VO-Inhalt!!! - Universität Innsbruck
Werbung
Institut für Politikw issenschaft , Universität Innsbruck SS 2011 Ass.Prof. Dr.Christian Traweger Universität Innsbruck Institut für Politikwissenschaft [email protected] Semesterübersicht SS 2011 VO Statistik für PolitikwissenschafterInnen Ass.Prof.Dr.Christian Traweger VO Datum Inhalt der Vorlesung (findet Mittwoch 15.00 bis 16.30 statt) 15 - 16.30 1 9.3. Vorbesprechung für VO, Organisatorisches; Beginn der VO: Grundlagen der emp. Sozialforschung, Grundgesamtheit, Stichprobe, Erhebungsarten,… 2 16.3. Skalierungen, Fragebogen, Auswertungsübersicht; zur deskriptiven Auswertung: Häufigkeitsverteilungen, Masszahlen der Lage und der Streuung, Grafische Darstellung von Verteilungen, Quantile, Boxplot 3 6.4. Prinzip des Testens, Hypothesen, Chiquadratunabhängigkeitstests, Kontingenztabellen 4 11.5. Nichtparametrische Tests für ordinale Merkmale (Mann-Whitney U-Test/ Kruskal Wallis Test) 5 18.5. Einfaktorielle Varianzanalyse (T-Test, F-Test) 6 25.5. Kontingenzkoeffizient, Korrelationskoeffizient nach Spearman und Pearson 7 1.6. Regressionsanalyse, Multiple Regression, 8 8.6. Schlussklausur A-L /M-Z 9 15.6. Wählerstromanalyse – in Ergänzung zum 1.6. 10 22.6. 1. Klausurergebnisbesprechung, individuell bei Bedarf; Büro Voranmeldung erforderlich. Im Büro von Dr.Traweger 11 29.6. 2. Klausurergebnisbesprechung, individuell bei Bedarf; Büro Voranmeldung erforderlich. An zwei der angeführten Vorlesungseinheiten (Genaueres wird in Vorbesprechung bekannt gegeben) werden zwei Tiroler Politiker zur Bedeutung der Marktforschung für politische Parteien Stellung nehmen. Die Lehrinhalte sind dem Buch: Statistik – Der Weg zur Datenanalyse, Fahrmeir, Künstler, et al. zu entnehmen.Die maximale Punkteanzahl der Schlussklausur beträgt 60 Punkte. 2 Grundlagen der empirischen Sozialforschung Problemformulierung Bestimmung der Erhebungsmethode Fragebogenerstellung Stichprobenplanung/-größe Datenerhebung Prüfung auf Plausibilität bzw. Interviewerkontrolle Prüfung auf Repräsentativität Datenanalyse und Auswertung Ergebnisbericht Interpretation und Umsetzung der Ergebnisse 3 PROBLEMFORMULIERUNG: Im ersten Stadium soll festgelegt werden, was recherchiert, analysiert bzw. erhoben werden soll (Projekterfassung). Ziel dieser Phase ist es, ein klares und verständliches Bild dessen zu erhalten, was letztendlich abgefragt werden soll. Was sind die Ziele? Parteipräferenzen, Politikerimages, Sachthemen, Bürgermeisterdirektwahl, ….. BESTIMMUNG DER ERHEBUNGSMETHODE: Welche Erhebungsmethode im Einzelnen gewählt wird, richtet sich natürlich nach dem jeweiligen Untersuchungsanliegen und hier speziell danach, ob und wie der Informationsbedarf am ergiebigsten, ökonomischsten und/ oder schnellsten durch eine Erhebung gedeckt werden kann. Einen wesentlichen Einflussfaktor auf die Bestimmung der Erhebungsmethode bildet das zur Verfügung stehende Budget. Grundsätzlich unterscheidet man 4 Arten von Interviews: Vorteile Nachteile Persönliches Interview Schriftliches Interview Telephoninterview Onlinebrefagung Der Trend geht immer mehr zu Telefoninterviews. (CATI=Computer Assisted Telephone Interviews). Dabei werden die Interviews in Telefonlabors durchgeführt, im Rahmen der Stichprobenplanung werden die anzurufenden Personen ausgewählt, die Telefonverbindung wird entweder manuell oder direkt vom Computer hergestellt und der Interviewer liest den Fragebogen vom Bildschirm ab und kodiert die Ergebnisse sofort in den Computer. Der letzte technische Stand ist CI (=Computerinterviewing, dabei führt ein Sprachcomputer das Interview durch). 4 FRAGEBOGENERSTELLUNG: Es gibt: - offene Fragestellungen: jede Antwort ist denkbar; Gruppenbildung für Auswertung; Vorsicht: nicht zu viele, da keine statistischen Tests durchgeführt werden können!! z.B.: Nehmen wir an, Sie wären in Ihrer Gemeinde in der Politik tätig, welches Problem bzw. welche Maßnahme würden Sie sofort angehen ? ………………………… - geschlossene Fragestellungen: - dichotome Fragen: zwei Antworten zur Auswahl z.B: Fühlen Sie sich über das Gemeindegeschehen ausreichend informiert? Ja Nein - Multiple choice, Alternativfragen: drei oder mehr Alternativen stehen zur Auswahl, entweder 1 oder mehrere Antwortmöglichkeiten z.B: Aus welchen Printmedien beziehen Sie die Informationen über die Politik im Land Tirol? (Nennen Sie die zwei häufigsten Informationsquellen) Tiroler Tageszeitung Standard Kronenzeitung andere Tageszeitung Kurier Sonstige Wochenzeitungen - Likert-Skala: eine Aussage, mit der die Befragten den Grad ihrer Zustimmung bzw. Ablehnung angeben können. z.B: In Österreich wird derzeit eine gute Politik gemacht. Stimme ich Stimme ich UnentStimme Stimme ich überhaupt nicht zu nicht zu schieden ich zu voll zu - Semantisches Differential: Bipolare Skala mit adjektivischen Gegensatzpaaren. Der Befragte sucht sich eine Stelle aus, die tendenziell oder graduell seine Meinung anzeigt. (!! Auswertung nicht eindeutig, Verwendung mehr in Psychologischen Bereichen!!) z.B: Die Politik ist: modern ------------- altmodisch - Beurteilungsskala: vorgegebene Beurteilungswerte z.B: Wie beurteilen Sie die Möglichkeit, dass man bereits ab 16 Jahre wählen kann ? sehr gut gut mittelmäßig schlecht sehr schlecht 5 Finden sich im Fragebogen sogenannte "Antwortbatterien", das heißt, viele Fragen mit den gleichen Antwortmöglichkeiten hintereinander (z.B. Einstellungs-, Polaritätsprofile), dann kann beim Interviewten ein Drang und "Zwang" nach Vollständigkeit beim Beantworten entstehen, der in der Folge leicht zu willkürlichen Angaben führt. Skalierungen: Im Rahmen der Fragebogenerstellung sollte man sich bereits Gedanken über die verschiedenen Skalierungen zu machen: - nominal (z.B.: Haarfarbe, ja/nein-Fragen, Codierung spielt keine Rolle) - ordinal (es liegt eine Ordnung vor, z.B.: Schulnoten, Beurteilungen,...) - metrisch bzw. quantitativ (Intervallskala, Verhältnisskala, z.B.: Gewicht, Alter, Einkommen - nicht gruppiert) 6 STICHPROBENPLANUNG: Eine Stichprobe ist ein Teil der Grundgesamtheit (z.B.: Tiroler Bevölkerung). Damit die Ergebnisse der Erhebung auf die Grundgesamtheit bezogen werden können (repräsentativ sind), muß die Stichprobe, hinsichtlich verschiedener Merkmale, ein genaues Abbild der Grundgesamtheit sein. (verkleinert aber wirklichkeitsgetreu) Wie wählt man nun einen bestimmten Teil der Grundgesamtheit aus ? Man unterscheidet : - Systematische Verfahren: - Quotenverfahren - systematische Auswahl - Zufallsstichprobe: - Einfache Zufallsstichprobe - geschichtete Zufallsstichprobe - Klumpenstichprobe Quotenauswahl: Verteilung der Merkmalsausprägungen wird gezielt erreicht z.B. Gesamtzahl der Interviews: 10 Stadtteil: A 5 B 3 C 2 Geschlecht: männl. 6 Weibl. 4 Alter: 18- 30J 3 31- 50 J 4 über 50J 3 Beruf: Arbeiter/Angest. 2 Jahreseinkommen: - 15.000 Beamter/VB 1 15.001- 30.000 Selbst. 1 über 30.000 Hausf/-m 2 Pension 2 Ausbildg 1 Sonstiges(K/AL) 1 3 5 2 7 systematische Auswahl: typische Auswahl (!!ist kein methodisch gesichertes, den Repräsentationsschluss ermöglichendes Verfahren!!) Man greift nach freiem Ermessen solche Elemente aus der Grundgesamtheit heraus, die als besonders charakteristisch und typisch erachtet werden und schließt von den erzielten Ergebnissen entsprechend auf die Grundgesamtheit. (Welche Elemente sind typisch?; in welchem Umfang kann verallgemeinert werden???) Einfache Zufallsstichprobe: (Urnenmodell) Die Elemente, die in das Stichprobensample eingehen, werden unmittelbar aus der Grundgesamtheit gezogen. Voraussetzung: Vollständigkeit der Grundgesamtheit, gleiche Auswahlchance. - Systematische Zufallsauswahl: Startpunkt t, s = N/ n - Schlussziffernverfahren: aus durchnummerierten Datei werden jene Elemente mit best. Schlußziffer genommen - Buchstabenauswahl: Stichprobe = all jene Elemente, deren Nachname best. Anfangsbuchstaben hat Geschichtete Zufallsstichprobe: Grundgesamtheit wird in mehrere Untergruppen (Schichten) aufgeteilt, aus denen dann jeweils die, in die Gesamtstichprobe eingehenden Elemente, mittels eines reinen Zufallsverfahrens ausgewählt werden. z.B: nach Altersgruppen Klumpenauswahl: Grundgesamtheit wird in Klumpen (Flächen) unterteilt und dann wird rein zufällig eine bestimmte Zahl dieser Klumpen ausgewählt und mit allen ihren Elementen in das Sample einbezogen. Nicht einzelne Elemente, sondern ganze Gruppen bilden die Auswahleinheit – !! die Grundgesamtheit muß vollständig vorliegen. z.B: (Städteplanung) Planquadrate eines Stadtplans, oder Häuserblocks ( Die gezogenen Klumpen gehen entweder als Gesamtheit in die Stichprobe ein, oder es werden aus ihnen wiederum Teilstichproben nach einfacher Zufallsauswahl gezogen) Als ein besonders verbreitetes Beispiel für ein mehrstufig geschichtetes Auswahlverfahren wird der folgende Musterstichprobenplan (mit 3 Auswahlstufen), der von zahlreichen führenden Marktforschungsinstituten für repräsentative Bevölkerungsumfragen entwickelt wurde, angeführt: 8 1) Auswahl von sample-points: Dabei erfolgt ein sogenanntes area sampling, das heißt es werden im Rahmen einer Zufallsauswahl Gemeinden oder Bezirke ausgewählt. 