Sie sind auf Seite 1von 40

Inhaltsverzeichnis

1. Hausübung 1 1
1.1. Häufigkeitsauszählungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Kreuztabelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Hausübung 2 4
2.1. Variablen rekodieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2. Korrelationsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3. Hausübung 3 7
3.1. Vorüberlegungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2. Esoterik – Geschlecht . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3. Esoterik – Bildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4. Esoterik – Ortsgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4. Hausübung 4 9
4.1. Typenbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2. Skala: „Politisches Interesse“ . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3. Mit Skala testen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.4. Zählindex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

A. Anhang 12
A.1. SPSS-Syntax komplet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
A.2. LATEX-Syntax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1. Hausübung 1

1.1. Häufigkeitsauszählungen
Verschaffen Sie sich einen Überblick über die Verteilungen der Variablen f8a-f8d,
indem Sie Häufigkeitsverteilungen, zentrale Lage- und Streuungsmaße berechnen.

Da die Variablen ordinal skaliert sind die erlaubten zentralen Lagemaße der Modus
und der Median. Die erlaubten Steuungsmaße sind Minimum, Maximum und die sich
daraus ergebende Spannweite.
FREQUENCIES VARIABLES = f8a f8b f8c f8d
/ STATISTICS = RANGE MINIMUM MAXIMUM MEDIAN MODE
/ ORDER = ANALYSIS .
Zustimmung: Zustimmung: Zustimmung: Zustimmung:
wenig Arbeit, wenig Arbeit, wenig Arbeit, wenig Arbeit,
Männer eher Jüngere eher Inländer eher Gesunde eher
Recht auf Recht auf Recht auf Recht auf
Arbeit als Arbeit als Arbeit als Arbeit als
Frauen Ältere Ausländer Behinderte
Gültig 993 993 992 985
Fehlend 5 5 6 13
Median 5 3 2 3
Modus 5 3 1 5
Spannweite 4 4 4 4
Minimum 1 1 1 1
Maximum 5 5 5 5

Tabelle 1: zentrale Lage- und Steuungsmaße

Bilden Sie danach eine Rangreihe der Items nach dem Prozentsatz der Zustim-
mung - fassen Sie dabei die Kategorien „stimme sehr zu“ und „stimme eher zu“
jeweils zusammen.

• Variable erstellen, die die Zustimmung zusammenfasst. (Zwei Ausprägungen: Zu-


stimmung und keine Zustimmung)

• Häufikeitsauszählung.

RECODE f8a f8b f8c f8d ( MISSING = SYSMIS ) (1 thru 2=1) ( ELSE =2)
INTO f8a_zust f8b_zust f8c_zust
f8d_zust .
EXECUTE .

FREQUENCIES VARIABLES = f8a_zust f8b_zust f8c_zust f8d_zust


/ ORDER = ANALYSIS . /* VARIABLE . */

Variable Rang Zustimmung


f8c_zust 1. 54,3%
f8b_zust 2. 30,6%
f8d_zust 3. 24,6%
f8a_zust 4. 16,7%

Tabelle 2: Rangreihe der Items nach dem Prozentsatz der Zustimmung

Interpretation
Mehr als die hälfte der Personen, die die Frage beantwortet haben sind der Meinung
Inländer sollen bei der Jobvergabe bevorzugt werden. Über ein viertel sind der Meinung
Gesunde sollen Behinderten bzw. Jüngere Älteren bei der Jobvergabe bevorzugt werden.
Bei den ersten drei Rängen ist der Großteil der Befragten durch Zustimmung bevorteilt.

2
(Junge, gesunde InländerInnen) Bei dem letzten Rang, der Frage nach der Bevorteilung
von Männern vermute ich eine Gleichverteilung von Männern und Frauen in der Umfrage.
Eine Häufigkeitsauzählung des Geschlechts (f68)ergibt eine Gleichverteilung.
FREQUENCIES VARIABLES = f68
/ ORDER = ANALYSIS .

männlich 50,5%
weiblich 49,5%

Tabelle 3: Verteilung der von „Geschlecht“

1.2. Kreuztabelle
Untersuchen Sie, ob Personen mit und ohne Matura (bildung 2) bestimmte
Aussagen (Varialben f1a (Arbeit), f1e (Politik) sowie f1f (Religion)) anders
beantworten.
Die Abhängige Variabel sagt aus ob eine Person eine Matura hat. Es handelt sich um
eine nominal skalierte Variabel mit zwei Ausprägungen, also eine dichotome Variable.
Die anderen, unabhängigen Variablen sind ordinal skaliert. (Die Werte „5“ und „6“ sind
als fehlender Wert definiert. Wäre das nicht so wären die Variablen nominal skaliert.)
Um die Abhängigkeit der Variablen zu überprüfen erstelle ich eine Kreuztabelle und
lasse mir den χ2 -Test ausführen und den Kontingenzkoeffizienten (Cramer-V) mitausgeben.
Der χ2 -Test überprüft ob ein Zusammenhang besteht. Der Kontingenzkoeffizient ist bei
nominalen Daten zulässig und gibt die Stärke des Zusammenhangs der Daten an.
CROSSTABS
/ TABLES = bildung2 BY f1a f1e f1f
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI CHISQ
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

Anhand der Kreuztabelle kann man sehen, dass „Politik“ noch am stärksten abhängig
von der Matura ist.
Variable χ2 -Test Cramer-V
Wichtige Bereiche im Leben: Arbeit 0,024 0,105
Wichtige Bereiche im Leben: Politik 0,000 0,171
Wichtige Bereiche im Leben: Religion 0,084 0,88

Tabelle 4: Zusammenhangmaße

Interpretation
Der χ2 -Test ist bei einem Signifikanz-Niveau von 5% bei Arbeit und bei Politik unter
dem Kritischen Wert, also wir können von einer Abhängigkeit ausgehen. Der Cramer-V
ist unter 0,2. Das heißt der Zusammenhang ist schwach.

3
2. Hausübung 2

2.1. Variablen rekodieren


Untersuchen Sie mittels Kreuztabellenanalyse (inkl. zulässiger Assoziationsma-
ße), ob sich die Einstellung der Jugendlichen zu Politik (f1e) nach und Geschlecht
(f68), Alter (f69) und Wohnortgröße (f82) unterscheidet.

Geschlecht – Ineresse an Politik


Das Geschlecht ist nominal skaliert, aber da es nur zwei Ausprägungen gibt, darf es
wie metrische Daten behandelt werden. Die Einstellung zu Politik ist ordinal skaliert.
Ich verwende den χ2 -Test um festzustellen ob es überhaupt eine Abhängigkeit zwischen
den Variablen gibt. Weiters lasse ich mir den Cramer-V ausgeben um die Stärke des
Zusammenhangs anzuzeigen und den Kendall-Tau-C und den Spearman ob eine Tendenz
in eine Richtung feststellbar ist.
CROSSTABS
/ TABLES = f68 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

χ2 -Test 0,004
Cramer-V 0,117
Spearman 0,07

Tabelle 5: Geschlecht – Interesse an Politik

Interpretation
Es besteht ein Zusammenhang. Der Zusammenhang ist gering. Man kann nicht sagen,
dass Frauen oder Männer mehr interesse für Politik haben.

Führen Sie diese Berechnungen einerseits mit den ursprünglichen Variablen,


andererseits auch mit rekodierten Variablen durch.

Es erscheint mir keine rekodierung Sinnvoll.

Alter – Interesse an Politik


Alter ist metrisch skaliert. Es beinhält Daten von 14–24. Da mein geringstes Niveau
diesmal wieder ordinal ist gehe ich wie oben vor.

4
CROSSTABS
/ TABLES = f69 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

χ2 -Test 0,000
Cramer-V 0,163
Spearman –0,216

Tabelle 6: Alter – Interesse an Politik

Interpretation
Es besteht ein Zusammenhang. Der Zusammenhang ist gering. Eine geringe Tendenz ist
festzustellen. (Umso älter umso mehr Interesse)
Mich interesiert nun dei Gruppe der „Neu-Wähler“, also der 16–17 Jährigen. Ich kodiere
die Variable Alter in eine ordinale Variable mit drei Ausprägungen um.
RECODE f69 (14 thru 15=1) (15 thru 16=2) (17 thru 24=3) INTO
f69_uk .
EXECUTE .

