation, maximum likelihood provides implausible estimates and the researcher might want incorporate some form of prior information into the model. The most sophisticated research uses Jeffreys' invariant prior to stabilize the estimates. While Jeffreys' prior has the advantage of being automatic, I show that it often provides too much prior information, producing smaller point estimates and narrower confidence intervals than even highly skeptical priors. To help researchers assess the amount of information injected by the prior distribution, I introduce the concept of a partial prior distribution and develop the tools required to compute the partial prior distribution of quantities of interest, estimate the subsequent model, and summarize the results.

'In Gruppenvergleichen wird geprüft, ob die Parameter eines statistischen Modells in verschiedenen (Sub-)Populationen variieren. Unterscheiden sich alle oder zumindest einige Parameter nicht, ist es sinnvoll, über die Gruppen hinweg eine gemeinsame Schätzung dieser Werte zu erhalten. Grundsätzlich lassen sich zwei alternative Strategien des Gruppenvergleichs unterscheiden. Zum einen kann die Gruppenzugehörigkeit als eine unabhängige Variable in das Modell eingeführt werden. Zum anderen können die Modellparameter jeweils in gruppenspezifischen Modellen geschätzt werden. Für beide Strategien stehen einfache Tests auf Gleichheit der Modellparameter zwischen den Gruppen zur Verfügung. In linearen Modellen bietet sich die zweite Strategie vor allem dann an, wenn zwischen den Gruppen unterschiedliche Residualvarianzen bestehen. Die generelle Vorgehensweise ist jedoch nicht auf lineare Modelle beschränkt. Anhand eines empirischen Vergleichs der Teilnehmer und Ausfälle einer Wiederholungsbefragung wird die Ähnlichkeit der Vorgehensweise in linearen und logistischen Regressionsmodellen demonstriert.' (Autorenreferat)