Please enable JavaScript.
Coggle requires JavaScript to display documents.
SB 2 Einführung in die empirische Forschung und Analyse – Methoden zur…
SB 2
Einführung in die empirische Forschung und Analyse –
Methoden zur bivariaten Datenanalyse
Arten der Analyse
Univariate Analyse
1 Variable wird untersucht
Bivariate Analyse
2 Variablen werden untersucht
Multivariate Analyse
Mehrere Variablen werden untersucht
Wichtige Variablen
Gruppierungsvariable
Zeigt, zu welcher Gruppe eine Person gehört
Unabhängige Variable (UV)
Wird manipuliert
Soll ursächlichen Einfluss haben
Abhängige Variable (AV)
Wird gemessen
Wird durch andere Variablen beeinflusst
Korrelation / Kovarianz / Kovariation
Statistischer Zusammenhang zwischen Variablen
Bivariate Analyse nominal skalierter Merkmale
= meist als intervall- oder verhältnisskalierte Merkmale (metrische Daten) bezeichnet –
untersucht die Beziehung zwischen zwei messbaren Variablen
Untersucht Zusammenhänge zwischen Kategorien
Häufigkeitsverteilung
Zeigt, wie häufig Kombinationen von Werten vorkommen
Kreuztabelle / Kontingenztabelle
Zeigt absolute Häufigkeiten für zwei Merkmale
Bedingte relative Häufigkeiten
Zeigt Häufigkeiten in Prozent
Zusammenhangsmaße
Messen den Zusammenhang zwischen nominalen Merkmalen
Phi-Koeffizient
Nur für dichotome Variablen
→ z. B. Ja/Nein
Odds-Ratio
Vergleicht zwei Chancen miteinander
Chi-Quadrat-Wert (χ²)
Für nominale Variablen mit beliebig vielen Kategorien
Cramers V
Maß für Zusammenhänge nominaler Merkmale
Geeignet zum Vergleich unterschiedlich großer Studien
Diagramme
Bivariates Säulendiagramm
Bivariates Balkendiagramm
Bivariate Analyse ordinal skalierter Merkmale
= untersucht den Zusammenhang zwischen zwei Variablen,
deren Ausprägungen eine natürliche Rangordnung besitzen
Zusammenhangsmaße
Korrelation
Zeigt eine wechselseitige Beziehung zwischen Merkmalen
Kendalls τ
Vergleicht die Rangplätze aller möglichen Personenpaare
Konkordanz
Person A hat bei beiden Variablen einen höheren/niedrigeren Rang
Diskordanz
Person A hat bei einer Variable einen höheren,
bei der anderen einen niedrigeren Rang
Spearmans Rangkorrelation (rs)
Berücksichtigt Rangordnung und Rangunterschiede
Gamma-Koeffizient
Berücksichtigt Rangbindungen
Diagramm
Heatmap
Zeigt Zusammenhänge durch unterschiedliche Darstellung
Besonders geeignet für ordinale kategoriale Merkmale
Bivariate Analyse metrisch skalierter Merkmale
= untersucht den statistischen Zusammenhang zwischen genau zwei metrisch skalierten Variablen
Abstandsmaße für Mittelwertunterschiede
Cohens d – unabhängige Stichproben
Vergleicht Mittelwerte von zwei unabhängigen Gruppen
Die Gruppen beeinflussen sich nicht
Cohens d – abhängige Stichproben
Vergleicht abhängige Stichproben
Die Messwerte der Stichproben hängen zusammen
Zusammenhangsmaße
Kovarianz
Zeigt, wie sich zwei Variablen gemeinsam verändern
Pearson-Korrelation
Misst den Zusammenhang zwischen zwei metrischen Variablen
Kann als Effektstärkemaß interpretiert werden
Ermöglicht Vergleiche zwischen Variablenpaaren
Diagramme
Gruppiertes Mittelwertdiagramm
Stellt Mittelwerte verschiedener Gruppen dar
Gruppiertes Histogramm
Zeigt Häufigkeiten für Wertebereiche getrennt nach Gruppen
Gruppiertes Boxplot
Zeigt Median, Q1, Q3 und Ausreißer getrennt nach Gruppen
Streudiagramm
Zeigt den Zusammenhang zwischen zwei kontinuierlichen Merkmalen
Jeder Punkt entspricht einer Wertekombination
Einsatz statistischer Diagramme
Diagramme machen Daten und Zusammenhänge anschaulich