Referent: Dr. Michael Jankowski Termine am Freitag. 16.02. - Samstag. 17.02. 10:00 - 17:00 Regressionsanalysen sind das mit Abstand am weitesten verbreitete Analyseverfahren im Bereich den quantitativen Sozialwissenschaften. Unter den verschiedenen Regressionsverfahren dominiert insbesondere die lineare Regression (OLS). Aber auch andere Verfahren wie etwa die logistische Regression oder poisson-Regressionen werden häufig in der sozialwissenschaftlichen Forschung angewendet.
Wenngleich die Erklärung dieser Regressionsverfahren inzwischen weitgehend zum Standard der sozialwissenschaftlichen Methodenausbildung gehört, bietet der vorliegende Kurs eine Einführung in zwei teilweise immer noch zu wenig adressierte Aspekte der Analyse von Regressionsmodellen. Dies ist zunächst die Visualisierung von Regressionsmodellen. Die gängige Form der Darstellung von Regressionsmodellen ist immer noch die klassische Regressionstabelle, wenngleich viele Forschungsergebnisse darauf hinweisen, dass Zusammenhänge besser verstanden werden können wenn sie graphisch aufbereitet sind. Auch viele der führenden Journals in den Sozialwissenschaften weisen inzwischen in ihren Manuskriptvorgaben darauf hin, dass Ergebnisse am besten graphisch und nicht tabellarisch dargestellt werden. Dieser Punkt gilt insbesondere für nicht-lineare Regressionsmodelle (bspw. logit) bei denen die Koeffizienten einer Regressionstabelle nur sehr mühsam zu interpretieren sind (bspw. anhand von log-odds oder odds-ratios). Durch das Berechnen geschätzter Werte der und von marginalen Effekten können hingegen selbst komplexe Regressionsmodelle auf einfachste Art und Weise verstanden werden. Somit dient die Visualisierung einerseits dazu, die eigenen Befunde besser zu kommunizieren und andererseits schützt sie davor, die eigenen Befunde falsch zu interpretieren. Des Weiteren bestehen bei der Analyse von Regressionsmodellen häufig noch Unsicherheiten bezüglich der korrekten Analyse von Interaktionseffekten. Auch hier gilt, dass eine Interpretation von Interaktionen durch eine Visualisierung deutlich einfacher zu verstehen ist als über die reine Interpretation der Regressionskoeffizienten und dazu beiträgt Fehler in der Interpretation zu vermeiden. Vorraussetzungen sind Grundkenntnisse über Regressionsverfahren sowie Stata oder R. Das Datum ist ein vorläufiges Datum. Anmeldung bitte über Stud.IP vornehmen.
