Validität der Daten und Analyseverfahren Unter den erwähnten Bedingungen kommen gemäss 
Andress u.a. als multivariate Analysemethoden explizit nur die latente Klassenanalyse, log-lineare Modelle, der GSK-Ansatz und die logistische Regression in Frage.392 Die logistische Regression hat dabei den Vorteil, dass sie so­ wohl für Individualdaten, d.h. unabhängige Variablen mit vielen Ausprä­ gungen, als auch für tabellierte Daten geeignet ist, während die anderen Modelle auf kategoriale Daten beschränkt sind.393 Die multivariaten Analysen führen wir daher mit logistischen Regressionen durch. Erklärungskraft der multivariaten Modelle Mit der logistischen Regression wird der Einfluss mehrerer unabhängi­ ger Variablen auf eine dichotomisierte, abhängige Variable geschätzt. Der partielle Regressions-Koeffizient R gibt Aufschluss über die relative Bedeutung der einzelnen unabhängigen Variablen im Modell. Je grösser R, desto grösser ist der Erklärungsanteil der entsprechenden unabhängi­ gen Variablen im kausalen Modell. Für das Modell insgesamt kann ein Bestimmtheitsmass angewendet werden, das in Anlehnung an das R2 im Modell der linearen Regression als Pseudo-R2 bezeichnet wird.394 Der Wert von Pseudo-R2 bewegt sich zwischen 0 und 1. Je höher der Wert von Pseudo-R2, desto grösser ist die prädiktive Wirkung aller unabhän­ gigen Variablen im Modell. Beträgt der Wert von Pseudo-R2 = 0, dann erklären die unabhängigen Variablen die abhängige Variable überhaupt nicht. Ein Wen von < 0,05 (5 Prozent) weist auf einen geringen kausalen 3,2 Andress u.a. 1997. Der Name GSK geht zurück auf die Entwickler dieses Ansatzes (Grizzle, Starmer und Koch). Der Ansatz ist auch bekannt unter dem Namen Mini- mum-Chi-Quadrat-Methode oder gewichtete Regression. Der GSK-Ansatz basiert auf einer Anwendung des allgemeinen linearen Modells auf kategoriale Daten (Andress u.a. 1997:55). ™ Andress u.a. 1997: 19 ff. 3W Pseudo-R2 wird in der Literatur auch als Likelihood-Ratio-Index oder relative Devianzreduktion bezeichnet. Es gibt verschiedene Vorschläge, wie dieser Wert berech­ net werden kann. In dieser Arbeit gelangt die folgende Formel zur Anwendung: «1 — (Log-Likelihood-Funktion des aktuellen Modells/Log-Likelihood-Funktion des kon­ stanten Modells)». Im «aktuellen» Modell werden die Informationen der unabhängigen Variablen verwertet, während im «konstanten» Modell dieser Informationsgehalt aus­ geblendet wird. Wenn die beiden Log-Likelihood-Funktionen den gleichen Wert auf­ weisen, bedeutet dies, dass der Vorhersagewert trotz Berücksichtigung der unabhängi­ gen Variablen nicht verbessert werden konnte. Die Formel ergibt dann «1-1 = 0», d.h. die unabhängigen Variablen haben in diesem Fall keinen Erklärungswert. Vgl. ausführ­ licher Andress u.a. 1997: 261 ff. 179