CROSSTABS
/ TABLES = f69_uk BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

P
1 2 3 4
14–15 Jahre 8.3% 11.9% 43.7% 35.9% 100%
15–16 Jahre 3.2% 15.2% 45.6% 35.9% 100%
17–24 Jahre 7.7% 25.2% 49.1% 17.9% 100%

Tabelle 7: Altersgruppen – Interesse an Politik

Interpretation
Die „neuen Wähler“ sind offenbar nicht sehr an Politik interessiert.

5
Wohnortgröße – Interesse an Politik
Die Wohnortgröße ist ordinal skaliert und hat acht Ausprägungen. Ich verfahre wie bei
den zwei anderen Bespielen.
CROSSTABS
/ TABLES = f82 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

χ2 -Test 0,035
Cramer-V 0,110
Spearman 0,002

Tabelle 8: Alter – Interesse an Politik

Interpretation
Es besteht wieder ein Zusammenhang und er ist sehr, sehr gering.

Begründen Sie die Kategorien, die Sie im Zuge der Rekodierungen bilden
und interpretieren Sie jeweils die Ergebnisse. Dokumentieren Sie dabei auch
Unterschiede, die sich durch die Verwendung der umkodierten im Vergleich zu
den ursprünglichen Variablen ergeben.

Da ich die Kategorien der Wohnortsgröße nicht ganz nachvollziehen kann, kodiere ich
so um, dass die Variable dann annähernd gleichverteilt ist. Dafür mache ich zuerst eine
Häufigkeitsauszählung mit Histogram.
FREQUENCIES VARIABLES = f82
/ HISTOGRAM
/ ORDER = ANALYSIS .

Anhand der Häufigkeiten erstelle ich meine neue Variable.


RECODE f82 (1=1) (2=2) (3 thru 5= 3) (6 thru 8=4) INTO f82_uk .
EXECUTE .

Jetzt gehe ich wieder wie oben vor.


FREQUENCIES VARIABLES = f82_uk
/ HISTOGRAM
/ ORDER = ANALYSIS .

CROSSTABS
/ TABLES = f82_uk BY f1e
/ FORMAT = AVALUE TABLES

6
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

χ2 -Test ist mit 0,495 nicht Signifikant. Das heißt wir können bei gleichmäßig verteilten
Kategorien nicht mehr von einem Zusammenhang ausgehen. Die anderen Werte bestätigen
das. Das bestätigt für mich die Problematik bei der Kategorienbildung.

2.2. Korrelationsanalyse
Untersuchen Sie den Zusammenhang zwischen Einstellung zu Politik (f1e) und
Geschlecht (f68) bzw. Vertrauen in das Parlament (f61f), politische Parteien
(f61l) und die Polizei (f61e) mittels Korrelationsanalyse.

Die Variablen Interesse an Politik und Geschlecht wurde schon weiter oben in Zusam-
menhang gesetzt.

Vertrauen in . . .
Ich gehe davon aus das es starke Korrelationen zwischen Vertrauen in Partein und
Vertrauen in das Parlament gibt.
Das Skalenniveau unsere Variablen ist ordinal. Die richtige Messgröße für die Korrelation
ist daher der Spearman-Rankorrelationskoeffizient.
NONPAR CORR
/ VARIABLES = f61e f61f f61l
/ PRINT = SPEARMAN TWOTAIL NOSIG
/ MISSING = PAIRWISE .

Polizei Parlament Parteien


Polizei 1 0,457 0,244
Parlament 0,457 1 0,512
Parteien 0,244 0,512 1

Tabelle 9: Korrelationen - Vertrauen in . . .

3. Hausübung 3

3.1. Vorüberlegungen
Berechnen und interpretieren Sie den korrekten Test um zu prüfen, ob Unter-
schiede hinsichtlich der Erfahrungen mit esoterischen Praktiken nach Geschlecht,
Bildung und Ortsgröße bestehen.

esoterische Erfahrungen nominal (ordinalisierbar)

7
Geschlecht nominal, darf wegen dichotomie als metrisch behandelt werden.
Bildung nominal
Ortsgröße ordinal
Entscheiden Sie sich für den adäquaten Test und begründen Sie diese Entschei-
dung.
Da die abhängigen Variablen alle nominal sind ist der anzuwendende Test der χ2 -
Test. Die Stärke der Abhängigkeit wird standardisiert mit dem Cramer-V ausgegeben.
(Der Signifikanz-Parameter des χ2 -Test wird mit dem Cramer-V mit ausgegeben) Bei
signifikanten Abhängigkeiten empfielt sich eine ordinalisierung und eine Überprüfung
einer Korrelation. Dafür eignet sich der Spearman-Korrelationskoeffizient.

3.2. Esoterik – Geschlecht

CROSSTABS
/ TABLES = f43a f43b f43c f43d f43e f43f f43g BY f68
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

χ2 -Test Cramer-V
Yoga 0,000 0,206
Medidation 0,000 0,255
Talisman 0,000 0,374
Tischerlrücken 0,000 0,179
Mondphasen 0,000 0,316
alt. Medizin 0,000 0,262
Tarot, etc. 0,000 0,201
Jedes Wertepaar ist hochsignifikant von einander abhängig. Bei Talisman zu Geschlecht
ist die Abhängigkeit am höchsten. Um eine Korrelation zu überprüfen kodiere ich
„Talisman“ (und gleich auch alle anderen) zu einer ordinal Skalierten Variable um.
Danach lasse ich mir zusätzlich den Spearman ausgeben.
RECODE f43a f43b f43c f43d f43e f43f f43g (1=1) (2=2) (3=3) (4
thru 5=4) ( ELSE = SYSMIS ) INTO f43a_uk
f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk .
EXECUTE .

CROSSTABS
/ TABLES = f43a_uk f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk
BY f68
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI CORR

8
Der Zusammenhang hat ein klein wenig abgenommen (Cramer: von 0,374 auf 0,368)
und es ist einer mäßige negative Korrelation (Spearman: –0,354) festzustellen. Das heißt:
es besteht eine Tendenz, dass Mädchen öfter Talismänner benutzen als Buben.

3.3. Esoterik – Bildung

RECODE f73 (8=3) (9=4) (1 thru 4=1) (5 thru 7=2) INTO f73_uk .
EXECUTE .

CROSSTABS
/ TABLES = f43a f43b f43c f43d f43e f43f f43g BY f73_uk
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

χ2 -Test Cramer-V
Yoga 0,017 0,106
Medidation 0,001 0,121
Talisman 0,893
Tischerlrücken 0,718
Mondphasen 0,414
alt. Medizin 0,113
Tarot, etc. 0,128

Es gibt eine geringe Abhängigkeit bei Yoga und Medidation. Bei den anderen Werte-
paaren gibt es keine signifikante Abhängigkeit. Sprich: Man kann nicht sagen, dass das
Tragen von Talismännern mit der Bildung zusammen hängt.

3.4. Esoterik – Ortsgröße


Es wird wie oben vorgegangen. Bei Yoga, Talisman, Tischerlrücken und Tarot gibt es
signifikante Abhängigkeiten. Sie sind alle sehr gering. Korrelationen mit den ordinalisierten
Variablen sind nicht signifikant.

4. Hausübung 4

4.1. Typenbildung
Bilden Sie folgenden Typ (und lassen Sie sich anschließend eine Häufigkeits-
auszählung ausgeben): politisches Interesse ja/nein und Geschlecht.

Die Typenbildung erfolgt nach dem Schema: Wenn X ist a oder b und Y ist c dann
bilde einen Typen mit dem Wert d.

9
IF (( f1e = 1 OR f1e = 2) AND f68 = 1 ) Typ =1.
IF (( f1e = 1 OR f1e = 2) AND f68 = 2 ) Typ =2.
IF (( f1e = 3 OR f1e = 4) AND f68 = 1 ) Typ =3.
IF (( f1e = 3 OR f1e = 4) AND f68 = 2 ) Typ =4.
EXECUTE .

Zur Sichheit machen wir noch eine Häufigkeitsauszählung.


FREQUENCIES VARIABLES = Typ
/ FORMAT = NOTABLE
/ ORDER = ANALYSIS .

4.2. Skala: „Politisches Interesse“


Wählen Sie 5-8 Items aus dem Datensatz aus, die Ihrer Ansicht nach dazu
geeignet sind, das politische Interesse der befragten Personen adäquat abzubilden.

f1e Wichtige Bereiche im Leben: Politik

f31c Zustimmung: Welt verantwortl. mitzugestalten

f31g Zustimmung: feste poltische Überzeugung

f56 Politikinteresse

f57 Sprechen Sie mit Freunden über Politik?

f58 Häufigkeit Konsum von polit. Nachrichten?

