Online Anhang: Brille, Blazer oder Bart? Das Aussehen als Determinante des Wahlerfolgs

von Bundestags-Direktkandidaten

O1: Nach dem Pre-Test aussortierte Wahlkreise

Wahlkreis Nr. Kandidat(in) Partei

15 Merkel, Angela Dorothea CDU

Kassner, Karin Kerstin LINKE

40 Edathy, Sebastian SPD

Beermann, Maik CDU

42 Bulmahn, Edelgard SPD

Leyen, Ursula von der CDU

45 Heil, Hubertus SPD

Pahlmann, Ingrid CDU

49 Gabriel, Sigmar SPD

Lagosky, Uwe CDU

53 Oppermann, Thomas SPD

Güntzler, Fritz CDU

60 Steinmeier, Frank-Walter SPD

Voßhoff, Andrea Astrid CDU

83 Ströbele, Hans-Christian GREENS

Kiziltepe, Cansel SPD

84 Gysi, Gregor LINKE

Niedergesäß, Fritz CDU

85 Pau, Petra Angelika LINKE

Grütters, Monika CDU

86 Lötzsch, Gesine LINKE

Pätzold, Martin CDU

87 Henke, Rudolf CDU

Schmidt, Ulla SPD

98 Röttgen, Norbert CDU

Bähr-Losse, Bettina SPD

100 Bosbach, Wolfgang CDU

Zalfen, Michael SPD

101 Lauterbach, Karl Wilhelm SPD

Nowak, Helmut Fedor CDU

104 Noll, Michaela CDU

Steinbrück, Peer SPD

108 Gröhe, Hermann CDU

Krützen, Klaus SPD

112 Pofalla, Ronald CDU

Hendricks, Barbara SPD

121 Schwabe, Frank SPD

Mißfelder, Philipp CDU

124 Spahn, Jens CDU

Arndt-Brauer, Ingrid SPD

Wahlkreis Nr. Kandidat(in) Partei

140 Schäfer, Axel SPD

Lammert, Norbert CDU

155 de Maizière, Karl Ernst Thomas CDU

Scheel, Sebastian SPD

159 Lämmel, Andreas Gottfried CDU

Kipping, Katja LINKE

175 Tauber, Peter Michael CDU

Müller, Bettina SPD

179 Schröder, Kristina CDU

Rottloff, Simon SPD

184 Jung, Franz Josef Friedrich CDU

Reichenbach, Gerold Rudolf SPD

186 Zypries, Brigitte SPD

Huber, Karl-Heinz (Charles M.) CDU

199 Heil, Mechthild CDU

Nahles, Andrea SPD

216 Hasselfeldt, Gerda CSU

Schrodi, Michael SPD

220 Gauweiler, Peter CSU

Vorländer, Christian SPD

225 Ramsauer, Peter CSU

Kofler, Bärbel SPD

226 Dobrindt, Alexander CSU

Dullinger, Angelica SPD

229 Scheuer, Andreas Franz CSU

Flisek, Christian SPD

239 Friedrich, Hans-Peter CSU

Ernstberger, Petra SPD

258 Kaufmann, Stefan CDU

Özdemir, Cem GREENS

281 Marschall von Bieberstein, Matern CDU

Erler, Gernot SPD

284 Schäuble, Wolfgang CDU

Drobinski-Weiß, Elvira SPD

285 Kauder, Volker CDU

Can, Ergun SPD

291 Schavan, Annette CDU

Mattheis, Hildegard SPD

297 Altmaier, Peter CDU

Jost, Reinhold SPD

Fettgedruckt: Kandidaten, die die Pre-Tester erkannten (d.h. einer Partei zuordnen konnten).

O2: Einfluss des Button-Layouts auf die Latenzzeiten

Layout Buttons

∅-Zeit bis zum ersten

Klick in Sekunden

(Std. Dev.)

∅-Zeit bis zum zweiten

Klick in Sekunden

(Std. Dev.)

∅-Zeit bis zum dritten

Klick in Sekunden

(Std. Dev.)

1

Oben

Mitte

Unten

sympathischer

kompetenter

attraktiver

4,057

(0,9442)

N=48

5,811

(0,9795)

N=47

6,885

(1,365)

N=47

2

Oben

Mitte

Unten

sympathischer

attraktiver

kompetenter

4,043

(0,7952)

N=43

5,732

(0,9536)

N=42

7,013

(0,9346)

N=42

3

Oben

Mitte

Unten

kompetenter

attraktiver

sympathischer

4,325a

(0,8110)

N=47

6,105

(0,9858)

N=47

7,260

(1,062)

N=47

4

Oben

Mitte

Unten

kompetenter

sympathischer

attraktiver

4,143

(0,8288)

N=46

5,847

(1,030)

N=46

6,872

(1,004)

N=45

5

Oben

Mitte

Unten

attraktiver

sympathischer

kompetenter

4,129

(0,8794)

N=31

5,935

(0,9834)

N=31

7,271

(1,094)

N=30

6

Oben

Mitte

Unten

attraktiver

kompetenter

sympathischer

3,879a

(0,8093)

N=46

5,732

(1,006)

N=46

6,819

(1,097)

N=46

Die Zahlen geben die Durchschnitte der mittleren Latenzzeiten für jeden Rater innerhalb einer Layout-Gruppe an; a = signifikanter Unterschied zwischen den Mittelwerten (zweiseitiger t-Test; 95%-Konfidenzniveau).

O3: Logitmodelle (+ fixed effects) Attraktivität M1: Weibliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 332 LR chi2(5) = 51.82 Prob > chi2 = 0.0000 Log likelihood = -204.2169 Pseudo R2 = 0.1126 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0280668 .0142325 -1.97 0.049 -.055962 -.0001716 brille | -1.075611 .2556038 -4.21 0.000 -1.576585 -.5746365 anzug_blazer | -.2100148 .2923178 -0.72 0.472 -.7829471 .3629175 schmuck | .2316289 .2711973 0.85 0.393 -.299908 .7631658 kurzhaar_x~x | -.7788939 .281129 -2.77 0.006 -1.329897 -.2278913 _cons | 2.370826 .8255094 2.87 0.004 .7528577 3.988795 ------------------------------------------------------------------------------ Attraktivität M1_fe: Weibliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 332 LR chi2(94) = 62.37 Prob > chi2 = 0.9951 Log likelihood = -198.94106 Pseudo R2 = 0.1355 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0331521 .0163551 -2.03 0.043 -.0652076 -.0010967 brille | -1.361975 .3340984 -4.08 0.000 -2.016796 -.7071545 anzug_blazer | -.1768842 .3498909 -0.51 0.613 -.8626577 .5088894 schmuck | .4742777 .3542843 1.34 0.181 -.2201067 1.168662 kurzhaar_x~x | -.8691745 .340331 -2.55 0.011 -1.536211 -.2021381 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 2.7406 1.550692 1.77 0.077 -.2986999 5.7799 ------------------------------------------------------------------------------

