Statitik Grundlegende Begriffe
Grundlegende Begriffe erläutern Hartwig Vester
Grundlegende Begriffe erläutern Hartwig Vester
Kartei Details
Karten | 148 |
---|---|
Sprache | Deutsch |
Kategorie | Soziales |
Stufe | Universität |
Erstellt / Aktualisiert | 08.09.2019 / 22.08.2021 |
Lizenzierung | Keine Angabe |
Weblink |
https://card2brain.ch/box/20190908_statitik_grundlegende_begriffe
|
Einbinden |
<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.