Achten Sie darauf, dass


• die Items in die gleiche Richtung gepolt sind.
• die Spannweiten der Items vergleichbar sind.
Ist dies nicht der Fall, korrigieren Sie dies durch entsprechende Umkodierungen.

Ich kodiere die Variablen um.


RECODE f1e (1=1) (2=2) (3=4) (4=5) (5=3) ( ELSE = SYSMIS ) INTO
f1eSkala .
RECODE f31c f31g (1=1) (2=2) (4=5) (3=4) (5=3) ( ELSE = SYSMIS ) INTO
f31cSkala f31gSkala .
RECODE f56 (1=1) (2=2) (3=3) (4=5) (5=3) ( ELSE = SYSMIS ) INTO
f56Skala .
RECODE f57 (1=1) (2=2) (3=5) (4=4) ( ELSE = SYSMIS ) INTO f57Skala .
RECODE f58 (1 THRU 2 =1) (3=2) (4=4) (5=5) (6=4) ( ELSE = SYSMIS )
INTO f58Skala .
EXECUTE .

10
Führen Sie anschließend eine Reliabilitätsanalyse durch, um zu prüfen, ob die
Items für die Skalenbildung geeignet sind. Schließen Sie wenn nötig Items, die
der Qualität der Gesamtskala schaden, schrittweise aus.

RELIABILITY
/ VARIABLES = f1eSkala f58Skala f57Skala f56Skala f31gSkala
f31cSkala
/ SCALE ( ’ ALL VARIABLES ’) ALL
/ MODEL = ALPHA
/ SUMMARY = TOTAL .

Ich entscheide mich alle Variablen in der Skala zu lassen. So verliere ich weniger Fälle
und das ist mir wichtiger als einen hohen Wert.

Bilden Sie eine Skala mittels „COMPUTE“.

COMPUTE SkalaPolInt =( f1eSkala + f31cSkala + f31gSkala + f56Skala


+ f57Skala + f58Skala ) / 6.
EXECUTE .

Berechnen Sie den Mittelwert der Skala und interpretieren Sie das Ergebnis.

FREQUENCIES VARIABLES = SkalaPolInt


/ FORMAT = NOTABLE
/ STATISTICS = MEAN
/ ORDER = ANALYSIS .

Interpretation
Der Mittelwert von 3,2 bei möglichen Werten von 1–5 dass der Mittelwert der Skala nahe
dem Mittelwert der möglichen Ausprägungen ist.

4.3. Mit Skala testen


Prüfen Sie, ob sich das politische Interesse (gemeint ist hier die von Ihnen
gebildete Skala!) nach Geschlecht und bildung2 unterscheidet, indem Sie einen
geeigneten (parametrischen oder nichtparametrischen) Test auswählen.

Beide unabhängigen Variablen sind dichotom und dürfen also wie metrisch behandelt
werden. Auch eine Skala darf wie metrisch behandelt werden. Weiters darf in allen
Fällen (God knows why) von einer Normalverteilung ausgegangen werden. Also sind alle
Kriterien gegeben um den Pearson-Korrelationkoeffizenten verwenden zu dürfen.
CORRELATIONS
/ VARIABLES = SkalaPolInt bildung2 f68 f69 /* mit Alter zur Ü
berpr ü fung */
/ PRINT = TWOTAIL NOSIG
/ MISSING = PAIRWISE .

11
Es gibt einen negativen Zusammenhang (Pearson: –0,284) zwischen der Variablen
politisches Interesse und Matura.

Interpretieren Sie das Ergebnis.

Interpretation
Bei Jugendlichen mit Matura steigt ist die Wahrscheinlichkeit, dass Sie sich für Politik
interessieren größer als bei Jugendlichen die kein Matura haben. Man darf nicht vergessen,
dass hier das Alter aus dem Spiel genommen wurde. Es haben garnicht alle Jugendlichen
die Möglichkeit schon maturiert zu haben. Weiters korreliert das Alter mit der Skala auch
(Pearson: 2,12). Das Ergebnis sagt nicht soviel aus, wie es auf den ersten Blick scheint.

4.4. Zählindex
Bilden Sie aus nachfolgenden Items einen Zählindex um die Religiosität der
befragten Personen zu messen:
• f38a: Religiöse Feier bei Kindesgeburt wichtig?
• f38b: Feier bei Hochzeit wichtig?
• f38c: Feier bei Beerdigung wichtig?
• f40a: Glauben Sie an Gott?
• f40c: Glauben Sie an die Hölle?
• f40d: Glauben Sie an den Himmel?

Alle Variablen haben vier Ausprägungen: „ja“, „nein“, „weiß nicht“ und „k. A.“. Ich
zähle die „ja“.
COUNT SkalaZRel = f38a f38b f38c f40a f40c f40d (1) .
EXECUTE .

Interpretieren Sie das Ergebnis!

Interpretation
Im Durchschnitt werden fast die Häfte aller Fragen der Skala Religiösität mit „ja“
beantrwortet.

A. Anhang
A.1. SPSS-Syntax komplet

12
Listing 1: hue1.sps

DATASET ACTIVATE DatenSet1 .

FREQUENCIES VARIABLES = f8a f8b f8c f8d


/ STATISTICS = RANGE MINIMUM MAXIMUM MEDIAN MODE
/ ORDER = ANALYSIS .

* ** Neue Variable mit zwei Werten erstellen .


* **1= Zustimmung ; 2= keine Zustimmung .

RECODE f8a f8b f8c f8d ( MISSING = SYSMIS ) (1 thru 2=1) ( ELSE =2)
INTO f8a_zust f8b_zust f8c_zust
f8d_zust .
EXECUTE .

FREQUENCIES VARIABLES = f8a_zust f8b_zust f8c_zust f8d_zust


/ ORDER = ANALYSIS . /* VARIABLE . */

FREQUENCIES VARIABLES = f68


/ ORDER = ANALYSIS .

* ** Beispiel 2.

CROSSTABS
/ TABLES = bildung2 BY f1a f1e f1f
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI CHISQ
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

Listing 2: hue2.sps
**HÜ 2

* * Geschlecht .

CROSSTABS
/ TABLES = f68 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

13
* ** Alter

CROSSTABS
/ TABLES = f69 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

RECODE f69 (14 thru 15=1) (15 thru 16=2) (17 thru 24=3) INTO
f69_uk .
EXECUTE .

CROSSTABS
/ TABLES = f69_uk BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

* ** Wohnort .

CROSSTABS
/ TABLES = f82 BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

FREQUENCIES VARIABLES = f82


/ HISTOGRAM
/ ORDER = ANALYSIS .

RECODE f82 (1=1) (2=2) (3 thru 5= 3) (6 thru 8=4) INTO f82_uk .


EXECUTE .

FREQUENCIES VARIABLES = f82_uk


/ HISTOGRAM
/ ORDER = ANALYSIS .

CROSSTABS
/ TABLES = f82_uk BY f1e
/ FORMAT = AVALUE TABLES
/ STATISTICS = CHISQ PHI CORR CTAU

14
/ CELLS = COUNT ROW
/ COUNT ROUND CELL
/ BARCHART .

* *** Beispiel 2.

NONPAR CORR
/ VARIABLES = f61e f61f f61l
/ PRINT = SPEARMAN TWOTAIL NOSIG
/ MISSING = PAIRWISE .

Listing 3: hue3.sps

DATASET ACTIVATE DatenSet1 .

* ** Esoterik by Geschlecht .

CROSSTABS
/ TABLES = f43a f43b f43c f43d f43e f43f f43g BY f68
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

* Esoterik Ordinalisieren .
RECODE f43a f43b f43c f43d f43e f43f f43g (1=1) (2=2) (3=3) (4
thru 5=4) ( ELSE = SYSMIS ) INTO f43a_uk
f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk .
EXECUTE .

CROSSTABS
/ TABLES = f43a_uk f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk
BY f68
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI CORR
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

* ** Esoterik by Bildung rekodiert .


RECODE f73 (8=3) (9=4) (1 thru 4=1) (5 thru 7=2) INTO f73_uk .
EXECUTE .

CROSSTABS

15
/ TABLES = f43a f43b f43c f43d f43e f43f f43g BY f73_uk
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

* *** Esoterik by Ortsgr ö ß e .

