Internet Publikation für Allgemeine und Integrative Psychotherapie
    (ISSN 1430-6972)
    IP-GIPT DAS=17.04.2013 Internet-Erstausgabe, letzte Änderung: 02.06.15
    Impressum: Diplom-Psychologe Dr. phil. Rudolf Sponsel   Stubenlohstr. 20    D-91052 Erlangen
    Mail: sekretariat@sgipt.org. _ Zitierung & Copyright
    Anfang Korrelation & Kausalität _ Überblick  _ Relativ Aktuelles  _ Rel. Beständiges  _ Titelblatt  _ Konzept  Archiv  _ Region _ Service iec-verlag _Wichtige Hinweise zu Links und Empfehlungen

    Willkommen in unserer Internet-Publikation für Allgemeine und integrative Psychotherapie, Abteilung Wissenschaft, Bereich Statistische Methoden, und hier speziell zum Thema:

    Korrelation und Kausalität - Modelle und Methoden
    Ursachen und Wirkungen in Korrelationsmatrizen mit
    Eigenwert- und Fast-Kollinearitätsanalysen auf die Spur kommen.

    von Rudolf Sponsel, Erlangen
    _

    Inhaltsübersicht
    Abstract - Zusammenfassung - Summary * Ergebnis
    Allgemeines Grundmodell Kausalität ohne Wechselwirkungen.
    Beweis für die Zulässigkeit der Korrelation als Kausalrelation.
    Analyse der 20 Korrelationsmatrizen der 3 Bde. Korrelation und Kausalität.
      Übersicht der Ergebnisse der 20 Korrelationsmatrix-Analysen
         M01 Statusvariablen und Vorhersage des Berufserfolgs.
         M02 Messung und Analyse der nationalen Entwicklung. 
         M03 Bevölkerungsdichte  Tabelle l  Korrelationsmatrix der Logarithmen.
         M04 Korrelationen eines synthetischen Kohorten-Modells der Berufskarriere
         M05 Synthetisches Kohorten-Modell der Berufskarriere. 
         M06 Männer: Soziale Herkunft Aspirationsniveau und Schulerfolg.
         M07 Frauen: Soziale Herkunft Aspirationsniveau und Schulerfolg.
         M08 Farm:  Ausbildungsprozeß und frühe Berufskarriere.
         M09 Dorf: Ausbildungsprozeß und frühe Berufskarriere.
         M10 Kleinstadt: Ausbildungsprozeß und frühe Berufskarriere.
         M11 Mittelstadt: Ausbildungsprozeß und frühe Berufskarriere.
         M12 Großstadt: Ausbildungsprozeß und frühe Berufskarriere.
         M13 Alle (Total) Ausbildungsprozeß und frühe Berufskarriere.
         M14 Korrelationen zwischen Statusvariablen bei unterschiedlicher 
                  Operationalisierung von Ausbildung
         M15 Status mit Weiterbildung.
         M16 Status mit Weiterbildung.
         M17 Korrelationen Status alle aus Bildung und Mobilitätsprozeß
         M18 Korrelationen Status alle der Schichten 1-4 aus Bildung und Mobilitätsprozeß
         M19 Beobachtete Korrelationen - Einflüsse der Peers auf das Anspruchsniveau
         M20 Synthetische Korrelationen aus M19 - Einflüsse der Peers auf das Anspruchsniveau
    Vorschläge für Orientierungsregeln für die Kausalinterpretation.
    Glossar, Endnoten, Anmerkungen
        Stichworte: Abstract (1994) Numerisch instabile Matrizen und Kollinearität in der Psychologie  * 
        Aspirationsniveau  *  Bedingungsanalyse  * Dependenzanalyse  * 
        Dissertationsfazit (methodologisch)  *  Erkenntnisse: 1984, 1994, 1995, 2002, 2005, 2013  *
        Orig Sewell et al.  *  Pfadanalyse  * T heorie und Annahmen (Pfadanalyse)  * 
        Ursache und Wirkung  *
    Literatur  *  Links  *  Querverweise  *  Zitierung & Copyright  *  Änderungen  * 