Attraktivität M2: Weibliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2438 LR chi2(7) = 166.53 Prob > chi2 = 0.0000 Log likelihood = -1606.6284 Pseudo R2 = 0.0493 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0348716 .0044394 -7.86 0.000 -.0435726 -.0261706 brille | -.4364577 .0859136 -5.08 0.000 -.6048452 -.2680702 anzug_blazer | .0300064 .2498214 0.12 0.904 -.4596346 .5196474 schmuck | -.7640516 .5236515 -1.46 0.145 -1.79039 .2622864 krawatte | -.4133432 .1177146 -3.51 0.000 -.6440596 -.1826269 glatze | -.7363063 .1326397 -5.55 0.000 -.9962754 -.4763372 bart | .335651 .1057883 3.17 0.002 .1283098 .5429922 _cons | 2.309297 .3104931 7.44 0.000 1.700742 2.917852 ------------------------------------------------------------------------------ Attraktivität M2_fe: Weibliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2438 LR chi2(122) = 175.15 Prob > chi2 = 0.0012 Log likelihood = -1602.3202 Pseudo R2 = 0.0518 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0368471 .0045591 -8.08 0.000 -.0457828 -.0279114 brille | -.4615892 .0881362 -5.24 0.000 -.6343331 -.2888454 anzug_blazer | .021995 .254983 0.09 0.931 -.4777625 .5217524 schmuck | -.7381659 .5358679 -1.38 0.168 -1.788448 .3121159 krawatte | -.4432762 .121117 -3.66 0.000 -.6806611 -.2058913 glatze | -.7624031 .1358984 -5.61 0.000 -1.028759 -.4960471 bart | .3550696 .107893 3.29 0.001 .1436033 .566536 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 2.386506 .5425596 4.40 0.000 1.323109 3.449903 ------------------------------------------------------------------------------

Attraktivität M3: Weibliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2412 LR chi2(9) = 442.47 Prob > chi2 = 0.0000 Log likelihood = -1450.6338 Pseudo R2 = 0.1323 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -2.219668 .2199884 -10.09 0.000 -2.650838 -1.788499 alter | -.0182346 .0050276 -3.63 0.000 -.0280885 -.0083808 brille | -.297221 .0950888 -3.13 0.002 -.4835916 -.1108505 anzug_blazer | .3360336 .1297939 2.59 0.010 .0816421 .590425 schmuck | -.430174 .1515269 -2.84 0.005 -.7271613 -.1331867 krawatte | .0844299 .1759922 0.48 0.631 -.2605085 .4293682 glatze | -.719122 .23777 -3.02 0.002 -1.185143 -.2531014 bart | .203768 .1727266 1.18 0.238 -.1347699 .5423058 kurzhaar_x~x | -.6219227 .1429649 -4.35 0.000 -.9021287 -.3417166 _cons | 2.104078 .2777202 7.58 0.000 1.559756 2.6484 ------------------------------------------------------------------------------ Attraktivität M3_fe: Weibliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2412 LR chi2(124) = 446.44 Prob > chi2 = 0.0000 Log likelihood = -1448.6527 Pseudo R2 = 0.1335 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -2.244663 .2240623 -10.02 0.000 -2.683817 -1.805509 alter | -.0197216 .0051994 -3.79 0.000 -.0299123 -.009531 brille | -.3081497 .0973552 -3.17 0.002 -.4989624 -.117337 anzug_blazer | .3515103 .1322359 2.66 0.008 .0923327 .6106879 schmuck | -.439248 .1545722 -2.84 0.004 -.742204 -.136292 krawatte | .0893853 .1804313 0.50 0.620 -.2642536 .4430243 glatze | -.7398506 .2424471 -3.05 0.002 -1.215038 -.264663 bart | .2114827 .1765112 1.20 0.231 -.1344729 .5574382 kurzhaar_x~x | -.6573437 .1475143 -4.46 0.000 -.9464664 -.3682211 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 2.27443 .5375491 4.23 0.000 1.220853 3.328007 ------------------------------------------------------------------------------

Attraktivität M4: Männliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 438 LR chi2(5) = 85.94 Prob > chi2 = 0.0000 Log likelihood = -260.62632 Pseudo R2 = 0.1415 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0609813 .0124262 -4.91 0.000 -.0853362 -.0366264 brille | -.6818556 .2308693 -2.95 0.003 -1.134351 -.2293601 anzug_blazer | .2490605 .2553293 0.98 0.329 -.2513758 .7494968 schmuck | -.1633396 .251987 -0.65 0.517 -.6572251 .3305458 kurzhaar_x~x | -1.291125 .2663741 -4.85 0.000 -1.813209 -.7690414 _cons | 3.910898 .7266388 5.38 0.000 2.486712 5.335084 ------------------------------------------------------------------------------ Attraktivität M4_fe: Männliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 438 LR chi2(120) = 101.87 Prob > chi2 = 0.8832 Log likelihood = -252.66319 Pseudo R2 = 0.1678 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0670039 .0141899 -4.72 0.000 -.0948156 -.0391922 brille | -.875601 .3032632 -2.89 0.004 -1.469986 -.2812161 anzug_blazer | .1929306 .2997869 0.64 0.520 -.3946409 .7805022 schmuck | .0873883 .3321482 0.26 0.792 -.5636102 .7383868 kurzhaar_x~x | -1.542298 .3344817 -4.61 0.000 -2.19787 -.8867255 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 4.098235 1.346974 3.04 0.002 1.458214 6.738255 ------------------------------------------------------------------------------

Attraktivität M5: Männliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2940 LR chi2(7) = 142.68 Prob > chi2 = 0.0000 Log likelihood = -1966.5105 Pseudo R2 = 0.0350 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0239543 .0039608 -6.05 0.000 -.0317174 -.0161913 brille | -.2905571 .0790544 -3.68 0.000 -.445501 -.1356133 anzug_blazer | -.1038955 .2217941 -0.47 0.639 -.538604 .3308129 schmuck | -.7108851 .4440519 -1.60 0.109 -1.581211 .1594405 krawatte | -.4285927 .1057615 -4.05 0.000 -.6358814 -.221304 glatze | -.7596535 .1195068 -6.36 0.000 -.9938825 -.5254245 bart | .3782604 .0950533 3.98 0.000 .1919594 .5645614 _cons | 1.813 .2794919 6.49 0.000 1.265206 2.360794 ------------------------------------------------------------------------------ Attraktivität M5_fe: Männliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2940 LR chi2(146) = 150.08 Prob > chi2 = 0.3915 Log likelihood = -1962.8137 Pseudo R2 = 0.0368 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0253379 .004057 -6.25 0.000 -.0332894 -.0173863 brille | -.303239 .0808904 -3.75 0.000 -.4617814 -.1446967 anzug_blazer | -.1246423 .2265838 -0.55 0.582 -.5687383 .3194538 schmuck | -.746166 .4577481 -1.63 0.103 -1.643336 .1510038 krawatte | -.4425578 .1083714 -4.08 0.000 -.6549617 -.2301538 glatze | -.8057412 .1225156 -6.58 0.000 -1.045867 -.5656151 bart | .3982055 .0971484 4.10 0.000 .2077981 .588613 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 1.937091 .5348299 3.62 0.000 .8888437 2.985338 ------------------------------------------------------------------------------

Attraktivität M6: Männliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2858 LR chi2(9) = 366.96 Prob > chi2 = 0.0000 Log likelihood = -1797.5365 Pseudo R2 = 0.0926 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -1.883564 .199998 -9.42 0.000 -2.275553 -1.491576 alter | -.0235214 .0044591 -5.27 0.000 -.032261 -.0147818 brille | -.254626 .0837822 -3.04 0.002 -.4188361 -.0904159 anzug_blazer | .0967185 .1202816 0.80 0.421 -.1390292 .3324661 schmuck | -.3513924 .1339923 -2.62 0.009 -.6140125 -.0887724 krawatte | .2038159 .1625107 1.25 0.210 -.1146993 .5223311 glatze | -.4574749 .1987565 -2.30 0.021 -.8470305 -.0679194 bart | .2036115 .1537833 1.32 0.185 -.0977982 .5050213 kurzhaar_x~x | -.608731 .1271783 -4.79 0.000 -.857996 -.359466 _cons | 2.282657 .2476593 9.22 0.000 1.797253 2.76806 ------------------------------------------------------------------------------ Attraktivität M6_fe: Männliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2858 LR chi2(151) = 373.15 Prob > chi2 = 0.0000 Log likelihood = -1794.4377 Pseudo R2 = 0.0942 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -1.924669 .204246 -9.42 0.000 -2.324984 -1.524354 alter | -.0259038 .0046411 -5.58 0.000 -.0350001 -.0168074 brille | -.2646017 .0855575 -3.09 0.002 -.4322914 -.096912 anzug_blazer | .1033898 .1225319 0.84 0.399 -.1367682 .3435479 schmuck | -.370159 .1367819 -2.71 0.007 -.6382466 -.1020715 krawatte | .2217735 .1663374 1.33 0.182 -.1042419 .5477889 glatze | -.4768747 .2027829 -2.35 0.019 -.8743219 -.0794276 bart | .2134101 .1581032 1.35 0.177 -.0964665 .5232866 kurzhaar_x~x | -.6383016 .1306295 -4.89 0.000 -.8943307 -.3822724 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 2.462743 .4953248 4.97 0.000 1.491924 3.433562 ------------------------------------------------------------------------------

Kompetenz M1: Weibliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 336 LR chi2(5) = 19.75 Prob > chi2 = 0.0014 Log likelihood = -223.02382 Pseudo R2 = 0.0424 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0021866 .0137676 0.16 0.874 -.0247974 .0291706 brille | .2208816 .2483142 0.89 0.374 -.2658054 .7075685 anzug_blazer | 1.132133 .2850713 3.97 0.000 .5734033 1.690862 schmuck | -.3705854 .2603567 -1.42 0.155 -.8808752 .1397044 kurzhaar_x~x | -.1843557 .2685094 -0.69 0.492 -.7106245 .3419132 _cons | -.7848081 .8072267 -0.97 0.331 -2.366943 .7973272 ------------------------------------------------------------------------------ Kompetenz M1_fe: Weibliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 336 LR chi2(93) = 27.06 Prob > chi2 = 1.0000 Log likelihood = -219.36775 Pseudo R2 = 0.0581 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0101829 .0160084 0.64 0.525 -.0211929 .0415588 brille | .1318665 .3127469 0.42 0.673 -.4811062 .7448392 anzug_blazer | 1.585985 .3462666 4.58 0.000 .9073149 2.264655 schmuck | -.486018 .3307332 -1.47 0.142 -1.134243 .1622071 kurzhaar_x~x | -.1711543 .3267435 -0.52 0.600 -.8115598 .4692512 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -1.758562 1.409015 -1.25 0.212 -4.52018 1.003057 ------------------------------------------------------------------------------

Kompetenz M2: Weibliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2560 LR chi2(7) = 67.64 Prob > chi2 = 0.0000 Log likelihood = -1740.6378 Pseudo R2 = 0.0191 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .02477 .00421 5.88 0.000 .0165187 .0330214 brille | .2307621 .082268 2.81 0.005 .0695197 .3920045 anzug_blazer | -.4104475 .2374574 -1.73 0.084 -.8758555 .0549604 schmuck | -.3889681 .4890917 -0.80 0.426 -1.34757 .569634 krawatte | -.0134105 .110624 -0.12 0.904 -.2302295 .2034086 glatze | .329536 .1215064 2.71 0.007 .0913879 .5676841 bart | .0386051 .0999145 0.39 0.699 -.1572236 .2344339 _cons | -1.008645 .2914197 -3.46 0.001 -1.579817 -.437473 ------------------------------------------------------------------------------ Kompetenz M2_fe: Weibliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2560 LR chi2(121) = 70.56 Prob > chi2 = 0.9999 Log likelihood = -1739.1789 Pseudo R2 = 0.0199 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0258186 .0042976 6.01 0.000 .0173954 .0342417 brille | .2444023 .0842359 2.90 0.004 .0793029 .4095017 anzug_blazer | -.4286994 .2424074 -1.77 0.077 -.9038092 .0464103 schmuck | -.4165819 .499028 -0.83 0.404 -1.394659 .5614949 krawatte | -.0183787 .1133132 -0.16 0.871 -.2404685 .203711 glatze | .340541 .1240794 2.74 0.006 .0973498 .5837322 bart | .0385073 .1018015 0.38 0.705 -.16102 .2380346 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -1.011919 .542762 -1.86 0.062 -2.075713 .0518747 ------------------------------------------------------------------------------

Kompetenz M3: Weibliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2390 LR chi2(9) = 45.89 Prob > chi2 = 0.0000 Log likelihood = -1633.6764 Pseudo R2 = 0.0139 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.1445677 .1950984 -0.74 0.459 -.5269535 .2378181 alter | .0140166 .0046605 3.01 0.003 .0048822 .023151 brille | .0983309 .0884672 1.11 0.266 -.0750617 .2717235 anzug_blazer | .5854881 .1205663 4.86 0.000 .3491825 .8217936 schmuck | -.0083837 .1337241 -0.06 0.950 -.270478 .2537107 krawatte | .115434 .161119 0.72 0.474 -.2003534 .4312214 glatze | -.0322629 .194045 -0.17 0.868 -.4125841 .3480582 bart | -.249766 .1596055 -1.56 0.118 -.562587 .0630551 kurzhaar_x~x | -.0893574 .1383493 -0.65 0.518 -.360517 .1818022 _cons | -1.165988 .2528404 -4.61 0.000 -1.661546 -.6704301 ------------------------------------------------------------------------------ Kompetenz M3_fe: Weibliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2390 LR chi2(123) = 47.43 Prob > chi2 = 1.0000 Log likelihood = -1632.9053 Pseudo R2 = 0.0143 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.1512562 .1984773 -0.76 0.446 -.5402646 .2377521 alter | .0147236 .0048039 3.06 0.002 .005308 .0241391 brille | .1008717 .0905714 1.11 0.265 -.0766449 .2783883 anzug_blazer | .6032336 .1228137 4.91 0.000 .3625232 .843944 schmuck | -.0093108 .1363108 -0.07 0.946 -.2764751 .2578535 krawatte | .1181398 .1649667 0.72 0.474 -.205189 .4414686 glatze | -.0342018 .1984613 -0.17 0.863 -.4231787 .3547752 bart | -.2607559 .1633644 -1.60 0.110 -.5809442 .0594323 kurzhaar_x~x | -.0923803 .1422372 -0.65 0.516 -.37116 .1863995 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -1.281963 .4913567 -2.61 0.009 -2.245004 -.3189216 ------------------------------------------------------------------------------

