Herzlich willkommen beim 1. Workshop der AG Methodik Clusteranalyse

Ziele der AG Methodik Methoden transparent machen; starker Praxisbezug mit vielen Beispiele aus dem Bereich der Städtestatistik Vermittlung der Ergebnisse in Form von Handlungsschritten (von den Voraussetzungen bis zu Ergebnissen und Präsentation), Leitfaden, Hilfe zur Selbsthilfe, Alternativen darstellen Erfahrungsaustausch, Kooperationen; Vernetzung, z. B. mit Verbänden, Universitäten Konstituierende Sitzung der AG Methodik: Juli letzen Jahres Heute: unsere erster Workshop zu einem städtestatistisch relevanten Methodenthema.

Kriterien zur Auswahl der Themen Aufwand Informations- gewinn Interpretation Nachvollzieh- barkeit Darstell- barkeit Komplexität

Multivariate Analysemethoden Strukturprüfende Verfahren Primäres Ziel: Überprüfung von Zusammenhängen zwischen Variablen Voraussetzung: Anwender hat konkrete Vorstellung über die Zusammenhänge und möchte diese überprüfen Beispiele: Regressionsanalyse Varianzanalyse Diskriminanzanalyse Conjoint Measurement Kontingenzanalyse Logistische Regression Strukturgleichungsmodelle Ziel: Kausalanalyse: wie stark sich z.B. Wetter, Boden, Dünger auf den Ernteertrag auswirken. Regression: Beziehung wird quantifiziert! Beschreibung und Erklärung von Zusammenhängen Durchführung von Prognosen Einsatz bei: Wirkungsbeziehungen zwischen einer abhängigen und einer/mehrerer unabhängigen Variablen untersuchen Bsp: Wie ist die Absatzmenge eines Produkts (abh. Von Preis, Werbeetat,...) Prognose (what-if-)Analyse: d.h., was passiert, wenn Preise steigen? Var: abh. Und unabh. Haben metrisches Niveau Oder Dummy-Technik: auch qualitative Variablen einbeziehen (q=1, falls Farbe rot; 0 sonst) bei unabh. Var. Diskriminanzanalyse: Abh. Var: nominal (identif. Gruppenzugehörigkeit) Unabh. Var: metrisch (beschreibt Gruppenelement) Analyse von Gruppenunterschieden: ob/wie unterscheiden sich die Wähler der verschiedenen Parteien hinsichtlich demografischer Merkmale. Erg: Klassifizierung von Elementen (inkl. Prognose), z.B. Kreditwürdigungsprüfung (Einstufung von Bankkonten in Risikogruppen) Conjoint Measurement: Abh. Var: ordinal Anwendung: ordinal gemessene Präferenzen analysieren. Ziel: Beitrag einzelner Merkmale von Produkten oder Objekten zum Gesamtnutzen dieser Objekte herauszufinden.

Strukturprüfende Verfahren Unabhängige Variablen Skalen- niveau metrisch nominal Regression Varianzanalyse Regression mit Dummies Diskriminanz- analyse Logistische Regression Kontingenz- analyse Abhängige Variablen Varianzanalyse: Unabh. Var.: nominal Abh. Var: metrisch Bsp: Analyse von Experimenten (Abh: Farbe der Verpackung auf Absatzmenge) Kontingenzanalyse: Unabh. Und abh. Var: nominal (bei mehreren nominalen unabh. Var: Logit-Analyse) z.B. Frage von Zusammenhang zwischen Rauchen (j/n) und Lungenkrebs (j/n) Überprüfung erfolgt in Form von Kontingenztabellen. Logistische Regression: Ähnl. Der Diskriminanzanalyse: Wahrscheinlichkeit der Zugehörigkeit zu einer Gruppe in Abhängigkeit von einer/mehreren unabh. Variablen (nominal oder metrisch) Bsp: Herzinfarktrisiko in Abh. Von Alter und Geschlecht... Strukturgleichungsmodelle: Bei hypothet. Konstrukten (latente Var.), d.h. mit nicht-beobachtbaren Var. Bsp: psychol Konstruke wie Einstellung, Motivation; soz. Konstr. Wie Kultur, soz. Schicht Beziehung zwischen mehreren abh. Variablen mit mehrstufigen Kausalbez. Und Mit latenten Variablen überprüft werden

Multivariate Analysemethoden Strukturentdeckende Verfahren Primäres Ziel: Entdeckung von Zusammenhängen zwischen Variablen oder Objekten Zu Beginn: keine Vorstellung, welche Beziehungszusammen- hänge in einem Datensatz liegen Keine Einteilung in abhängige / unabhängige Variablen. Beispiele: Clusteranalyse Faktorenanalyse Multidimensionale Skalierung Korrespondenzanalyse Neuronale Netze

Strukturentdeckende Verfahren Faktorenanalyse: Situation: im Rahmen einer Erhebung wurden viele Variablen zu einer bestimmten Fragestellung erhoben Ziel: Bündelung der Variablen bzw. Reduktion (lassen sich die vielen erhobenen Variablen auf einige wenige zurückführen?)

Strukturentdeckende Verfahren Clusteranalyse: Ziel: Objekte zu Gruppen (Clustern) zusammenfassen, so dass die Objekte einer Gruppe möglichst ähnlich und die Gruppen untereinander möglichst unähnlich sind Beispiel: Bildung von Persönlichkeitstypen auf Basis der psychografischen Merkmale von Personen Zur Überprüfung der Ergebnisse der Clusteranalyse: Diskriminanzanalyse (untersucht, inwieweit bestimmte Variablen zur Unterscheidung zwischen den gebildeten Gruppen beitragen) Faktorenanalyse: Bündelung, Verdichtung von Variablen Clusteranalyse: Bündelung von Objekten

Strukturentdeckende Verfahren Multidimensionale Skalierung (MDS): Ziel: Positionierung von Objekten im Wahrnehmungsraum von Personen, dabei werden nur wahrgenommene globale Ähnlichkeiten zwischen Objekten erhoben Korrespondenzanalyse: Ziel: dient zur Visualisierung komplexer Daten (Marktforschung), spez. bei nominalen Merkmalen Neuronale Netze: Ziel: Klassifikation von Objekten, Prognose von Zuständen, Probleme der Gruppenbildung