    Abstract - Zusammenfassung - Summary

    Das Kausalitätsproblem spielt in der Wissenschaft und im Leben eine überragende Rolle. Was steckt dahinter, wodurch kommt etwas zustande, was hat dieses und jenes für Wirkungen? Das ist die klassische Frage, die sich uns allen tagtäglich auf vielen Ebenen stellt. Leider sind viele PsychologInnen und MedizinerInnen auf die Signifikanzstatistik fixiert, die für inhaltliche Erkenntnisse weitgehend bedeutungslos ist und lediglich eine Inflation nichtssagender Forschungsergebnisse hervorbringt, die niemand so recht gebrauchen kann und womit sich in der Praxis so gut wie nichts anfangen lässt. Eine mutige und erfreuliche Ausnahme bildeten einige Soziologen, die sich sogar trauten, 3 Bde. zum Thema Korrelation und Kausalität 1976 herauszugeben. In Anerkennung dieser Leistung gegen den statistischen Zeitgeist, habe ich 20 Korrelationsmatrizen aus diesem Werk hier auf Fast-Kollinearität analysiert. Hierbei wurden auch hilfsweise multiple und kanonische Korrelationsanalysen herangezogen .In der Hauptsache will diese Arbeit die Ergebnisse meiner Erkenntnisse (1984, 1994, 1995, 2002, 2005)  und nun 2013 mit der Anwendung auf das Thema Korrelation und Kausalität zu einem vorläufigen Abschluss bringen. Das letzte Kapitel zur Korrelation wird der Entwicklung eines Modells zur Konstruktion der relevanten Merkmalsräume - mit denen ich mich auch schon seit 30 Jahren immer wieder beschäftige - gewidmet sein.
     

    1. Ausarbeitung eines allgemeinen Grundmodells mit verschiedenen Spezifikationen zu möglichen Zusammenhängen zwischen Korrelation und Kausalität.
    2. Beweis durch Konstruktion (Modellbildung oder Beispiel) für die Zulässigkeit der Korrelation als Kausalrelation.
    3. Korrelationsmatrizen können, wie mit Beweis über die Konstruktion eines Beispiels (Modellbildung) gezeigt wurde, jederzeit kausale Beziehungen enthalten. Solche können stets mit Hilfe der Eigenwert- und Fast-Kollinearitätsanalyse entdeckt werden, wenn eine Fast-Kollinearität gefunden wird, die nicht artefiziell oder fehlerbedingt ist, und damit eine volle Kausalität zwischen den Variablen anzeigt. Schwer bis möglicherweise gar nicht auffindbar sind teilweise Kausalitätsbeziehungen, wenn sie sich nicht in Fast-Kollinearitäten ausdrücken.
    4. Die praktische Anwendung der Eigenwert- und Fast-Kollinearitätsanalyse wird an den 20 Korrelationsmatrizen aus den 3 Bden. Korrelation und Kausalität (1976) gezeigt:
    5. Es werden für die Kausalinterpretationen von Korrelationen Orientierungsregeln vorgeschlagen. Die wichtigsten sind:
      1. dass es erstens einer Theorie der Kausalkette auf Erfahrungsbasis bedarf, um die Zusammenhänge der Relationen zu begründen.
      2. dass wesentliche Teile des relevanten Merkmalsraums bekannt sind und erfasst wurden (> Pfadanalyse Bedingung).
      3. dass Wiederholungen (Panelstudien) Relationentreue zeigen.
    _

    Tabelle 1  Allgemeines Grundmodell Kausalität ohne Wechselwirkungen
    Im Prinzip werden nach diesem Ansatz ohne Wechselwirkungen  8 Modelle mit je 5 Variablenklassen unterschieden

    Im Alltag, besonders im zwischenmenschlichen Beziehungsleben gibt es vielfältige Wechselwirkungen. Kausalität hat hier oft nicht nur eine Richtung. In einem umfassenderen Modell, das besonders für Kommunikation und zwischenmenschliche Beziehungen geeignet sein soll, erscheinen entsprechende Wechselwirkungsmodelle erstrebenswert. Damit würden sich die Modellkomponenten von 8 auf 16 für das Wechselwirkungs-Grundmodell verdoppeln, indem jeweils die Möglichkeit mit oder ohne Wechselwirkung hinzugenommen wird.
     
    Weitere anschauliche Beispiele hier:"
    1.  Variable x verursacht Variable y.
    2.  Variable y verursacht Variable x.
    3.  Die beiden Variablen x und y verur- 
         sachen sich gegenseitig.
    4.  Die beiden Variablen x und y werden 
         von einer Drittvariablen z verursacht.
    5.  Variable x verursacht Variable y und 
         die beiden Variablen werden außerdem 
         von einer Drittvariablen z verursacht.
    6.  Variable y verursacht Variable x und 
         die beiden Variablen werden außerdem 
         von einer Drittvariablen z verursacht.
    7.  Die beiden Variablen x und y verur- 
         sachen sich gegenseitig. Außerdem 
         werden die beiden Variablen von einer 
         Drittvariablen z verursacht."

    Zur Analyse kausaler Beziehungen sind eine ganze Reihe bekannter Methoden nützlich: Auf die einfache, multiple, partielle und kanonische Korrelations- und Pfadanalyse sei hingewiesen. Hier wird der Eigenwert- und Kollinearitäts-Analyse-Ansatz verwendet: wenn es in der Korrelationsmatrix fast-funktionale Abhängigkeiten gibt, dann zeigt sich dies u.a. in fast-linearen Abhängigkeiten und diese wiederum in "kleinen" Eigenwerten, operational < 0.20.