Kompetenz M4: Männliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 438 LR chi2(5) = 19.20 Prob > chi2 = 0.0018 Log likelihood = -293.99609 Pseudo R2 = 0.0316 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0118465 .0113436 1.04 0.296 -.0103865 .0340794 brille | .3687271 .2204462 1.67 0.094 -.0633395 .8007936 anzug_blazer | .6531012 .236045 2.77 0.006 .1904615 1.115741 schmuck | .0224796 .237783 0.09 0.925 -.4435665 .4885258 kurzhaar_x~x | .1914418 .245286 0.78 0.435 -.28931 .6721936 _cons | -1.360271 .6565566 -2.07 0.038 -2.647099 -.0734442 ------------------------------------------------------------------------------ Kompetenz M4_fe: Männliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 438 LR chi2(119) = 24.12 Prob > chi2 = 1.0000 Log likelihood = -291.53854 Pseudo R2 = 0.0397 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0165131 .0128323 1.29 0.198 -.0086378 .041664 brille | .3446592 .2809493 1.23 0.220 -.2059913 .8953097 anzug_blazer | .8967089 .2781763 3.22 0.001 .3514934 1.441924 schmuck | .0028219 .3100038 0.01 0.993 -.6047745 .6104182 kurzhaar_x~x | .279642 .2976152 0.94 0.347 -.303673 .862957 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -2.037158 1.284093 -1.59 0.113 -4.553934 .4796177 ------------------------------------------------------------------------------

Kompetenz M5: Männliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 3166 LR chi2(7) = 81.35 Prob > chi2 = 0.0000 Log likelihood = -2153.8292 Pseudo R2 = 0.0185 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0132173 .0037326 3.54 0.000 .0059016 .020533 brille | .3719114 .075038 4.96 0.000 .2248396 .5189832 anzug_blazer | .1038818 .2042027 0.51 0.611 -.2963481 .5041116 schmuck | -.7700424 .467588 -1.65 0.100 -1.686498 .1464133 krawatte | .1329265 .1007993 1.32 0.187 -.0646364 .3304895 glatze | .4463078 .1097404 4.07 0.000 .2312205 .6613951 bart | .0553827 .0895828 0.62 0.536 -.1201964 .2309619 _cons | -1.11215 .2584232 -4.30 0.000 -1.618651 -.6056501 ------------------------------------------------------------------------------ Kompetenz M5_fe: Männliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 3166 LR chi2(149) = 84.53 Prob > chi2 = 1.0000 Log likelihood = -2152.2407 Pseudo R2 = 0.0193 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .0137951 .0038019 3.63 0.000 .0063435 .0212467 brille | .3860859 .0766018 5.04 0.000 .2359491 .5362228 anzug_blazer | .11737 .2085824 0.56 0.574 -.291444 .526184 schmuck | -.7738028 .4768276 -1.62 0.105 -1.708368 .1607621 krawatte | .1346417 .1029236 1.31 0.191 -.0670849 .3363682 glatze | .467388 .1122258 4.16 0.000 .2474295 .6873464 bart | .0567955 .0912502 0.62 0.534 -.1220516 .2356426 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -1.138425 .5207625 -2.19 0.029 -2.1591 -.1177489 ------------------------------------------------------------------------------

Kompetenz M6: Männliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2966 LR chi2(9) = 117.86 Prob > chi2 = 0.0000 Log likelihood = -1996.9437 Pseudo R2 = 0.0287 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.0068002 .1827273 -0.04 0.970 -.3649392 .3513388 alter | .0043089 .004126 1.04 0.296 -.003778 .0123957 brille | .2288957 .0787199 2.91 0.004 .0746075 .383184 anzug_blazer | .5878935 .1149602 5.11 0.000 .3625755 .8132114 schmuck | .0653482 .1232531 0.53 0.596 -.1762235 .3069199 krawatte | .4615041 .1510237 3.06 0.002 .1655031 .757505 glatze | .0916967 .1766929 0.52 0.604 -.2546149 .4380083 bart | .1000463 .147798 0.68 0.498 -.1896324 .3897249 kurzhaar_x~x | -.0201366 .1237221 -0.16 0.871 -.2626274 .2223542 _cons | -1.029081 .2258365 -4.56 0.000 -1.471713 -.5864498 ------------------------------------------------------------------------------

Kompetenz M6_fe: Männliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2966 LR chi2(151) = 119.74 Prob > chi2 = 0.9714 Log likelihood = -1996.0058 Pseudo R2 = 0.0291 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.0255609 .1863433 -0.14 0.891 -.3907871 .3396653 alter | .0045595 .0042735 1.07 0.286 -.0038164 .0129354 brille | .235957 .0804053 2.93 0.003 .0783654 .3935485 anzug_blazer | .6042849 .1169214 5.17 0.000 .3751231 .8334468 schmuck | .0673845 .1256443 0.54 0.592 -.1788737 .3136427 krawatte | .4791376 .1544069 3.10 0.002 .1765057 .7817695 glatze | .0915902 .180082 0.51 0.611 -.261364 .4445445 bart | .1034144 .1519505 0.68 0.496 -.1944031 .401232 kurzhaar_x~x | -.0182532 .1266915 -0.14 0.885 -.266564 .2300576 fixed effects: 259 dummies (rater_1 - rater_259) _cons | -1.065279 .4595309 -2.32 0.020 -1.965943 -.1646146 ------------------------------------------------------------------------------

Sympathie M1: Weibliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 344 LR chi2(5) = 11.74 Prob > chi2 = 0.0385 Log likelihood = -232.57227 Pseudo R2 = 0.0246 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | .000547 .0131686 0.04 0.967 -.025263 .026357 brille | -.5272163 .2421635 -2.18 0.029 -1.001848 -.0525844 anzug_blazer | -.6123454 .2718832 -2.25 0.024 -1.145227 -.0794642 schmuck | .322929 .255755 1.26 0.207 -.1783415 .8241996 kurzhaar_x~x | .1418375 .2642242 0.54 0.591 -.3760324 .6597074 _cons | .4423009 .7655489 0.58 0.563 -1.058147 1.942749 ------------------------------------------------------------------------------ Sympathie M1_fe: Weibliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 344 LR chi2(95) = 14.39 Prob > chi2 = 1.0000 Log likelihood = -231.24995 Pseudo R2 = 0.0302 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.000192 .015235 -0.01 0.990 -.0300519 .029668 brille | -.6414945 .2978102 -2.15 0.031 -1.225192 -.0577973 anzug_blazer | -.7618154 .3197709 -2.38 0.017 -1.388555 -.135076 schmuck | .4140952 .3250635 1.27 0.203 -.2230176 1.051208 kurzhaar_x~x | .2032033 .3076596 0.66 0.509 -.3997985 .8062051 fixed effects: 259 dummies (rater_1 - rater_259) _cons | .6791821 1.376406 0.49 0.622 -2.018523 3.376887 ------------------------------------------------------------------------------

Sympathie M2: Weibliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2632 LR chi2(7) = 45.73 Prob > chi2 = 0.0000 Log likelihood = -1801.496 Pseudo R2 = 0.0125 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0092614 .0040979 -2.26 0.024 -.0172931 -.0012297 brille | -.2973052 .0810579 -3.67 0.000 -.4561757 -.1384347 anzug_blazer | .3683822 .2378144 1.55 0.121 -.0977254 .8344898 schmuck | 1.294683 .5746502 2.25 0.024 .1683893 2.420977 krawatte | -.2194964 .1089299 -2.02 0.044 -.4329951 -.0059978 glatze | -.1549137 .1190175 -1.30 0.193 -.3881837 .0783562 bart | .3857539 .0982701 3.93 0.000 .1931482 .5783597 _cons | .366233 .2903877 1.26 0.207 -.2029163 .9353823 ------------------------------------------------------------------------------