2) Auswahl von Haushalten in den gezogenen sample-points (Zufällige Auswahl der Haushalte aus Adressenlisten oder Telefonbüchern) 3) Auswahl der Zielpersonen in den gezogenen Haushalten (z.B.: Auswahl der Person fortlaufend nach dem Alter oder Vornamensalphabetisch) Eine wesentliche Bedingung für die Durchführung einer Zufallsauswahl ist, daß das „Personenmaterial“ vollständig katalogisiert sein muß: „Jedes Element muß die gleiche Chance haben ausgewählt zu werden“. (Beginn der Auswahl über eine Zufallszahl). Die Größe der Stichprobe ist meist aus finanziellen Überlegungen determiniert. Ein wesentlicher Indikator zur Bestimmung der Größe der Stichprobe ist jedoch der Stichprobenfehler: Das heißt, wie exakt sind die Ergebnisse bzw. wie exakt sollen die Ergebnisse sein ? (Nicht zu verwechseln mit der Repräsentativität !!!) (Totalerhebung) Vollerhebung vs. Teilerhebung Stichprobenfehler: da man noch keine Ergebnisse vorliegen hat, geht man von einem Antwortverhalten 50:50 aus. („ungünstigster Fall“) Stichprobenfehler e = 1,96 2 p (1 p) n p = Anteile in % z.B: Umfrage in Innsbruck; N=300 Wie groß ist Stichprobenfehler? +/-......% Beträgt der Stichprobenumfang mehr als 5% der Grundgesamtheit, so wird die Schwankungsbreite mit Hilfe der Endlichkeitskorrektur (EK) berechnet StichprobenfehlerEK = 1,96 2 p (1 p ) ( N n) n ( N 1) p = Anteile in %, N = Grundgesamtheit 9 Stichprobenumfang: Der Marktforscher weiß von den Umständen der jeweiligen Aufgabenstellung her und in Abstimmung mit dem jeweiligen Auftraggeber....... - wie genau das Stichprobenergebnis sein muß (Intervall) - mit welcher Sicherheit diese Aussage getroffen werden soll (95% Sicherheit.) n = 1,962 . p (1 p) e2 n......Stichprobenumfang p......Anteil der Befragten, die eine best.Antwort gaben e......Stichprobenfehler, Schwankungsbreite z.B. Umfrage Innsbruck: Wie groß muss Stichprobe sein, bei e = +/-5,6% 10 Die anschließende Tabelle gibt Aufschluß über den Stichprobenfehler bei unterschiedlichen Stichprobenumfängen und Anteilen: (ohne Endlichkeitskorrektur, nur für große Grundgesamtheiten) p........Anteil (Soviele Prozent geben eine bestimmte Antwort) n........Stichprobenumfang Stichprobenfehler in % Anteile in % 10 / 90 15 / 85 20 / 80 25 / 75 30 / 70 35 / 65 40 / 60 45 / 55 50/50 =0,1 =0,15 =0,2 =0,25 =0,3 =0,35 =0,4 =0,45 =0,5 n= 100 200 300 400 500 600 700 800 900 1000 1500 2000 2500 3000 5,88% 4,16% 3,39% 2,94% 2,63% 2,40% 2,22% 2,08% 1,96% 1,86% 1,52% 1,31% 1,18% 1,07% 7,00% 4,95% 4,04% 3,50% 3,13% 2,86% 2,65% 2,47% 2,33% 2,21% 1,81% 1,56% 1,40% 1,28% Stichprobenfehler = 7,84% 5,54% 4,53% 3,92% 3,51% 3,20% 2,96% 2,77% 2,61% 2,48% 2,02% 1,75% 1,57% 1,43% 8,49% 6,00% 4,90% 4,24% 3,80% 3,46% 3,21% 3,00% 2,83% 2,68% 2,19% 1,90% 1,70% 1,55% 8,98% 6,35% 5,19% 4,49% 4,02% 3,67% 3,39% 3,18% 2,99% 2,84% 2,32% 2,01% 1,80% 1,64% 1,96 2 p (1 p) n 9,35% 6,61% 5,40% 4,67% 4,18% 3,82% 3,53% 3,31% 3,12% 2,96% 2,41% 2,09% 1,87% 1,71% 9,60% 6,79% 5,54% 4,80% 4,29% 3,92% 3,63% 3,39% 3,20% 3,04% 2,48% 2,15% 1,92% 1,75% 9,75% 6,89% 5,63% 4,88% 4,36% 3,98% 3,69% 3,45% 3,25% 3,08% 2,52% 2,18% 1,95% 1,78% 9,80% 6,93% 5,66% 4,90% 4,38% 4,00% 3,70% 3,46% 3,27% 3,10% 2,53% 2,19% 1,96% 1,79% p = Anteile in % Beispiel: Bei einer Umfrage unter 500 Innsbruckern geben rund 25% an, daß sie ÖVP wählen. Man kann nun behaupten, daß der tatsächliche Anteil jener Personen, die ÖVP wählen, mit einer Wahrscheinlichkeit von 95%, zwischen 21,2% und 28,8% liegt (=+- 3,8%). Beträgt der Stichprobenumfang mehr als 5% der Grundgesamtheit, so wird die Schwankungsbreite mit Hilfe der Endlichkeitskorrektur (EK) berechnet StichprobenfehlerEK = 1,96 2 p (1 p ) ( N n) n ( N 1) p = Anteile in %, N = Grundgesamtheit 11 DATENERHEBUNG: In dieser Phase werden nun die Interviews - persönlich - telefonisch durch geschulte Interviewer - oder postalisch durchgeführt. Dieser Abschnitt wird auch als Feldarbeit bezeichnet. Werden mehrer Auftraggeber in einer Umfrage mit verschiedenen Themen zusammengefasst, so spricht man von ein OMNIBUSUMFRAGE. PRÜFUNG AUF PLAUSIBILITÄT bzw. INTERVIEWERKONTROLLEN: Dies ist sowohl eine visuelle wie auch computergestützte Kontrolle der erhobenen Interviews. Dabei handelt es sich einerseits um einen Vergleich von eingebauten Kontrollfragen (z.B.: Haushaltstyp, Haushaltsgröße, Familienstand, Kinder,...) bis hin zur direkten Kontaktaufnahme der interviewten Person und Befragung zur Interviewdurchführung und zum Verhalten des Interviewers. In modernen Interviewcallcenters wird diese Überprüfung unter anderem auf die entsprechende Telefonsoftware ausgeweitet, wo alle Interviews (=Gespräche) hinsichtlich ihrer Dauer und Rufnummer genau aufgezeichnet werden. (Nur zur internen Kontrolle, DATENSCHUTZ!!) PRÜFUNG AUF REPRÄSENTATIVITÄT: Ziel einer repräsentativen Umfrage ist es, ein möglichst exaktes Abbild der zu befragenden Bevölkerung zu erhalten: (z.B.: bei politischen Umfragen ein Abbild der wahlberechtigten Bevölkerung). Anders ausgedrückt: die Untersuchung soll Aufschlüsse über die Grundgesamtheit bringen und um dies zu erreichen muß aus dem Ergebnis der Teilerhebung möglichst sicher und exakt auf die Verhältnisse der Gesamtmasse geschlossen werden können. Die Grundgesamtheit soll sich also in Bezug auf verschiedene Merkmale in der Stichprobe wiederfinden. In der Regel wird die Repräsentativität in Bezug auf die Merkmale Geschlecht, Alter und Bildung überprüft. 12 DATENANALYSE UND AUSWERTUNG: Bei der Datenanalyse ist auf das vorliegende Skalenniveau zu achten; dementsprechend werden Modus, Median oder Mittelwert zur Interpretation verwendet. Bei den durchzuführenden Testverfahren ist ebenfalls auf diese Unterscheidung zu achten. Welche Maßzahlen und Graphiken sinnvoll sind richtet sich nach dem Variablentyp bzw. dem Skalenniveau: Variablentyp Nominal Ordinal Metrisch Maßzahlen Häufigkeitstabelle, Modus Häufigkeitstabelle, Modus, Median, Quantile Min., Max., Median, Mittelwert, Std.Dev., Std. Err.; Graphische Darstellung Balken-/Kreisdiagramm Balkendiagramm Kreisdiagramm Boxplots Histogramm,.... Hinsichtlich graphischer Aufbereitung von Daten sind dem Marktforscher nahezu keine Grenzen gesetzt; obenstehende Tabelle erhebt keinen Anspruch auf Vollständigkeit sondern dient lediglich als ein möglicher Leitfaden. So wie an dieser Stelle im Rahmen der deskriptiven Statistik die einzelnen Maßzahlen nach Variablentypen unterschieden werden, so müssen bei der bivariaten statistischen Analyse (Sommersemester) auch die unterschiedlichen Testverfahren berücksichtigt werden. ERGEBNISBERICHT: Der Ergebnisbericht sollte die Auswertung (tabellarisch, graphisch und verbal) jeder einzelnen Frage beinhalten. In weiterer Folge sollen bei jeder Fragestellung zu interessierende Hypothesen überprüft werden. INTERPRETATION UND UMSETZUNG DER ERGEBNISSE: In dieser Phase sollten mit dem Auftraggeber noch die Ergebnisse der Erhebung analysiert werden und eventuell eine schriftliche Kurzfassung der wesentlichen Ergebnisse erfolgen. Bei der Hilfe zur Umsetzung empfiehlt sich eine interdis-ziplinäre Zusammenarbeit mit entsprechenden Fachleuten. 