    Beweis für die Zulässigkeit der Korrelation als Kausalrelation

    Beweisidee: Es wird ein Datensatz konstruiert, bei dem drei Variable V1, V2, V3 eine vierte V4 determinieren, ein fünfte V5 ist unabhängig. Dadurch wird bis auf höchstens kleine Rundungsfehler die Korrelationsmatrix eine Kollinearität - also einen Eigenwert ist 0 - enthalten, die genau die lineare Abhängigkeit der V4 von V1, V2 und V3 ausdrückt. Danach wird zunächst jeweils eine der drei determinierenden Variablen, also erst V1, dann V2 und schließlich V3  herausgenommen. Die jeweils zwei verbleibenden sind dann teildeterminierende Variablen für V4. Der kleinste Eigenwert steigt, weil die Kollinearität verschwunden ist. Das lässt sich noch deutlicher zeigen, wenn jeweils zwei der determinierenden Variablen herausgenommen werden, also V1 und V2, V1 und V3, V2 und V3.
        Die kanonische Korrelation zwischen V1, V2, V3 mit V4 sollte 1 sein.

    Tabellen 2: Konstruierter Rohdatensatz mit einer Kausalbeziehung, Eigenwert- und Fast-Kollinearitätsanalysen
     
    _

    Anmerkung: 
    Man erhält hier aufgrund der "reinen" Konstruktion eine perfekt kollineare Matrix. In der Praxis hat man gewöhnlich nur fast-kollineare Fälle, weil Meßfehler und Störgrößen den sog. "reinen" Fall fast immer ausschließen. 



    Analyse der 20 Korrelationsmatrizen der 3 Bde. Korrelation und Kausalität (1976)

    Im folgenden geht es nur insoweit um soziologische Theorien und ihre Begriffsbildung als unbedingt nötig ist, um die Korrelationsmatrizen zu verstehen. Im Band 1 werden die Theorie und Annahmen ausgeführt. Bei der Durchsicht der drei Bände Korrelation und Kausalität sind mir 20 Korrelationsmatrizen aufgefallen, deren Analyse im folgenden vorgestellt wird. Hier zunächst eine Übersicht der Ergebnisse:



    M01 Statusvariablen und Vorhersage des Berufserfolgs
    Hummell, Hans J. &  Ziegler, Rolf (1976, Hrsg.) Einleitung: Zur Verwendung linearer Modelle bei der Kausalanalyse nicht-experimenteller Daten. In (E1-E137) H&Z Bd. 1, Kap E.

    Die Autoren erläutern auf S. E6f: "Das folgende, der Mobilitätsforschung entnommene Beispiel dürfte für eine Vielzahl empirischer sozialwissenschaftlicher Untersuchungen typisch sein (P. M. Blau und O. D, Duncan 1967; vgl. u. Kap. 14 - 16): In einer für die Gesamtbevölkerung der USA im Jahre 1962 repräsentativen Stichprobe (Umfang ca. 20.000) wurden u. a. folgende fünf Statusvariablen erhoben: X1 Berufsposition im Jahre 1962; X2 Erster ausgeübter Beruf bei Beginn der Erwerbstätigkeit; X3 Ausmaß der eigenen formalen Bildung; X4 Berufsposition des Vaters bei Beginn der eigenen Erwerbstätigkeit; X5 Ausmaß der formalen Bildung des Vaters. (Alle fünf Merkmale können als metrisch angesehen werden. Der Berufsstatus wird in Prestigewerten zwischen 0 und 96 und das Ausbildungsniveau im wesentlichen durch die Zahl der Jahre gemessen, während der man eine Ausbildungsinstitution besucht hat.)
    Ziel der angeführten Untersuchung ist es, den Berufserfolg zur Zeit der Untersuchung (X1) bzw. zu Beginn der Berufskarriere (X2) aufgrund der Kenntnis der anderen Variablen zu prognostizieren bzw. herauszufinden, in welchem Ausmaß der Berufserfolg durch diese anderen Faktoren beeinflußt wird - wieweit also in der gegebenen Untersuchungsgesamtheit die Lebenschancen in [>E7] Hierarchien institutionalisierter Ungleichheiten durch die ökonomische Lage - indiziert durch den Vaterberuf - und durch bestimmte erworbene Fähigkeiten - indiziert durch das Ausmaß formaler Bildung - determiniert werden."

    M01 Eigenwerte der Korrelationsmatrix Statusvariablen und Vorhersage des Berufserfolgs

    Die Eigenwert- und Fast-Kollinearitätsanalyse zeigt sofort, dass die Matrix keine Fast-Kollinearität (mindestens ein Eigenwert < 0.20) enthält und damit keine lineare Fast-Abhängigkeit. Mit der Vorhersage wird es daher nicht allzu gut bestellt sein.

        Aufgrund der Hypothese der Autoren bietet sich eine kanonische Korrelationsanalyse zwischen Variablen [1,2] und [3,4,5] an. Die Rechnung ergab einen totalen kanonischen Korrelationskoeffizienten von rkan= 0.681258.
    Ergebnis und Interpretation M01  Der Determinationskoeffizient, also das Quadrat des Korrelationskoeffizienten, gibt den prozentualen Anteil der Streuung an, die hierdurch aufgeklärt wird. Das sind hier "nur" 46,4 %. Das heißt, die drei Variablen Ausmaß eigener formaler Bildung, Berufsposition des Vaters zu Beginn der eigenen Erwerbstätigkeit und der Ausprägung der formalen Bildung des Vaters erklären noch nicht die Hälfte der Streuung. D.h. es muss noch - mindestens eine - beachtliche andere Variable geben. Aber auch das kann ein wichtiges Ergebnis einer korrelativen Kausalanalyse sein.


    M02  Messung und Analyse der nationalen Entwicklung  (Bd. 2, S. 121)
    Cutright, Phillips  (dt. 1976) Messung und Analyse der nationalen politischen Entwicklung. In (111-128) H&Z Bd. 2, Kap 7.

    M02  Eigenwerte der Korrelationsmatrix  Messung und Analyse der nationalen Entwicklung

    Die Matrix sieht zwar aus wie eine (phänotypische), ist aber keine (genotypische) Korrelationsmatrix, weil sie einen extrem hohen negativen Eigenwert von -.7875 enthält. Eine Korrelationsmatrix muss bis auf kleine Rundungsfehler positiv semidefinit sein, darf also keinen negativen Eigenwert haben. Weil ich den Wert nicht glauben konnte, habe ich die Matrix zusammen mit meiner Frau zig-mal überprüft. Wir fanden in der Übertragung keinen Fehler und die Programme haben auch keinen gemacht. Also ist klar, hier muss in extremer Weise in die Matrixbildung eingegriffen worden sein. Das ist auch der Fall, wie ein Blick in die Beschreibung der Untersuchung zeigt (letzter Absatz): die Verwendung dieser Schätzwerte für missing data ist für die Korrelationsmatrix tödlich, denn sie hat damit aufgehört als eine solche zu existieren. Weil das Beispiel so lehrreich ist, finde ich es besonders wichtig.



    M03 Bevölkerungsdichte  Tabelle l  Korrelationsmatrix der Logarithmen von Bevölkerungsdichte und deren Komponenten mit zwei unabhängigen Variablen: 74 Bezirke von Chicago im Jahre 1940.
    Duncan, Otis Dudley (dt. 1976) Die Pfadanalyse: soziologische Beispiele In (182-204) H&Z Bd. 2, Kap 11.

    M03  Eigenwerte der Korrelationsmatrix  Bevölkerungsdichte und ihre Komponenten



    M04 Tabelle 2 Beobachtete und geschätzte (*) Korrelationen eines synthetischen Kohorten-Modells der Berufskarriere  (Bd. 2, S. 203 )
    Duncan, Otis Dudley (dt. 1976) Die Pfadanalyse: soziologische Beispiele In (182-204) H&Z Bd. 2, Kap 11.

    Der Generalfaktor, der hier 72.95% der Varianz "aufklärt", ist den Daten nach der Berufsstatus. Aufgrund des kleinsten Eigenwertes von 0.1198 ist eine genauere Fast-Kollinearitätsanalyse sinnvoll. Da die Matrix sehr klein ist, sind auch ganz schnell alle Partitionen bestimmt. Es wurde auf kleinster Ebene zwischen der Variable 3 und 4 ein Eigenwert < 0.20 gefunden. Die Eigenwertanalyse zwischen Variable 3 und und 4 ergab die Eigenwerte: 1.866,  0.134. Das konnte man aufgrund der Korrelationsmatrix bzw. der multiplen Korrelationen vermuten (was aber nicht immer der Fall ist).
    Ergebnisinterpretation in Worten: Der Berufsstatus der Altersklasse 55-64 ist von der Altersklasse 45-54 fast linear abhängig.


     



    M05  Synthetisches Kohorten-Modell der Berufskarriere
    Boyle, Richard P. (dt. 1976) Pfadanalyse und Ordinalskalen. In (236-255) H&Z Bd. 2, Kap 13.

    Zum Hintergrund: S. 242: "FN4 Millers ursprüngliche Hypothese (a.a.O., S. 757) bezog sich sowohl auf die Existenz von bivariaten Beziehungen als auch von entsprechenden Interaktionseffekten. Er nahm z.B. an, daß die Beziehungen bei Promovierten und bei Naturwissenschaftlern stärker sind als bei Diplomierten und Ingenieuren, Während die Ergebnisse zwar diese Interaktionshypothese generell stützten, konnten ausgeprägte Interaktionseffekte nur bei einem Vergleich von Naturwissenschaftlern und Ingenieuren im Hinblick auf das Vorgesetztenverhalten und die Förderung wissenschaftlicher Tätigkeiten durch die Firma festgestellt werden. Das wirft ein besonderes Problem auf, da bei einer Pfadanalyse nur additive Effekte angenommen werden. Dass dennoch hier ein additives Modell verwendet werden soll, kann man auf dreierlei Weise rechtfertigen. Erstens: Die Komplikationen bei der Variablen „Führungsstil" traten nur bei einem Vergleich zwischen „partizipatorischem" und „Laissez-faire"-Führungsstil auf . Diese Unterscheidung wird jedoch bei der Einführung von Indikatorvariablen und effektproportionalen Skalen aufgehoben. Zweitens: Obwohl bei der Variablen "wissenschaftliche Förderung durch die Firma" Interaktionseffekte berücksichtigt werden sollten, sind diese so gering, daß ihr Wegfall keinen großen Unterschied machen dürfte. Drittens: Das additive Modell führt im wesentlichen zu den gleichen Interpretationen, und da wir außerdem die Analyse nur zum Zwecke der Illustration durchführen, würde ein Pfadmodell mit Interaktionseffekten nur eine Komplizierung bedeuten."

    Wie man sieht, gibt es keine Fast-Kollinearität für das Kriterium kleinster Eigenwert < 0.20 und, was dazu passt, der größte multiple Korrelationskoeffizient ist mit 0.7431 bei Variable 5 (Arbeitsbedingungen) auch nicht besonders hoch.



    M06 Männer: Soziale Herkunft Aspirationsniveau und Schulerfolg
    Sewell, William H. &  Shah, Vimal P. (dt. 1976) Soziale Herkunft Aspirationsniveau und Schulerfolg. In (256-275) H&Z Bd. 2, Kap 14.

    Die Variablen im Datenmaterial, S. 259f:
    "(Sechs) Variablen werden in diesem Artikel verwendet, (...) von denen die ersten vier 1957 erhoben wurden, während die Information über das erreichte Ausbildungsniveau aus der Zweitbefragung von 1964 stammt.
        Die Variable 'sozioökonomischer Status' (X1) ist eine gewichtete Kombination des Vaterberufes, der Schulbildung des Vaters und der Mutter, der voraussichtlichen Höhe der finanziellen Unterstützung des Kindes im Falle eines Studiums, des Ausmaßes der dadurch verursachten Belastung für die Familie sowie des Vermögens- und Einkommensstandes der Familie. (...)
        Die Variable 'Intelligenz' (X2) basiert auf den Ergebnissen des „ Henmon-Nelson Test of Mental Maturity", der jedes Jahr in allen junior high schools von Wisconsin durchgeführt wird. (...)
        Die Variable 'College Pläne' (X3) beruht auf der erklärten Absicht des Schülers in der senior-Klasse, sich an einem College oder [>260] einer Universität zu immatrikulieren, die einen akademischen Grad verleihen oder deren Leistungsnachweise von der Universität von Wisconsin anerkannt werden.
        Die Variable 'College-Besuch' (X4) zeigt an, daß der Student zwischen 1957 und 1964 an einem solchen College oder einer solchen Universität immatrikuliert war. Dabei werden sowohl die graduierten als auch diejenigen Studenten berücksichtigt, die noch keinen B.A. erworben haben.
        Die Variable 'College-Abschluß' (X5) beinhaltet, daß der Student einen B.A. erworben hat,
        Die Variable 'erreichtes Ausbildungsniveau' (X6), die nur bei der Pfadanalyse verwendet wird, (...) besitzt folgende Ausprägungen: kein Collegebesuch (0), Collegebesuch ohne Examen (1), Collegebesuch mit Examen (2)."
     

    M07 Frauen: Soziale Herkunft Aspirationsniveau und Schulerfolg
    Sewell, William H. &  Shah, Vimal P. (dt. 1976) Soziale Herkunft Aspirationsniveau und Schulerfolg. In (256-275) H&Z Bd. 2, Kap 14.
     