Sympathie M2_fe: Weibliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2632 LR chi2(122) = 47.62 Prob > chi2 = 1.0000 Log likelihood = -1800.5515 Pseudo R2 = 0.0131 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0097414 .0041805 -2.33 0.020 -.0179349 -.0015478 brille | -.31028 .082974 -3.74 0.000 -.4729061 -.1476539 anzug_blazer | .373225 .2421963 1.54 0.123 -.1014712 .8479211 schmuck | 1.337462 .5818566 2.30 0.022 .1970443 2.47788 krawatte | -.2265708 .1116271 -2.03 0.042 -.445356 -.0077856 glatze | -.1612302 .1213578 -1.33 0.184 -.3990872 .0766268 bart | .4017499 .1001605 4.01 0.000 .2054389 .5980609 fixed effects: 259 dummies (rater_1 - rater_259) _cons | .3128623 .5230407 0.60 0.550 -.7122786 1.338003 ------------------------------------------------------------------------------

Sympathie M3: Weibliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2480 LR chi2(9) = 157.54 Prob > chi2 = 0.0000 Log likelihood = -1640.2325 Pseudo R2 = 0.0458 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.8157405 .1961387 -4.16 0.000 -1.200165 -.4313157 alter | -.0125876 .004639 -2.71 0.007 -.0216799 -.0034954 brille | .0084399 .0884271 0.10 0.924 -.164874 .1817538 anzug_blazer | .0812856 .1190779 0.68 0.495 -.1521028 .314674 schmuck | -.065369 .1348467 -0.48 0.628 -.3296637 .1989258 krawatte | -.3111503 .1610301 -1.93 0.053 -.6267634 .0044629 glatze | -.4952619 .205141 -2.41 0.016 -.8973309 -.0931929 bart | .2761238 .1576202 1.75 0.080 -.0328061 .5850536 kurzhaar_x~x | -.194676 .1354673 -1.44 0.151 -.4601869 .070835 _cons | 1.150837 .250724 4.59 0.000 .6594269 1.642247 ------------------------------------------------------------------------------

Sympathie M3_fe: Weibliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2480 LR chi2(125) = 158.90 Prob > chi2 = 0.0218 Log likelihood = -1639.5567 Pseudo R2 = 0.0462 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.8096104 .1993791 -4.06 0.000 -1.200386 -.4188346 alter | -.0134656 .0047894 -2.81 0.005 -.0228526 -.0040785 brille | .0121773 .0904308 0.13 0.893 -.1650638 .1894185 anzug_blazer | .0892098 .1212385 0.74 0.462 -.1484133 .3268329 schmuck | -.0648966 .1374567 -0.47 0.637 -.3343069 .2045137 krawatte | -.3254462 .1647721 -1.98 0.048 -.6483935 -.0024988 glatze | -.5175312 .2093755 -2.47 0.013 -.9278997 -.1071628 bart | .2875202 .1610715 1.79 0.074 -.0281741 .6032144 kurzhaar_x~x | -.2025282 .1391244 -1.46 0.145 -.475207 .0701507 fixed effects: 259 dummies (rater_1 - rater_259) _cons | 1.253487 .4996904 2.51 0.012 .2741121 2.232863 ------------------------------------------------------------------------------

Sympathie M4: Männliche Rater, Frau vs. Frau-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 448 LR chi2(5) = 7.99 Prob > chi2 = 0.1566 Log likelihood = -306.53325 Pseudo R2 = 0.0129 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0023321 .0109394 -0.21 0.831 -.023773 .0191087 brille | -.3297277 .217359 -1.52 0.129 -.7557435 .0962881 anzug_blazer | -.4397373 .2281337 -1.93 0.054 -.8868712 .0073966 schmuck | .289229 .2293187 1.26 0.207 -.1602273 .7386853 kurzhaar_x~x | .1815273 .23768 0.76 0.445 -.284317 .6473715 _cons | .3372164 .6266779 0.54 0.591 -.8910497 1.565483 ------------------------------------------------------------------------------ Sympathie M4_fe: Männliche Rater, Frau vs. Frau-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 448 LR chi2(119) = 10.98 Prob > chi2 = 1.0000 Log likelihood = -305.04201 Pseudo R2 = 0.0177 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0036083 .0123752 -0.29 0.771 -.0278632 .0206467 brille | -.4442943 .272322 -1.63 0.103 -.9780358 .0894471 anzug_blazer | -.5696846 .2643156 -2.16 0.031 -1.087734 -.0516355 schmuck | .4890734 .2962368 1.65 0.099 -.0915401 1.069687 kurzhaar_x~x | .2849006 .2858244 1.00 0.319 -.275305 .8451061 fixed effects: 259 dummies (rater_1 - rater_259) _cons | .3061276 1.662871 0.18 0.854 -2.953039 3.565294 ------------------------------------------------------------------------------

Sympathie M5: Männliche Rater, Mann vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 3146 LR chi2(7) = 55.69 Prob > chi2 = 0.0000 Log likelihood = -2152.7957 Pseudo R2 = 0.0128 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0100497 .0037448 -2.68 0.007 -.0173894 -.0027101 brille | -.0666738 .0753239 -0.89 0.376 -.2143058 .0809583 anzug_blazer | -.176174 .2125367 -0.83 0.407 -.5927382 .2403903 schmuck | .8978516 .4797578 1.87 0.061 -.0424565 1.83816 krawatte | -.2381013 .1001813 -2.38 0.017 -.434453 -.0417495 glatze | -.2869716 .1097056 -2.62 0.009 -.5019905 -.0719527 bart | .4599512 .0897804 5.12 0.000 .2839849 .6359175 _cons | .8342891 .2661925 3.13 0.002 .3125613 1.356017 ------------------------------------------------------------------------------

Sympathie M5_fe: Männliche Rater, Mann vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 3146 LR chi2(148) = 57.94 Prob > chi2 = 1.0000 Log likelihood = -2151.672 Pseudo R2 = 0.0133 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- alter | -.0104617 .0038101 -2.75 0.006 -.0179294 -.002994 brille | -.0656468 .076737 -0.86 0.392 -.2160486 .084755 anzug_blazer | -.1890769 .2169564 -0.87 0.383 -.6143037 .2361498 schmuck | .9258984 .4874337 1.90 0.057 -.029454 1.881251 krawatte | -.2502137 .1022202 -2.45 0.014 -.4505616 -.0498658 glatze | -.2987312 .112222 -2.66 0.008 -.5186823 -.07878 bart | .4776776 .0914517 5.22 0.000 .2984355 .6569197 fixed effects: 259 dummies (rater_1 - rater_259) _cons | .9270251 .5228045 1.77 0.076 -.097653 1.951703 ------------------------------------------------------------------------------