13 Deskriptive Statistik: Häufigkeitsverteilungen: Beispiel: Beurteilung der derzeitigen politischen Situation in Österreich (mit Schulnoten; n=24) Note: xi (absolute hi (relative Häufigkeit) Häufigkeit) Hi (kumulierte Häufigkeit) 1 2 8,3 8,3 2 4 16,7 25,0 3 9 37,5 62,5 4 6 25,0 87,5 5 3 12,5 100,0 Summe 24 100,0 Berechnung der relativen Häufigkeit: Berechnung von h2 = (x2/N)*100 = 16,7 % Berechnung der kumulierten Häufigkeiten: Berechnung von %H3 = h1 + h2 + h3 = 8,3 + 16,7 + 37,5 = 62,5 % Die Verteilungskurve ergibt sich aus: Ausgangshistogramm Kurvenpolygon in Histogramm eintragen Glätten des Kurvenpolygons ergibt eine Dichtekurve 14 Statistische Maßzahlen: Maßzahlen sind Kenngrößen einer Verteilung, mit denen sich deren charakteristische Eigenschaften in komprimierter Form darstellen lassen. A) Maßzahlen der Lage Modus: xModus hi max Definition: Der Modus ist der häufigste Wert der absoluten (Mess)-werte Arithmetisches Mittel : x 1 N * xi N i 1 Def: Der Mittelwert (Mean; arithm. Mittel) ist die Summe aller Messwerte, geteilt durch ihre Anzahl. Exkurs : arithmetisches Mittel bei vorgegebenen Klassenbreiten: x 1 k * xi * xmi N i 1 Bsp: Klasse 1 2 3 4 x IQ-Intervall 80 – 100 101 – 121 122 – 142 143 – 163 Klassenmitte xmi 90 111 132 153 xi 4 9 9 3 Σ= 25 xi xmi 360 999 1188 459 Σ= 3006 1 k * xi * xmi = 1/25 * 3006 = 120,24 N i 1 Median : n ist ungerade: z x( n 1) / 2 n ist gerade: z xn / 2 x( n / 2)1 2 Def: Der Median (auch als Zentralwert bezeichnet) ist derjenige Punkt der Messwertskala, unterhalb und oberhalb dessen jeweils die Hälfte der Messwerte liegen. 15 Quantile: In der Praxis werden meist spezielle Quantile verwendet: Quartile: Einteilung in vier Abschnitte zu je 25% Dezile: Einteilung in 10 Abschnitte zu je 10% Perzentile: Einteilung in 100 Abschnitte zu je 1% Die besonders häufig verwendeten Quartile sind: Q1 : 1.Quartil = x 0,25 Q2 : 2.Quartil = x 0,5 = z (Zentralwert) =Median Q3 : 3.Quartil = x 0,75 Mit Hilfe der Werte min, Q1, z, Q3, max. lässt sich ein Box-Plot-Diagramm zeichnen, das einen guten Einblick über die Verteilung der Daten gibt. Schiefe und Wölbung: Die Schiefe gibt Auskunft darüber inwiefern eine vorliegende metrische Verteilung rechtsschief, symmetrisch oder linksschief ist. gm= 0 symmetrisch gm > 0 linkssteil (rechtsschief) gm < 0 rechtssteil (linksschief) Die Wölbung erklärt, ob eine Verteilung sehr steil oder eher flach ist. γ = 0 Normalverteilung γ > 0 spitze Verteilung γ < 0 flache Verteilung 16 B) Maßzahlen der Streuung (nur sinnvoll bei metrischen Merkmalen) Interquartilsabstand: Ist die Differenz zwischen oberem und unterem Quartil IQR = x 0,75 – x 0,25 Empirische Varianz: s2 = 1 k * ( xi x ) 2 N i 1 k 1 * ( xi x ) 2 N 1 i 1 Varianz der Stichprobe: s2 = Def: Varianz s2 von N- Messwerten xi ist definiert als die Summe der quadrierten Differenzen (xi - x ) dividiert durch ihre Anzahl. Standardabweichung: s = s 2 Def: Die Standardabweichung s ist definiert als Quadratwurzel aus der Varianz. Normalverteilung: Messwertverteilung unter der Glockenkurve x ±s = ca. 68% der Meßwerte x ±2s = ca. 95% der Meßwerte x ±3s = ca. 99,7% der Meßwerte Standardfehler des Mittelwertes: sx = s N Mit einer Wahrscheinlichkeit von 95% liegt der wahre Mittelwert in einem Intervall von x ± 2 sx . Variationskoeffizient: VK = s 100 % x Def: Der Variationskoeffizient ist ein Maß, inwieweit die Verteilung homogen ist. Bei einem Variationskoeffizient von über 50% ist die Verteilung so inhomogen, dass man den Mittelwert als Maßzahl besser nicht verwendet. 17 Grafische Darstellungen von Verteilungen Boxplot (Kasten-Diagramm) 1600,00 ek 1400,00 1200,00 1000,00 Die Fünf-Punkte Zusammenfassung einer metrischen Verteilung führt zur komprimierten Visualisierung einer Verteilung durch den BoxPlot. Es lässt sich schnell ein Eindruck darüber gewinnen, ob die Beobachtungen z.B. annähernd symmetrisch sind, oder ob Ausreißer in dem Datensatz auftreten. Der Box-Plot besteht aus: - x0,25 = Anfang der Schachtel ("box") - x0,75 = Ende der Schachtel - Der Median wird durch einen Punkt oder eine Linie in der Box markiert - Zwei Linien "whiskers" außerhalb der Box gehen bis zu xmin und xmax, 18 Der modifizierte Box-Plot berücksichtigt etwaige Ausreißer, die unterhalb bzw. überhalb der bestimmter Grenzen liegen, quasi außerhalb der Zäune (zu und zo) sich befinden. Zur Berechnung der Zäune benötigt man den Interquartilsabstand: (dQ = x0,75 - x0,25 ) Die oberen und unteren Grenzen für Ausreißer errechnen sich aus: zu = x0,25 – 1,5* dQ zo = x0,75 + 1,5* dQ Auf diese Weise werden die sogenannten Ausreißer, außerhalb der Zäune im Box-Plot markiert. 19 Statistisches Testen: Mit Hilfe statistischer Tests überprüft u.a. ob zwischen Gruppen wie z.B. Männer und Frauen im Antwortverhalten auf eine zu untersuchende Fragestellung hin statistisch signifikante Unter-schiede bestehen, oder ob zwischen zwei Variablen (Frage-stellungen) Zusammenhänge existieren. Folgende Tabelle zeigt eine Auswahl statistischer Tests zur Überprüfung von Unterschieden zwischen Gruppen und zur Überprüfung von Zusammenhängen zwischen Variablen bzw. Fragestellungen: Skalierung Unterschiedsverfahren Zusammenhangsverfahren Nominal Chiquadrattest Kontingenzkoeffizient Ordinal N=2 Stichproben: Mann Whitney U-Test Rangkorrelationskoeffizient nach Spearman n>2 Stichproben: Kruskal-Wallis Test Metrisch Varianzanalyse; Voraussetzungen zur Durchführung: Normalverteilung Varianzhomogenität Korrelationskoeffizient nach Pearson 20 Hypothesenformulierung: Im Rahmen der bivariaten Analyse stellt sich die Frage durch welche demographischen Merkmale die Antworten besonders beeinflußt werden. Unterscheiden sich z.B.: Männer und Frauen im Hinblick auf ihren Wunschurlaub. Dabei interessiert man sich nicht nur für die Unterschiede in der Stichprobe, sondern man will prüfen, ob die in der Stichprobe festgestellten Unterschiede auch für die Grundgesamtheit Gültigkeit haben. Man kann also über die Grundgesamtheit nur Vermutungen anstellen. Dieses Vermutungen bezeichnet man als Hypothesen. Es gibt zwei Arten von Hypothesen: - Nullhypothese: H0 - Alternativhypothese: H1 Im Rahmen der Nullhypothese vermutet man, daß z.B. zwischen Männern und Frauen kein (=Null) Meinungsunterschied besteht und als Alternativhypothese nimmt man an, daß dieser Unterschied gegeben ist. Die Ergebnisse der Stichprobe der Befragten dienen dazu, sich für eine der beiden Hypothesen zu entscheiden. Bei der Entscheidung für die Alternativhypothese möchte man möglichst sicher sein; d.h. man möchte sich bei der Entscheidung für die Alternativhypothese "möglichst wenig irren". Diese Wahrscheinlichkeit, dass man sich irrt und die Alternativhypothese gewählt hat, obwohl in der Realität (bezogen auf die 21 Grundgesamtheit) doch die Nullhypothese zutrifft, bezeichnet man als Irrtumswahrscheinlichkeit. Diese wird von den meisten StatistikSoftware-Produkten exakt berechnet. Das gängigste Verfahren dazu sind die Signifikanztests. Zur Überprüfung der herangezogen werden: Hyppothesen kann folgendes Schema In der Grundgesamtheit gilt H0 H1 H0 richtig Entsch. Beta-Fehler Entscheidung auf Grund der Stichprobe zugunsten der: H1 Alpha-Fehler richtige Entsch. Als Signifikanzniveau wird in der klassischen Statistik ein =0.05 herangezogen, das heißt: beträgt das errechnete Signifikanzniveau 0.05, dann wird die Nullhypothese verworfen. Dieses Alpha bezeichnet man auch als Irrtumswahrscheinlichkeit. 22 Unterschiedsverfahren: Der Chiquadrattest: Mit Hilfe der Chiquadrattests untersucht man, ob bei nominalen Variablen Unterschiede zwischen Stichproben bestehen. Der Chiquadratwert nach Pearson wird nach folgender Formel berechnet: n 2 i 1 (O E ) 2 E O....... sind die beobachteten Häufigkeiten (=observed values) E....... sind die erwarteten Häufigkeiten (=expected values), das sind jene Häufigkeiten, die man sich bei völliger Unabhängigkeit zwischen den Stichproben erwartet hätte. Die erwarteten Häufigkeiten werden nach folgender Formel berechnet: e ij ci*r j N c......Spaltensumme r.......Zeilensumme N......Gesamtstichprobe 23 Fragestellung: Unterscheiden sich Männer von Frauen hinsichtlich Ihrer Parteipräferenz ? H0: Es gibt keine Unterschiede zwischen Männern und Frauen in der Parteipräferenz H1: Es gibt signifikante Unterschiede zwischen Männern und Frauen hinsichtlich der Parteipräferenz. SPSS-Output: Geschlecht * Gemeinderatswahl Innsbruck Kreuztabelle Geschlecht männlich weiblich Gesamt Liste für Innsbruck 47 Freie Liste 5 (andere Liste / Partei) 24 Gesamt 238 47 SPÖ 43 19,7% 19,7% 18,1% 21,8% 4,2% 4,2% 2,1% 10,1% 100,0% % von GRW Anzahl % von Geschlecht 47,5% 52 42,7% 63 43,0% 57 47,7% 57 71,4% 4 55,6% 8 35,7% 9 42,9% 32 45,8% 282 18,4% 22,3% 20,2% 20,2% 1,4% 2,8% 3,2% 11,3% 100,0% % von GRW Anzahl % von Geschlecht 52,5% 99 57,3% 110 57,0% 100 52,3% 109 28,6% 14 44,4% 18 64,3% 14 57,1% 56 54,2% 520 19,0% 21,2% 19,2% 21,0% 2,7% 3,5% 2,7% 10,8% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% Anzahl % von Geschlecht % von GRW ÖVP Gemeinderatswahl Innsbruck Liste Soziales Die Grünen FPÖ Innsbruck 52 10 10 Chi-Quadrat-Tests Wert Chi-Quadrat nach Pearson Likelihood-Quotient Zusam menhang linear-m it-li near Anzahl der gültigen Fälle As ymptotisch e Signi fikanz (2-seiti g) df a 6,170 7 ,520 6,242 7 ,512 ,001 1 ,974 520 a. 0 Zellen (,0%) haben eine erwartete Häufigkeit kleiner 5. Die mi nimale erwartete Häufigkeit ist 6,41. Da das Singnifikanzniveau größer als 0,05 ist, wird die Nullhypothese nicht verworfen und man entscheidet sich für H0. 