Die Analyse kriminologischer Merkmale mit latenten Wachstumskurvenmodellen

 

Wie können wir die Entwicklungsprozesse von Kriminalität, Abweichung oder Viktimisierung über die Zeit mithilfe statistischer Methoden verstehen? Ein weit verbreiteter Ansatz basiert auf der Analyse von Veränderungen innerhalb von Individuen sowie Differenzen zwischen Individuen mit „latenten Wachstumskurven“. Oftmals folgen jedoch kriminologische Merkmale, wie die Anzahl der pro Jahr begangenen Straftaten, keiner Normalverteilung und weisen viele „Nullen“ auf (z.B. viele nicht-delinquente Personen). Dies erfordert die Anwendung von Wahrscheinlichkeitsverteilungen wie der Poisson- oder negativen Binomialverteilung. In diesem Artikel erläutert Daniel Seddig die dahinterstehenden statistischen Prinzipien und gibt eine Anleitung zur Analyse von latenten Wachstumskurvenmodellen mit der statistischen Software Mplus. 

Anhand empirischer Daten zu selbstberichteten Straftaten unter Jugendlichen (N = 1664; 15-18 Jahren) verdeutlicht er, dass der Rückgang der Tatbegehung während der mittleren Adoleszenz mit Geschlecht, Bildung und der Akzeptanz von Rechtsnormen verbunden ist. Diese Beziehung lässt sich am besten modellieren, wenn für die Kriminalitätsdaten eine negative Binomialverteilung zu Grunde gelegt wird.

 

Seddig, D. (2024). Latent growth models for count outcomes: Specification, evaluation, and interpretation. Structural Equation Modeling, 31(1), 182-198. https://doi.org/10.1080/10705511.2023.2175684