Statitik Grundlegende Begriffe
Grundlegende Begriffe erläutern Hartwig Vester
Grundlegende Begriffe erläutern Hartwig Vester
Fichier Détails
Cartes-fiches | 148 |
---|---|
Langue | Deutsch |
Catégorie | Affaires sociales |
Niveau | Université |
Crée / Actualisé | 08.09.2019 / 22.08.2021 |
Attribution de licence | Non précisé |
Lien de web |
https://card2brain.ch/box/20190908_statitik_grundlegende_begriffe
|
Intégrer |
<iframe src="https://card2brain.ch/box/20190908_statitik_grundlegende_begriffe/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Was sind Skalen
Eine Skala ist eine strukturtreue Abbildung eines empirischen Relativs in ein numerisches Relativ
ohne Abschluss 1
Hauptschule 2
Mittlere Reife 3
Fachhochschulreife 4
Hochschulreife 5
Wahrheitstabelle
Anschließend kann aus der Wahrheitstabelle mittels logischer Minimierung – in der Regel durch das entsprechende QCA-Programm – überprüft werden, inwiefern notwendige und/oder hinreichende Bedingungen für das Outcome Y vorliegen.
Ein Problem bei der Reduktion der Wahrheitstabelle kann der Umgang mit begrenzter empirischer Vielfalt und den sogenannten logischen Rudimenten („logical remainders“)
Hauptachsenanalyse und Hauptkomponentenanalyse
Was ist der Unterschied zwischen einer Hauptachsenanalyse und einer Hauptkomponentenanalyse bei einer Faktorenanalyse?
Streng genommen gehört nur die Hauptachsenanalyse (engl. Principal Axis Factoring, PAF) zu der Faktorenanalyse. Bei dieser Methode werden nur die Kovarianzen aller Variablen – meist sind es die Items eines Fragebogens – analysiert, es ist also nicht unbedingt das Ziel, die vollständige Varianz der Variablen aufzuklären, sondern nur ihre gemeinsame Varianz. Das Verfahren wird in erster Linie dann eingesetzt, wenn es darum geht, latente Konstrukte oder Strukturen hinter den Variablen zu entdecken und diese „sichtbar“ zu machen. Der Anteil an Varianz einer Variablen, der nicht mit anderen Variablen kovariiert, wird also nicht berücksichtigt.
Bei der Hauptkomponentenanalyse (engl. Principal Component Analysis, PCA) wird hingegen versucht, die vollständige Varianz aller Variablen mit wenigen Komponenten zu erklären. Sie wird dann eingesetzt, wenn das Ziel darin besteht, die Datenstruktur zu reduzieren. Kurz zusammengefasst kann man formulieren, dass die HAA kovarianz- und die HKA varianzorientiert ist. Oft kommen jedoch beide Verfahren zu ähnlichen Ergebnissen.
Ökologischer Fehlschluss
Zusammenhänge auf der Aggregatebene (z.B. Arbeitslosen-quote und Wahlbeteiligung) können nicht einfach auf die Individualebene übertragen werden. Fachausdruck: ökologischer Fehlschluss. Bei Falter der Zusammenhang zwischen der Arbeitslosigkeit und dem Anteil der NSDAP Wähler, dieser Zusammenhang war auf der Mikroebene nicht erkennbar, diese whlten prioritr die KPD.
Äquivalenzproblem
Ein valides Messinstrument kann in Kontext A etwas völlig anderes messen als in Kontext B. Die Vergleichbarkeit der Indikatoren ist schwierig
Äquifinalität
Dies bedeutet, dass unterschiedliche Bedingungen oder auch Kombinationen mehrerer Bedingungen zum selben Outcome führen können.
Zusammenhang von S G W
Der Zusammenhang „S * G W“ sagt aus, dass die Kombination von starken sozialdemokratische Parteien UND starken Gewerkschaften hinreichend für ausgebaute Wohlfahrtsstaaten ist. Immer wenn beide Bedingungen gemeinsam auftreten, liegt auch das Outcome eines ausgebauten Wohlfahrtsstaates vor.
Zuordnungen
Wählen Sie jeweils aus, welcher Fachbegriff beschrieben wird.
Folgende Zuordnungen sind korrekt:
Summe der quadrierten Faktorladungen > Eigenwert
Anteil der Varianz eines Items, der durch die Faktoren erklärt werden kann > Kommunalität
Korrelation zwischen dem Faktor und einem Item > Faktorladung
Summe der quadrierten Korrelationen aller Items mit dem Faktor > Eigenwert
Differenz von 1 und spezifischer Varianz > Kommunalität