24 Eine Sonderform des Chiquadrattests ist die Auswertung von 2x2 Tabellen; hier wird die sogenannte Kontinuitätskorrektur angewandt. Fragestellung: Unterscheiden sich Männer von Frauen hinsichtlich der allgemeinen Zufriedenheit mit der Politik in Innsbruck? H0: Es gibt keine Unterschiede zwischen Männern und Frauen in der Beurteilung der Zufriedenheit mit der Stadtpolitik H1: Es gibt signifikante Unterschiede zwischen Männern und Frauen hinsichtlich der Beurteilung der Zufriedenheit mit der Stadtpolitik. Allgemeine Zufriedenheit mit Politik in Innsbruck * Geschlecht Kreuztabelle Allgemeine Zufriedenheit mit Politik in Innsbruck eher zufrieden eher unzufrieden Gesamt Anzahl % von Allgemeine Zufriedenheit mit Politik in Innsbruck % von Geschlecht Anzahl % von Allgemeine Zufriedenheit mit Politik in Innsbruck % von Geschlecht Anzahl % von Allgemeine Zufriedenheit mit Politik in Innsbruck % von Geschlecht Geschlecht männlich weiblich 130 131 Gesamt 261 49,8% 50,2% 100,0% 54,9% 107 47,5% 145 50,9% 252 42,5% 57,5% 100,0% 45,1% 237 52,5% 276 49,1% 513 46,2% 53,8% 100,0% 100,0% 100,0% 100,0% Chi-Quadrat-Tests W ert Chi-Quadrat nach Pearson a Kontinuität skorrekt ur Lik elihood-Quotient Ex akter Test nach Fisher Zusammenhang linear-mit-linear Anzahl der gültigen Fälle As ymptotisch e S ignifikanz (2-seit ig) df b 2,785 1 ,095 2,497 2,788 1 1 ,114 ,095 Ex akte Signifik anz (2-seit ig) ,111 2,780 1 Ex akte Signifik anz (1-seit ig) ,057 ,095 513 a. W ird nur für eine 2x 2-Tabelle berec hnet b. 0 Zellen (,0%) haben eine erwartete Häufigk eit k leiner 5. Die minimale erwartete Häufigkeit ist 116,42. Da das Singnifikanzniveau größer als 0,05 ist, wird die Nullhypothese nicht verworfen und man entscheidet sich für H0. 25 PARAMETERFREIE PRÜFVERFAHREN Die folgenden beiden statistischen Testverfahren, der MannWhitney-U-Test und der Kruskal-Wallis Test dienen zum Vergleich unabhängiger Stichproben, die entweder ordinal skaliert oder nicht normalverteilt sind. Mann-Whitney U-Test: Der U-Test von Mann und Whitney dient zum Vergleich zweier unabhängiger Stichproben, hinsichtlich ordinalskalierter Variable bzw. solcher, die die Voraussetzung der Normalverteilung nicht erfüllen. Das Prinzip dieses Tests ist die Ersetzung der gegebenen erfassten Werte durch Rangplätze. Es handelt sich dabei praktisch um eine ordinal skalierte Variable (wie z.B. Beurteilung nach Schulnoten) oder um eine metrische Variable, welche nicht normalverteilt ist; dabei werden sämtliche auftretenden Werte durch Ränge ersetzt, die Abstände zueinander werden dabei völlig vernachlässigt. Auf Ordinalskalenniveau erhobene Daten lassen lediglich Rechenoperationen zu, in denen Rangplätze (ordinale Informationen) verarbeitet werden. Mittelwerte, Varianzen können nicht berechnet werden, weil das Kriterium der Äquidistanz nicht gegeben ist. Stattdessen werden Summen der Rangplätze berechnet, denen die Fälle in den Substichproben zuzuordnen sind. 26 Die Vorgangsweise beim Mann-Whitney U-Test wird durch folgendes Beispiel erörtert: Untersucht wird die Fragestellung ob sich die Innsbrucker Männer von Frauen hinsichtlich der Beurteilung einer möglichen rot-grünen Koalition nach den Wahlen unterscheiden. Die beiden zu überprüfenden Hypothesen sind: H0: Zwischen Männern und Frauen besteht kein Unterschied hinsichtlich der Beurteilung einer rot-grünen Koalition in Innsbruck. H1: Zwischen Männern und Frauen besteht ein signifikanter Unterschied hinsichtlich ………. .(Irrtumswahrscheinlichkeit max.5%) Folgende Tabelle zeigt die zusammengefassten Ergebnisse: Beurteilung Männlich Weiblich ti (ti3-ti) Sehr gut 19 18 37 50616 Gut 78 99 177 5545056 Weniger gut 65 90 155 3723720 Schlecht 61 50 111 1367520 Gesamt n1=223 n2=257 N=480 =10686912 Im ersten Schritt werden nun den einzelnen Werten, geordnet nach männlich/weiblich und den Beurteilungen, Rangplätze zugewiesen und so für die Gruppe der Männer und Frauen Rangsummen berechnet: Es ergeben sich also insgesamt 480 Rangplätze, von der ersten Person männlich+sehr gut-Beur-teilung bis zur letzten (480sten) Person weiblich+schlecht-Beurteilung. 27 Die Rangsummen werden nach Ermittlung der Rangziffern und anschließender Gewichtung nach der jeweiligen Anzahl von Frauen und Männern berechnet. Beurteilung Männlich Weiblich 1=Sehr Gut 1+2+3+… 19 x 19=361 …+35+36=703/37=19 19 x 18=342 38+39+… 126 x 78=9828 215+216+… 292 x 65=18980 370+371+… 425 x 61=25925 …213+214=22302/177=126 126 x 99=12474 …368+369=45260/155=292 292 x 90=26280 …479+480=47175/111=425 425 x 50=21250 Rangsummen R R1=55094 R2=60346 Mittlerer Rang 55094/223=247,06 60346/257=234,81 2=Gut 3=Weniger gut 4=Schlecht Es gilt: R1 + R2 = [N*(N+1)]/2 55094+60346 = (480*481)/2 In weiterer Folge wird die Testmaßzahl U bestimmt: U1 = R1 – [n1*(n1+1)]/2 U1 = 55094-(223*224)/2 = 30118 U2 = R2 – [n2*(n2+1)]/2 U2 = 60346-(257*258)/2 = 27193 Die Prüfgröße U des U-Testes ist nun der kleinere der beiden UWerte: U = Minimum (U1, U2) = 27193 Laut Tabelle beträgt der kritische U-Wert: U;n1;n2 = U0,05;223;257 = 18514 Da der errechnete U-Wert größer als U-tabelliert ist, wird H0 beibehalten; es folgt keine Interpretation von H1. 28 Zur Bestimmung der exakten Irrtumswahrscheinlichkeit muß zuerst z bestimmt werden; dann kann die asymptotische significance berechnet werden: Zur Berechnung von z benutzt man folgende korrigierte Formel: Warum korrigiert ? Da Messwerte auftreten, die wiederholt vorkommen, wird in die Formel ein Korrektur-Term eingebaut: U z= n1* n2 2 n1* n2 * (N 3 N 12 * N * ( N 1) m (t 3 i ti ) i 1 z = - 1,015 Exkurs:-------------------------------------------------------------------Tritt jeder Messwert nur einmal auf, so wird zur Berechnung von z die folgende unkorrigierte Formel herangezogen: n1* n2 2 n1* n2 * (n1 n2 1) 12 U z= ------------------------------------------------------------------------------Berechnung der Irrtumswahrscheinlichkeit: sig z 2 x 1 1 2 2 0,310 e d x 0.028307 z sig = 0,310 = 31% Da 0,310 > 0,05 H0 ; d.h. H0 wird angenommen !! 29 Schlussfolgerung: Zwischen Männern und Frauen besteht kein signifikanter Unterschied hinsichtlich der Beurteilung einer möglichen rot-grünen Koalition in Innsbruck WÜRDE ein Unterschied bestehen, dann würde man die mittleren Ränge interpretieren müssen: Man betrachtet die mittleren Ränge: Mittlerer Rang Männer Frauen 247,06 234,81 Der einzelne mittlere Rang sagt nichts aus und wird so auch nicht interpretiert. Betrachtet man jedoch die Höhe des mittleren Ranges, so kann festgestellt werden, dass der mittlere Rang bei den Männern deutlich höher ist als jener, der Frauen. Die ursprüngliche Codierung der Beurteilung war: 1 = sehr gut 2 = gut 3 = weniger gut 4 = schlecht Ein höherer Wert sagt also aus, dass "schlechter beurteilt" wurde. Bei H1 (ist in unserem Beispiel nicht der Fall !!!) hieße das, dass Männer die rot-grüne Koalition etwas schlechter als Frauen beurteilen. 30 Das Statistikpaket SPSS liefert folgenden Output: Ausgangsfrage: Beurteilung der rot-grünen Koalition: Koalition ROT-GRÜN in Innsbruck wäre ... Gültig Fehlend Gesamt sehr gut gut weniger gut gar nicht gut Gesamt System Häufigkeit 37 177 155 111 480 40 520 Prozent 7,1 34,0 29,8 21,3 92,3 7,7 100,0 Gültige Prozente 7,7 36,9 32,3 23,1 100,0 Kumulierte Prozente 7,7 44,6 76,9 100,0 Frage: Besteht in der Beurteilung ein Einfluß durch die Variable Geschlecht ? Mann-Whitney-Test Ränge Koalition ROT-GRÜN in Inns bruck wäre ... Geschlecht männlich weiblich Gesamt N 223 257 480 Mittlerer Rang 247,06 234,81 Rangs umme 55094,00 60346,00 Statistik für Te sta Mann-Whit ney -U W ilcox on-W Z As ymptotis che Signifik anz (2-s eitig) Koalition ROT-GRÜN in Inns bruc k wäre .. . 27193, 000 60346, 000 -1, 015 ,310 a. Gruppenvariable: Geschlecht Zur Festlegung ob H0 oder H1 betrachtet man die Asymptotische Signifikanz und interpretiert, wenn H0 verworfen wird und man sich für H1 entscheidet, die mittleren Ränge. 31 Kruskal-Wallis H-Test: Der H-Test von Kruskal und Wallis dient zum Vergleich mehr als zweier (n>2) unabhängiger Stichproben, hinsichtlich ordinalskalierter Variable bzw. solcher, die die Voraussetzung der Normalverteilung nicht erfüllen. Das Prinzip dieses Tests ist die Ersetzung der gegebenen erfassten Werte durch Rangplätze. Es handelt sich dabei praktisch um eine ordinal skalierte Variable (wie z.B. Beurteilung nach Schulnoten) oder um eine metrische Variable, welche nicht normalverteilt ist; dabei werden sämtliche auftretenden Werte durch Ränge ersetzt, die Abstände zueinander werden dabei völlig vernachlässigt. Auf Ordinalskalenniveau erhobene Daten lassen lediglich Rechenoperationen zu, in denen Rangplätze (ordinale Informationen) verarbeitet werden. Mittelwerte, Varianzen können nicht berechnet werden, weil das Kriterium der Äquidistanz nicht gegeben ist. Statt dessen werden Summen der Rangplätze berechnet, denen die Fälle in den Substichproben zuzuordnen sind. 32 Die Vorgangsweise beim Kruskal-Wallis H-Test ist bis hin zur Berechnung der mittleren Ränge gleich jener beim M-W U-Test. Untersucht wird die Fragestellung ob sich die 4 Altersgruppen hinsichtlich der Beurteilung rot-grünen Koalition unterscheiden. Die beiden zu überprüfenden Hypothesen sind: H0: Zwischen den 4 Altersgruppen besteht kein Unterschied hinsichtlich der Beurteilung rot-grünen Koalition H1: Zwischen den 4 Altersgruppen besteht ein signifikanter Unterschied hinsichtlich der Beurteilung der rot-grünen Koalition (Irrtumswahrscheinlichkeit max.5%) Die Berechnung der Rangsummen und mittleren Ränge erfolgt gleich wie beim Mann Whitney U-Test. Die für den Kruskal-Wallis Test zu berechnende Prüfgröße H ist chiquadrat-verteilt, mit Df = k-1 Freiheitsgraden , wobei k= die Anzahl der Klassen/Gruppen (=4 Altersgruppen) Im vorliegenden Beispiel errechnet sich durch: DF = 4 – 1 = 3 Die angeführte Formel H bezieht sich auf die Berechnung in dem Fall, dass jeder Messwert nur einmal auftritt; H= 12 * N * ( N 1) Ti2 3 * ( N 1) i 1 n i k Die vorliegende Problemstellung zeigt jedoch, dass bei den 4 Altersgruppen die gleichen Beurteilungen zum Teil häufiger als nur 33 einmal auftreten, daher verwendet man beim Kruskal Wallis Test, ähnlich wie beim U-Test, eine korrigierte Formel: H´ = H 1 m (t 3 i 1 i 3 ti ) N N H´err.= 36,276 Ein Blick auf die Chiquadrattabelle (siehe Fahrmeier) zeigt, dass H´1-;DF = H´0,95;3 = 7,8147 Da der errechnete H-Wert größer dem H-Wert aus der Chiquadrattabelle ist, wird H0 verworfen; man entschließt sich für H1 und interpretiert die mittleren Ränge. Über den H-Wert wird wie beim Chiquadrattest z errechnet und daraus wiederum die exakte Irrtumswahrscheinlichkeit. 34 Das Statistikpaket SPSS liefert folgenden Output: Kruskal-Wallis-Test Rä nge Koalition ROT-GRÜN in Inns bruc k wäre . .. Alter bis 25 Jahre 26 bis 40 Jahre 41 bis 60 Jahre über 60 Jahre Gesamt N 73 143 141 123 480 Mittlerer Rang 228,16 200,35 238,59 296,69 Statistik für Testa,b Chi-Quadrat df As ymptotische Signifikanz Koalition ROT-GRÜN in Inns bruck wäre ... 36,276 3 ,000 a. Kruskal-Wallis-Test b. Gruppenvariable: Alter Zur Festlegung ob H0 oder H1 betrachtet man die Asymptotische Signifikanz und interpretiert, wenn H0 verworfen wird und man sich für H1 entscheidet, die mittleren Ränge. 35 Varianzanalyse: Will man untersuchen inwiefern sich zwei oder mehrere Gruppen einer nominalen oder ordinalen Variable in Bezug auf ein metrisches Merkmal unterscheiden, so wendet man die einfaktorielle Varianzanalyse an. Um den Einfluß mehrerer nominaler bzw. ordinaler Variable auf eine metrische Variable zu überprüfen, wird die mehrfaktorielle Varianzanalyse durchgeführt. Von Interesse ist also der Einfluß eines sogenannten Faktors auf eine eigentlich metrische Zielgröße. Es ist darauf hinzuweisen, dass bei Überprüfung zweier Gruppen (z.B. Männer/Frauen) hinsichtlich eines metrischen Merkmals (z.B. Zeit pro Tag zur Aufnahme politischen Geschehens) häufig der t-Test Anwendung findet. Bei mehr als 2 Gruppen (n>2) findet der F-Test seine Anwendung, da der t-Test nur im Zweistichprobenfall zu verwenden ist. Da der FTest jedoch auch im Zweistichprobenfall anwendbar ist, ist seine Verbreitung wesentlich häufiger. Wichtige Voraussetzungen für die Durchführung der Varianzanalyse sind:Normalverteilung (K-S Test) Varianzhomogenität (Levene-Statistik) NUR in Bezug auf die metrische Variable !!! 36 Die Normalverteilung, mit den Hypothesen H0: Es liegt Normalverteilung vor H1: Es liegt keine Normalverteilung vor, wird in SPSS mit dem K-S Test überprüft und ergibt folgenden Output: Kolmogorov-Smi rnov-Anpassungste st N Parameter der a,b Normalvert eilung Ex tremste Differenzen Mittelwert St andardabweichung Absolut Positiv Negativ Kolmogorov-Smirnov-Z As ymptotische Signifik anz (2-s eitig) Zeit zur Aufnahme politisc her Informatino pro Tag 10 30,5000 8,95979 ,178 ,122 -,178 ,562 ,910 a. Die zu tes tende Verteilung ist eine Normalverteilung. b. Aus den Daten berechnet. Da sig=0,910 > 0,05 ist wird die H0 angenommen und man kann behaupten, dass die Voraussetzung der Normalverteilung der metrischen Variable vorliegt. Die Voraussetzung der Varianzhomogenität wird im Rahmen der Varianzanalyse (bei 2 Gruppen m/w könnte auch ein t-Test angewendet werden) überprüft. Hier lauten die zu überprüfenden Hypothesen: H0: Es liegt Varianzhomogenität vor H1: Es liegt keine Varianzhomogenität vor 37 Der entsprechende SPSS-Output ist: Test der Homogenität der Varianzen Zeit zur Aufnahme politis cher Informatino pro Tag LeveneStatistik ,122 df1 df2 1 8 Signifikanz ,736 Da sig=0,736 > 0,05 ist wird die H0 angenommen und man kann behaupten, dass die Voraussetzung der Varianzhomogenität gegeben ist. Liegen diese Voraussetzungen nicht vor, so wird in der Regel auf Unterschiedsverfahren für ordinal skalierte Variable zurück-gegriffen. Die Varianzanalyse geht ihrem Prinzip nach von einer Zerlegung der Varianzen aus. Diese Gesamtvarianz wird zerlegt in eine Varianz innerhalb der Gruppen und eine Varianz zwischen den Gruppen. Welche Hypothesen werden überprüft: H0 : 1 = 2 = ...... = n H1 : 1 ≠ 2 ≠ ...... ≠ n Da die Varianzanalyse ein Mittelwertvergleich ist, wird untersucht, ob die Mittelwerte der einzelnen Gruppen in etwa gleich, oder ob die Mittelwerte voneinander signifikant verschieden sind. 38 Die zu berechnende F-Teststatistik(Ferrechnet)ergibt sich aus: SQE 2 Ferr = SQR * 1 , wobei SQR = Summe der Streuung innerhalb der Gruppen SQR = (n 1) * s ; si2=Varianz innerhalb der einzelnen Gruppen I 2 i i i 1 T = Gesamtstreuung T = ( x x) N 2 i i 1 SQE = Summe der Streuung zwischen den Gruppen SQE = (n * ( x x) ) ; I ni 2 i i 1 i j 1 d.h. rechentechnisch = SQE =T(Gesamtstreuung)–SQR(Streuung innerhalb der Gruppen) Zur Berechnung der Freiheitsgrade: 1 = I – 1, wobei I ist gleich die Anzahl der Gruppen 2 = N – I, wobei N gleich dem Stichprobenumfang Eine andere Möglichkeit zur Berechnung der Teststatistik F ist folgende: W T * 2 W 1 T 1 Fer = r wobei , T = Gesamtstreuung und W die Streuung innerhalb der Gruppen ist. 39 Diese Vorgangsweise wird anhand folgendem Beispiel erörtert: In nachstehender Tabelle sind die Daten einer Erhebung zur Zeit, die der/die Befragte pro Tag zur Aufnahme politischer Information angeführt: Zeit in Minuten 1= männlich 40 Gruppenmittelwert Berechnung von T Berechnung von SQE 36 (40-30,5)2 (36-30,5)2 (45-30,5)2 (36-30,5)2 (30-30,5)2 (36-30,5)2 (35-30,5)2 (36-30,5)2 (30-30,5)2 (36-30,5)2 (30-30,5)2 (25-30,5)2 (35-30,5)2 (25-30,5)2 (20-30,5)2 (25-30,5)2 (25-30,5)2 (25-30,5)2 (15-30,5)2 (25-30,5)2 Summe = 722,5 Summe=302,5 45 1 30 1 35 1 30 1 2=weiblich 30 25 35 2 20 2 25 2 15 2 Gesamtmittelwert 30,5 Aus den Daten ergeben sich folgende Varianzen: s12 =42,5; s22 =62,5; SQR = 4 * 42,5 + 4 * 62,5 = 420 SQE = 5*(36-30,5)2+5*(25-30,5)2 = 302,4 1 = I – 1 = 2 – 1 = 1; 2 = N – I = 10 – 2 = 8 302,5 8 Ferr = 420 * 1 = 5,760 