Zusammenfassung
Das Kapitel gibt einen praxisorientierten Überblick über ausgewählte Analysemethoden in der Familienforschung, mit einem Fokus auf Ereignisanalysen und dyadischen Analyseverfahren. Im ersten Teil zur Ereignisdatenanalyse (EDA) liegt der Schwerpunkt auf zeitdiskreten Verfahren, welche für die Modellierung von Zustandswechseln anhand von Paneldaten geeignet sind. Der zweite Teil geht auf dyadische Analyseverfahren ein, die insbesondere in den vergangenen zwanzig Jahren entscheidend (weiter-)entwickelt worden sind. Dyadische Analysen ermöglichen die simultane Modellierung von Merkmalszusammenhängen zwischen zwei oder mehreren zusammengehörigen Personen, wobei die Schätzung entweder durch Mehrebenenregression oder durch Strukturgleichungsmodelle erfolgen kann.
This is a preview of subscription content, log in via an institution to check access.
Similar content being viewed by others
Notes
- 1.
Einen Lösungsansatz für das Problem der Linkszensierung stellen sog. Tobit-Modelle dar (siehe einführend Windzio, 2013, S. 255 ff.).
- 2.
- 3.
Das „Akaikes Information Criterion“ (AIC) und das „Bayesian Information Criterion“ (BIC) balancieren einerseits die Anpassungsgüte des geschätzten Modells an die zugrunde liegenden Stichprobendaten und die Komplexität des Modells, gemessen an der Anzahl der Parameter. Die Anzahl der Parameter, d. h. die Modellkomplexität, wird bei beiden Kennwerten „bestrafend“ berücksichtigt. Das BIC-Kriterium vermeidet zudem einen Nachteil des AIC-Kriteriums, dessen „Strafterm“ von der Stichprobengröße unabhängig ist (Kuha, 2004).
- 4.
- 5.
Einen Ansatz zur Kontrolle von unbeobachteter Heterogenität stellen Modelle mit sog. „shared frailty“ dar (Gutierrez, 2002). Im Falle von Ereignissen, die wiederkehrend im Lebensverlauf eines Individuums beobachtet werden können („repeated events“), ein Beispiel ist die Aufnahme einer Partnerschaft, können zudem auch im Rahmen der Ereignisdatenanalyse Modelle mit sog. „fixed effects“ eingesetzt werden, die alle zeitkonstanten Personenmerkmale kontrollieren. Ein Beispiel für ein solches Modell ist die nach der Untersuchungseinheit stratifizierte Cox-Regression (Allison 2009, S. 70 ff.). Für ein entsprechendes familiensoziologisches Anwendungsbeispiel siehe Lois und Kopp (2012).
- 6.
Bei der Erstellung dieser Grafik wird ein Mindestalter von 17 Jahren für die Geburt des ersten Kindes angenommen.
- 7.
In Erweiterung der hier vorgenommenen, vereinfachten Analyse müsste überprüft werden, ob die dargestellten Freizeiteffekte stabil bleiben, wenn Drittvariablen wie der Ausbildungsstatus kontrolliert werden, die sich sowohl auf das Freizeitleben als auch auf den Übergang zur Elternschaft auswirken (siehe Arránz Becker & Lois, 2010).
- 8.
Komplexere Schätzmodelle, die auch bei Verletzungen dieser Annahme berechnet werden können, werden von Gordon (2002) diskutiert.
- 9.
Trotz der prinzipiell unkomplizierten Handhabung konkurrierender Zielzustände sind einige spezielle Probleme zu beachten. So kann die für verschiedene konkurrierende Zielzustände summierte kumulative Verteilungsfunktion F(t), die dem Anteil der Personen entspricht, die zum jeweiligen Zeitpunkt t ein Ereignis bereits erlebt hat (1-G(t)), bei konventioneller Berechnung einen Wert größer als eins annehmen. Um dieses Problem zu vermeiden, werden im Falle konkurrierender Risiken sog. kumulierte Inzidenzfunktionen (Gooley et al., 1999) berechnet.
- 10.
Die Einheiten auf der unteren Ebene müssen nicht zwangsläufig Personen sein. Auch Messzeitpunkte können in Personen geschachtelt sein (dann liegen Paneldaten vor), ebenso wie Regionen in Ländern usw.
- 11.