CROSSTABS
/ TABLES = f43a f43b f43c f43d f43e f43f f43g BY f82
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

* Esoterik Ordinalisieren .
RECODE f43a f43b f43c f43d f43e f43f f43g (1=1) (2=2) (3=3) (4
thru 5=4) ( ELSE = SYSMIS ) INTO f43a_uk
f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk .
EXECUTE .

CROSSTABS
/ TABLES = f43a_uk f43b_uk f43c_uk f43d_uk f43e_uk f43f_uk f43g_uk
BY f82
/ FORMAT = AVALUE TABLES
/ STATISTICS = PHI CORR
/ CELLS = COUNT ROW
/ COUNT ROUND CELL .

Listing 4: hue4.sps
* * Typbildung

IF (( f1e = 1 OR f1e = 2) AND f68 = 1 ) Typ =1.


IF (( f1e = 1 OR f1e = 2) AND f68 = 2 ) Typ =2.
IF (( f1e = 3 OR f1e = 4) AND f68 = 1 ) Typ =3.
IF (( f1e = 3 OR f1e = 4) AND f68 = 2 ) Typ =4.
EXECUTE .

FREQUENCIES VARIABLES = Typ


/ FORMAT = NOTABLE
/ ORDER = ANALYSIS .

* * Skala .

RECODE f1e (1=1) (2=2) (3=4) (4=5) (5=3) ( ELSE = SYSMIS ) INTO
f1eSkala .
RECODE f31c f31g (1=1) (2=2) (4=5) (3=4) (5=3) ( ELSE = SYSMIS ) INTO
f31cSkala f31gSkala .

16
RECODE f56 (1=1) (2=2) (3=3) (4=5) (5=3) ( ELSE = SYSMIS ) INTO
f56Skala .
RECODE f57 (1=1) (2=2) (3=5) (4=4) ( ELSE = SYSMIS ) INTO f57Skala .
RECODE f58 (1 THRU 2 =1) (3=2) (4=4) (5=5) (6=4) ( ELSE = SYSMIS )
INTO f58Skala .
EXECUTE .

RELIABILITY
/ VARIABLES = f1eSkala f58Skala f57Skala f56Skala f31gSkala
f31cSkala
/ SCALE ( ’ ALL VARIABLES ’) ALL
/ MODEL = ALPHA
/ SUMMARY = TOTAL .

COMPUTE SkalaPolInt =( f1eSkala + f31cSkala + f31gSkala + f56Skala


+ f57Skala + f58Skala ) / 6.
EXECUTE .

FREQUENCIES VARIABLES = SkalaPolInt


/ FORMAT = NOTABLE
/ STATISTICS = MEAN
/ ORDER = ANALYSIS .

* ***

CORRELATIONS
/ VARIABLES = SkalaPolInt bildung2 f68 f69 /* mit Alter zur Ü
berpr ü fung */
/ PRINT = TWOTAIL NOSIG
/ MISSING = PAIRWISE .

* ** Z ä hlindex

COUNT SkalaZRel = f38a f38b f38c f40a f40c f40d (1) .


EXECUTE .

A.2. LATEX-Syntax

Listing 5: main.article.tex
\ documentclass { scrartcl }
\ usepackage { beamerarticle }
\ s e t j o b n a m e b e a m e r v e r s i o n { main . beamer }
\ input { main . tex }

Listing 6: main.beamer.tex
\ documentclass { beamer }
\ usetheme { Luebeck }

17
% \ usecolortheme { beaver }
% \ usepackage { beam erthem eshado w }
\ input { main . tex }

Listing 7: main.tex
\ usepackage { listings }

% %%%%%%%%%% Schriften %%%%%%%%%%%%


\ usepackage [ T 1]{ fontenc }
\ usepackage [ utf 8 x ]{ inputenc } % utf 8 x % latin 1
\ usepackage { lmodern }
% \ usepackage [ sc , osf ]{ mathpazo }
% \ linespread {1.05}

% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% M ikr ot yp og ra fi sc he Feinheiten :
\ usepackage { microtype }
% Andere Einstellungen siehe microtype - Handbuch
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\ usetheme { Szeged }

\ usepackage [ english , ngerman ]{ babel } % Sprachpaket : deutsch


\ usepackage [ babel , german = quotes ]{ csquotes } % Pakte f ü r " text ":
einstellungen von babel

% UMGEBUNG % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % %
\ newenvironment { angabe }
{ % \ begin { angabe }
\ only < article >{
\ begin { quotation }
\ begin { sffamily }
}
\ only < beamer >{
\ begin { exampleblock }{ Aufgabestellung }
}
}
{ % \ end { angabe }
\ only < article >{
\ end { sffamily }
\ end { quotation }
}
\ only < beamer >{
\ end { exampleblock }
}
}

% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\ newenvironment { interpretation }

18
{ % \ begin { interpretation }
\ begin { block }{ Interpretation }
}
{ % \ end { interpretation }
\ end { block }
}
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\ newcommand {\ beamertitle }[1]{\ only < beamer >{\ frametitle {#1}}}

\ PrerenderUnicode { ä }

\ input { spss . tex }


\ input { variablen . tex }

\ begin { document }
\ titlepage
\ only < article >\ tableofcontents
% %\ input { einleitung }
% \ part { Haus ü bungen }
\ input { hue 1. tex }
\ input { hue 2. tex }
\ input { hue 3. tex }
\ input { hue 4. tex }

\ appendix
\ frame < beamer >{ Danke .}
\ input { anhang . tex }

\ end { document }

Listing 8: hue1.tex
\ section { Haus ü bung 1}

\ begin { frame } < beamer >{ H ä ufigkeitsausz ä hlungen , Kreuztabelle }


\ tableofcontents [ currentsection , h i d e o t h e r s u b s e c t i o n s ]
\ end { frame }

\ subsection { H ä ufigkeitsausz ä hlungen }

\ begin { frame }
\ beamertitle { Verschaffen Sie sich einen Ü berblick durch
H ä u f i gk e i ts v e rt e i lu n g !}
\ begin { angabe }
Verschaffen Sie sich einen Ü berblick ü ber die
Verteilungen der Variablen f 8a - f 8d , indem Sie
H ä ufigkeitsverteilungen , zentrale Lage - und
Streuungsma ß e berechnen .
\ end { angabe }
\ end { frame }

19
\ begin { frame }[ fragile ]
\ beamertitle { Ma ß e f ü r ordinal skalierte Daten }
Da die Variablen \ emph { ordinal } skaliert sind die
erlaubten zentralen Lagema ß e der \ emph { Modus } und der
\ emph { Median }. Die erlaubten Steuungsma ß e sind
\ emph { Minimum } , \ emph { Maximum } und die sich daraus
ergebende \ emph { Spannweite }.

\ lstinputlisting [
frame = single ,
firstline =5 ,
lastline =7]{ hue 1. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { zentrale Lage - und Steuungsma ß e }
\ begin { center }
\ only < presentation >\ tiny
\ only < article >\ small
\ begin { tabular }{ l | p {2 cm } p {2 cm } p {2 cm } p {2 cm }}

& Zustimmung : wenig Arbeit , M ä nner eher


Recht auf Arbeit als Frauen &
Zustimmung : wenig Arbeit , J ü ngere eher
Recht auf Arbeit als Ä ltere &
Zustimmung : wenig Arbeit , Inl ä nder
eher Recht auf Arbeit als Ausl ä nder &
Zustimmung : wenig Arbeit , Gesunde eher
Recht auf Arbeit als Behinderte \\
\ hline \ hline
G ü ltig & 993 & 993 & 992 & 985 \\
Fehlend & 5 & 5 & 6 & 13 \\
\ hline
Median & 5 & 3 & 2 & 3 \\
Modus & 5 & 3 & 1 & 5 \\
Spannweite & 4 & 4 & 4 & 4 \\
Minimum & 1 & 1 & 1 & 1 \\
Maximum & 5 & 5 & 5 & 5 \\
\ end { tabular }
\ only < article >{\ captionof { table }{ zentrale Lage -
und Steuungsma ß e }}
\ label { tab :}
\ end { center }
\ end { frame }

