Multivariate Analyseverfahren sind ein Sammelbegriff für kom­ plexe statistische Techniken schlechthin; im Rahmen eines Stu­ dienskripts ist es somit nicht möglich, eine vertiefende Dar­ stellung aller dieser Verfahren zu geben. Das Schwergewicht dieser Darstellung liegt vielmehr auf den erst in den letzten zehn Jahren zur Anwendungsreife entwickelten komplexen Analyse­ verfahren für nicht-metrische Daten, die in gewisser Weise das Gegenstück zur klassischen Pfadanalyse darstellen. Mit diesen neuen Verfahren ist es gelungen, die Defizite mehrdimensiona­ ler Tabellenanalyse vom LAZARSFELDschen Typus zu überwinden, und eine auch formal statistisch befriedigende Alternative zur Pfadanalyse zu schaffen. Während sich in den USA die Erkennt­ nis schon weitgehend durchgesetzt hat, daß etwa dichotome ab­ hängige Variable nicht mit den Mitteln der klassischen Pfad­ analyse untersucht werden sOllten, sind die neueren Verfahren im deutschsprachigen Raum noch nicht vollständig in das Stan­ dardrepertoire des Forschungspraktikers eingegangen. Der Initiative des Kölner ZENTRALARCHIVS für empirische Sozial­ forschung ist es zu danken, daß der übliche time-lag zwischen der internationalen Entwicklung (und Maßstab dafür ist in der Soziologie im wesentlichen die USA) und der Rezeption in der BRD in diesem Falle vielleicht geringer ausfällt als gewöhn­ lich. Thema des Frühjahrsseminars '78 waren multivariate Ver­ fahren für metrische und nicht-metrische Daten. Das vorliegen­ de Skript beruht zu wesentlichen Teilen auf der zehnstündigen Vorlesung, die ich im Rahmen dieses Frühjahrsseminars gehalten habe.

1. Einführung.- 1.1. Aufgabe und Stellenwert komplexer Analyseverfahren.- 1.2. Multivariate Analyseverfahren im Überblick.- 1.3. Hinweise zu Aufbau und Benutzung des Texts.- 2. Regression als deskriptives Analysemodell.- 2.1. Die Regression zweier Merkmale.- 2.2. Die Einbeziehung eines dritten Merkmals.- 2.3. Der allgemeine Regressionsansatz.- 3. Voraussetzungen und Aussagewert statistischer Inferenz.- 3.1. Der klassische Fall: Zufallsstichproben.- 3.2. Der Begriff des hypothetischen Universums.- 4. Inferenzschlüsse im metrischen Regressionsmodell.- 4.1. Wahrscheinlichkeitsverteilung der Regressionskoeffizienten.- 4.2. Varianzanalytische Überlegungen und F-Test.- 5. Regression mit nicht-metrischen unabhängigen Variablen: Varianzanalyse.- 5.1. Orthogonale und nicht-orthogonale Ansätze.- 5.2. Die Design-Matrix für polytome Merkmale.- 5.3. Der Einfluß eines Kodierungswechsels.- 6. Der GSK - Ansatz.- 6.1. Metrisierungen der Zielvariablen.- 6.2. Die Design-Matrix.- 6.3. Die Betrachtung von saturierten Modellen.- 6.4. Der Weg zum 'besten' Modell.- 6.5. Hinweise zur Benutzung des NONMET-Programms.- 6.6. Statistische Grundlagen des GSK-Ansatzes.- 7. GOODMANs 'General Model'.- 7.1. Allgemeine Grundzüge des GOODMAN-Ansatzes.- 7.2. Das Testen von unsaturierten Modellen.- 7.3. Strukturgleichungen und Pfadanalyse.- 7.4. Vergleich zwischen log-linearen Modellen im GOODMAN- und im GSK-Ansatz.- 7.5. Hinweise zur Benutzung des ECTA-Programms.