Suchergebnisse

Empirical count data are often zero‐inflated and overdispersed. Currently, there is no software package that allows adequate imputation of these data. We present multiple‐imputation routines for these kinds of count data based on a Bayesian regression approach or alternatively based on a bootstrap approach that work as add‐ons for the popular multiple imputation by chained equations (mice) software in R (van Buuren and Groothuis‐Oudshoorn, Journal of Statistical Software, vol. 45, 2011, p. 1). We demonstrate in a Monte Carlo simulation that our procedures are superior to currently available count data procedures. It is emphasized that thorough modeling is essential to obtain plausible imputations and that model mis‐specifications can bias parameter estimates and standard errors quite noticeably. Finally, the strengths and limitations of our procedures are discussed, and fruitful avenues for future theory and software development are outlined.

Strukturgleichungsmodelle eignen sich hervorragend für die empirische Analyse zahlreicher Fragestellungen und stellen für die Sozial- und Wirtschaftswissenschaften eine unverzichtbare statistische Methode dar. Mit Mplus steht ein besonders flexibles und vergleichsweise anwenderfreundliches Statistikprogramm für die Strukturgleichungsmodellierung zur Verfügung. Ziel dieses Lehrbuchs ist es, den Leserinnen und Lesern ein umfassendes Verständnis der Durchführung grundlegender und weiterführender Anwendungen von Strukturgleichungsmodellen in Mplus zu vermitteln. Zu den in diesem Band behandelten Verfahren zählen: explorative und konfirmatorische Faktorenanalysen, einfache Strukturgleichungsmodelle, multiple Gruppenvergleiche, autoregressive Modelle, Wachstumskurvenmodelle und Mehrebenen-Strukturgleichungsmodelle. Neu in der zweiten Auflage ist das Thema Moderation und Schätzung konditionaler indirekter Effekte. Ferner wird auf den Mplus Diagrammer und auf die mit Mplus Version 7.1 eingeführten Optionen zur Prüfung von Messinvarianz eingegangen. Die Beispiele der ersten Auflage wurden an die strukturellen Änderungen der Mplus-Syntax angepasst.

Wissenschaftliche Umfragen können keine aussagekräftigen Ergebnisse liefern, wenn ihre Datenqualität durch fehlende oder verfälschte Antworten beeinträchtigt wird. Eine Herausforderung der Sozialforschung besteht darin, solche Fehlerquellen zu erkennen und zu kontrollieren. Der Band präsentiert Erkenntnisse und Methoden zur Behandlung von Unit Nonresponse, Missing Data und verschiedene Arten von Messfehlern im Kontext von Web und Mixed-Mode Panel, Mobile Web und Faceto-Face-Befragungen.