\ begin { frame }
\ beamertitle { Rangreihen bilden }
\ begin { angabe }

20
Bilden Sie danach eine Rangreihe der Items nach
dem Prozentsatz der Zustimmung - fassen Sie
dabei die Kategorien \ enquote { stimme sehr zu }
und \ enquote { stimme eher zu } jeweils zusammen .
\ end { angabe }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Wert 1 und 2 zusammenfassen }
\ begin { itemize }
\ item Variable erstellen , die die Zustimmung
zusammenfasst . ( Zwei Auspr ä gungen : Zustimmung
und keine Zustimmung )
\ item H ä ufikeitsausz ä hlung .
\ end { itemize }

\ lstinputlisting [
frame = single ,
firstline =13 ,
lastline =18]{ hue 1. sps }

\ end { frame }

\ begin { frame }
\ beamertitle { Jugendliche sind Ausl ä nderfeindlich }
\ begin { center }
\ begin { tabular }{ lrr }
Variable & Rang & Zustimmung \\ \ hline
\ texttt { f 8 c \_ zust } & 1. & 54 ,3\ % \\
\ texttt { f 8 b \_ zust } & 2. & 30 ,6\ % \\
\ texttt { f 8 d \_ zust } & 3. & 24 ,6\ % \\
\ texttt { f 8 a \_ zust } & 4. & 16 ,7\ % \\

\ end { tabular }
\ only < article >{\ captionof { table }{ Rangreihe der
Items nach dem Prozentsatz der Zustimmung }}
\ label { tab :}
\ end { center }
\ begin { interpretation }
Mehr als die h ä lfte der Personen , die die Frage
beantwortet haben sind der Meinung Inl ä nder
sollen bei der Jobvergabe bevorzugt werden .
\ only < article >{ Ü ber ein viertel sind der Meinung
Gesunde sollen Behinderten bzw . J ü ngere Ä
lteren bei der Jobvergabe bevorzugt werden .
Bei den ersten drei R ä ngen ist der Gro ß teil
der Befragten durch Zustimmung bevorteilt .
( Junge , gesunde Inl ä nderInnen ) } Bei dem
letzten Rang , der Frage nach der Bevorteilung

21
von M ä nnern vermute ich eine Gleichverteilung
von M ä nnern und Frauen in der Umfrage .
\ end { interpretation }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Verteilung der von \ enquote { Geschlecht }}}
Eine H ä ufigkeitsauz ä hlung des Geschlechts
(\ texttt { f 68}) ergibt eine Gleichverteilung .

\ lstinputlisting [
frame = single ,
firstline =20 ,
lastline =21]{ hue 1. sps }

\ begin { center }
\ begin { tabular }{ ll }
m ä nnlich & 50 ,5\ % \\
weiblich & 49 ,5\ % \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Verteilung der
von \ enquote { Geschlecht }}}
\ label { tab :}
\ end { center }
\ end { frame }

\ subsection { Kreuztabelle }

\ begin { frame } < beamer >{ Kreuztabelle }


\ tableofcontents [ currentsection , currentsubsection ,
hideothersubsections ]
\ end { frame }

\ begin { frame }
\ begin { angabe }
Untersuchen Sie , ob Personen mit und ohne Matura
(\ texttt { bildung 2}) bestimmte Aussagen
( Varialben \ texttt { f 1 a } ( Arbeit ) , \ texttt { f 1 e }
( Politik ) sowie \ texttt { f 1 f } ( Religion ) )
anders beantworten .
\ end { angabe }

\ beamertitle { Skalenniveau }
Die Abh ä ngige Variabel sagt aus ob eine Person eine
Matura hat . Es handelt sich um eine \ emph { nominal }
skalierte Variabel mit zwei Auspr ä gungen , also eine
\ emph { dichotome } Variable . Die anderen ,

22
\ emph { unabh ä ngigen } Variablen sind \ emph { ordinal }
skaliert . ( Die Werte \ enquote {5} und \ enquote {6} sind
als fehlender Wert definiert . W ä re das nicht so w ä ren
die Variablen nominal skaliert .)
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Kreuztabelle mit K o n t i n g e n z k o e f f i z i e n t }
Um die Abh ä ngigkeit der Variablen zu ü berpr ü fen erstelle
ich eine Kreuztabelle und lasse mir den
$\ chi ^{2}$ - Test ausf ü hren und den
K o n t i n g e n z k o e f f i z i e n t e n ( Cramer - V ) mitausgeben .
\ only < article >{ Der $\ chi ^{2}$ - Test ü berpr ü ft ob ein
Zusammenhang besteht . Der K o n t i n g e n z k o e f f i z i e n t ist
bei nominalen Daten zul ä ssig und gibt die St ä rke des
Zusammenhangs der Daten an .}

\ lstinputlisting [
frame = single ,
firstline =27 ,
lastline =32]{ hue 1. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Politik am am abh ä ngigsten }
Anhand der Kreuztabelle kann man sehen , dass
\ enquote { Politik } noch am st ä rksten abh ä ngig von der
Matura ist .
\ begin { center }
\ begin { tabular }{ lrr }
Variable & $\ chi ^{2}$ - Test & Cramer - V \\
\ hline
Wichtige Bereiche im Leben : Arbeit &
0 ,024 & 0 ,105 \\
Wichtige Bereiche im Leben : Politik &
0 ,000 & 0 ,171 \\
Wichtige Bereiche im Leben : Religion &
0 ,084 & 0 ,88 \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Zusammenhangma ß e }}
\ label { tab :}
\ end { center }
\ end { frame }

\ begin { frame }
\ beamertitle { Schwacher Zusammenhang feststellbar }
\ begin { interpretation }
Der $\ chi ^{2}$ - Test ist bei einem
Signifikanz - Niveau von 5\ % bei Arbeit und bei

23
Politik unter dem Kritischen Wert , also wir
k ö nnen von einer Abh ä ngigkeit ausgehen . Der
Cramer - V ist unter 0 ,2. Das hei ß t der
Zusammenhang ist schwach .
\ end { interpretation }

\ end { frame }

Listing 9: hue2.tex
\ section { Haus ü bung 2}

\ begin { frame } < beamer >{ Rekodieren , Korrelation }


\ tableofcontents [ currentsection , h i d e o t h e r s u b s e c t i o n s ]
\ end { frame }

\ subsection { Variablen rekodieren }

\ begin { frame }
\ beamertitle { Verschaffen Sie sich einen Ü berblick durch
H ä u f i gk e i ts v e rt e i lu n g !}
\ begin { angabe }
Untersuchen Sie mittels K r e u z t a b e l l e n a n a l y s e
( inkl . zul ä ssiger Assoziationsma ß e ) , ob sich
die Einstellung der Jugendlichen zu Politik
(\ texttt { f 1 e }) nach und Geschlecht
(\ texttt { f 68}) , Alter (\ texttt { f 69}) und
Wohnortgr ö ß e (\ texttt { f 82}) unterscheidet .
\ end { angabe }
\ end { frame }

\ begin { frame }
\ frametitle { Geschlecht -- Ineresse an Politik }
Das Geschlecht ist \ emph { nominal } skaliert , aber da es
nur zwei Auspr ä gungen gibt , darf es wie metrische
Daten behandelt werden . Die Einstellung zu Politik ist
\ emph { ordinal } skaliert . Ich verwende den
$\ chi ^{2}$ - Test um festzustellen ob es ü berhaupt eine
Abh ä ngigkeit zwischen den Variablen gibt . Weiters
lasse ich mir den Cramer - V ausgeben um die St ä rke des
Zusammenhangs anzuzeigen und den Kendall - Tau - C und den
Spearman ob eine Tendenz in eine Richtung feststellbar
ist .
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { zentrale Lage - und Steuungsma ß e }
\ lstinputlisting [
frame = single ,
firstline =6 ,

24
lastline =12]{ hue 2. sps }

\ begin { center }
\ begin { tabular }{ lr }
$\ chi ^{2}$ - Test & 0 ,004 \\
Cramer - V & 0 ,117 \\
Spearman & 0 ,07 \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Geschlecht --
Interesse an Politik }}
\ label { tab :}
\ end { center }
\ end { frame }

\ begin { frame }
\ beamertitle { Geringer Zusammenhang }
\ begin { interpretation }
Es besteht ein Zusammenhang . Der Zusammenhang ist
gering . Man kann nicht sagen , dass Frauen oder
M ä nner mehr interesse f ü r Politik haben .
\ end { interpretation }
\ begin { angabe }
F ü hren Sie diese Berechnungen einerseits mit den
urspr ü nglichen Variablen , andererseits auch mit
rekodierten Variablen durch .
\ end { angabe }
Es erscheint mir keine rekodierung Sinnvoll .
\ end { frame }