Sympathie M6: Männliche Rater, Frau vs. Mann-Wahlkreis, keine Rater fixed effects Logistic regression Number of obs = 2902 LR chi2(9) = 83.51 Prob > chi2 = 0.0000 Log likelihood = -1969.7601 Pseudo R2 = 0.0208 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.5544201 .1815545 -3.05 0.002 -.9102604 -.1985799 alter | -.0151218 .0041776 -3.62 0.000 -.0233097 -.0069338 brille | .0980341 .0797321 1.23 0.219 -.0582379 .2543061 anzug_blazer | .2213115 .1115825 1.98 0.047 .002614 .4400091 schmuck | .1851846 .1218696 1.52 0.129 -.0536755 .4240447 krawatte | -.0735539 .1507308 -0.49 0.626 -.3689809 .221873 glatze | -.0616098 .1760824 -0.35 0.726 -.406725 .2835054 bart | .4247418 .1469392 2.89 0.004 .1367463 .7127372 kurzhaar_x~x | -.3829672 .1226213 -3.12 0.002 -.6233006 -.1426339 _cons | .8023542 .2255197 3.56 0.000 .3603437 1.244365 ------------------------------------------------------------------------------ Sympathie M6_fe: Männliche Rater, Frau vs. Mann-Wahlkreis, mit Rater fixed effects Logistic regression Number of obs = 2902 LR chi2(151) = 85.48 Prob > chi2 = 1.0000 Log likelihood = -1968.7754 Pseudo R2 = 0.0212 ------------------------------------------------------------------------------ clicked | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- sex_candid~e | -.5642577 .1852962 -3.05 0.002 -.9274316 -.2010838 alter | -.0162427 .004334 -3.75 0.000 -.0247372 -.0077482 brille | .1027088 .0815106 1.26 0.208 -.057049 .2624666 anzug_blazer | .2292098 .1136052 2.02 0.044 .0065477 .451872 schmuck | .1889489 .124512 1.52 0.129 -.0550902 .432988 krawatte | -.0710517 .1540434 -0.46 0.645 -.3729713 .2308679 glatze | -.0667952 .1797822 -0.37 0.710 -.4191618 .2855714 bart | .439725 .1507863 2.92 0.004 .1441894 .7352607 kurzhaar_x~x | -.3980551 .125891 -3.16 0.002 -.6447971 -.1513132 fixed effects: 259 dummies (rater_1 - rater_259) _cons | .8462501 .4605646 1.84 0.066 -.0564399 1.74894 ------------------------------------------------------------------------------

O4: Crosscheck der binär-logistischen Regression zur Erklärung des Ratings

(Basis: Sample aus 191 Studierenden der Universität Passau)

O5 a) Prozentsatz der Rater, die den Gewinner für attraktiver als den Zweitplatzierten halten

© Bundeswahlleiter, Statistisches Bundesamt, Wiesbaden 2012, Wahlkreiskarte für die Wahl zum 18. Deutschen Bundestag. Grundlage der Geoinformationen © Geobasis-DE / BKG (2011)

O5 b) Prozentsatz der Rater, die den Gewinner für kompetenter als den Zweitplatzierten halten

© Bundeswahlleiter, Statistisches Bundesamt, Wiesbaden 2012, Wahlkreiskarte für die Wahl zum 18. Deutschen Bundestag. Grundlage der Geoinformationen © Geobasis-DE / BKG (2011)

O5 c) Prozentsatz der Rater, die den Gewinner für sympathischer als den Zweitplatzierten halten

© Bundeswahlleiter, Statistisches Bundesamt, Wiesbaden 2012, Wahlkreiskarte für die Wahl zum 18. Deutschen Bundestag. Grundlage der Geoinformationen © Geobasis-DE / BKG (2011)

O6: Deskription der verwendeten Variablen (Sämtliche Variablen messen auf der Ebene des Wahlkreises) Variable Beschreibung Min / Max Mittelwert /

Standardabweichung Quelle

Bei Dummies: Prozent der Fälle

Differenz Erststimmen Erststimmen Gewinner 2013 minus Erststimmen Zweitplatzierter 2013

0 / 51,4 17,577 / 11,986 Bundeswahlleiter

Attraktivität Latenzzeitgewichtetes Mittel der Klicks für den Gewinner im Vergleich zum Zweitplatzierten Direktkandidaten

0 / 1 0,498 / 0,322

Eigene Online-Umfrage Kompetenz 0 / 0,985 0,530 / 0,207

Sympathie 0 / 0,963 0,504 / 0,244

Amtsinhaber-Bonus

Drei Dummy-Variablen, die angeben, ob der Gewinner 2013 oder der Zweitplatzierte 2013 oder keiner von beiden bereits 2009Amtsinhaber war.

Gewinner 2013 Amtsinhaber: 70,27%

Zweitplatzierter Amtsinhaber: 7,34%

Keiner von beiden Amtsinhaber: 22,39%

Bundeswahlleiter

Geschlechterverteilung der Kandidaten

Vier Dummy-Variablen, die angeben ob der Gewinner 2013 Frau oder Mann war und der Zweitplatzierte Frau oder Mann war.:

Gewinner / Zweitplatzierter: ♂ / ♂; 47,49% ♂ / ♀; 32,82% ♀ / ♂; 12,74% ♀ / ♀; 6,95%

Bundeswahlleiter

Altersdifferenz Alter Gewinner minus Alter Zweitplatzierter in Jahren

-32 / 31 -0,398 / 13,089 Lebensläufe auf Websites der Abgeordneten/ auf BT-Website

Doktortitel

1: Nur Gewinner hat Dr. 0: Beide oder keiner der beiden hat Dr. -1: Nur Zweitplatzierter hat Dr.

-1 / 1 0,046 /0,496 Lebensläufe auf Websites der Abgeordneten/ auf BT-Website

Umkämpfter Wahlkreis

Dummy, der angibt, ob der Wahlkreis vor der Wahl 2013 als umkämpft betrachtet wurde.

21,24% http://www.spiegel.de/politik/deutschland/bundestagswahl-wackel-wahlkreise-2013-a-916641.html (letzter Aufruf am 05.05.2015)

Zweitstimmen 2013

Zweitstimmen für die Partei des Gewinners 2013 minus Zweitstimmen für die Partei des Zweitplatzierten; in Prozent.

-10,353 / 43,580 16,159 / 11,214 Bundeswahlleiter

Wahlbeteiligung 2013 In Prozent 58,9 / 79,8 71,378 / 3,898 Bundeswahlleiter Gewerbesteuer-einnahmen In 1000 pro Kopf 0,149 / 1,803 0,479 / 0,274 Statistisches Bundesamt

Gewerbeanmeldungen/Gewerbeabmeldungen

Anzahl der Gewerbeanmeldungen / Anzahl der Gewerbeabmeldungen (Pro 1000 Personen)

-3,3 / 4,7 1,195 / 1,243 Statistisches Bundesamt

Arbeitslosenquote In Prozent 2,0 / 14,0 6,763 / 2,935 Statistisches Bundesamt Anteil männlicher Wahlberechtigter In Prozent 46,644 / 51,657 49,179 / 0,649 Statistisches Bundesamt

Senioren-Jugendlichen-Rate

Anteil an Senioren (> 60) / Anteil an Jugendlichen (< 25)

0,657 / 1,861 1,128 / 0,220 Statistisches Bundesamt

O7: Haupteffektmodell mit standardisierten Beta-Koeffizienten

Model 1 Beta

Aussehens-Ratings+

Attraktivität 0,0575**

Kompetenz 0,0413**

Sympathie 0,0210

Amtsinhaber-Bonus++

Zweitplatzierter = Amtsinhaber -0,0860***

Keiner der Kandidaten = Amtsinhaber -0,0682***

Geschlechterverteilung der Kandidaten+++ (Gewinner/Zweitplatzierter)

♂ / ♂ 0,0486

♂ / ♀ 0,0680*

♀ / ♂ 0,0439*

Kontrollvariablen

Altersdifferenz (in Jahren) -0,0229

Doktortitel -0,00341

Umkämpfter Wahlkreis -0,0840***

Zweitstimmen 2013 (in Prozent) 0,912***

Wahlbeteiligung 2013 (in Prozent) -0,0342

Gewerbesteuereinnahmen (in 1000 Euro pro Kopf) 0,0103

Gewerbeanmeldungen/Gewerbeabmeldungen (pro 1000 Personen) -0,00302

Arbeitslosenquote (in Prozent) -0,0213

Anteil männlicher Wahlberechtigter -0,0308

Senioren-Jugendliche-Rate -0,0434*

Fälle 259

R2 0,942

+ 1 = 100 Prozent der Rater werteten den Gewinner als attraktiver/kompetenter/sympathischer als den Zweitplatzierten, 0 = alle Rater werteten den Zweitplatzierten als attraktiver/kompetenter/sympathischer als den Gewinner; ++ Referenzkategorie: 2013 Gewinner = Amtsinhaber; +++ Referenzkategorie: ♀ / ♀; *** p<0,01, ** p<0,05,* p<0,1.

O8: Haupteffektmodelle mit einflussenreichen Fällen ausgeschlossen

AV: Erststimmenanteil Gewinner minus Modell 1a Modell 1b Modell 2a Modell 2b Erststimmenanteil Zweitplatzierter (reduziert) (stepwise) (stepwise, reduziert) Aussehens-Ratings+

Attraktivität 2.142** 2.655*** 2.402*** 2.295*** (0.884) (0.742) (0.597) (0.525) Kompetenz 2.389** 1.440 2.529*** 2.170*** (1.050) (0.880) (0.916) (0.753) Sympathie 1.031 0.343

(1.065) (0.896) Amtsinhaber-Bonus++

Zweitplatzierter = Amtsinhaber -3.947*** -4.129*** -3.593*** -3.786*** (0.792) (0.702) (0.766) (0.719) Keiner der Kandidaten = Amtsinhaber -1.956*** -1.565*** -1.515*** -1.606***

(0.500) (0.413) (0.464) (0.378) Geschlechterverteilung der Kandidaten+++ (Gewinner/Zweitplatzierter)

♂ / ♂ 1.164 1.796*** (0.811) (0.688)

♂ / ♀ 1.731* 2.152*** 0.691* (0.898) (0.761) (0.367)

♀ / ♂ 1.574* 2.911*** 1.247** (0.912) (0.770) (0.487) Kontrollvariablen

Altersdifferenz (in Jahren) -0.0209 -0.0115 (0.0176) (0.0147) Doktortitel 0.00341 0.322 (0.396) (0.328) Umkämpfter Wahlkreis -2.457*** -2.609*** -2.469*** (0.511) (0.439) (0.486) Zweitstimmen 2013 (in Prozent) 0.975*** 1.017*** 0.982*** (0.0234) (0.0207) (0.0178) Wahlbeteiligung 2013 (in Prozent) -0.105 -0.0551 (0.0672) (0.0567) Gewerbesteuereinnahmen 0.450 -0.0478 (in 1000 Euro pro Kopf) (0.847) (0.731) Gewerbeanmeldungen/Gewerbeabmeldungen -0.0291 0.00144 (pro 1000 Personen) (0.187) (0.159) Arbeitslosenquote (in Prozent) -0.0870 0.0835 (0.108) (0.0906) Anteil männlicher Wahlberechtigter -0.568 -0.308 (0.345) (0.296) Senioren-Jugendliche-Rate -2.360* -2.230** -2.167** -2.705***

(1.256) (1.065) (0.891) (0.417) Konstante 37.41* -2.609*** 2.746** 2.015** (19.92) (0.439) (1.203) (0.998) Fälle 259 242 259 240 R2 0.942 0.961 0.939 0,962 Um zu testen ob einflussreiche Fälle das Gesamtergebnis verzerren wurden alle Fälle mit einer Cooks-Distanz > 4/N ausgeschlossen (Modelle 1b und 2b, vgl. hierzu Stata 2013: 1881). + 1 = 100 Prozent der Rater werteten den Gewinner als attraktiver/kompetenter/sympathischer als den Zweitplatzierten, 0 = alle Rater werteten den Zweitplatzierten als attraktiver/kompetenter/sympathischer als den Gewinner; ++ Referenzkategorie: 2013 Gewinner = Amtsinhaber; +++ Referenzkategorie: ♀ / ♀; Standardfehler in Klammern; *** p<0,01, ** p<0,05, * p<0,1.

O9: Interaktionsmodelle

AV: Erststimmenanteil Gewinner minus Int. Modell 1 Int. Modell 2 Int. Modell 3 Int. Modell 4 Int. Modell 5 Int. Modell 6 Int. Modell 7 Int. Modell 8 Int. Modell 9 Erststimmenanteil Zweitplatzierter Amtsinhaber x

Attraktivität Amtsinhaber x

Kompetenz Amtsinhaber x

Sympathie Geschlecht x Attraktivität

Geschlecht x Kompetenz

Geschlecht x Sympathie

Alter x Attraktivität

Alter x Kompetenz

Alter x Sympathie

Aussehens-Ratings+

Attraktivität 1,748* 2,157** 2,137** 2,842 2,084** 2,188** 2,030** 2,169** 2,203** (0,944) (0,886) (0,893) (2,913) (0,886) (0,894) (0,884) (0,886) (0,883) Kompetenz 2,296** 1,941* 2,316** 2,380** 4,200 2,423** 2,492** 2,311** 2,432** (1,044) (1,170) (1,058) (1,065) (3,581) (1,051) (1,043) (1,049) (1,042) Sympathie 1,061 1,024 0,749 1,014 0,938 1,338 1,139 1,064 0,978

(1,059) (1,067) (1,170) (1,072) (1,067) (1,342) (1,062) (1,064) (1,061) Amtsinhaber-Bonus++

Zweitplatzierter = Amtsinhaber -6,568*** -3,052 -5,998*** -4,005*** -3,907*** -3,977*** -3,911*** -3,939*** -3,863*** (1,429) (2,213) (1,868) (0,797) (0,793) (0,790) (0,789) (0,791) (0,791) Keiner der Kandidaten = Amtsinhaber -1,984** -3,336** -2,058* -1,992*** -2,011*** -1,902*** -1,976*** -1,904*** -2,019***

(1,001) (1,288) (1,236) (0,505) (0,510) (0,501) (0,498) (0,501) (0,500) Geschlechterverteilung der Kandidaten+++ (Gewinner/Zweitplatzierter)

♀ / ♀ -1,281 -1,249 -1,167 -5,734** (0,810) (0,817) (0,815) (2,430) ♂ / ♀ 0,590 0,572 0,607 2,662 2,022 1,685* 1,741* 1,725* 1,756*

(0,468) (0,469) (0,476) (2,399) (2,160) (0,965) (0,898) (0,901) (0,898) ♀ / ♂ 0,459 0,216 0,428 1,341 1,290 0,926 1,683* 1,539* 1,694* (0,627) (0,641) (0,630) (2,808) (2,228) (1,662) (0,918) (0,918) (0,919) ♂ / ♂ 1,622 2,697 1,161 1,197 1,219 (2,383) (1,943) (0,810) (0,814) (0,811)