Hierbei gibt es zwei Möglichkeiten: Entweder wird um den jeweiligen Gruppenmittelwert oder um den Gesamtmittelwert über alle Gruppen zentriert (Kreft et al., 1995); im letztgenannten Fall zeigen b0 bzw. (b0 + b2) die Abweichungen von diesem Gesamtmittelwert an, also ob die mittlere Ausprägung einer Gruppe unter- oder überdurchschnittlich ausfällt.
- 12.
Wenn j die Anzahl der Cluster angibt, werden je j-1 Haupt- und Interaktionseffekte benötigt.
- 13.
Diese Variationszerlegung wird in den Gleichungen (16a-c) über Subskripte i (Individuum) und j (für die jeweilige Gruppe) kenntlich gemacht. Die Zufallseffekte (random effects) werden mit σ bezeichnet.
- 14.
Der Index j drückt aus, dass die Level 2-Merkmale (Z) nur zwischen, nicht aber innerhalb der Cluster variieren.
- 15.
Technisch lassen sich dyadische Analyseverfahren auch auf Proxyangaben einer Person anwenden, allerdings ist dann mit einer Überschätzung der Effekte aufgrund gemeinsamer Methodenvarianz zu rechnen (Perren et al., 2005). Wirklich aussagekräftig ist die Anwendung daher erst mit Multi-Actor-Daten.
- 16.
Empirisch ist Ähnlichkeit, also positive Abhängigkeit, der wesentlich häufigere Fall. Aus inhaltlicher Sicht ist zu beachten, dass Ähnlichkeit bzw. Anpassung einerseits Resultate von Sozialisationsprozessen – also gegenseitigen sozialen Einflusses – sein können, andererseits aber auch aus Selektionseffekten, d. h. aus der Wahl von Kontexten mit ähnlichen Interaktionspartnern (Homophilie), entstehen können (vgl. zum Beispiel von Lebensstilähnlichkeit bei Paaren Arránz Becker & Lois, 2010). Unähnlichkeit hingegen verweist meist auf Prozesse der Spezialisierung und funktionalen Differenzierung (Arránz Becker et al., 2015).
- 17.
Die zugehörige Prüfgröße F berechnet sich als Verhältnis der größeren zur kleineren der beiden Varianzen; die zugehörigen Freiheitsgrade bei einem ICC>0 sind df: Anzahl Dyaden; Anzahl Dyaden-1; bei ICC<0 gilt df: Anzahl Dyaden-1; Anzahl Dyaden. Es ist folglich zu beachten, dass der von gängiger Statistiksoftware ausgegebene ANOVA-F-Wert (Zwischengruppenvarianz/ Binnengruppenvarianz) bei negativem ICC nicht korrekt ist und dieser daher von Hand berechnet werden muss.
- 18.
In SPSS lässt sich dies beispielsweise durch die folgende Optionszeile im MIXED-Befehl anfordern: /REPEATED=PNr | SUBJECT(Dyade) COVTYPE(CS). Dabei enthält die Variable „PNr“ die Nummer der Person innerhalb der Dyade, „Dyade“ die (eindeutige) Nummer der Dyade. Die entscheidende Option „CS“ steht hier für „compound symmetry“ und veranlasst SPSS zur Schätzung der random intercept-Kovarianz. Im [xt]mixed-Befehl von Stata lässt sich Analoges mit der Option residuals(exchangeable) realisieren.
- 19.
Allerdings kann es sich dabei auch um wiederholte Messungen desselben Merkmals handeln (vgl. hierzu Abschn. 3.3.2). Es ist ferner zu beachten, dass der ICC für Y sich auf Residualvarianzen, d. h. unter Auspartialisierung von X, bezieht.
- 20.
Auch wenn in zahlreichen Untersuchungen zu den Auswirkungen von Paarähnlichkeit die zugehörigen Einzelkomponenten (Niveaueffekte) nicht kontrolliert werden, ist dieses Vorgehen methodisch nicht korrekt (Griffin et al., 1999) und kann zu substanziellen Fehlinterpretationen führen (vgl. Arránz Becker, 2013). Bei sehr hoher positiver dyadischer Korrelation hinsichtlich X kann alternativ statt der Einzelausprägungen auch ein Summenscore als (Level 2-)Kovariate aufgenommen werden.
- 21.