\ begin { frame }[ fragile ]


\ frametitle { Alter -- Interesse an Politik }
Alter ist \ emph { metrisch } skaliert . Es beinh ä lt Daten von
14 - -24. Da mein geringstes Niveau diesmal wieder
\ emph { ordinal } ist gehe ich wie oben vor .
\ lstinputlisting [
frame = single ,
firstline =16 ,
lastline =22]{ hue 2. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Korrelation feststellbar }
\ begin { center }
\ begin { tabular }{ lr }
$\ chi ^{2}$ - Test & 0 ,000 \\
Cramer - V & 0 ,163 \\
Spearman & - -0 ,216 \\

25
\ end { tabular }
\ only < article >{\ captionof { table }{ Alter --
Interesse an Politik }}
\ label { tab :}
\ end { center }
\ begin { interpretation }
Es besteht ein Zusammenhang . Der Zusammenhang ist
gering . Eine geringe Tendenz ist
festzustellen . ( Umso ä lter umso mehr Interesse )
\ end { interpretation }
\ end { frame }

\ begin { frame }[ fragile ]


Mich interesiert nun dei Gruppe der \ enquote { Neu - W ä hler } ,
also der 16 - -17 J ä hrigen . Ich kodiere die Variable
Alter in eine ordinale Variable mit drei Auspr ä gungen
um .
\ lstinputlisting [
frame = single ,
firstline =24 ,
lastline =33]{ hue 2. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { W ä hlen ab 16?}
\ begin { center }
\ begin { tabular }{ r | llll | l }
& 1 & 2 & 3 & 4 & \ sum \\
\ hline
14 - -15 Jahre & 8.3\ % & 11.9\% & 43.7\% &
35.9\% & 100\% \\
15 - -16 Jahre & \ color { red }3.2\ % & 15.2\%
& 45.6\% & 35.9\% & 100\% \\
17 - -24 Jahre & 7.7\ % & 25.2\% & 49.1\%&
17.9\% & 100\% \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Altersgruppen --
Interesse an Politik }}
\ label { tab :}
\ end { center }
\ begin { interpretation }
Die \ enquote { neuen W ä hler } sind offenbar nicht
sehr an Politik interessiert .
\ end { interpretation }
\ end { frame }

\ begin { frame }[ fragile ]


\ frametitle { Wohnortgr ö ß e -- Interesse an Politik }
Die Wohnortgr ö ß e ist \ emph { ordinal } skaliert und hat acht

26
Auspr ä gungen . Ich verfahre wie bei den zwei anderen
Bespielen .
\ lstinputlisting [
frame = single ,
firstline =37 ,
lastline =43]{ hue 2. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { geringer Zusammenhang }
\ begin { center }
\ begin { tabular }{ lr }
$\ chi ^{2}$ - Test & 0 ,035 \\
Cramer - V & 0 ,110 \\
Spearman & 0 ,002 \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Alter --
Interesse an Politik }}
\ label { tab :}
\ end { center }
\ begin { interpretation }
Es besteht wieder ein Zusammenhang und er ist
sehr , sehr gering .
\ end { interpretation }
\ end { frame }

\ begin { frame }
\ beamertitle { Kategorien begr ü nden }
\ begin { angabe }
Begr ü nden Sie die Kategorien , die Sie im Zuge der
Rekodierungen bilden und interpretieren Sie
jeweils die Ergebnisse . Dokumentieren Sie
dabei auch Unterschiede , die sich durch die
Verwendung der umkodierten im Vergleich zu den
urspr ü nglichen Variablen ergeben .
\ end { angabe }
\ end { frame }

\ begin { frame }
\ beamertitle { Wohnortgr ö ß en ü berpr ü fen }
Da ich die Kategorien der Wohnortsgr ö ß e nicht ganz
nachvollziehen kann , kodiere ich so um , dass die
Variable dann ann ä hernd gleichverteilt ist .
Daf ü r mache ich zuerst eine H ä ufigkeitsausz ä hlung mit
Histogram .
\ lstinputlisting [
frame = single ,
firstline =45 ,
lastline =47]{ hue 2. sps }

27
\ end { frame }

\ begin { frame }
\ beamertitle { Wohnortgr ö ß en umkodieren }
Anhand der H ä ufigkeiten erstelle ich meine neue Variable .

\ lstinputlisting [
frame = single ,
firstline =50 ,
lastline =51]{ hue 2. sps }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { H ä ufigkeiten und Korrelationen }
Jetzt gehe ich wieder wie oben vor .
\ lstinputlisting [
frame = single ,
firstline =53 ,
lastline =63]{ hue 2. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Nicht Signifikant }
$\ chi ^{2}$ - Test ist mit 0 ,495 \ emph { nicht
Signifikant }. Das hei ß t wir k ö nnen bei
gleichm ä ß ig verteilten Kategorien nicht mehr
von einem Zusammenhang ausgehen . Die anderen
Werte best ä tigen das . Das best ä tigt f ü r mich
die Problematik bei der Katego rienb ildung .
\ end { frame }

\ subsection { K o r re l a ti o n sa n a l ys e }

\ begin { frame }
\ beamertitle { K o r re l a ti o n sa n a ly s e }
\ begin { angabe }
Untersuchen Sie den Zusammenhang zwischen
Einstellung zu Politik ( f 1 e ) und Geschlecht
( f 68) bzw . Vertrauen in das Parlament ( f 61 f ) ,
politische Parteien ( f 61 l ) und die Polizei
( f 61 e ) mittels K o r re l a ti o n sa n a l ys e .
\ end { angabe }
Die Variablen \ enqote { Interesse an Politik } und
Geschlecht wurde schon weiter oben in Zusammenhang
gesetzt .
\ end { frame }

\ begin { frame }
\ frametitle { Vertrauen in \ dots }

28
Ich gehe davon aus das es starke Korrelationen zwischen
Vertrauen in Partein und Vertrauen in das Parlament
gibt .

Das Skalenniveau unsere Variablen ist \ emph { ordinal }. Die


richtige Messgr ö ß e f ü r die Korrelation ist daher der
\ emph { Spearman } - R a n k o r r e l a t i o n s k o e f f i z i e n t .
\ end { frame }

\ begin { frame }
\ beamertitle { Korrelation - Vertrauen in \ dots }
\ lstinputlisting [
frame = single ,
firstline =70 ,
lastline =73]{ hue 2. sps }
\ begin { center }
\ begin { tabular }{ l | lll }
& Polizei & Parlament & Parteien \\
\ hline
Polizei & 1 & 0 ,457 & 0 ,244 \\
Parlament & 0 ,457 & 1 & 0 ,512 \\
Parteien & 0 ,244 & 0 ,512 & 1 \\
\ end { tabular }
\ only < article >{\ captionof { table }{ Korrelationen -
Vertrauen in \ dots }}
\ label { tab :}
\ end { center }
\ end { frame }

Listing 10: hue3.tex


\ section { Haus ü bung 3}

\ begin { frame } < beamer >{ Korrelationen und Rekodieren }


\ tableofcontents [ currentsection , h i d e o t h e r s u b s e c t i o n s ]
\ end { frame }

\ subsection { Vor ü berlegungen }

\ begin { frame }
\ beamertitle { Vor ü berlegungen }
\ begin { angabe }
Berechnen und interpretieren Sie den korrekten
Test um zu pr ü fen , ob Unterschiede
hinsichtlich der Erfahrungen mit esoterischen
Praktiken nach Geschlecht , Bildung und
Ortsgr ö ß e bestehen .
\ end { angabe }
\ end { frame }

29
\ begin { frame }
\ beamertitle { Skalenniveaus }
\ begin { description }
\ item [ esoterische Erfahrungen ] nominal
( ordinalisierbar )
\ item [ Geschlecht ] nominal , darf wegen dichotomie
als metrisch behandelt werden .
\ item [ Bildung ] nominal
\ item [ Ortsgr ö ß e ] ordinal
\ end { description }
\ end { frame }