40 Das auf diese Weise errechnete F wird nun, wie bereits bei anderen statistischen Tests aufgezeigt, mit dem tabellierten F-Wert verglichen: (Irrtumswahrscheinlichkeit 5%) F tab 0,05; 1; 8 = 5,32 Da Ferr ≥ Ftab. wird die H0 verworfen und man kann mit großer Wahrscheinlichkeit davon ausgehen, dass sich die Mittelwerte der einzelnen Gruppen signifikant voneinander unterscheiden. Zur Interpretation der signifikanten Ergebnisse werden die Mittelwerte der einzelnen Gruppen (Gruppenmittelwerte – siehe Tabelle) herangezogen. Das Statistikpaket SPSS liefert folgenden Output: ONEWAY deskriptive Statistiken Zeit zur Aufnahme politis cher Informatino pro Tag N männlich weiblich Gesamt 5 5 10 Mittelwert 36,0000 25,0000 30,5000 Standardab weichung 6,51920 7,90569 8,95979 Standardf ehler 2,91548 3,53553 2,83333 95%-Konfidenzintervall für den Mittelwert Untergrenze Obergrenze 27,9053 44,0947 15,1838 34,8162 24,0906 36,9094 Minimum 30,00 15,00 15,00 Maximum 45,00 35,00 45,00 ONEW AY ANOVA Zeit zur Aufnahme politischer Informatino pro Tag Zwischen den Gruppen Innerhalb der Gruppen Gesamt Quadrats umme 302,500 420,000 722,500 df 1 8 9 Mittel der Quadrate 302,500 52,500 F 5,762 Signifik anz ,043 Nach der Entscheidung für H0 oder H1 auf Basis der von der Software errechneten exakten Signifikanz (größer oder kleiner gleich 0,05), werden bei H1 die Mittelwerte interpretiert. 41 Zusammenhangsverfahren: Kontingenzkoeffizient: (0 bis 1) Für nominale Merkmale wird als Zusammenhangsmaß der Kontingenzkoeffizient (C) verwendet. Dieser Wert liegt zwischen 0 und 1 und drückt die Stärke des Zusammenhangs aus. Der Kontingenzkoeffizient misst nur die Stärke des Zusammenhangs, eine Richtung der Wirkungsweise wird nicht erfasst. Als Basis zu Berechnung des Kontingenzkoeffizienten wird der errechnete Chiquadratwert herangezogen: C= 2 n2 Die beiden zu untersuchenden Hypothesen lauten: H0 : Zwischen den beiden Variablen Bildung und Parteipräferenz besteht kein wesentlicher Zusammenhang H1 : Zwischen den beiden Variablen Bildung und Parteipräferenz besteht ein wesentlicher Zusammenhang Grundlage zur Berechnung des Kontingenzkoeffizienten ist die Berechnung des Chiquadratwertes; so ergibt sich für das vorliegende Beispiel folgender Kontingenzkoeffizient: 42 C= 44,089 520 44,089 = 0,280 Wie auf Grund des durchgeführten Chiquadrattests ersichtlich war (siehe untenstehenden Output) gibt es einen signifikanten Unterschied zwischen Personen mit Pflichtschulabschluß bzw. Lehre und Personen mit Matura bzw. höherem Schulabschluß in Bezug auf ihre Parteipräferenz; der Zusammenhang zwischen den beiden Variablen ist jedoch mit 0,280 als eher gering zu bezeichnend, obwohl signifikant. Das Statistikpaket SPSS liefert folgenden Output: Ge me inde ratswahl Innsbruck * Bildung Kreuztabelle Gemeinderatswahl Innsbruck Gesamt Lis te für Innsbruck Anzahl % von Gemeinderatswahl Innsbruck % von Bildung ÖV P Anzahl % von Gemeinderatswahl Innsbruck % von Bildung SP Ö Anzahl % von Gemeinderatswahl Innsbruck % von Bildung Die Grünen Anzahl % von Gemeinderatswahl Innsbruck % von Bildung FP Ö Anzahl % von Gemeinderatswahl Innsbruck % von Bildung Lis te S oziales Inns bruc k Anzahl % von Gemeinderatswahl Innsbruck % von Bildung Freie Liste Anzahl % von Gemeinderatswahl Innsbruck % von Bildung (andere Lis te / Part ei) Anzahl % von Gemeinderatswahl Innsbruck % von Bildung Anzahl % von Gemeinderatswahl Innsbruck % von Bildung Bildung Pflichts ch. Matura/Uni/ /Lehre/ FS/ HS FHS/A kad. 64 35 Gesamt 99 64,6% 35,4% 100,0% 19,7% 75 17,9% 35 19,0% 110 68,2% 31,8% 100,0% 23,1% 72 17,9% 28 21,2% 100 72,0% 28,0% 100,0% 22,2% 43 14,4% 66 19,2% 109 39,4% 60,6% 100,0% 13,2% 13 33,8% 1 21,0% 14 92,9% 7,1% 100,0% 4,0% 8 ,5% 10 2,7% 18 44,4% 55,6% 100,0% 2,5% 13 5,1% 1 3,5% 14 92,9% 7,1% 100,0% 4,0% 37 ,5% 19 2,7% 56 66,1% 33,9% 100,0% 11,4% 325 9,7% 195 10,8% 520 62,5% 37,5% 100,0% 100,0% 100,0% 100,0% 43 Chi-Quadrat-Tests Wert Chi-Quadrat nach Pearson Likelihood-Quotient Zusammenhang linear-mit-linear Anzahl der gültigen Fälle 44,089 As ymptotisch e Signifikanz (2-seitig) df a 7 ,000 46,105 7 ,000 ,090 1 ,764 520 a. 0 Zellen (,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 5,25. Symm etri sche Ma ße W ert Nominal- bzgl. Nominalmaß Kontingenz koeffizient Anzahl der gültigen Fälle Näherung sweise Signifik anz ,280 ,000 520 a. Die Null-Hy phothes e wird nicht angenommen. b. Unter Annahme der Null-Hy phothes e wird der as ymptotische St andardfehler verwendet. Es kann festgestellt werden, daß zwischen der Variable Bildung und der Variable Parteipräferenz ein signifikanter Zusammen-hang besteht (Näherungsweise Signifikanz: sig=0.000; daher wird H0 verworfen!); der Kontingenzkoeffizient in der Höhe von 0,280 drückt die Stärke des Zusammenhangs aus. 44 Rangkorrelationskoeffizient nach Spearman: (-1 bis +1) Wenn man für ordinalskalierte Variable von den ursprünglichen xund y-Werten zu ihren Rängen übergeht, erhält man den Korrelationskoeffizienten nach Spearman. Dabei wird analog zum MannWhitney U-Test den Werten der x Variable aber auch den Werten der y Variable jeweils nach ihrer Ordnung ein Rangplatz zugeordnet und man erhält nun für jede Beobachtung sogenannte Messpaare. Zu x1 ≤ ........ ≤xn, als bereits geordnete Werte gilt rg (xi)=i, und zu y1 ≤ ........ ≤yn, als bereits geordnete Werte gilt rg (y i)=i; Sowohl innerhalb der x-Werte wie auch der y-Werte können identische Werte auftreten. Die Rangvergabe ist dann nicht eindeutig, so werden wie bereits bei der Vorgehensweise beim Mann-Whitney U-Test Durchschnittsränge berechnet. Die Berechnung des Korrelationskoeffizienten nach Spearman erfolgt über folgende allgemeine Formel: 6 d rSP= 1 - ; 2 i (n 2 1)n da jedoch häufig sogenannte Bindungen auftreten und daher eine diesbezügliche Korrektur angewendet werden muß (nach Bindungen korrigiert = corrected for ties), findet folgende korrigierte Formel ihre Anwendung: 6 d rSP corr. = 1 ; 2 i (n 2 1)n (T x´ T y´ ) wobei: di sind die Rangdifferenzen und n der Stichprobenumfang. Tx´ = 12 (t 3 xi´ t x´ ) i ; dadurch wird die Häufigkeit des Auftretens der gleichen Bewertungen berücksichtigt. 45 Analog dazu wird Ty´ berechnet. Gegeben sind zwei Variable:(Beurteilung: 1=sehr gut/2=gut/3=weniger gut) x....Beurteilung der derzeitigen politischen Situation in Innsbruck y....Beurteilung des Projekts Nordkettenbahn Die beiden Hypothesen lauten: H0: Zwischen der Beurteilung der politischen Situation und der Beurteilung des Nordkettenbahnprojekts besteht kein Zusammenhang. H1: Zwischen den beiden Variablen besteht ein Zusammenhang. X 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 Berechnung der Rangziffern Rg(xi) 1+2+3+4+5+6+7+8+9+10=55/10=5,5 11+12+13+14+15=65/5=13 16+17+18+19+20+21+22+23+24+25= = 205/10=20,5 Tx´ = 12 (t 3 xi´ t x´ ) i Y 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 1 2 2 2 3 3 3 3 3 3 Rg (yi) Rg (1) = 4 Rg(2) = 12,5 Rg(3) = 21,5 Berechnung der Rangdifferenzen (d) 5,5 – 4= 1,5 5,5 – 4= 1,5 5,5 – 4= 1,5 5,5 - 4 = 1,5 5,5 – 4= 1,5 5,5, - 4 = 1,5 5,5 - 12,5 = 7 5,5 - 12,5 = 7 5,5 - 12,5 = 7 5,5 - 12,5 = 7 13 – 12,5= 0,5 13 – 12,5= 0,5 13 – 12,5 = 0,5 13 – 21,5= 8,5 13 – 21,5 = 8,5 20,5 – 4 = 16,5 20,5 – 12,5= 8 20,5 – 12,5= 8 20,5 – 12,5= 8 20,5 – 21,5 = 1 20,5 – 21,5 = 1 20,5 – 21,5 = 1 20,5 – 21,5 = 1 20,5 – 21,5 = 1 20,5 – 21,5 = 1 Summe d2 2,25 2,25 2,25 2,25 2,25 2,25 49 49 49 49 0,25 0,25 0,25 72,25 72,25 272,25 64 64 64 1 1 1 1 1 1 825 =½*[(103-10)+(53-5)+(103-10)] = 1050 46 Ty´ = ½*[(73-7)+(103-10)+(83-8)] = 915 6 * 825 rSP corr. = 1 - (25 1)25 (1050 915 ) 2 =1- 4950 113635 = + 0,6369 Der Zusammenhang zwischen der Beurteilung der politischen Situation und der Beurteilung des Nordkettenbahnprojekts ist ein positiver Zusammenhang. Ob dieser Zusammenhang signifikant ist oder nicht kann über die z-Transformation mit anschließender Berechnung der Irrtumswahrscheinlichkeit (=Signifikanzniveau) geklärt werden: z=ż* n 3 , wobei ż als Korrelationsziffer bezeichnet wird und wie folgt zu berechnen ist: ż = ½*ln( 1 r ) = ½ * ln 1 0,6369 1 0,6369 daraus folgt: z = ż * n 3 = 0,753* 25 3 1 r = 0,753 = 3,532 Das Signifikanzniveau errechnet sich aus: z 2 x 1 1 2 e 2 d x 0.001229270561 z Da das Signifikanzniveau ≤0,05, nämlich exakt 0,00123 ist, kann die H0 verworfen werden und man kann behaupten, dass der Zusammenhang zwischen der Beurteilung der allgemeinen politischen 47 Situation und der Beurteilung des Nordkettenbahn- projekts statistisch signifikant ist. Die Stärke des Zusammenhang ist +0,637. Das heißt: je besser die politische Situation beurteilt werden, desto besser wird auch das Nordkettenbahnprojekt beurteilt. Das Statistikpaket SPSS liefert folgenden Output: Korrelationen Spearman-Rho Beurteilung der derzeitigen politisc hen Situation Beurteilung des Nordkettenbahnprojekts Beurteilung der derzeitigen Beurteilung des politisc hen Situation Nordkettenbahnprojekts Korrelationskoeffizient 1,000 ,637** Sig. (2-seitig) . ,001 N 25 25 Korrelationskoeffizient ,637** 1,000 Sig. (2-seitig) ,001 . N 25 25 **. Die Korrelation ist auf dem 0,01 Niveau signifikant (z weiseitig). Es kann festgestellt werden, daß zwischen der Variable Beurteilung der allgemeinen politischen Situation und der Beurteilung des Nordkettenbahnprojekts ein signifikanter Zusammenhang besteht (Näherungsweise Signifikanz: sig=0.001; daher wird H0 verworfen!); der Korrelationskoeffizient in der Höhe von +0,637 drückt die Stärke des Zusammenhangs aus. 48 Korrelationskoeffizient nach Pearson (-1 bis +1) Der Bravais-Pearson´sche Korrelationskoeffizient ist prinzipiell nur für metrische Variable geeignet; diese sollten zudem normal-verteilt sein. Ist diese Voraussetzung nicht gegeben so ist der Korrelationskoeffizient nach Spearman anzuwenden. Zur Berechnung des Korrelationskoeffizienten nach Pearson werden jeweils zwei metrische Variable einer Person erfasst und als sogenannte Wertepaare dargestellt. Zu jedem x1 ,......., xn, gibt es ein entsprechendes y1 ,.....,.yn; Der Zusammenhang zwischen den beiden metrischen Variablen kann, wie bereits beim Korrelationskoeffizient nach Spearman poisitiv (~+1), negativ (~ -1) bzw. annähernd Null sein. Im vorliegenden Beispiel wird der Zusammenhang bzw. die Stärke des Zusammenhangs zwischen dem Einkommen (x) und den Spenden für soziale Zwecke (y) berechnet. Die beiden Hypothesen lauten: H0: Zwischen dem Einkommen und den Spenden für soziale Zwecke besteht kein Zusammenhang. H1: Zwischen den beiden Variablen besteht ein Zusammenhang. Die Berechnung des Korrelationskoeffizienten nach Pearson erfolgt nach: n rP = [( x i x ) * ( y i y )] i 1 n (x i 1 n i x) 2 * (y i y) 2 i 1 49 [( xi x ) * ( y i y )] EINKOMMEN (x) SPENDEN (y) 1000,00 75,00 7540,00 1050,00 80,00 5040,00 1100,00 85,00 3040,00 1200,00 90,00 840,00 1250,00 100,00 40,00 1250,00 110,00 -60,00 1250,00 110,00 -60,00 1500,00 130,00 6240,00 1400,00 120,00 2240,00 1600,00 140,00 12240,00 Mittelwert(x)=1260 Mittelwert(y)=104 Summe=37100 rP = 37100 334000 * 4290 ( xi x ) 2 67600,00 44100,00 25600,00 3600,00 100,00 100,00 100,00 57600,00 19600,00 115600,0 Su=334000 ( yi y) 2 841,00 576,00 361,00 196,00 16,00 36,00 36,00 676,00 256,00 1296,00 Su=4290 = +0,98 Der Zusammenhang zwischen dem Einkommen und den Ausgaben für Spenden ist stark positiv und beträgt +0,98. Das heißt: je mehr jemand verdient, desto mehr ist er auch bereit für Geschenke auszugeben. Das Statistikpaket SPSS liefert folgenden Output: Korrelationen Einkommen Spenden Korrelation nach Pearson Signifikanz (2-s eitig) N Korrelation nach Pearson Signifikanz (2-s eitig) N Einkommen 1 Spenden ,980** ,000 10 10 ,980** 1 ,000 10 10 **. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig) signifikant. Es kann festgestellt werden, daß zwischen der Variable Einkommen und den Spenden für soziale Zwecke ein signifikanter Zusammenhang besteht (Näherungsweise Signifikanz: sig=0.000; daher wird H0 verworfen!); der Korrelationskoeffizient in der Höhe von +0,98 drückt die Stärke des Zusammenhangs aus. 50 Regressionsanalyse Durch die Regressionsanalyse soll der Zusammenhang zweier oder mehrerer Variable mathematisch erfasst werden. Ziel der Regressionsrechnung ist es dabei, Formeln zu finden, nach denen man bei Kenntnis des Wertes der einen Variablen den zu erwartenden Wert der anderen Variable bestimmen kann. Der Zusammenhang wird durch eine Regressionslinie am besten dargestellt. Lineare Einfachregression: Der Zusammenhang von zwei Variablen wird durch die lineare Funktion der Form: ŷi = α + βxi verdeutlicht. Gesucht wird also ein objektives Verfahren zur Ermittlung der ŷi = α + βxi mit der Steigung β und dem Geradengleichung Ordinatenabschnitt α. Dabei nennt man β auch den Regressionskoeffizienten. Das Vorzeichen drückt die Art des Zusammenhangs aus: Positiv: je mehr, desto mehr / je weniger, desto weniger Negativ: je mehr, desto weniger / je weniger, desto mehr Null: keine Richtung/Muster erkennbar. 51 Berechnung: n β= n n (x * y ) n * x * y 1 i i i i 1 i 1 n n x i 1 2 i i i 1 1 *( xi ) 2 n i 1 Der Ordinatenabschnitt bestimmt sich nach der Berechnung von β zu: α = y *x Gegeben sind das monatliche Einkommen und die Ausgaben für Geschenke pro Monat: ni 1 2 3 4 5 6 7 8 9 10 EK ( x) 1000,00 1050,00 1100,00 1200,00 1250,00 1250,00 1250,00 1500,00 1400,00 1600,00 AUSG (y) 75,00 80,00 85,00 90,00 100,00 110,00 110,00 130,00 120,00 140,00 Mittelwert Summe Durch Berechnung von α und β ergibt sich das Regressionsmodell für die jeweiligen Daten. 52 Die Regressionsgerade kann nach der angegebenen Methode immer berechnet werden. Sinnvoll ist ihre Berechnung aber nur dann, wenn der Zusammenhang zwischen den beiden betrachteten Variablen tatsächlich linear ist. Dies ist entweder aus der Erfahrung bekannt oder in der Regel aus dem optischen Eindruck des Korrelationsdiagramms ersichtlich. Die zu suchende Gerade erfüllt die Modellfunktion dann am besten, wenn die Summe der Abstände der Punkte außerhalb der Geraden zu dieser Geraden möglichst gering ist. Im geometrischen Sinn kann man die Abstände als euklidisches Differenzenquadrat auffassen. Es wird also eine Zielfunktion im Sinne der Methode der kleinsten Quadrate formuliert, wo die Quadratwerte minimal werden. Die Differenzen der beobachteten Werte zu den geschätzten Werten, werden als Residuen bezeichnet. Das sind jene Werte, deren Betrag möglichst gering sein sollte; ˆi yi yˆi 53 Die Differenz des geschätzten Wertes zum tatsächlich beobachteten Wert nennt man Residuum für den beobachteten Wert. Für die gesamten beobachteten Werte der Variable Ausgaben (AUSG) errechnen sich auf Grund des Regressionsmodells, d.h. die Erklärung der Ausgaben über die beeinflussende Variable Einkommen (EK) die Residuen. 54 Das Statistikpaket SPSS liefert folgenden Output: b Model lzusam menfassung Modell 1 R R-Quadrat ,980a ,961 Korrigiertes R-Quadrat ,956 St andardf ehler des Sc hätz ers 4,5964 a. Einfluß variablen : (Kons tant e), EK b. Abhängige Variable: AUSG Koeffi zientena Modell 1 (Konst ante) EK St andardi sierte Koeffiz ien ten Nicht s tandardisierte Koeffiz ient en St andardf B ehler -35,958 10,126 ,111 ,008 Beta ,980 T -3, 551 13,966 Signifik anz ,007 ,000 a. Abhängige Variable: AUSG 140,00 ausg = -35.96 + 0.11 * ek R-Quadrat = 0.96 Punkte/Linien zeigen Mittelw erte Lineare Regression ausg 120,00 100,00 80,00 1000,00 1200,00 1400,00 1600,00 ek 55 Multiple Regressionsanalyse An dieser Stelle wird ein Modell mit mehr als 2 Variablen behandelt; dieses bezeichnet man als multiples Regressionsmodell. Der Zusammenhang von drei Variablen (eine abhängige und 2 unabhängige Variable) wird durch die lineare Funktion der Form: ŷi = α + β1x1 + β2x2 , deren Graf eine Gerade ist, verdeutlicht. Gesucht wird also ein objektives Verfahren zur Ermittlung der ŷi = α + βixi mit der Steigung β und dem Geradengleichung Ordinatenabschnitt α. Dabei nennt man β auch die Regressionskoeffizienten. Das Vorzeichen drückt – wie bereits bei der linearen Einfachregression - die Art des Zusammenhangs aus: Positiv: je mehr, desto mehr / je weniger, desto weniger Negativ: je mehr, desto weniger / je weniger, desto mehr Null: keine Richtung/Muster erkennbar. 