Suchergebnisse

Gegenstand der Untersuchung ist die Frage, wie sich im Rahmen eines Rational-Choice-Ansatzes die Teilnahme an Wahlen erklären lässt. Der Verfasser zeigt zunächst, dass Umfragedaten trotz der Abweichung zwischen beabsichtigter und tatsächlicher Wahlbeteiligung sehr wohl Aussagen über die Wahlbeteiligung erlauben. Im Folgenden werden empirische Korrelate der Wahlbeteiligung untersucht (Alter, Geschlecht, Bildung, Partizipationsformen, politische Aktivität, politisches Interesse, politische Einstellung, Beteiligungsnorm). Aus der Sicht des Rational-Choice-Ansatzes lassen sich alle diese Korrelate den Nutzenargumenten einer Wahlbeteiligung zuordnen. Ein multivariates Modell vermag mit nur drei Determinanten einen hohen Anteil der Unterschiede in der Wahlbeteiligung zu erklären. Im Sinne der Theorie des rationalen Wählers kann dieses Ergebnis so gedeutet werden: "Wähler wählen, weil sie einen instrumentellen Nutzen aus der politischen Arbeit der von ihnen favorisierten Partei ziehen wollen. Sie wissen, dass dieses Ziel nur gemeinsam mit anderen Wählern erreicht werden kann, und empfinden einen expressiven Nutzen, wenn sie ihren Teil dazu beigetragen haben. Einen darüber hinausgehenden eigenen Effekt kann auch der Erwartungsdruck des sozialen Umfelds haben." (ICE)

'Datenheterogenität liegt vor, wenn die Untersuchungseinheiten in einer Stichprobe nicht als Realisationen aus einer gemeinsamen Verteilung aufgefaßt werden können. Wird Heterogenität ignoriert, besteht die Gefahr von Fehlschlüssen. Die Berücksichtigung von Heterogenität durch die Spezifikation zusätzlicher exogener Variablen oder durch Gruppenvergleiche setzt voraus, daß Informationen darüber vorliegen, nie sich die Untersuchungseinheiten zu homogenen Subgruppen zusammenfassen lassen. In Mischverteilungsmodellen ist diese Kenntnis dagegen nicht nötig. Zwar wird auch hier vorausgesetzt daß sich eine Population aus Subpopulationen zusammensetzt. Die Zugehörigkeit der Fälle einer Stichprobe zu diesen als latente Klassen bezeichneten Subpopulationen muß aber nicht bekannt sein. Ein Nachteil dieser größeren Flexibilität von Mischverteilungsmodellen besteht darin, daß es schwierig sein kann, eine eindeutige Lösung zu finden. Trotz dieser Schwierigkeit sind Mischverteilungsmodelle eine fruchtbare Ergänzung des Angebots an statistischen Analysemodellen. Dies wird an einem Anwendungsbeispiel demonstriert bei dem anhand von Daten der ISSP-Umfrage 1993 der Zusammenhang zwischen der wahrgenommenen Umweltgefährdung durch Autos und der Befürwortung von politischen Maßnahmen zur Verkehrsreduktion untersucht wird. Die Schätzungen von Mischverteilungsmodellen mit dem Programm Mplus von Muthen führen hierzu einer Lösung mit zwei latenten Klassen, die sich in der Bewertung der Umweltgefährdung und der Zustimmung zu Maßnahmen zur Verkehrsreduktion deutlich unterscheiden.' (Autorenreferat)

'In ihrer Kritik an einer Arbeit von Jagodzinski und Klein (1997) vertreten Schumann und Hardt (1998) die Auffassung, daß es keinen Interaktionseffekt zwischen Rechtsextremismus und Politikverdrossenheit bei der Erklärung der Wahl der Republikaner gäbe und Politikverdrossenheit insgesamt keine große Rolle spiele. Zur Prüfung dieser Frage wird nach einer kurzen Erläuterung des Konzepts der statistischen Interaktion als zusätzliche Datenquelle der ALLBUS 1996 herangezogen. Die ALLBUS-Daten bestätigen im wesentlichen die Ergebnisse von Jagodzinski und Klein. Die Wahrscheinlichkeit, bei der Bundestagswahl 1994 die Republikaner gewählt zu haben, erhöhte sich signifikant, wenn neben einer rechtsextremen Einstellung zusätzlich Politikverdrossenheit vorliegt. Dieser Effekt tritt noch deutlicher auf wenn anstelle der Wahlrückerinnerung die aktuelle Wahlabsicht betrachtet wird.' (Autorenreferat)

'Der Anwendung log-linearer Modelle in der Sozialforschung steht oft die Vorstellung entgegen, daß diese Modelle recht kompliziert und daher kaum zu interpretieren seien. Das Verständnis für log-lineare Analysen wird erleichtert, wenn die Verwandtschaft zur multiplen Regression mit nominalskalierten Prädikaten gesehen wird. Gleichzeitig kann so auch die Bedeutung der sogenannten Design-Matrix nahegebracht werden. Die volle Flexibilität log-linearer Modelle wird nämlich erst durch die Formulierung benutzerdefinierter Design-Matritzen erreicht. Anhand von Beispieldaten aus dem ALLBUS 1996 wird gezeigt, wie sich bei Anwendung der SPSS-Prozeduren GENLOG oder LOGLINEAR loglineare Analysen mit benutzerdefinierten Design-Matritzen realisieren lassen.' (Autorenreferat)