Dazu werden im ersten Schritt dem Ankerdatensatz (anchor1) die entsprechenden Variablen des Partnerdatensatzes (partner1) zugespielt, sodass jedes Paar eine Zeile des ersten Teildatensatzes bildet. Im zweiten Schritt werden alle zu analysierenden Akteurvariablen (Präfix a) in Partnervariablen (Präfix p) umbenannt und umgekehrt. Dadurch werden sämtliche Ausprägungen der beiden Dyadenmitglieder vertauscht (zweiter Teildatensatz). Im dritten und letzten Schritt werden mittels „Fälle hinzufügen“ o. ä. die Beobachtungen aus beiden Teildatensätzen zusammengefügt, sodass sich die ursprüngliche Fallzahl verdoppelt; zur Kontrolle können die Beobachtungen nun nach Paar-ID und Partner-ID sortiert werden.
- 22.
Da es sich in Modell 2 um unterscheidbare Dyaden handelt, wurden als Maß der dyadischen Abhängigkeit Pearson-Korrelationskoeffizienten (bzw. eine Partialkorrelation für die abhängige Variable) berechnet. Dies ist im unterscheidbaren Fall der Berechnung des ICC vorzuziehen, wenngleich sich beide Maße – wie auch im Beispiel, in dem sie exakt identisch ausfallen – in der Regel nicht oder nur geringfügig unterscheiden (vgl. Kenny et al., 2006, Kap. 2).
Literatur
Allison, P. D. (1982). Discrete-time methods for the analysis of event histories. Sociological Methodology, 13, 61–98.
Allison, P. D. (2009). Fixed effects regression models. Sage.
Amemiya, T. (1999). A note on left censoring. In C. Hsiao, H. M. Pesaran, K. Lahiri & L.-F. Lee (Hrsg.), Analysis of panels and limited dependent variable models (S. 7–22). Cambridge University Press.
Arránz Becker, O. (2013). Effects of similarity of life goals, values, and personality on relationship satisfaction and stability: Findings from a two-wave panel study. Personal Relationships, 20, 443–461.
Arránz Becker, O., & Lois, D. (2010). Selection, alignment, and their interplay: Origins of lifestyle homogamy in couple relationships. Journal of Marriage and Family, 72, 1234–1248.
Arránz Becker, O., & Lois, D. (2013). Competing pleasures? The impact of leisure time use on the transition to parenthood. Journal of Family Issues, 34, 661–688.
Arránz Becker, O., Lois, D., & Steinbach, A. (2015). Kontexteffekte in Familien: Angleichung von Paaren und intergenerationale Transmission am Beispiel Religiosität. In J. Friedrichs & A. Nonnenmacher (Hrsg.), Soziale Kontexte und soziale Mechanismen (Sonderheft 54 der Kölner Zeitschrift für Soziologie und Sozialpsychologie). Springer VS.
Atkins, D. C. (2005). Using multilevel models to analyze couple and family treatment data: Basic and advanced issues. Journal of Family Psychology, 19, 98.
Backhaus, K., Erichson, B., & Weiber, R. (2011). Fortgeschrittene multivariate Analysemethoden. Eine anwendungsorientierte Einführung. Springer.
Bauer, G., & Kneip, T. (2013). Fertility from a couple perspective: A test of competing decision rules on proceptive behaviour. European Sociological Review, 29, 535–548.
Bertram, H. (2000). Die verborgenen familiären Beziehungen in Deutschland: Die multilokale Mehrgenerationenfamilie. In M. Kohli & M. Szydlik (Hrsg.), Generationen in Familie und Gesellschaft (S. 97–121). Leske + Budrich.
Blossfeld, H.-P. (2010). Survival- und Ereignisanalyse. In C. Wolf & H. Best (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 995–1016). VS Verlag.
Blossfeld, H.-P., Golsch, K., & Rohwer, G. (2007). Event history analysis with Stata. Lawrence Erlbaum.
Blossfeld, H.-P., Rohwer, G., & Schneider, T. (2019). Event history analysis with Stata. Routledge.
Bortz, J. (1999). Statistik für Sozialwissenschaftler. Springer.
Broström, G. (2012). Event history analysis with R. CRC Press.
Brüderl, J. (2010). Kausalanalyse mit Paneldaten. In C. Wolf & H. Best (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 963–994). VS Verlag.
Brüderl, J., & Diekmann, A. (1994). Bildung, Geburtskohorte und Heiratsalter. Zeitschrift für Soziologie, 23, 56–73.