56 Beispiel: Es stellt sich dir Frage: Können die Ausgaben für Geschenke durch das Einkommen und durch das Alter erklärt werden bzw. welchen Einfluss haben als Gesamtmodell die Variablen Alter und Einkommen auf die Ausgaben für Geschenke? Folgende Ausgangsdaten sind gegeben: Einkommen (x1) 1000,00 1050,00 1100,00 1200,00 1250,00 1250,00 1250,00 1500,00 1400,00 1600,00 Ausgaben für Geschenke (y) 75,00 80,00 85,00 90,00 100,00 110,00 110,00 130,00 120,00 140,00 Alter (x2) 18,00 20,00 25,00 28,00 30,00 35,00 35,00 40,00 38,00 50,00 57 SPSS-Output: Modellzusammenfassung Modell R R-Quadrat ,989a 1 Korrigiertes R- Standardfehler Quadrat des Schätzers ,979 ,972 3,62576 a. Einflußvariablen : (Konstante), AGE, EK ANOVAb Mittel der Modell 1 Quadratsumme Regression Nicht standardisierte df Quadrate 4197,977 2 2098,988 92,023 7 13,146 4290,000 9 F Sig. 159,665 ,000a Residuen Gesamt a. Einflußvariablen : (Konstante), AGE, EK b. Abhängige Variable: AUSG Koeffizientena Standardisierte Nicht standardisierte Koeffizienten Modell 1 RegressionskoeffizientB (Konstante) EK AGE Koeffizienten Standardfehler Beta T Sig. 1,208 17,311 ,070 ,946 ,050 ,026 ,441 1,924 ,096 1,246 ,515 ,555 2,420 ,046 a. Abhängige Variable: AUSG 58 EXKURS: Beispiel einer Wählerstromanalyse Landtagswahl 2003 Im Rahmen der nachfolgenden Berechnungen beschäftigt man sich primär mit der Frage, welche Partei verlor Wähler wohin bzw. welche Partei gewann von welcher dazu und in welchem Umfang. Dies wird allgemein als Wählerstromanalyse bezeichnet. Es werden also qualitativ die Wählerbewegungen zwischen den einzelnen Parteien analysiert. Grundsätzlich stehen dem Wahlforscher zur Berechnung von Wählerstrommodellen zwei Analysemethoden unterschiedlichen Ansatzes zur Verfügung: Multiple Regressionsanalyse Wahltagsbefragungen/Exit Polls Im Rahmen der Multiplen Regressionsanalyse werden die Wahlresultate der vorhergehenden Wahl sowie der aktuellen Wahl auf Gemeindeebene als Ausgangspunkt zur Berechnung herangezogen. Die Gruppe der Nichtwähler pro Gemeinde wird defacto als eine eigene Partei angesehen und in der Analyse auch so behandelt. Da im allgemeinen die Gesamtzahl aller Gemeinden als zu inhomogen zu bezeichnen ist, werden in einem ersten Schritt einzelne Gemeindetypen oder Größenklassen definiert. Es können auch Gemeindetypen je nach Stärke der einzelnen Parteien konstruiert werden. Für all diese Typen werden jeweils multiple Regressionsmodelle berechnet, deren Ergebnisse für das gesamte Bundesland anschließend aufsummiert werden. Ein Problem, das sich bei der Anwendung der multiplen Regression ergeben kann ist, dass – die Berechnung erfolgt indem die Konstante im Modell unterdrückt wird – negative Regressionskoeffizienten oder Koeffizienten größer als 1 aufscheinen können. Um diesem Problem so weit als möglich zu entgegnen, werden wie bereits angeführt möglichst homogene Gemeindentypen vordefiniert. Sollten trotzdem Koeffizienten größer 1 oder negative Koeffizienten als Ergebnis berechnet werden, so kann man sich zumindest ein wenig damit helfen, dass man die Konfidenzintervalle der einzelnen Regressionskoeffizienten berücksichtigt. Trotz all der technisch-mathematischen Möglichkeiten muß das Ergebnis ständig einer Plausibilitätskontrolle unterzogen und wenn notwendig durch den Wahlforscher – basierend auf seinem politischen Verstand und Sachwissen – korrigiert werden. Trotz der Berücksichtigung aller Modelleinflußgrößen sind die Zahlen, welche 59 die Wählerströme darstellen keine exakten Werte sondern nur Schätzwerte, die in den Bereich „am wahrscheinlichsten“ zu deuten sind. Ausgangsbasis sind also die einzelnen absoluten Gemeindeergebnisse unter der Rahmenbedingung das es letztendlich die Ergebnisse der Landtagswahl 1999 und der Landtagswahl 2003 abzubilden gilt: Tabelle: Wählerströme LTW99 zu LTW03, in Tausend In Tausend ÖVP03 SPÖ03 FPÖ03 Grüne03 Sonst03 Nichtw03 Ergebnis99 ÖVP99 125 6 3 1 0 31 166 SPÖ99 1 61 1 4 0 9 76 FPÖ99 8 5 18 1 0 36 68 Grüne99 1 1 0 25 0 1 28 Sonst99 5 0*) 1 4 1 1 12 Nichtw99 3 2 0 8 1 110 124 Ergebnis03 143 75 23 43 2 188 *) Ein Null-Fluß bedeutet nicht, dass tatsächlich niemand, wie hier von den Sonstigen Parteien 1999 zur SPÖ 2003, gewandert ist, sondern eher, dass der tatsächliche Wählerstrom äußerst gering, am wahrscheinlichsten weniger als 1000 gewesen ist. Die interessantesten numerischen Ergebnisse dieser Wahl sind: Die zahlreichen Stimmerverluste der ÖVP und der FPÖ in das Lager der Nichtwähler (auch wegen der enorm geringen Wahlbeteiligung) Der nicht unbeträchtliche Anteil jener, die von FPÖ zu ÖVP gewandert sind (nahezu 10.000 Wähler) Die hohe Halterate der Grünen (ca.25.000 Grün-Wähler aus dem Jahre 1999 haben auch jetzt wieder Grün gewählt) Die nahezu gleich hohen Zugewinne der SPÖ von ÖVP und FPÖ Um die einzelnen Parameter zur Analyse der jeweiligen Wählerwanderungen berechnen zu können muß z.B. für die ÖVP in Tirol folgende Frage beantwortet: 60 In welchem Ausmaß wird das Ergebnis für die ÖVP-LTW03 durch die Stimmen für die ÖVP99, SPÖ99, FPÖ99, Grüne99, Sonstige99 und Nichtwähler99 erklärt und wie lauten die einzelnen Regressionskoeffizienten zur Berechnung der Wählerstimmen-verschiebungen. Vereinfacht dargestellt basiert der Wählerstrom zur ÖVP bei der Landtagswahl 2003 auf folgenden multiplen Regressionsmodell: a,b Ko effi zien ten Nic ht s tandardi siert e Koeffiz ienten Modell 1 VP 99 SP Ö99 Grüne99 FP Ö99 Sonst99 NW 99 B ,765 9,123E -03 3,021E -02 ,121 ,421 2,698E -02 St andardfehler ,014 ,030 ,152 ,041 ,348 ,029 95%-K onfidenz intervall für B Untergrenz e ,719 -,132 -,037 ,028 ,276 -,041 Obergrenze ,846 ,021 ,047 ,190 1,145 ,054 a. Abhängige Vari able: VP 03 b. Lineare Regres sion durc h den Ursprung Basierend auf obenstehendes Regressionsmodel werden nun die Wählerwanderungen durch folgende Regressionsgleichung erklärt: ÖVP03 = 0,76*VP99+0,01*SP99+0,12*FP99+0,03*Grüne99+0,42*Sonst99+0,027*NW99 Das sind 0,12*68000=ca.8.000 Stimmen von FP99 zu VP03 Das ergibt rund jene 125.000 Stimmen (siehe auch Tabelle xx), welche die ÖVP-Wähler der LTW99 auch bei der LTW03 der ÖVP gaben. Die Summer aller Quotienten führt zu: ÖVP03 = ca. 143.000 Stimmen für die ÖVP bei der Landtagswahl 2003 Werden nun die Regressionskoeffizienten jeweils mit den Stimmanteilen der Parteien von der Landtagswahl 1999 multipliziert so erhält man für die ÖVP zuerst die sogenannte Halterate, d.h. sie konnte aus dem Jahre 1999 124000 Wähler halten, sowie die Zugewinne von den anderen Parteien von 1999. Gleiches Verfahren wird anschließend für alle weiteren Parteien und die fiktive „Nichtwählerpartei“ angewendet. Analog zur ÖVP03 werden über die Regressionskoeffizienten und die Anteile aus dem Jahr 1999 die Wählerwanderungen 61 analysiert. Diese Vorgansweise führt zu den Wählerströmen, den Verschiebungen von den Stimmen aus dem Jahr 1999 zur Landtagswahl 2003, wie in obiger Tabelle dargestellt. Prozentuell ergeben sich daher folgende Wählerwanderungen für die einzelnen Parteien der Landtagswahl 1999: Tabelle: Wählerwanderungen von der LTW99 zur LTW03, in Prozent VP03 SP03 FP03 Grün03 Sonst03 NW03 Gesamt ÖVP99 75 4 2 1 0 19 100% SPÖ99 . . . . . . . FPÖ99 . . . . . . . Grüne99 . . . . . . . Sonst99 . . . . . . . NW99 . . . . . . Zur Interpretation: Von den Wählern, die bei der Landtagswahl 1999 die ÖVP wählten, haben 75% auch bei der Landtagswahl 2003 die ÖVP gewählt, 4% die SPÖ, 2% die FPÖ, 1% die Grünen und fast 20% sind in das Lager der Nichtwähler abgewandert. Analog dazu werden die prozentuellen Ergebnisse für die anderen Parteien interpretiert. 62 Der zweite, wenngleich etwas eingeschränktere Ansatz basiert auf einer Wahltagsbefragung bzw. Exit Poll. Im Rahmen dieser Erhebung werden die Wähler am Wahltag beim Verlassen der Wahllokale, oder in etwas modifizierter Form telephonisch – CATI gestützt – nach ihrem Abstimmungsverhalten von „heute“ und jenem bei der letzten Landtagswahl befragt. Nicht erfasst werden bei dieser Form der Wählerstromanalysen die derzeitigen Nichtwähler. Die ÖVP-Wähler der Landtagswahl 2003 in Tirol setzen sich wie folgt zusammen: o ÖVP-Wähler LTW99 87% o SPÖ-Wähler LTW99 1% o FPÖ-Wähler LTW99 6% o Grün-Wähler LTW99 1% o Sonstige-Wähler LTW99 3% o Nichtwähler LTW99 2% Das heißt, dass von den Wählern der ÖVP bei dieser Landtagswahl 2003 auch 87% bei der letzten Landtagswahl 1999 auch die ÖVP gewählt haben. Dies kann auch als Indiz dafür gewertet werden, dass die ÖVP kaum „Neues“ mobilisiert und nicht in der Lage ist anderen Parteien Wähler abzuwerben. Die SPÖ-Wähler der Landtagswahl 2003 in Tirol setzen sich wie folgt zusammen: o SPÖ-Wähler LTW99 81% o ÖVP-Wähler LTW99 8% o FPÖ-Wähler LTW99 7% o Grün-Wähler LTW99 1% o Sonstige-Wähler LTW99 0% o Nichtwähler LTW99 3% Analog für die restlichen Parteien....... 63
