Statistical Methods for the Social Sciences

Wenn du Umfragen liest, Studien durchführst oder Programme bewertest, zeigt dir dieses Buch, wie du Signal von Zufall unterscheidest. Es passt für Studenten der Sozialwissenschaften, Policy-Analysten und autodidaktische Datenleser, die Strenge ohne maßtheoretische Beweise wollen. Agrestis Beispiele stammen aus echten Forschungsfragen, also kommt jede Methode an ein Problem gekoppelt, dem du tatsächlich begegnen könntest.

1. 1Kapitel 1–3

   Fang mit den Daten an, die du sehen kannst

   Ein Student öffnet das Buch und erwartet Formeln – und bekommt stattdessen eine Frage: Was bedeuten diese Zahlen? Agresti beginnt mit der Beschreibung – Histogramme, Mittelwerte, Mediane, Standardabweichungen – und nutzt echte sozialwissenschaftliche Daten zu Dingen wie Einkommen und Bildung. Bevor irgendeine Inferenz stattfindet, lernst du, eine unordentliche Stichprobe in ein paar ehrliche Zahlen zusammenzufassen. Der Lohn kommt, wenn diese Zusammenfassungen aufhören, Rechenaufgaben zu sein, und zur Beweisgrundlage für jede spätere Behauptung werden.

   Die Idee

   Beschreibung ist kein Warm-up, sondern das Fundament der Inferenz. Ein Mittelwert ohne Gefühl für die Streuung sagt dir fast nichts, und eine Grafik kann Strukturen offenlegen, die kein Test anzeigt. Agrestis Reihenfolge ist wichtig: Du kannst nicht beurteilen, ob eine Stichprobe ungewöhnlich ist, bevor du weißt, wie typisch aussieht. Direkt zu p-Werten zu springen ist, als würde man eine Klausur benoten, ohne die Antworten zu lesen.

   Probier es aus: Nimm einen beliebigen Datensatz, den du hast, und berechne Mittelwert und Median nebeneinander; weichen sie stark ab, zeichne ein Histogramm, bevor du einem von beiden glaubst.

2. 2Kapitel 4–5

   Wahrscheinlichkeit als Sprache der Ungewissheit

   Das Buch dreht sich von der Beschreibung von Stichproben zum Schließen über Grundgesamtheiten, und die Wahrscheinlichkeit wird zur Brücke. Agresti arbeitet Stichprobenverteilungen durch – was passiert, wenn man wiederholt Stichproben aus derselben Grundgesamtheit zieht –, sodass die Normalglocke aufhört, Dekoration zu sein, und anfängt zu arbeiten. Der zentrale Grenzwertsatz kommt als der Grund, warum Mittelwerte sich vorhersehbar verhalten, selbst wenn einzelne Beobachtungen es nicht tun. Am Ende dieses Abschnitts hat der Zufall eine Grammatik.

   Die Idee

   Stichprobenverteilungen sind die wichtigste Idee der einführenden Statistik – und die schwerste zu begreifen. Sobald du eine Stichprobenkennzahl als eine einzige Ziehung aus ihrer eigenen Verteilung siehst, hören Konfidenzintervalle und Signifikanztests auf, Rituale zu sein. Die Normalverteilung ist weniger wichtig, weil Daten normal sind, sondern mehr, weil Mittelwerte vieler Beobachtungen zu ihr konvergieren. Diese Konvergenz ist es, die der Sozialwissenschaft erlaubt, aus bescheidenen Stichproben Behauptungen zu machen.

   Probier es aus: Simuliere 1.000 Stichprobenmittelwerte aus irgendeinem Datensatz, notfalls mit einer Tabellenkalkulation, und beobachte, wie sich das Histogramm der Mittelwerte um die Wahrheit zusammenzieht.

3. 3Kapitel 5–6

   Konfidenzintervalle: ein Bereich, kein Urteil

   Agresti baut das Konfidenzintervall als Arbeitstier der Schätzung auf: ein Punktschätzer plus ein Fehlermarginal, mit 95% Konfidenz als sozialwissenschaftlichem Standard. Er zeigt das Intervall für einen Mittelwert, dann für einen Anteil, und betont, was das Konfidenzniveau über wiederholte Stichproben hinweg tatsächlich verspricht. Die Sache ist praktisch – ein Umfragebericht, der nur eine Prozentzahl nennt, ohne Intervall, sagt dir weniger, als es scheint.

   Die Idee

   Ein Konfidenzintervall ist eine Aussage über die Methode, nicht über ein einzelnes Intervall: Wendet man das Verfahren viele Male an, erfasst es den Parameter in 95% der Fälle. Das ist subtiler als die populäre Lesart, ein gegebenes Intervall habe eine 95%ige Chance, die Wahrheit zu enthalten. Intervalle neben Schätzern zu berichten erzwingt Ehrlichkeit über die Präzision, und breite Intervalle sind eine Warnung, kein Versagen. Schätzung beantwortet die wissenschaftliche Frage meist besser als eine bloße Annehmen-oder-Ablehnen-Entscheidung.