Brüderl, J., & Diekmann, A. (1995). The log-logistic rate model: Two generalizations with an application to demographic data. Sociological Methods & Research, 24, 158–186.
Brüderl, J., & Ludwig, V. (2015). Fixed-effects panel regression. In H. Best & C. Wolf (Hrsg.), The Sage handbook of regression analysis and causal inference (S. 327–357). Sage.
Cleves, M., Gutierrez, R. G., Gould, W., & Marchenko, Y. A. (2010). An introduction to survival analysis using Stata. Stata Press.
Cook, W. L. (1994). A structural equation model of dyadic relationships within the family system. Journal of Consulting and Clinical Psychology, 62, 500.
Cook, W. L., & Kenny, D. A. (2005). The Actor-Partner Interdependence Model: A model of bidirectional effects in developmental studies. International Journal of Behavioral Development, 29, 101–109.
Corijn, M., Liefbroer, A. C., & Gierveld, J. D. J. (1996). It takes two to tango, doesn’t it? The influence of couple characteristics on the timing of the birth of the first child. Journal of Marriage and the Family, 58, 117–126.
Cox, D. R. (1972). Regression models and life tables. Journal of the Royal Statistical Society, 34, 187–220.
Diekmann, A., & Weick, S. (Hrsg.). (1993). Der Familienzyklus als sozialer Prozeß. Bevölkerungssoziologische Untersuchungen mit den Methoden der Ereignisanalyse. Duncker & Humblot.
Ditton, H. (1998). Mehrebenenanalyse: Grundlagen und Anwendungen des hierarchisch linearen Modells. Beltz Juventa.
Faulkner, R. A., Davey, M., & Davey, A. (2005). Gender-related predictors of change in marital satisfaction and marital conflict. The American Journal of Family Therapy, 33, 61–83.
Frazier, P. A., Tix, A. P., & Barron, K. E. (2004). Testing moderator and mediator effects in counseling psychology research. Journal of Counseling Psychology, 51(1), 115–134.
Gareau, A., Fitzpatrick, J., Gaudreau, P., & Lafontaine, M.-F. (2016). Analysing, interpreting, and testing the invariance of the actor-partner interdependence model. The Quantitative Methods for Psychology, 12(2), 101–113.
Gaudreau, P., Fecteau, M.-C., & Perreault, S. (2010). Multi-level modeling of dyadic data in sport sciences: Conceptual, statistical, and practical issues. Measurement in Physical Education and Exercise Science, 14(1), 29–50.
Gautschi, T. (2010). Maximum Likelihood Schätztheorie. In H. Best & C. Wolf (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 205–235). VS Verlag.
Giesselmann, M., & Windzio, M. (2012). Regressionsmodelle zur Analyse von Paneldaten. VS Verlag für Sozialwissenschaften.
Gistelinck, F., & Loeys, T. (2019). The actor-partner interdependence model for longitudinal dyadic data: An implementation in the SEM framework. Structural Equation Modeling, 26(3), 329–347.
Glick, P. C. (1947). The family cycle. American Sociological Review, 12, 164–174.
Gooley, T. A., Leisenring, W., Crowley, J., & Storer, B. E. (1999). Estimation of failure probabilities in the presence of competing risks: New representations of old estimators. Statistics in Medicine, 18, 695–706.
Gordon, S. C. (2002). Stochastic dependence in competing risks. American Journal of Political Science, 46, 200–217.
Griffin, D., Murray, S., & Gonzalez, R. (1999). Difference score correlations in relationship research: A conceptual primer. Personal Relationships, 6, 505–518.
Guo, G. (1993). Event-history analysis for left-truncated data. Sociological Methodology, 23, 217–243.
Gutierrez, R. G. (2002). Parametric frailty and shared frailty survival models. The Stata Journal, 2, 22–44.
Huinink, J., Brüderl, J., Nauck, B., Walper, S., Castiglioni, L., & Feldhaus, M. (2011). Panel analysis of intimate relationships and family dynamics (pairfam): Conceptual framework and design. Zeitschrift für Familienforschung, 23(1), 77–101.
Jann, B. (2004). Stata tip 8: Splitting time-span records with categorial time-varying covariates. The Stata Journal, 4, 221–222.
Kashy, D. A., Jellison, W. A., & Kenny, D. A. (2004). Modeling the interdependence among family members. Journal of Family Communication, 4(3–4), 265–293.