     

    Die Ergebnisse für die Männer und Frauen sind sehr ähnlich, das spricht dafür, dass es in dieser Untersuchung kaum geschlechtsspezifische Einflüsse gibt. Das erscheint als interessanter soziologischer Befund.
        Bei beiden Geschlechtern gibt es einen großen Generalfaktor, der um die 62% der Varianz "erklärt". Man könnte ihn als bildungsfundierten sozioökonomischen Status interpretieren.
        Bei beiden Geschlechtern findet sich eine Fast-Kollinearität, die eine fast lineare Abhängigkeit anzeigt, und zwar zwischen den Variablen 4 (College-Besuch) und 6 (erreichtes Ausbildungsniveau). Das kann man so deuten, dass mit dem College-Besuch das Ausbildungsniveau erreicht wurde.
        Doch wo ist in dieser Matrix nun die Kausalität? Man kann wohl begründet annehmen, dass die Variablen 1 (Status) und 2 (Intelligenz) vor 3, 4, 5, 6 liegen. Damit böte sich eine kanonische Korrelation der beiden Variablenmengen [1,2] mit [3,4,5,6] an. Ich habe das mal für die Frauen gerechnet mit dem Ergebnis rkan=0.544019, für die Männer ergab sich rkan =0.604252. Nimmt man noch die College-Pläne dazu, korreliert also kanonisch zwischen [1,2,3] und [4,5,6] so ergibt sich bei den Männern ein rkan= 0.748194, bei den Frauen hingegen rkan= 0.813664

        Anmerkung: Die Variablen 4 bis 6 sind nicht unabhängig.



    M08 Farm:  Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976).  Bd. 2, S. 276-291 [Orig Sewell et al.]

    Ausführliche Analyse und Besprechung M13 Alle.


     

    M09 Dorf: Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976). Bd. 2, S. 276-291  [Orig Sewell et al.]

    Ausführliche Analyse und Besprechung M13 Alle.


     

    M10 Kleinstadt: Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976). Bd. 2, S. 276-291 [Orig Sewell et al.]

    Ausführliche Analyse und Besprechung M13 Alle.


     

    M11 Mittelstadt: Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976). Bd. 2, S. 276-291 [Orig Sewell et al.]

    Ausführliche Analyse und Besprechung M13 Alle.

     

    M12  Großstadt: Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976). Bd. 2, S. 276-291 [Orig Sewell et al.]

    Ausführliche Analyse und Besprechung M13 Alle.


     

    M13  Alle (Total) Ausbildungsprozeß und frühe Berufskarriere: Replikation und Revision eines Modells
    William H. Sewell, Archibald O. Haller und George W. Ohlendorf (dt. 1976). Bd. 2, S. 276-291 [Orig Sewell et al.]

    Einführung M08-M13  "In ihrem einflußreichen Werk entwickelten Peter M. Blau und Otis D. Duncan (1967) ein rekursives Modell der beruflichen Statuszuweisung unter amerikanischen Männern. Es enthält zwei exogene, strukturelle Variablen, Schulbildung und Beruf des Vaters, zwei intervenierende Verhaltensvariablen, Schulbildung und erster Beruf des Befragten, sowie die abhängige Variable, den Berufsstatus des Befragten im Jahre 1962. Bei einem nationalen Sample erklärte ihr Modell 26% der Varianz in der Schulbildung des Befragten, 33% der Varianz im Status des ersten und 43% der Varianz im Status des gegenwärtigen Berufes. Die Hinzunahme von ausgewählten demographischen Variablen steigert nicht die Effizienz des Models. In einer späteren Arbeit haben es Otis D. Duncan, David L. Featherman und Beverly Duncan geringfügig modifiziert [FN1]. Sie strebten dabei primär eine vollständige Erklärung des Prozesses an, ohne dadurch notwendigerweise den Anteil der erklärten Varianz der abhängigen Variablen zu erhöhen, Hierzu führten sie hauptsächlich psychologische Variablen in das Modell ein. Auch Elders Analyse der Daten aus der Oakland Growth Study [FN2] - dort wurden Männer befragt, die bereits als Kinder in den dreißiger Jahren untersucht worden waren - scheint die Vermutung zu bestätigen, daß wir mit psychologischen Faktoren den Statuserwerb besser erklären und vorhersagen können. ... " (S. 276)



    M14 Korrelationen zwischen Statusvariablen bei unterschiedlicher Operationalisierung von Ausbildung
    Müller, Walter  (dt. 1976) Bildung und Mobilitätsprozeß - eine Anwendung der Pfadanalyse. In (292-312) H&Z Bd. 2, Kap 16.



    M15 und M16 Status mit und ohne Weiterbildung
    Müller, Walter  (dt. 1976) Bildung und Mobilitätsprozeß - eine Anwendung der Pfadanalyse. In (292-312) H&Z Bd. 2, Kap 16.


     



    M17 und M18 Status alle aus Bildung und Mobilitätsprozeß
    Müller, Walter  (dt. 1976) Bildung und Mobilitätsprozeß - eine Anwendung der Pfadanalyse. In (292-312) H&Z Bd. 2, Kap 16.