   Probier es aus: Wenn du das nächste Mal eine Umfragezahl siehst, verlange den Fehlermarginal und berechne das Intervall selbst, bevor du einen Schluss ziehst.

4. 4Kapitel 6–7

   Signifikanztests und ihre Versuchungen

   Hier führt Agresti durch die Fünfschritt-Logik eines Signifikanztests – Annahmen, Hypothesen, Teststatistik, p-Wert, Schlussfolgerung – mit Beispielen wie dem Test, ob eine neue Lehrmethode die Noten verändert. Die Nullhypothese wird als die Position des Skeptikers formuliert: kein Effekt, bis die Beweise etwas anderes sagen. Er zeigt, wie der p-Wert die Überraschung unter dieser Null misst, und wie ein kleiner p-Wert ein Signal ist, kein Beweis.

   Die Idee

   Ein p-Wert ist die Wahrscheinlichkeit von Daten, die mindestens so extrem sind, wenn die Null wahr wäre; er ist nicht die Wahrscheinlichkeit, dass die Null wahr ist. Statistische Signifikanz beantwortet, ob ein Effekt vom Rauschen unterscheidbar ist, nie, ob er zählt. Agresti drängt die Leser, Effektgrößen neben p-Werten zu berichten, denn ein trivial kleiner Effekt kann mit einer großen genug Stichprobe hochsignifikant sein. Das zu misslesen ist der häufigste statistische Fehler in den Sozialwissenschaften.

   Probier es aus: Frage bei jedem signifikanten Ergebnis, dem du diese Woche begegnest, wie groß die geschätzte Effektgröße ist – und ob sich jemand bei dieser Größe dafür interessieren würde.

5. 5Chapter 7–8

   Comparing two groups

   The book turns to the comparison that drives most social research: is group A different from group B? Agresti covers the two-sample t test for means and the comparison of two proportions, with confidence intervals for the difference. Examples run through treatment-versus-control setups and demographic contrasts. The outcome is a toolkit for the question every study asks: did something actually change, or does it just look that way?

   Die Idee

   Comparing groups requires accounting for two sources of randomness at once, so the standard error of a difference combines both samples' variability. Independent samples and matched pairs demand different analyses, and mixing them up distorts your uncertainty. A difference of proportions, reported with an interval, is often more informative than either proportion alone. Most policy debates are secretly about differences, not levels.

   Probier es aus: When you read a claim that one group outperforms another, check whether the reported difference comes with a standard error or interval.

6. 6Chapter 8–9

   Categorical data and the chi-square test

   Agresti's home turf arrives: contingency tables, where rows and columns are categories and the cells hold counts. He builds the chi-square test of independence step by step—expected counts under independence, the statistic that sums squared deviations, degrees of freedom from table shape. An example like party affiliation by gender shows how the test flags association without saying what the association is.

   Die Idee

   Chi-square tests whether two categorical variables are independent, but a significant result is only the beginning: you must inspect standardized residuals to find which cells drive the association. The test needs adequate expected counts in the cells, a condition students routinely ignore. Association in a table is not causation, and lurking variables can manufacture patterns. This chapter is the seed of Agresti's later career-defining work on categorical data analysis.

   Probier es aus: Cross-tabulate two categorical variables you care about, compute expected counts, and check whether any cell falls below the usual threshold before trusting chi-square.

7. 7Chapter 9

   Regression: one predictor, many uses

   Simple linear regression enters as the method for a quantitative response and a quantitative predictor: fit a line, interpret the slope, test whether the slope is zero. Agresti uses scatterplots first, so you see the relationship before you model it. The correlation coefficient gets reinterpreted as a standardized slope, tying earlier descriptive tools to the inferential machine. The chapter ends with prediction and its honest limits.

   Die Idee

   Regression's slope answers a precise question: how much does the response change, on average, per one-unit increase in the predictor, holding everything else out of the picture. A strong correlation never establishes causation, and extrapolating beyond the observed range of x is where predictions go to die. The line is a summary, not a law. Residual plots are the diagnostic that tells you whether the model deserves belief.

   Probier es aus: Fit a line to any two quantitative variables you have, then plot the residuals; curvature there means the straight line is lying to you.

8. 8Chapter 11

   Multiple regression: holding other variables constant

   The book's central method arrives: multiple regression, where several predictors share one model. Agresti shows how a slope changes meaning in the presence of other variables—it becomes the effect of one predictor holding the others fixed. Examples of income predicted by education and work experience reveal how a bivariate relationship can shrink, flip, or vanish once a third variable enters. This is the machinery behind 'controlling for' in every social science paper.

   Die Idee

   The multiple regression coefficient is the workhorse of observational social science because it approximates what an experiment would show—adjusting for measured confounders. But adjustment only works for variables you measured and included; omitted variables keep their bias. Multicollinearity can make individual coefficients unstable even when the model predicts well. Reading a regression table is a skill of interpretation, not arithmetic.

   Probier es aus: Find a regression table in a news article or report and identify which coefficient is the headline claim and what variables it was adjusted for.