Kashy, D. A., Donnellan, M. B., Burt, S. A., & McGue, M. (2008). Growth curve models for indistinguishable dyads using multilevel modeling and structural equation modeling: The case of adolescent twins’ conflict with their mothers. Developmental Psychology, 44(2), 316.
Kenny, D. A. (1995). The effect of nonindependence on significance testing in dyadic research. Personal Relationships, 2, 67–75.
Kenny, D. A., & Cook, W. (1999). Partner effects in relationship research: Conceptual issues, analytic difficulties, and illustrations. Personal Relationships, 6, 433–448.
Kenny, D. A., & Kashy, D. A. (2011). Dyadic data analysis using multilevel modeling. In J. Hox & J. K. Roberts (Hrsg.), Handbook of advanced multilevel analysis (S. 3555–3371). Routledge.
Kenny, D. A., & La Voie, L. (1984). The social relations model. Advances in Experimental Social Psychology, 18, 142–182.
Kenny, D. A., & Livi, S. (2009). A componential analysis of leadership using the social relations model. In F. J. Yammarino & F. Dansereau (Hrsg.), Multi-level issues in organizational behavior and leadership (S. 147–191). Emerald.
Kenny, D. A., Kashy, D. A., & Cook, W. (2006). Dyadic data analysis. Guilford Press.
Klein, T., & Kopp, J. (1999). Die Mannheimer Scheidungsstudie. In T. Klein & J. Kopp (Hrsg.), Scheidungsursachen aus soziologischer Sicht (S. 11–22). Ergon.
Kreft, I. G. G., De Leeuw, J., & Aiken, L. S. (1995). The effect of different forms of centering in hierarchical linear models. Multivariate Behavioral Research, 30(1), 1–21.
Kuha, J. (2004). AIC and BIC: Comparisons of assumptions and performance. Sociological Methods & Research, 33, 188–229.
Laurenceau, J.-P., & Bolger, N. (2005). Using diary methods to study marital and family processes. Journal of Family Psychology, 19(1), 86.
Ledermann, T., & Bodenmann, G. (2006). Moderator- und Mediatoreffekte bei dyadischen Daten. Zwei Erweiterungen des Akteur-Partner-Interdependenz-Modells. Zeitschrift für Sozialpsychologie, 37(1), 27–40.
Ledermann, T., & Kenny, D. A. (2017). Analyzing dyadic data with multilevel modeling versus structural equation modeling: A tale of two methods. Journal of Family Psychology, 31(4), 442.
Ledermann, T., Rudaz, M., & Grob, A. (2017). Analysis of group composition in multimember multigroup data. Personal Relationships, 24(2), 242–264.
Loeys, T., & Molenberghs, G. (2013). Modeling actor and partner effects in dyadic data when outcomes are categorical. Psychological Methods, 18, 220–236.
Lois, D., & Kopp, J. (2012). Elternschaftskonstellationen bei Alleinerziehenden. In D. Schwab & L. A. Vaskovics (Hrsg.), Pluralisierung von Elternschaft und Kindschaft: Familienrecht, -soziologie und -psychologie im Dialog (Sonderheft 8 der Zeitschrift für Familienforschung, S. 59–76). Barbara Budrich.
Long, S. J. (1997). Regression models for categorical and limited dependent variables. Sage.
Ludwig, V., & Brüderl, J. (2021). What you need to know when estimating impact functions with panel data for demographic research. Comparative Population Studies, 46, 453–486.
Manning, W. D. (2004). Children and the stability of cohabiting couples. Journal of Marriage and the Family, 66, 674–689.
Mayer, K. U. (1990). Lebensverläufe und sozialer Wandel. Anmerkungen zu einem Forschungsprogramm. In K. U. Mayer (Hrsg.), Lebensverläufe und sozialer Wandel (Sonderheft 31 der Kölner Zeitschrift für Soziologie und Sozialpsychologie, S. 7–21). Westdeutscher.
Mayer, K. U. (2009). New directions in life course research. Annual Review of Sociology, 35, 413–433.
Mikucka, M., Arránz Becker, O., & Wolf, C. (2021). Revisiting marital health protection: Intraindividual health dynamics around transition to legal marriage. Journal of Marriage and Family, 83(5), 1439–1459.
Mills, M. (2011). Introducing survival and event history analysis. Sage.
