Diplomarbeit Der Einfluss der elterlichen Scheidung auf das ... - ifb

konsistenter Einfluss der Scheidungserfahrung ab, dann wird ein Zusatzmodell berechnet,
welches ausschließlich Scheidungskinder untereinander vergleicht. Dabei soll getestet
werden, ob der Effekt der elterlichen Scheidung variiert, wenn man das Ereignis „Scheidung“
anhand spezifischer Scheidungskind-Merkmale weiter differenziert. Im Fall einer intervallskalierten
abhängigen Variable kann eine lineare Regression gerechnet werden, bei einer
binären bzw. Dummy-Variable hingegen eine logistische Regression. In der linearen
Regression werden die Schätzkoeffizienten hinsichtlich ihrer Signifikanz und der Richtung
des Effektes interpretiert, in der logistischen Regression wird mit Hilfe von Odds-Ratios
argumentiert. Diese haben einen Wertebereich von 0 bis + ∞. Bei statistischer Unabhängigkeit
beider Variablen nimmt die Odds-Ratio den Wert 1 an. Ein Odds-Ratio > 1 zeigt eine
positive Korrelation an und bedeutet, dass die Chance bzw. das Risiko für das Eintreten der
abhängigen Variable für die getestete Gruppe größer ist als für die Referenzgruppe. Ein Odds-
Ratio < 1 zeigt eine negative Korrelation an und bedeutet, dass die Chance bzw. das Risiko für
die getestete Gruppe in diesem Fall kleiner ist. Je weiter der Wert von 1 entfernt ist, umso
stärker ist der statistische Zusammenhang zwischen den beiden Merkmalen. (vgl. Weins
2010: 79) Die Güte einzelner Effekte kann im Modell anhand der Signifikanzen überprüft
werden. Zur Beurteilung der gesamten Modellgüte wird in der linearen Regression das
adjustierte bzw. korrigierte R² verwendet. Es bildet ab, wie viel Varianz der abhängigen
Variable durch die unabhängigen Variablen erklärt werden kann. Damit können einfache
Vergleiche zwischen den Modellstufen (mit unterschiedlicher Anzahl an Prädiktoren)
durchgeführt werden. Der Wertebereich des R² liegt zwischen 0 und 1, wobei ein Wert näher
an 1 eine bessere Varianzaufklärung widerspiegelt. Zur Beurteilung der Modellgüte in der
logistischen Regression kann das Pseudo-R² (nach MacFadden) verwendet werden. Dieses
Maß lässt sich grundsätzlich nicht im Sinne des R² der linearen Regression interpretieren, da
eine binäre Variable keine Varianz besitzt. Nach Gautschi (2010: 228) fallen die Werte des
Pseudo-R², im gleichen Wertebereich von 0 bis 1, durchschnittlich geringer aus als die des
korrigierten R² und sollten deswegen nicht unterschätzt werden. Zudem sollte auch das
Ergebnis des LR-χ²-Tests betrachtet werden. Dafür wird das endgültige Modell mit dem
Nullmodell (nur Konstante) verglichen. Ein signifikanter Testwert deutet auf eine Verbesserung
des Modells durch die Aufnahme der unabhängigen Variablen hin. Um einzelne
Modellstufen (d. h. Modelle mit unterschiedlicher Prädiktorenanzahl) miteinander zu
vergleichen und somit die Aufnahme einzelner Variablen zu beurteilen, kann bei gleicher
Fallzahl in den Modellen der LR-Test durchgeführt werden. Ein statistisch signifikantes
- 41 -