Multivariate Datenanalyse: Am Beispiel des statistischen Programmpakets SPSS

1: Einleitung.- 1.1 Multivariate Datensätze.- 1.2 Analyseverfahren.- 1.3 Datenanalyse in SPSS.- 1.4 Data Mining.- I: Explorative Verfahren: Interdependenzverfahren.- 2: Clusteranalyse.- 3: Hauptkomponentenanalyse.- Exkurs A: Korrespondenzanalyse.- 4: Multidimensionale Skalierung.- II: Explorative Verfahren: Dependenzveifahren.- 5: Faktorenanalyse.- 6: Diskriminanzanalyse.- 7: Kanonische Korrelationsanalyse.- III: Konfirmatorische Verfahren: Einstichprobenverfahren.- 8: Multivariate Regressionsanalyse.- Exkurs B: Conjointanalyse.- 9: Analyse simultaner Strukturgleichungen.- IV: Konfirmatorische Verfahren: Mehrstichprobenverfahren.- 10: Multivariate Varianz- und Kovarianzanalyse.

Dr. Gerhard Kockläuner ist Professor für Mathematik und Statistik am FB Wirtschaft der FH Kiel. Seine Arbeitsschwerpunkte sind explorative Datenanalyse, Messung von Entwicklung bzw. Unterentwicklung sowie Input-Output-Analyse.

Multivariate Datenanalysen untersuchen Datensätze mit Beobachtungen von in der Regel drei oder mehr Variablen. Die jeweiligen Analyseverfahren sind Interdependenz- oder Dependenzverfahren. Dependenzverfahren erfordern mindestens zwei abhängige Variablen. Die "Multivariate Datenanalyse" stellt diese Verfahren am Beispiel eines einheitlichen Datensatzes vor. Alle Anwendungen nutzen Prozeduren des statistischen Programmpakets SPSS.
Im einzelnen unterscheidet die "Multivariate Datenanlyse" zwischen explorativen und konfirmatorischen Verfahren.
Alle Verfahren werden in einer einheitlichen Darstellungsform präsentiert. So wird vom Ziel über Daten, Vorbereitung und
Modell zum eigentlichen statischen Verfahren vorangeschritten. Anschließend wird jeweils mit Hilfe des statistischen Programmpakets SPSS ein Beispiel vorgestellt, dessen Interpretation das jeweilige Kapitel abschließt.

Software-orientierte explorative Analyse multivariater Datensätze