'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)

Beziehungen zwischen einer kategorialen abhängigen Variablen und unabhängigen Variablen können mit Logit-Modellen analysiert werden. Der erste Teil des vorliegenden Beitrags gibt einen kurzen Überblick über die verschiedenen Logit-Modelle einschließlich der Modelle für binäre Panel-Daten. Im Anschluß daran wird auf die Realisierung der Modelle in verschiedenen Softwareprodukten eingegangen. Dabei wird auf folgende Programmpakete eingegangen: BMDP, LIMDEP, SAS, SPSS, SYSTAT und TDA. Fazit: In allen hier betrachteten Programmsystemen sind die meisten Varianten der Logitmodelle verfügbar. Einschränkungen gibt es beim binären Panelmodell. Binäre Panelmodelle mit mehr als zwei Wellen können nur mit LIMPED und TDA geschätzt werden. (psz)

'Lineare Strukturgleichungsmodelle setzen voraus, daß die abhängigen Variablen metrisches Meßniveau haben. In der Praxis werden sie aber auch bei ordinalen Variablen eingesetzt. Lassen sich ordinale Daten als ungenaue Erfassung metrischer Größen auffassen, kann untersucht werden, welche Auswirkungen das Ignorieren des ordinalen Meßniveaus hat und ob die Berücksichtigung des Meßniveaus durch vorgelagerte Schwellenwertmodelle die Modellschätzungen verbessert. Anhand eines kleinen Monte-Carlo-Experiments wird gezeigt, daß trotz des Ignorierens des ordinalen Meßniveaus korrekte von fehlspezifizierten linearen Modellen unterschieden werden können. Wird die Ordinalität der Daten explizit berücksichtigt, verbessert sich die Genauigkeit der Parameterschätzungen. Diese Ergebnisse gelten auch dann, wenn die Schwellenwertparameter nicht konstant sind, sondern über die Untersuchungseinheiten zufällig variieren.' (Autorenreferat)

'Ein Anwendungsproblem multinominaler Logitmodelle besteht in der die inhaltliche Interpretation erschwerenden hohen Anzahl von Modellparametern bei einer abhängigen Variable mit mehr als zwei Kategorien. Es ist jedoch oft möglich, restriktivere Modelle zu spezifizieren, die weniger Parameter benötigen. In dem Beitrag wird an theoretischen und empirischen Beispielen gezeigt, wie sich solche Restriktionen spezifizieren lassen. Anstelle eines multinominalen Logitmodells wird dazu die Verwendung logistischer Zufallsnutzenmodelle vorgeschlagen.' (Autorenreferat)

"Bei Paneldaten werden interessierende Merkmale von Untersuchungseinheiten im Zeitverlauf
mehrfach erhoben. Bei der Analyse solcher Daten mit Regressionsmodellen stellt sich das Problem, daß als Folge der Meßwiederholungen mit korrelierten Residuen zu rechnen ist. Statistische Modelle zur Panelanalyse berücksichtigen dies. Ein Modell, das u.a. im Frühjahrsseminar 1992 zur Analyse zeitbezogener Daten vorgestellt wurde, ist das Fehlerkomponentenmodell. U. Rendtel (1992) hat in seiner Vorlesung zur Panelanalyse gezeigt, wie dieses Modell in den Programmsystemen SAS oder GAUSS über mehrfache einfache Kleinstquadratschätzungen berechnet werden kann. Ich möchte in diesem Beitrag auf die Berechnung des Modells mit SPSS/PC eingehen. Zuvor werde ich kurz auf das statistische Modell und die Idee der verwendeten Schätzmethode eingehen. Dabei werde ich auf formale
Darstellungen in Matrizenschreibweise sowie auf mathematisch-statistische Ableitungen verzichten. Diese sind etwa bei Hübler (1990) und bei Rendtel (1992) zu finden." (Autorenreferat)

Dieser Aufsatz handelt von den Möglichkeiten, Analysemodelle über Matrizen-Operationen selber zu programmieren, wobei auf die Prozedur MATRIX in der Version 4.0 des Programmpakets SPSS-X zurückgegriffen wird. Mit Hilfe dieser Prozedur müßte es auch möglich sein, innerhalb des SPSS-X Programmpakets statistische Modelle anzuwenden, für die noch keine Standard-Prozedur existiert. Für eine über didaktische Zwecke hinausgehende Nutzung ist es wichtig, daß solche selbstgefertigten Analyse-Programme auch größere Datenmengen in akzeptabler Zeit verarbeiten können. Dies wird an einem Beispiel untersucht. Es stellte sich heraus, daß es tatsächlich möglich ist, ein Makro zu programmieren, mit dem sich Daten der in der quantitativen Sozialforschung üblichen Größenordnung wie mit einer standardmäßigen SPSS-X Prozedur analysieren lassen. Allerdings stieß der Autor auf offensichtliche Programmierfehler in der Prozedur MATRIX und auf eine nicht ausreichende Dokumentation der Grenzen des Programms. Andere Programmpakete erscheinen derzeit noch leistungsfähiger in der hier getesteten Hinsicht. (ICF)

It is possible to test for the equality of means between independent groups with LISREL, either specifying a model with dummy variables or a model with several groups. The specification of these models is not only simple, but testing means with the second model is also less restrictive than the conventional MANOVA test procedures. This is demonstrated by a Monte Carlo study. A further empirical example shows the application of the LISREL test in a sociological field.