\ begin { frame }
\ beamertitle { Testauswahl }
\ begin { angabe }
Entscheiden Sie sich f ü r den ad ä quaten Test und
begr ü nden Sie diese Entscheidung .
\ end { angabe }
Da die abh ä ngigen Variablen alle nominal sind ist der
anzuwendende Test der $\chi[U+FFFD] $ - Test . Die St ä rke der
Abh ä ngigkeit wird standardisiert mit dem Cramer - V
ausgegeben . ( Der Signifikanz - Parameter des
$\chi[U+FFFD]
$ - Test wird mit dem Cramer - V mit ausgegeben )
Bei signifikanten Abh ä ngigkeiten empfielt sich eine
ordinalisierung und eine Ü berpr ü fung einer
Korrelation . Daf ü r eignet sich der
Spearman - K o r r e l a t i o n s k o e f f i z i e n t .
\ end { frame }
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\ subsection { Esoterik -- Geschlecht }

\ begin { frame }[ fragile ]


\ beamertitle { Esoterik -- Geschlecht }
\ lstinputlisting [
frame = single ,
firstline =8 ,
lastline =13]{ hue 3. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Talisman ist am st ä rksten Abh ä ngig }
\ begin { center }
\ begin { tabular }{ lrr }
& $\chi[U+FFFD]
$ - Test & Cramer - V \\
\ hline
Yoga & 0 ,000 & 0 ,206 \\
Medidation & 0 ,000 & 0 ,255 \\
Talisman & 0 ,000 & \ color { red }0 ,374 \\

30
Tischerlr ü cken & 0 ,000 & 0 ,179 \\
Mondphasen & 0 ,000 & 0 ,316 \\
alt . Medizin & 0 ,000 & 0 ,262 \\
Tarot , etc . & 0 ,000 & 0 ,201 \\
\ end { tabular }
\ label { tab :}
\ end { center }
\ end { frame }

\ begin { frame }
\ beamertitle { Daten sind abh ä ngig }
Jedes Wertepaar ist hochsignifikant von einander
abh ä ngig . Bei Talisman zu Geschlecht ist die
Abh ä ngigkeit am h ö chsten . Um eine Korrelation zu ü
berpr ü fen kodiere ich \ enquote { Talisman } ( und gleich
auch alle anderen ) zu einer ordinal Skalierten
Variable um . Danach lasse ich mir zus ä tzlich den
Spearman ausgeben .
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Ordinalisieren f ü r Spearman }
\ lstinputlisting [
frame = single ,
firstline =16 ,
lastline =23]{ hue 3. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { M ä dchen benutzen Talism ä nner ö fter }
Der Zusammenhang hat ein klein wenig abgenommen ( Cramer :
von 0 ,374 auf \ textbf {0 ,368}) und es ist einer m ä ß ige
negative Korrelation ( Spearman : \ textbf { - -0 ,354})
festzustellen . Das hei ß t : es besteht eine Tendenz ,
dass M ä dchen ö fter Talism ä nner benutzen als Buben .
\ end { frame }

% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\ subsection { Esoterik -- Bildung }

\ begin { frame }[ fragile ]


\ beamertitle { Umkodieren }
\ lstinputlisting [
frame = single ,
firstline =29 ,
lastline =30]{ hue 3. sps }
\ end { frame }

\ begin { frame }[ fragile ]

31
\ beamertitle { Esoterik -- Bildung }
\ lstinputlisting [
frame = single ,
firstline =32 ,
lastline =37]{ hue 3. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Abh ä ngigkeit bei \ enquote { Yoga } und
\ enquote { Medidation }}
\ begin { center }
\ begin { tabular }{ lrr }
& $\chi[U+FFFD]
$ - Test & Cramer - V \\
\ hline
Yoga & 0 ,017 & 0 ,106 \\
Medidation & 0 ,001 & 0 ,121 \\
Talisman & 0 ,893 & \\
Tischerlr ü cken & 0 ,718 & \\
Mondphasen & 0 ,414 & \\
alt . Medizin & 0 ,113 & \\
Tarot , etc . & 0 ,128 & \\
\ end { tabular }
\ label { tab :}
\ end { center }

Es gibt eine geringe Abh ä ngigkeit bei Yoga und


Medidation . Bei den anderen Wertepaaren gibt es keine
signifikante Abh ä ngigkeit . Sprich : Man kann nicht
sagen , dass das Tragen von Talism ä nnern mit der
Bildung zusammen h ä ngt .
\ end { frame }

\ subsection { Esoterik -- Ortsgr ö ß e }

\ begin { frame }
\ beamertitle { Esoterik -- Ortsgr ö ß e }
Es wird wie oben vorgegangen . Bei Yoga , Talisman ,
Tischerlr ü cken und Tarot gibt es signifikante
Abh ä ngigkeiten . Sie sind alle sehr gering .
Korrelationen mit den ordinalisierten Variablen sind
nicht signifikant .
\ end { frame }

Listing 11: hue4.tex


\ section { Haus ü bung 4}

\ begin { frame } < beamer >{ Typ , Skala , Index }


\ tableofcontents [ currentsection , h i d e o t h e r s u b s e c t i o n s ]
\ end { frame }

32
\ subsection { Typenbildung }

\ begin { frame }
\ beamertitle { Typ mit politischem Interesse und Geschlecht }
\ begin { angabe }
Bilden Sie folgenden Typ ( und lassen Sie sich
anschlie ß end eine H ä ufigkeitsausz ä hlung
ausgeben ) : politisches Interesse ja / nein und
Geschlecht .
\ end { angabe }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { IF OR AND =}
Die Typenbildung erfolgt nach dem Schema : Wenn X ist a
oder b und Y ist c dann bilde einen Typen mit dem Wert
d.

\ lstinputlisting [
frame = single ,
firstline =3 ,
lastline =7 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Typ ü berpr ü fen }
Zur Sichheit machen wir noch eine H ä ufigkeitsausz ä hlung .

\ lstinputlisting [
frame = single ,
firstline =9 ,
lastline =11 ,]
{ hue 4. sps }
\ end { frame }

% % % % %% % % %% % % %% % % %% % %
\ subsection { Skala : \ enquote { Politisches Interesse }}

\ begin { frame }
\ beamertitle { Variablen finden }
\ begin { angabe }
W ä hlen Sie 5 -8 Items aus dem Datensatz aus , die
Ihrer Ansicht nach dazu geeignet sind , das
politische Interesse der befragten Personen
ad ä quat abzubilden .
\ end { angabe }

33
\ begin { description }
\ item [ f 1 e ] Wichtige Bereiche im Leben : Politik
\ item [ f 31 c ] Zustimmung : Welt verantwortl .
mitzugestalten
\ item [ f 31 g ] Zustimmung : feste poltische Ü
berzeugung
\ item [ f 56] Politikinteresse
\ item [ f 57] Sprechen Sie mit Freunden ü ber Politik ?
\ item [ f 58] H ä ufigkeit Konsum von polit .
Nachrichten ?
\ end { description }
\ end { frame }

\ begin { frame }
\ beamertitle { Items : Richtung , Auspr ä gungen }
\ begin { angabe }
Achten Sie darauf , dass
\ begin { itemize }
\ item die Items in die gleiche Richtung
gepolt sind .
\ item die Spannweiten der Items
vergleichbar sind .
\ end { itemize }
Ist dies nicht der Fall , korrigieren Sie dies
durch entsprechende Umkodierungen .
\ end { angabe }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Variablen rekodieren }
Ich kodiere die Variablen um .

\ lstinputlisting [
frame = single ,
firstline =15 ,
lastline =20 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Reliabilit ä tsanalyse }
\ begin { angabe }
F ü hren Sie anschlie ß end eine Reliabilit ä tsanalyse
durch , um zu pr ü fen , ob die Items f ü r die
Skalenbildung geeignet sind . Schlie ß en Sie
wenn n ö tig Items , die der Qualit ä t der
Gesamtskala schaden , schrittweise aus .
\ end { angabe }

34
\ lstinputlisting [
frame = single ,
firstline =22 ,
lastline =26 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Skala berechnen }
Ich entscheide mich alle Variablen in der Skala zu
lassen . So verliere ich weniger F ä lle und das ist mir
wichtiger als einen hohen Wert .