Mundlak, Y. (1978). On the pooling of time series and cross section data. Econometrica, 46(1), 69–85.
Nachtigall, C., Kroehne, U., Funke, F., & Steyer, R. (2003). (Why) should we use SEM? Pros and cons of structural equation modeling. Methods of Psychological Research Online, 8(2), 1–22.
Neyer, F. J. (1998). Zum Umgang mit dyadischen Daten: Neue Methoden für die Sozialpsychologie. Zeitschrift für Sozialpsychologie, 29(4), 291–306.
Nezlek, J. B., Schröder-Abé, M., & Schütz, A. (2006). Mehrebenenanalysen in der psychologischen Forschung. Vorteile und Möglichkeiten der Mehrebenenmodellierung mit Zufallskoeffizienten. Psychologische Rundschau, 57(4), 213–223.
Olsen, J. A., & Kenny, D. A. (2006). Structural equation modeling with interchangeable dyads. Psychological Methods, 11(2), 127–141.
Perren, S., Von Wyl, A., Bürgin, D., Simoni, H., & Von Klitzing, K. (2005). Intergenerational transmission of marital quality across the transition to parenthood. Family Process, 44(4), 441–459.
Peugh, J. L., DiLillo, D., & Panuzio, J. (2013). Analyzing mixed-dyadic data using structural equation models. Structural Equation Modeling: A Multidisciplinary Journal, 20(2), 314–337.
Raab, M., & Struffolino, E. (2022). Sequence analysis. Sage.
Rapp, I. (2008). Wann werden Ehen getrennt? Der Einfluss der Ehedauer auf das Trennungsrisiko. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 60(3), 500–527.
Raudenbush, S. W., Brennan, R. T., & Barnett, R. C. (1995). A multivariate hierarchical model for studying psychological change within married couples. Journal of Family Psychology, 9(2), 161–174.
Rayens, M. K., & Svavarsdottir, E. K. (2003). A new methodological approach in nursing research: An actor, partner, and interaction effect model for family outcomes. Research in Nursing & Health, 26(5), 409–419.
Rusbult, C. E., & Van Lange, P. A. M. (2003). Interdependence, interaction, and relationships. Annual Review of Psychology, 54(1), 351–375.
Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis. Modeling change and event occurrence. University Press.
Snijders, T. A. B., & Kenny, D. A. (1999). The social relations model for family data: A multilevel approach. Personal Relationships, 6(4), 471–486.
Struffolino, E., Studer, M., & Fasang, A. E. (2016). Gender, education, and family life courses in East and West Germany: Insights from new sequence analysis techniques. Advances in Life Course Research, 29, 66–79.
Studer, M., Struffolino, E., & Fasang, A. E. (2018). Estimating the relationship between time-varying covariates and trajectories: The sequence analysis multistate model procedure. Sociological Methodology, 48(1), 103–135.
Thibaut, J. W., & Kelley, H. H. (1959). The social psychology of groups. Wiley.
Thompson, L., & Walker, A. J. (1982). The dyad as the unit of analysis: Conceptual and methodological issues. Journal of Marriage and the Family, 44, 889–900.
Urban, D., & Mayerl, J. (2014). Strukturgleichungsmodellierung. Ein Ratgeber für die Praxis. Springer VS.
Weibull, W. (1951). A statistical distribution function of wide applicability. Journal of Applied Mechanics ASME, 18, 293–297.
Wendorf, C. A. (2002). Comparisons of structural equation modeling and hierarchical linear modeling approaches to couples’ data. Structural Equation Modeling, 9(1), 126–140.
Windzio, M. (2013). Regressionsmodelle für Zustände und Ereignisse. Eine Einführung. Springer VS.
Woody, E., & Sadler, P. (2005). Structural equation models for interchangeable dyads: Being the same makes a difference. Psychological Methods, 10(2), 139–158.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this entry
Cite this entry
Arránz Becker, O., Lois, D. (2022). Quantitative Auswertungsverfahren in der Familiensoziologie. In: Arránz Becker, O., Hank, K., Steinbach, A. (eds) Handbuch Familiensoziologie. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-35215-8_5-1
Download citation
DOI: https://doi.org/10.1007/978-3-658-35215-8_5-1
Received:
Accepted:
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-35215-8
Online ISBN: 978-3-658-35215-8
eBook Packages: Social Science and Law (German Language)