Ähnlich wie bei der Clusteranalyse (CA) geht es bei der Latent-Class-Analysis (LCA) um ein Verfahren der Klassifizierung von Objekten (z.B. Personen) mit Hilfe einer Anzahl von vorab an ihnen erhobenen bzw. gemessenen Merkmalen (manifeste Variable). Ein entscheidender Unterschied zwischen beiden Verfahren besteht darin, dass die Aufteilung der Objekte in homogene Klassen aufgrund einer latenten Variablen vorgenommen wird, die aus den direkt beobachtbaren Variablen abgeleitet wird. Personen aus einer mittels der LCA identifizierten Klasse zeigen ein ähnliches Antwortverhalten bezüglich der Variablen, die in der Analyse berücksichtigt wurden. Personen aus verschiedenen Klassen zeigen hinsichtlich der entsprechenden erhobenen Merkmale unterschiedliche (heterogene) Antwortmuster bzw.
-profile. Ein Vorteil der LCA gegenüber der CA besteht u.a. darin, dass Variablen mit unterschiedlichem Skalenniveau simultan analysiert werden können. Insbesondere die häufig in den Sozialwissenschaften vorkommenden nominalskalierten Variablen können angemessen in die Analyse aufgenommen werden. Die LCA liefert zudem im Gegensatz zur CA Statistiken mittels derer unter Angaben einer bestimmten Irrtumswahrscheinlichkeit entschieden werden kann, wie viele homogene Subgruppen in der untersuchten Stichprobe von Objekten vorliegen und wie groß diese sind. Damit können mittels der LCA neben explorativen Analysen (wie bei der CA) auch hypothesenprüfende (konfirmatorische) Analysen durchgeführt werden. Für jede Person wird außerdem angegeben, mit welcher Wahrscheinlichkeit sie den jeweiligen Gruppen bzw. Klassen angehört.
Nach einer Einführung in die konzeptionellen und mathematischen Grundlagen der LCA haben die SeminarteilnehmerInnen die Möglichkeit, an vorgegebenen Datensätze am Rechner die Durchführung entsprechender Analysen und die angemessene inhaltliche Interpretation der Software-Outputs zu erlernen.
a) Master of Arts: Voraussetzung ist die Zulassung zum Master of Arts Erziehungswissenschaft,
Elementare Kenntnisse in SPSS werden erwartet
b) DSE-Studium: Vordiplom
Elementare Kenntnisse in SPSS werden erwartet
Andreß, H..-J./Hagenaars, J.A./Kühnel, S. (1997): Analyse von Tabellen und kategorialen Daten. Berlin: Springer, Kap. 4, S. 209-259.
Bacher, J./Vermunt, J.K. (2010): Analyse latenter Klassen. In: Wolf, C./Best, H.: Handbuch der sozialwissenschaftlichen Datenanalyse. Wiesbaden: VS Verlag für Sozialwissenschaften, Kap. 22, S. 553-574.
Formann, A.K. (1993): Die Latent-Class-Analyse. Weinheim: Beltz 1984.
Gollwitzer, Mario (2007): Testtheorie und Fragebogenkonstruktion. Berlin: Springer, Kap. 12: Latent-Class-Analysis, S. 280-308.
Langeheine, R./Rost, J. (1996). Latent-Class-Analyse. In: Erdfelder, E. u.a. (Hrsg.): Handbuch Quantitative Methoden. Weinheim: Psychologie Verlags Union 1996, S. 315-332.
Rhythmus | Tag | Uhrzeit | Format / Ort | Zeitraum |
---|
Studiengang/-angebot | Gültigkeit | Variante | Untergliederung | Status | Sem. | LP | |
---|---|---|---|---|---|---|---|
Erziehungswissenschaft / Master | (Einschreibung bis SoSe 2011) | ME 2.3 | 3/5 | aktive Teilnahme oder EL (unbenotet) oder EL (benotet) | |||
Informatik für Geistes- und Sozialwissenschaftler/innen | B | scheinfähig | |||||
Pädagogik / Erziehungswissenschaft / Diplom | (Einschreibung bis SoSe 2008) | H.3.4; H.3.6 | scheinfähig |
Regelmäßige Teilnahme:
Teilnahme an mindestens 80% aller Lehrveranstaltungstermine im SS 2011
Aktive Teilnahme:
a) Master of Arts: Lösung von Übungsaufgaben im Rahmen des Blockseminars
b) DSE-Studium: Vergabe eines Leistungsnachweises („Scheines“) im DSE-Studium
s.o. unter „aktive Teilnahme“ (a)