Uni und Bivariate Verfahren:

• Häufigkeitsverteilungen: absolute und relative Häufigkeiten etc.
  
• Parameter von Häufigkeitsverteilungen: Lageparameter, Streuungsparameter etc.
• Assoziationsanalysen: Korreletionskoeffizienten, Kreuztabellen etc.
• Regressionsanalysen: Beziehungen zwischen einer oder mehrerer abhängigen und einer unabhängigen Variablen aufdecken. Hierbei wird untersucht, ob die abhängige Variable durch die unabhängigen erklärt werden kann. Beispiel: Kann der Absatzpreis die Absatzmenge erklären.
  
• Induktive Verfahren: Mittelwert- und Verteilungstests.
• Univariate Varianzanalyse: Der Einfluss einer Gruppenvariable auf eine abhängige Variable. Die Mittelwerte der abhängigen Variablen zwischen den verschiedenen Gruppen werden hierbei untersucht. Beispiel: Unterscheiden sich verschiedene Werbeaussagen hinsichtlich ihrer Glaubwürdigkeit.

Multivariate Verfahren:

• Multiple Regression: Multivariate Ausgabe der Regression. Hiermit können mehrere unabhängige Variablen gleichzeitig untersucht werden.
• Logistische Regression: Regression mit binären abhängigen Variablen, z.B. Kauf ja/nein.
• Multivariate Varianzanalyse: Multivariate Ausgabe der Varianzanalyse mit mehreren abhängigen Variablen.
  
• Diskriminanzanalyse: Ein Klassifikationsverfahren. Aus bekannten Gruppen werden aus den Merkmalsausprägungen der einzelnen Fälle lineare Grenzen zwischen den Gruppen ermittelt. Später können mit diesen Ergebnissen Prognosen zur Gruppenzugehörigkeit andere Fälle abgegeben werden. Beispiel: Eine Bank ermittelt aus Daten bestehender Kreditkunden Erkenntnisse zur Prognose der Kreditwürdigkeit potentieller Neukunden.
  
• Faktorenanalyse: Verfahren zur Informationsverdichtung.  Das Ziel besteht darin mehrere Variablen durch einen oder mehrere Faktoren zu erklären, ohne das ein gravierender Informationsverlust auftritt. Beispiel: Eine Faktorenanalyse der Schulnoten extrahiert einen Faktor der den grössten Teil der Informationen der Schulnoten enthält. Interpretiert werden kann dies in diesem Beispiel z.B. als IQ des Schülers.
  
• Clusteranalyse:Ein weiteres Klassifikationsverfahren. Mehrere Objekte werden hierbei zu vorher unbekannten Gruppen zusammengefasst. Beispiel: Ermittlung von Kundengruppen mit gruppenintern ähnlichen Merkmalen.
  
• Multidimensionale Skalierung: Verfahren zur räumlichen Darstellung der Un-/Ähnlichkeit von verschiedenen Objekten. Bsp: Zweidimensionale Abbildung verschiedener Modelle eines Automobilherstellers im Rahmen der Neuproduktplanung.
• Conjoint Measurement: Dekompositionelles Verfahren zur "Ermittlung von unbekannten Merkmalsgewichten von bekannten Merkmalen". Beispiel: Ermittlung der Bedeutung der Merkmale PS und Verbrauch beim Autokauf.
• Korrespondenzanalysen: Exploratives Verfahren zur gleichzeitigen Analyse von Objekten und Merkmalen. Bsp:Produkte werden gleichzeitig hinsichtlich ihrer Ähnlichkeit und der sie beschreibenden Merkmale in einem zweidimensionalen Raum dargestellt. Hierduch werden korrespondierende Strukturen zwischen den Merkmalen und Produkten erkennbar.
• Kausalanalysen: Strukturprüfendes Verfahren. Hiermit können komplexe hypothetische Zusammenhänge zwischen verschiedenen Konstrukten auf ihre Stichhaltigkeit überprüft werden (Kausalmodell).

Teilbereiche der Datenanalyse nach dem Zweck der Anwendung:

1.Datenverdichtende Verfahren (deskriptiv):

1. Lage- und Streuungsparameter, sonstige Kennzahlen
2. Indizes
3. Faktorananalyse

2. Strukturaufdeckende Verfahren (explorativ):

1. Kreuztabellen
2. Faktoranalyse
3. Clusteranalyse
4. MDS
5. Korreleationsanalyse
6. Kontingenzanalyse
7. Korrespondenzanalyse

3. Strukturprüfende Verfahren (induktiv):

1. Varianzanalyse
2. Regressionsanalyse
3. Diskriminanzanalyse
4. Conjoint-Analyse
5. Kausalanalyse
   

Literatur: