Julian Aichholzer

How has Radical Right Support Transformed Established Political Conflicts? The Case of Austria

In many European party systems, the radical right has challenged established patterns of political competition. This article studies the consequences of this by using the case of the Freedom Party of Austria (FPÖ) and data from Austria’s first national election study (AUTNES). It is found that the FPÖ has weakened Austria’s previously highly stable system of socio-structural and ideological divisions as expressed by the two mainstream parties, the People’s Party and the Social Democrats. In socio-structural terms, the FPÖ has undermined the Social Democrats’ support base. In ideological terms, FPÖ voters have distinct views on newer issues such as immigration, European integration and dissatisfaction with the political system, but its supporters’ views on Austria’s traditional conflicts surrounding the economy and social and religious values cannot explain the party’s success. These findings further our understanding of the transformation of political conflicts not just in Austria, but in Western Europe in general.

Are People More Inclined to Vote at 16 than at 18? Evidence for the First-Time Voting Boost Among 16- to 25-Year-Olds in Austria

Abstract Potential consequences of lowering voting age to 16 have been discussed in recent scientific and public debates. This article examines turnout of young voters aged 16 to 17 in Austria, the first European country that lowered the general voting age to 16. For this purpose we use unique data taken from electoral lists of two recent Austrian regional elections. The results support the idea that the so-called “first-time voting boost” is even stronger among the youngest voters as turnout was (a) higher compared to 18- to 20-year-old first-time voters and (b) not substantially lower than the average turnout rate. We conclude that our findings are encouraging for the idea of lowering voting age as a means to establish higher turnout rates in the future.

Intra-individual variation of extreme response style in mixed-mode panel studies

Highlights ► The article examines intra-individual variation of survey response styles. ► A mixed-mode panel design is used to study change in extreme response behavior. ► A latent class transition model separates stable and volatile respondents. ► Extreme response style was stronger in mail-back than in face-to-face surveys. ► Ideological extremity and low education correlate with response style change.

On the nature of voters’ coalition preferences

ABSTRACT An expanding literature indicates that in multiparty systems with coalition governments, citizens consider the post-electoral bargaining process among parties when casting their vote. Yet, we know surprisingly little about the nature of voters’ coalition preferences. This paper uses data from the Austrian National Election Study to examine the determinants as well as the independence of preferences for coalitions as political object. We find that coalition preferences are strongly informed by spatial considerations; but additional non-ideological factors, such as party and leader preferences, also play a fundamental role. We also find that coalitions enjoy a certain degree of independence from other objects of vote choice and they do not always represent a simple average score on the feeling thermometer of the constituent parties. There are, however, substantial differences among voters, with party identifiers and those with extreme ideology being less likely to consider coalitions as separate entities from their component parties.

Grundlagen der Modellschätzung in SEM

In diesem Kapitel werden Grundlagen der Modellschatzung in SEM sowie deren Umsetzung in Stata vorgestellt. Zunachst werden daher Aspekte der Datenstruktur beleuchtet bzw. die Frage, fur welche Arten von Daten SEM prinzipiell geeignet sind. Diese Aspekte bedingen schlieslich die Anwendung eines Verfahrens zur Parameterschatzung in SEM. Fur die in SEM charakteristische Nullhypothese – „hypothetisches Modell und empirische Daten stimmen uberein“ – wird gezeigt, dass sie auf einen globalen Test aller eingefuhrten Modellrestriktionen (Parameterrestriktionen) hinauslauft. Auserdem werden Grundregeln und Begriffe der Modellidentifikation in SEM erlautert, d. h. unter welchen Bedingungen ein Modell geschatzt werden kann. Abschliesend werden Beispiele fur typische Probleme in der Modellschatzung von SEM angesprochen.

Rückblick und Ausblick

In diesem Abschlusskapitel werden zunachst die Grundidee und Vorteile der Anwendung von SEM wiederholt. Danach wird mittels Literaturhinweisen ein Uberblick uber weiterfuhrende Themen und Anwendungen im Rahmen von SEM gegeben, die grostenteils in Stata umgesetzt werden konnen. Diese umfassen: SEM fur Langsschnittdaten bzw. Panel-Daten, SEM fur Gruppenvergleiche (Messinvarianz), verallgemeinerte SEM (nicht-lineare und Multilevel-Modelle), spezifische Formen von Hypothesen (Interaktionen latenter Variablen sowie nicht-rekursive Modelle), spezielle Beobachtungseinheiten (Meta-Analysen und Zwillingstudien) sowie alternative Schatzmethoden fur SEM.

Grundlagen für Strukturgleichungsmodelle

Dieses Kapitel hat einerseits das Ziel, die begriff lichen Grundlagen und Konventionen fur SEM vorzustellen: Eigenschaften oder Arten von Variablen in SEM sowie die Darstellung von SEM uber Pfaddiagramme oder als Gleichungssystem uber die Matrixschreibweise. Andererseits soll das notige Vorwissen uber wesentliche statistische Grundlagen fur SEM geschaffen oder wiederholt und vertieft werden. Hierzu zahlen: Varianz, Kovarianz, Korrelation und lineare Gleichungen. Der Fokus richtet sich schlieslich auf die lineare Regression als Grundmodell und Spezialfall linearer SEM: statistische Grundlagen der (multiplen) linearen Regression, Schatzung mittels OLS- und ML-Funktion, Effektzerlegung, Standardisierung von Regressionskoeffizienten, Matrixschreibweise sowie die Kovarianzund Mittelwertstruktur der linearen Regression. Abschliesend wird die Bedeutung der erklarten Varianz (R2) als Gutemas erortert.

Modellbewertung und Ergebnispräsentation

Dieses Kapitel erlautert die gangige Praxis zur Bestimmung der Modellgute von SEM als auch die Darstellung von Ergebnissen aus SEM. Zur Bestimmung der Modellgute wird einerseits der globale Test der Nullhypothese in SEM (Χ 2-Test) als Vergleich gegenuber einem „perfekten Modell“ vorgestellt und, andererseits, alternative Gutemase fur annahernden „Fit“. Weiters wird die Praxis und mogliche Gutemase rund um den Vergleich rivalisierender (alternativ spezifizierter) Modelle beschrieben. Zur Modelldiagnose im Fall eines „schlecht“ passenden Modells konnen schlieslich sogenannte Modifikationsindizes sowie Modellresiduen herangezogen werden. Abschliesend werden Moglichkeiten der Prasentation substanzieller Ergebnisse im Tabellenformat oder auch innerhalb von Pfaddiagrammen veranschaulicht.

Warum Strukturgleichungsmodelle anwenden

Dieses Kapitel beschreibt den Ursprung von SEM als Analysemethode sowie deren Einordnung und Prominenz in der gegenwartigen quantitativ-empirischen Forschung. Wie gezeigt wird, erschliest sich ihr Nutzen nicht zuletzt daraus, da SEM das lineare Regressionsmodell (oder ANOVA), Pfadanalyse und Faktorenanalyse vereinen. Damit einhergehend werden Grundbegriffe von SEM, wie „Strukturmodell“ (Hypothesen uber „kausale“ Zusammenhange zwischen Konstrukten/Variablen) und „Messmodell“ (Hypothesen uber Indikator-Konstrukt-Beziehungen), als auch die Unterscheidung von manifesten und latenten Variablen eingefuhrt. Veranschaulicht wird diese Unterscheidung uber die notigen Schritte, um ein SEM zu spezifizieren. Diese Schritte zeigen gleichermasen den idealtypischen Ablauf der empirischen Prufung von SEM.

Grundlagen in Stata

Dieses Einfuhrungskapitel gibt eine knappe Ubersicht uber die Grundlagen der Kommandosprache in Stata als Basis fur deren laufende Erganzung im Rahmen der Analyse von SEM. Zusatzlich werden einige Anmerkungen und Tipps zur praktischen Anwendung von Stata generell gegeben. Ein Fokus richtet sich zuletzt auf Datenformate zur Analyse von SEM in Stata, namlich die Moglichkeit der Analyse zusammengefasster Parameter (summary statistics).