    M19 und M20 Einflüsse der Peers auf das Anspruchsniveau
    Duncan, Otis D., Haller, Archibald O. & Portes, Alejandro (dt. 1976) Einflüsse der Peers auf das Anspruchsniveau: eine Neuinterpretation. In (370-400) H&Z Bd. 3, Kap 21


    Vorschläge für Orientierungsregeln für Kausalinterpretationen von Korrelationen

    In der Zusammenfassung wurde ausgeführt:

    1. Es bedarf  einer Theorie der Kausalkette auf Erfahrungsbasis, um die Zusammenhänge der Relationen zu begründen.
    2. Wesentliche Teile des relevanten Merkmalsraums sind bekannt und erfasst (> Pfadanalyse Bedingung)
    3. Relationentreue sollte sich bei Wiederholungen zeigen.


    Theorie der Kausalkette auf Erfahrungsbasis
    Um bestimmte empirische Kausalbeziehungen zu finden und zu untersuchen, ist eine Theorie und Erfahrungswissen über die Zusammenhänge meist nicht nur hilfreich, sondern auch nötig. Die 20 Beispiele aus der soziologischen Forschung illustrieren das gut: Das (1) Bildungsniveau einer Familie geht den Kindern, die in ihr aufwachsen voraus. Die nächste Stufen sind (2) die schulische, (3) akademische und (4) Berufsausbildung. Danach folgt (5) die Berufserfahrung, (6) die berufliche Weiterbildung und (7) der Berufserfolg in verschiedenen Karrierestufen ("Karriereleiter"). Ähnlich einfache Kausalketten lassen sich auch in der Entwicklungspsychologie oder Lebenslaufforschung finden (> Schnittpunkte des Lebens).

    Relevanter Merkmalsraum (> Pfadanalyse Bedingung)
    Korrelationen wie Regressionen haben einen extrem hohen Grad von Beliebigkeit. Man erhält ständig andere, je nachdem, wie man auspartialisiert, welche Variablen man hinzu nimmt oder weglässt. Das ist ein außerordentlich unbefriedigender Zustand, nicht weniger schlimm als die inflationären und nichtssagenden Exzesse der Signifikanzstatistik. So kann es mit der Sozialwissenschaft und Psychologie nichts werden. Es ist daher sehr wichtig, die grundlegenden Variablen eines Bereiches zu erfassen. Das ist nicht einfach, weil beliebige Merkmale beliebig definiert und kombiniert werden können. Die meisten Begriffe in der Psychologie und in den Sozialwissenschaften sind nicht durch entsprechende paradigmatische Verfahren streng normiert, wiederholbar, eindeutig und klar operationalisiert. So sind der Forschungsergebnisse zwar Legion, aber die Lage ist weitgehend unübersichtlich, verwirrend bis widersprüchlich.
        Anmerkung: zu diesem Thema ist noch eine eigene Seite geplant.

    Relationentreue bei Wiederholungen (Panelstudien)
    Wenn eine Untersuchung mit dem gleichen Variablensatz und den gleichen ProbandInnen wiederholt wird, dann sollten größenordnungsmäßig dieselben Kennwerte gewonnen werden. Eine gewisse Stabilität und Zuverlässigkeit in den grundlegenden Größenordnungen der Relationen zu fordern, jedenfalls wenn Kausalbeziehungshypothesen geprüft und validiert werden sollen.
     





    Literatur (Auswahl) > Korrelation.
    Hier wird nur noch Literatur (Auswahl) zur Kausalität allgemein, Korrelation und Kausalität, Pfadanalyse und zur Eigenwert- und Fast-Kollinearitätsanalyse, die ja für das Auffinden kausalen Beziehungen die Methode der Wahl ist, angeführt.

    Eigenwert- und Fast-Kollinearitätsanalyse


    Korrelation und Kausalität, Pfadanalyse > Links.

    __
    Kausalität (Auswahl)
    Kausalität spielt in allen Wissenschaften, angewandt wie theoretisch, eine wichtige Rolle. Hier werden lediglich ein paar allgemeine, wissenschaftstheoretische Werke angegeben. Eine besondere und grundlegender Bedeutung spielt hierbei die Quantenphysik


    Kausalität in der Psychologie, Medizin, im Recht, Soziologie und in den Sozialwissenschaften


     



    Links (Auswahl: beachte)

    Eigenwert- und Fast-Kollinearitätsanalysen


    Links zum Thema Korrelation und Kausalität




    Glossar, Anmerkungen und Endnoten: > Statistisches Glossar der IP-GIPT.
    1) GIPT= General and Integrative Psychotherapy, internationale Bezeichnung für Allgemeine und Integrative Psychotherapie.
    __
    Stichworte: Abstract (1994) Numerisch instabile Matrizen und Kollinearität in der Psychologie * Aspirationsniveau * Bedingungsanalyse * Dependenzanalyse * Dissertationsfazit (methodologisch) * Erkenntnisse: 1984, 1994, 1995, 2002, 2005, 2013 * Orig Sewell et al. * PfadanalyseTheorie und Annahmen (Pfadanalyse) * Ursache und Wirkung *
    __
    Abstract (1994) Numerisch instabile Matrizen und Kollinearität in der Psychologie


