Regressionsanalyse für nominale und ordinale Variablen (kein Lehrinhalt im Studium!)
Bei Regressionsverfahren für nominal- oder ordinalskalierte aVs wird die Analyse grundsätzlich immer komplexer, je mehr Stufen die aV hat.
Von der Idee her ähnelt die ordinale Regression mehr der logistischen Regression und der Item Response Theory, als der linearen Regression. Sie eignet sich um mit Decken-/Bodeneffekten bei Likertskalen umzugehen. Ein ausführliches Tutorial findet sich bei Bürkner und Vuorre (2019).
Eine Alternative stellt das Probabilistic Index Model dar, dieses kann auch mit ordinalskalierten uVs umgehen. Ein Tutorial findet sich bei De Schryver und De Neve (2019).
Eine Methode für dichotome aV ist die logistische Regression (Siehe Abschnitt weiter unten im Kurs), für eine nominale aVs die multinomiale logistische Regression.