Kontrollvariablen Altersdifferenz (in Jahren) -0,0206 -0,0216 -0,0219 -0,0229 -0,0203 -0,0219 0,0176 0,0191 0,0313 (0,0175) (0,0176) (0,0178) (0,0178) (0,0176) (0,0178) (0,0291) (0,0423) (0,0368) Doktortitel -0,0403 -0,0510 -0,0466 -0,0504 -0,0425 -0,0607 -0,0451 -0,0320 -0,0394 (0,209) (0,210) (0,211) (0,214) (0,212) (0,209) (0,209) (0,210) (0,209) Umkämpfter Wahlkreis -2,642*** -2,361*** -2,502*** -2,422*** -2,475*** -2,460*** -2,463*** -2,448*** -2,449*** (0,515) (0,517) (0,514) (0,517) (0,514) (0,510) (0,509) (0,511) (0,510) Zweitstimmen 2013 (in Prozent) 0,976*** 0,974*** 0,976*** 0,974*** 0,973*** 0,978*** 0,975*** 0,974*** 0,973*** (0,0232) (0,0234) (0,0234) (0,0235) (0,0235) (0,0232) (0,0233) (0,0234) (0,0233) Wahlbeteiligung 2013 (in Prozent) -0,101 -0,109 -0,0995 -0,108 -0,106 -0,0874 -0,0919 -0,113* -0,101 (0,0672) (0,0678) (0,0678) (0,0683) (0,0686) (0,0677) (0,0677) (0,0681) (0,0674) Gewerbesteuereinnahmen 0,000578 0,000486 0,000525 0,000502 0,000426 0,000614 0,000583 0,000501 0,000516 (in 1000 Euro pro Kopf) (0,000870) (0,000875) (0,000876) (0,000878) (0,000889) (0,000874) (0,000873) (0,000874) (0,000872) Gewerbeanmeldungen/Gewerbeabmeldungen -0,0317 -0,0560 -0,0133 -0,0236 -0,00156 -0,00682 -0,00985 -0,0322 -0,00206 (pro 1000 Personen) (0,187) (0,189) (0,188) (0,188) (0,188) (0,186) (0,187) (0,187) (0,188) Arbeitslosenquote (in Prozent) -0,0534 -0,0903 -0,0756 -0,0846 -0,0940 -0,0625 -0,0741 -0,0938 -0,0769 (0,108) (0,108) (0,108) (0,109) (0,108) (0,108) (0,108) (0,108) (0,108) Anteil männlicher Wahlberechtigter -0,541 -0,550 -0,564 -0,577 -0,590* -0,478 -0,553 -0,580* -0,584* (0,344) (0,347) (0,347) (0,351) (0,350) (0,346) (0,345) (0,346) (0,345)

Senioren-Jugendliche-Rate -2,525** -2,438* -2,344* -2,329* -2,195* -2,198* -2,317* -2,432* -2,260* (1,247) (1,256) (1,254) (1,261) (1,273) (1,253) (1,247) (1,253) (1,249) Interaktionen mit Amtsinhaber-Bonus

Zweitplatzierter = Amtsinhaber x 5,218** Attraktivität (2,376) Keiner der Kandidaten = Amtsinhaber x 0,111 Attraktivität (1,525) Zweitplatzierter = Amtsinhaber x -1,777 Kompetenz (3,904) Keiner der Kandidaten = Amtsinhaber x 2,764 Kompetenz (2,350) Zweitplatzierter = Amtsinhaber x 4,178 Sympathie (3,449) Keiner der Kandidaten = Amtsinhaber x 0,201 Sympathie (2,029)

Interaktionen mit Geschlechterverteilung

Gewinner = Mann & Zweitplatzierter = Mann x -0,518 Attraktivität (2,979) Gewinner = Mann & Zweitplatzierter = Frau x -1,825 Attraktivität (3,087) Gewinner = Frau & Zweitplatzierter = Frau x 0,437 Attraktivität (3,599) Gewinner = Mann & Zweitplatzierter = Mann x -3,169 Kompetenz (3,760) Gewinner = Mann & Zweitplatzierter = Frau x -0,911 Kompetenz (4,013) Gewinner = Frau & Zweitplatzierter = Frau x 0,410 Kompetenz (4,264) Gewinner = Mann & Zweitplatzierter = Mann x 6,773* Sympathie (3,508) Gewinner = Mann & Zweitplatzierter = Frau x -2,604 Sympathie (1,950) Gewinner = Frau & Zweitplatzierter = Frau x -0,956 Sympathie (2,633)

Interaktionen mit Alter

Altersdifferenz x Attraktivität -0,0766* (0,0462) Altersdifferenz x Kompetenz -0,0727 (0,0698) Altersdifferenz x Sympathie -0,0982 (0,0609)

Konstante 37,07* 38,35* 37,97* 37,41* 37,71* 32,15 35,34* 38,69* 37,52* (19,96) (20,09) (20,09) (20,62) (20,47) (20,13) (19,95) (20,06) (19,94) Fallzahl 259 259 259 259 259 259 259 259 259 R-Quadrat 0,943 0,942 0,942 0,942 0,942 0,943 0,942 0,942 0,942

Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1

O9: Interaktionsmodelle (Fortsetzung)

AV: Erststimmenanteil Gewinner minus Int. Modell 10 Int. Modell 11 Int., Modell 12 Erststimmenanteil Zweitplatzierter Attraktivität x

Sympathie Attraktivität x Kompetenz Sympathie x Kompetenz

Aussehens-Ratings+

Attraktivität 1,362 2,941 2,198** (1,612) (1,807) (0,887) Kompetenz 2,366** 3,092* 4,132* (1,052) (1,740) (2,246) Sympathie 0,333 1,024 2,775

(1,609) (1,067) (2,254) Amtsinhaber-Bonus++

Zweitplatzierter = Amtsinhaber -3,938*** -3,933*** -3,892*** (0,793) (0,793) (0,794) Keiner der Kandidaten = Amtsinhaber -1,954*** -1,949*** -1,928***

(0,500) (0,501) (0,501) Geschlechterverteilung der Kandidaten+++ (Gewinner/Zweitplatzierter)

♀ / ♀ ♂ / ♀ 1,769* 1,739* 1,723*

(0,901) (0,899) (0,898) ♀ / ♂ 1,593* 1,598* 1,609* (0,914) (0,915) (0,913) ♂ / ♂ 1,194 1,170 1,154 (0,814) (0,813) (0,812)

Kontrollvariablen Altersdifferenz (in Jahren) -0,0213 -0,0201 -0,0195 (0,0176) (0,0177) (0,0177) Doktortitel 0,00576 -0,00548 -0,00521 (0,397) (0,397) (0,396) Umkämpfter Wahlkreis -2,447*** -2,478*** -2,513*** (0,512) (0,513) (0,515) Zweitstimmen 2013 (in Prozent) 0,974*** 0,975*** 0,976*** (0,0234) (0,0234) (0,0234) Wahlbeteiligung 2013 (in Prozent) -0,108 -0,102 -0,0991 (0,0675) (0,0677) (0,0676) Gewerbesteuereinnahmen 0,455 0,506 0,494 (in 1000 Euro pro Kopf) (0,848) (0,856) (0,849) Gewerbeanmeldungen/Gewerbeabmeldungen -0,0238 -0,0336 -0,0307 (pro 1000 Personen) (0,188) (0,188) (0,188) Arbeitslosenquote (in Prozent) -0,0881 -0,0813 -0,0751 (0,108) (0,108) (0,109) Anteil männlicher Wahlberechtigter -0,575* -0,577* -0,556 (0,346) (0,346) (0,346) Senioren-Jugendliche-Rate -2,353* -2,323* -2,340*

(1,258) (1,260) (1,257) Interaktionen

Attraktivität x Sympathie 1,489 (2,573) Attraktivität x Kompetenz -1,459 (2,876) Sympathie x Kompetenz -3,446 (3,922)

Konstante 38,19* 37,12* 35,38* (19,99) (19,96) (20,06) Fallzahl 259 259 259 R-Quadrat 0,942 0,942 0,942

Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1