\ begin { angabe }
Bilden Sie eine Skala mittels
[U+FFFD]COMPUTE[U+FFFD]
.
\ end { angabe }

\ lstinputlisting [
frame = single ,
firstline =28 ,
lastline =29 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { Mittelwert }
\ begin { angabe }
Berechnen Sie den Mittelwert der Skala und
interpretieren Sie das Ergebnis .
\ end { angabe }

\ lstinputlisting [
frame = single ,
firstline =31 ,
lastline =34 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Mittelwert }
\ begin { interpretation }
Der Mittelwert von 3 ,2 bei m ö glichen Werten von
1 - -5 dass der Mittelwert der Skala nahe dem
Mittelwert der m ö glichen Auspr ä gungen ist .
\ end { interpretation }
\ end { frame }

% % % % %% % % %% % % %% % % %% % %
\ subsection { Mit Skala testen }

35
\ begin { frame }
\ beamertitle { Skala nach Geschlecht und Matura testen }
\ begin { angabe }
Pr ü fen Sie , ob sich das politische Interesse
( gemeint ist hier die von Ihnen gebildete
Skala !) nach Geschlecht und bildung 2
unterscheidet , indem Sie einen geeigneten
( parametrischen oder n i c ht p a r am e t ri s c he n ) Test
ausw ä hlen .
\ end { angabe }
\ end { frame }

\ begin { frame }
\ beamertitle { dichotom $\ rightarrow $ Pearson }
Beide unabh ä ngigen Variablen sind dichotom und d ü rfen
also wie metrisch behandelt werden . Auch eine Skala
darf wie metrisch behandelt werden . Weiters darf in
allen F ä llen ( God knows why ) von einer
Normalverteilung ausgegangen werden . Also sind alle
Kriterien gegeben um den
Pearson - K o r r e l a t i o n k o e f f i z e n t e n verwenden zu d ü rfen .
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle { negativer Zusammenhang }
\ lstinputlisting [
frame = single ,
firstline =38 ,
lastline =41 ,]
{ hue 4. sps }

Es gibt einen negativen Zusammenhang ( Pearson : - -0 ,284) zwischen


der Variablen politisches Interesse und Matura .
\ end { frame }

\ begin { frame }
\ beamertitle { Skala nach Geschlecht und Matura testen }
\ begin { angabe }
Interpretieren Sie das Ergebnis .
\ end { angabe }

\ begin { interpretation }
Bei Jugendlichen mit Matura steigt ist die
Wahrscheinlichkeit , dass Sie sich f ü r Politik
interessieren gr ö ß er als bei Jugendlichen die
kein Matura haben . Man darf nicht vergessen ,
dass hier das Alter aus dem Spiel genommen
wurde . Es haben garnicht alle Jugendlichen die

36
M ö glichkeit schon maturiert zu haben . Weiters
korreliert das Alter mit der Skala auch
( Pearson : 2 ,12) . Das Ergebnis sagt nicht
soviel aus , wie es auf den ersten Blick
scheint .
\ end { interpretation }
\ end { frame }

% %%%%%%%%%%%%%%%%%%%%%
\ subsection { Z ä hlindex }

\ begin { frame }
\ beamertitle { Z ä hlindex bilden }
\ begin { angabe }
Bilden Sie aus nachfolgenden Items einen
Z ä hlindex um die Religiosit ä t der befragten
Personen zu messen :
\ begin { itemize }
\ item f 38 a : Religi ö se Feier bei
Kindesgeburt wichtig ?
\ item f 38 b : Feier bei Hochzeit wichtig ?
\ item f 38 c : Feier bei Beerdigung wichtig ?
\ item f 40 a : Glauben Sie an Gott ?
\ item f 40 c : Glauben Sie an die H ö lle ?
\ item f 40 d : Glauben Sie an den Himmel ?
\ end { itemize }
\ end { angabe }
\ end { frame }

\ begin { frame }[ fragile ]


\ beamertitle {\ enquote { ja } z ä hlen }
Alle Variablen haben vier Auspr ä gungen : \ enquote { ja } ,
\ enquote { nein } , \ enquote { wei ß nicht } und
\ enquote { k .\ , A .}. Ich z ä hle die \ enquote { ja }.

\ lstinputlisting [
frame = single ,
firstline =45 ,
lastline =46 ,]
{ hue 4. sps }
\ end { frame }

\ begin { frame }
\ beamertitle { Fast 50\ % ja }
\ begin { angabe }
Interpretieren Sie das Ergebnis !
\ end { angabe }

\ begin { interpretation }

37
Im Durchschnitt werden fast die H ä fte aller
Fragen der Skala Religi ö sit ä t mit \ enquote { ja }
beantrwortet .
\ end { interpretation }
\ end { frame }

Listing 12: anhang.tex


\ mode *
\ section { Anhang }
\ subsection { SPSS - Syntax komplet }

\ lstinputlisting [
frame = single ,
caption = hue 1. sps ,
]{ hue 1. sps }

\ lstinputlisting [
frame = single ,
caption = hue 2. sps ,
]{ hue 2. sps }

\ lstinputlisting [
frame = single ,
caption = hue 3. sps ,
]{ hue 3. sps }

\ lstinputlisting [
frame = single ,
caption = hue 4. sps ,
]{ hue 4. sps }

\ subsection {\ LaTeX - Syntax }

\ lstset { language =[ LaTeX ] TeX }

\ lstinputlisting [
frame = single ,
caption = main . article . tex ,
]{ main . article . tex }

\ lstinputlisting [
frame = single ,
caption = main . beamer . tex ,
]{ main . beamer . tex }

\ lstinputlisting [
frame = single ,
caption = main . tex ,
]{ main . tex }

38
\ lstinputlisting [
frame = single ,
caption = hue 1. tex ,
]{ hue 1. tex }

\ lstinputlisting [
frame = single ,
caption = hue 2. tex ,
]{ hue 2. tex }

\ lstinputlisting [
frame = single ,
caption = hue 3. tex ,
]{ hue 3. tex }

\ lstinputlisting [
frame = single ,
caption = hue 4. tex ,
]{ hue 4. tex }

\ lstinputlisting [
frame = single ,
caption = anhang . tex ,
]{ anhang . tex }

\ lstinputlisting [
frame = single ,
caption = variablen . tex ,
]{ variablen . tex }

\ lstinputlisting [
frame = single ,
caption = spss . tex ,
]{ spss . tex }

Listing 13: variablen.tex


\ date { Sommersemester 2011}
\ title { Elementare Datenanalyse mit EDV }
\ subtitle { Haus ü bungen mit \ LaTeX }
\ author { Peter Flucher }

Listing 14: spss.tex


% SPSS Definieren
\ lstde finela nguag e { spss }
{ morekeywords ={ OR , AND , STDDEV , VARIANCE , MINIMUM , MAXIMUM , MEAN ,
MEDIAN , MODE , SKEWNESS , SESKEW , KURTOSIS , SEKURT , ANALYSIS ,
VARIABLES , ELSE , INTO , thru , SCOPE , USERMISSING , ALPHA ,

39
CILEVEL , AVALUE , TABLES , PHI , COUNT , ROW , ROUND , CELL , BY ,
CHISQ , SPEARMAN , TWOTAIL , NOSIG , CTAU , PAIRWISE } ,
sensitive = false ,
morecomment =[ l ]{*} ,
morecomment =[ s ]{/*}{*/} ,
morestring =[ b ]" ,
}

% SPSS Einstellen
\ lstset {
language = spss ,
breaklines ,
breakatwhitespace ,
basicstyle =\ small \ ttfamily , % print whole listing small
keywordstyle =\ color { red } ,
emph ={ NONPAR , CORR , CROSSTABS , STATISTICS , DATASET , ACTIVATE ,
RECODE , EXECUTE , COMPUTE , FREQUENCIES , NPTESTS , IF ,
CORRELATIONS , RELIABILITY } , % hard blue
emphstyle =\ color { blue }\ bfseries ,
emph ={[2] BARCHART , ORDER , ONESAMPLE , TEST , MISSING ,
CRITERIA , TABLES , FORMAT , PRINT , CELLS , COUNT , SCALE , MODEL ,
SUMMARY } , % green leider ohne /
emphstyle ={[2]\ color { green }} ,
emph ={[3] ANALYSIS , EXCLUDE , TOTAL } ,
emphstyle ={[3]\ color { orange }} ,
% underlined bold black keywords
identifierstyle = , % nothing happens
commentstyle =\ color { gray } , % white comments
% morecomment =[ s ][\ color { green }]{/}{\ } ,
stringstyle =\ ttfamily , % typewriter type for strings
showstringspaces = false % no special string spaces
}
% settings for listings package
\ lstset { extendedchars = true , [...]}
% enables UTF -8 in source code :
\ lstset { literate ={ ä }{{\" a }}1 { ö }{{\" o }}1 { ü }{{\" u }}1 { Ä }{{\" A }}1
{Ö}
{{\" O }}1 { Ü }{{\" U }}1 { ß }{\ ss }1}

40