    __
    Aspirationsniveau Anspruchsniveau, wonach einer strebt, haben, sein oder gelten will.
    __
    Bedingungsanalyse

      In der Verhaltenstherapie verwendeter Ansatz zur Entstehung und Aufrechterhaltung von Störungen. Entspricht in der Medizin ungefähr der Pathogenese und Ätiologie. Formal gibt es eine Nähe zur Dependenz- und Pfadanalyse, indem ein Modell für das Geflecht, die Entstehung und Hierarchie der Störung(en) aufgestellt wird.
    __
    Dependenzanalyse __
    Dissertationsfazit (methodologisches) Seiten "03-7,8-150-02 bis (272) und 03-7,8-150-03  (273) __
    Erkenntnisse ___
    kanonische Korrelationsanalyse __
    Orig Sewell et al. __
    Panelstudien
      Demoskopischer und soziologischer Begriff für wiederholte Erhebungen mit dem gleichen Variablensatz an gleichen Stichproben. Arminger, Gerhard (1976). Anlage und Auswertung von Paneluntersuchungen. In (134-235) Holm, Kurt (1976) Die Befragung 4. München: Francke.
    __
    Pfadanalyse ___
    Theorie und Annahmen (Bd. 1, E20-E22) ___
    Ursache und Wirkung __




    Querverweise
    Standort: Korrelation und Kausalität.
    *
    Korrelation. Was bedeutet der lineare Korrelationskoeffizient?
     (Semi) Indefinite Pseudo-Korrelationsmatrizen.
    Einfache Berechnung der multiplen Korrelationen nach Tucker et. al.
    Überblick Statistik in der IP-GIPT.
    Fast- Kollinearität in Korrelationsmatrizen mit Eigenwertanalysen erkennen. * Relationentreue *
    Partielle Korrelationen: Definition und Methode, Tücken und Fallen , Wichtige Anwendungen in der Psychologie, Kombinatorik der Anzahlen. * Standard-Matrix-Analyse (SMA) und Nicht-Linearitäts-Paradox in Korrelationsmatrizen * Systematische Veränderungs-Paradoxie *
    Vollständige 501 partielle Korrelationsanalysen am Beispiel IST 70 * Wissenschaft in der IP-GIPT * Kritik Handhabung Faktorenanalyse *
    Numerisch instabile Matrizen und Kollinearität in der Psychologie * Fehlersimulation und Faktorenanalyse * Zahlen * Der Kardinal-Skalenbeweis zur Summen-Score-Funktion * Grundzüge einer ideographischen Wissenschaftstheorie * Welten *
    Beweis und beweisen in der Statistik * Signifikanztest *
    *
    Suchen in der IP-GIPT, z.B. mit Hilfe von "google": <suchbegriff> site: www.sgipt.org
    z.B. Korrelation site: www.sgipt.org. 
    *
    Dienstleistungs-Info.
    *


    Zitierung
    Sponsel, Rudolf  (DAS).  Korrelation und  Kausalität - Modelle und Methoden. Ursachen und Wirkungen in Korrelationsmatrizen mit Eigenwert- und Fast-Kollinearitäts-Analysen auf die Spur kommen. IP-GIPT. Erlangen: http://www.sgipt.org/wisms/statm/kor/KorKau/korkau0.htm
    Copyright & Nutzungsrechte
    Diese Seite darf von jeder/m in nicht-kommerziellen Verwertungen frei aber nur original bearbeitet und nicht  inhaltlich verändert und nur bei vollständiger Angabe der Zitierungs-Quelle benutzt werden. Das direkte, zugriffsaneignende Einbinden in fremde Seiten oder Rahmen ist nicht gestattet, Links und Zitate sind natürlich willkommen. Sofern die Rechte anderer berührt sind, sind diese dort zu erkunden. Sollten wir die Rechte anderer unberechtigt genutzt haben, bitten wir um Mitteilung. Soweit es um (längere) Zitate aus  ...  geht, sind die Rechte bei/m ... zu erkunden oder eine Erlaubnis einzuholen.



      Ende   Korrelation & Kausalität _ Überblick  _ Relativ Aktuelles  _ Rel. Beständiges  _ Titelblatt  _ Konzept  Archiv  _ Region _ Service iec-verlag _ Mail: _ sekretariat@sgipt.org  _



    Änderungen wird gelegentlich überarbeitet, ergänzt und vertieft * Anregungen und Kritik willkommen
    00.04.13

    korrigiert: irs 16.04.2013