9. 9Kapitel 12

   Vergleich mehrerer Gruppen: Varianzanalyse

   Wenn mehr als zwei Gruppen verglichen werden müssen, führt Agresti die Varianzanalyse ein: Die Gesamtvariabilität wird in einen Zwischen-gruppen- und einen Innerhalb-der-Gruppen-Anteil zerlegt, und dann wird geprüft, ob der Zwischengruppenanteil größer ist, als der Zufall erlaubt. Ein Beispiel, das mittlere Antworten über mehrere Behandlungskategorien vergleicht, zeigt die F-Statistik bei der Arbeit. Die Signifikanz des Tests ist nur der Auftakt; nachfolgende Vergleiche identifizieren, welche Gruppen sich unterscheiden.

   Die Idee

   ANOVA ist verkappte Regression mit kategorialen Prädiktoren, und diese Äquivalenz zu erkennen ist die stille Vereinheitlichung des Buches. Ein signifikanter F-Test sagt, dass die Gruppenmittelwerte nicht alle gleich sind, aber nicht, welche sich unterscheiden – deshalb müssen geplante Vergleiche oder Konfidenzintervalle für Paare folgen. Die Variabilität innerhalb der Gruppen ist der Maßstab, der entscheidet, ob Unterschiede zwischen den Gruppen beeindruckend sind. Viele paarweise Tests ohne Korrektur erhöhen die Wahrscheinlichkeit falsch-positiver Ergebnisse.

   Probier es aus: Wenn du mehr als zwei Gruppen vergleichst, plane ein Nachfolgeverfahren für paarweise Unterschiede, bevor du den gesamten F-Test durchführst.

10. 10Kapitel 14–15

    Methoden kombinieren: Modellbildung und Diagnostik

    Gegen Ende versammelt Agresti das Werkzeug: Modellauswahl, Interaktionsterme und Diagnostik, die prüft, ob ein Regressionsmodell passt. Beispiele zeigen Interaktion – wenn die Wirkung eines Prädiktors vom Niveau eines anderen abhängt – und wie sie die Interpretation völlig verändert. Residuenanalyse und Annahmeprüfungen werden als routinemäßige Hygiene behandelt, nicht als optionale Extras. Das Ergebnis ist ein Forscher, der ein Modell bauen und es dann verhören kann.

    Die Idee

    Ein Modell ist eine Behauptung darüber, wie die Welt die Daten erzeugt, und Diagnostik ist die Art, wie du deine eigene Behauptung prüfst. Interaktionsterme sind wichtig, weil gemittelte Effekte in die Irre führen können, wenn Effekte zwischen Untergruppen variieren. Automatische Variablenselektion kann das Nachdenken darüber nicht ersetzen, welche Variablen ins Modell gehören. Die besten Analysten verbringen mehr Zeit damit, Modelle zu prüfen, als sie zu schätzen.

    Probier es aus: Füge in deiner nächsten Regression einen Interaktionsterm hinzu, von dem du vermutest, dass er wichtig ist, und vergleiche, ob sich die Interpretation der Haupteffekte ändert.

11. 11Kapitel 15

    Logistische Regression für binäre Ergebnisvariablen

    Das Buch schließt seinen Modellierungsbogen mit der logistischen Regression ab, Agrestis Signature-Thema: eine binäre Antwortvariable – Erfolg oder Misserfolg, gewählt oder nicht gewählt – mit Prädiktoren modellieren. Er führt Odds und Odds Ratios ein und zeigt dann, wie das Modell Prädiktoren mit der Erfolgswahrscheinlichkeit verknüpft. Ein Beispiel, das ein binäres Ergebnis aus kontinuierlichen und kategorialen Prädiktoren vorhersagt, zeigt die Reichweite der Methode. Das Kapitel verweist zurück auf die Kontingenztabellen aus früheren Kapiteln, jetzt mit der Kraft, für andere Variablen zu kontrollieren.

    Die Idee

    Die logistische Regression erweitert die zweidimensionalen Tabellen des Chi-Quadrat-Zeitalters zu Modellen mit vielen Prädiktoren, weshalb sie die sozialwissenschaftliche Forschung mit binären Ergebnissen dominiert. Odds Ratios sind das natürliche Effektmaß, aber sie sind keine Risikoverhältnisse, und ihre Verwechslung übertreibt Effekte, wenn das Baseline-Risiko hoch ist. Das Modell arbeitet auf der Log-Odds-Skala, daher müssen Koeffizienten übersetzt werden, bevor sie für eine Leserin etwas bedeuten. Dies ist das Tor zu Agrestis fortgeschrittenen Arbeiten über kategoriale Daten.

    Probier es aus: Nimm ein binäres Ergebnis, das dir am Herzen liegt, und berechne das Odds Ratio zwischen zwei Gruppen von Hand, bevor du irgendein Modell schätzt.

Studenten der Sozialwissenschaften in ihrem ersten ernsthaften Statistikkurs und Praktiker, die eine strenge, aber lesbare Referenz für Regression, Varianzanalyse und kategoriale Datenanalyse suchen. Jeder, der Formeln auswendig gelernt hat, ohne zu verstehen, warum sie funktionieren, wird die zusammenhängenden Erklärungen als klärend empfinden.