Bei Sozialwissenschaftlern verschiedenster Disziplinen ist in jüngster Zeit ein wachsendes Interesse an der Untersuchung von Lebensverläufen, Biographien und sozialen Karrieren zu erken nen. Gleichgültig, ob qualitative Erhebungsverfahren benutzt werden, ob die Datenquellen Tagebücher oder Tiefeninterviews sind, oder ob hochstandardisierte Fragebögen Verwendung fin den - bei aller Unterschiedlichkeit der Erhebungsmethoden be steht das Ziel häufig darin, Informationen über die zeitliche Abfolge von Ereignissen zu gewinnen. Derartige Ereignisge schichten - im Englischen "event histories" - stellen das Aus gangsmaterial der Datenanalyse dar. Auch bei experimentellen Designs oder im Rahmen der Evaluierungsforschung, also der Untersuchung der Wirksamkeit von Maßnahmen der Sozialplanung, werden häufig die Zeitintervalle bis zum Eintreten eines Er eignisses erhoben. Z. B. richtet sich die Aufmerksamkeit von Kriminologen bei der Strafvollzugsevaluierung auf die Zeit spanne bis zum ersten Rückfall nach der Entlassung aus einer Strafanstalt. Zur Analyse von Zeitintervallen zwischen Ereignissen sind in den Sozialwissenschaften neue Methoden erforderlich. Diese Methoden, die häufig auch unter dem Oberbegriff "Survival Analyse" zusammengefaßt werden, stammen vor allem aus der De mographie und der Medizin- und Biostatistik. Der Grund ist nicht verwunderlich: Demographen und Mediziner waren schon im mer mit dem Zeitintervall bis zum Eintreten eines wichtigen Ereignisses, nämlich des Todes oder der Genesung befaßt. Be deutsame Weiterentwicklungen der Verfahren sind aber auch von Soziologen wie JAMES COLEMAN, MICHAEL HANNAN und NANCY TUMA und ökonomen wie JAMES HECKMAN geleistet worden.
1. Einleitung: Datenanalyse mit stochastischen Modellen.- 1.1. Daten und Modell.- 1.2. Beispiele und Fragestellungen.- 1.3. Datenarten und Datenstruktur.- 1.4. Einige Vorteile der Datenanalyse mit stochastischen Modellen.- 2. Grundlegende Konzepte stochastischer Modelle.- 2.1. Arten stochastischer Prozesse.- 2.2. Das Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 2.3. Mehr-Zustands-Modelle.- 2.4. Maximum-Likelihood-Schätzung der Übergangsrate.- 3. Nicht-parametrische Verfahren.- 3.1. Explorative Datenanalyse.- 3.2. Nicht-parametrische Schätzverfahren bei gruppierten Zeitbereichs-Daten: Life-Table-Schätzer.- 3.3. Nicht-parametrische Schätzverfahren bei Individualdaten mit exakter Ankunftszeit: Product-Limit-Schätzer.- 3.4. Nicht-parametrische Verfahren für den Vergleich von Subgruppen.- 4. Semi-parametrische Verfahren.- 4.1. Das Proportional-Hazards-Modell von COX.- 4.2. Die Partial-Likelihood-Methode von COX.- 4.3. Das geschichtete Cox-Modell und die Überprüfung der Proportionalitätsannahme.- 4.4. Signifikanztests und Stepwise-Regression.- 4.5. Anwendungsbeispiel Arbeitslosigkeit mit dem Programm BMDP.- 5. Parametrische Verfahren.- 5.1. Das log-lineare Basismodell.- 5.2. Parametrische Modelle der Zeitabhängigkeit.- 5.3. Kovariateneffekte und Zeitabhängigkeit.- 5.4. Mehr-Zustands-Modelle.- 6. Ausblick.- 1. Notation und Definition der wichtigsten Terme.- 2. Ableitung der Überlebensfunktion und einiger weiterer Beziehungen beim Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 3. Ableitung der Maximum-Likelihood-Schätzer bei qualitativen Kovariaten.- 4. Die Ableitung der Differentialgleichungen für die Zustandswahrscheinlichkeiten bei Multi-State-Modellen.