Einleitung: Seit der Einführung des Korrelationskoeffizienten, wurde er in Millionen von biologischen, soziologischen und psychologischen Studien verwendet. Viele komplexe statistische Methoden wie Faktorenanalyse, Regressionsanalyse, Strukturgleichungsmodellierung basieren auf dem Korrelationskoeffizienten - trotz seiner statistischen Schwächen (Abhängigkeit von Verteilungen, Symmetrie der Assoziation, Paarassoziationen, fehlende kausale Interpretierbarkeit). Einige alternative nicht-parametrische Assoziationskonzepte wurden vorgeschlagen (CFA (Krauth & Lienert, 1973), Bayesian Analysis (Phillips, 1974), Inductive Item Tree Analysis (van Leeuwe, 1974; Schrepp, 2003), Boolean Analysis (Flament, 1976), HYPAG (Ortner, Mattes & Wottawa, 1980), Aussagenlogische Analyse von Kontingenztafeln (Eye & Brandstätter, 1984), Prädiktionsanalyse (Hildebrand, Laing & Rosenthal, 1977; Eye, 1991).
Methode: Relationsanalyse – RELAN – (Maderthaner, 2022) ist eine neue multivariate, multifunktionale nicht-parametrische statistische Auswertungsmethode, welche auf Aussagenlogik basiert, somit auf verbal formulierte Hypothesen anwendbar ist, und eine realistischere Prüfung von Kausalhypothesen zulässt. Die verfügbare Programmversion (www.relan.at) erlaubt das Testen und Simulieren von Hypothesen (mit bis zu zehn Variablen), die Exploration von logischen Zusammenhängen ("Data Mining") sowie das richtungs- und zeitabhängige Testen von Ursache-Wirkungs-Hypothesen.
Ergebnisse: Computersimulationen zeigen, dass korrelative Assoziationsmaße nicht in der Lage sind, einfache und komplexe logische Gesetzmäßigkeiten sowie gerichtete kausale Abhängigkeiten zwischen Variablen aufzufinden.
Fazit: Relationsanalysen erlauben eine erschöpfende logische Analyse eines Variablensystems, bei der insbesondere Effekte von Ursachen, Mediatoren, Moderatoren und Wirkungsbedingungen statistisch evaluiert werden können.
Maderthaner, R. (2022). Relationsanalyse (RELAN) – Aussagenlogische, statistische und kausale Analyse von Daten