Funktion eines Research Designs
Garantie, dass man mit der im späteren Datenerhebungs-und Datenanalyseprozess erhobenen empirischen Evidenz die vorher formulierten Forschungsfragen beantworten kann Ziel ist es, durch die Auswahl des Research Designs möglichst viele alternative Erklärungen für Zusammenhänge auszuschließen ≠ „Arbeitsplan“ für Datenerhebung und Datenanalyse Arten Experimentelle DesignsQuerschnittdesignsLängsschnittdesignsTrend-und KohortendesignsFallstudien
Multikausalität
additiver Effekt von X1 und X2 auf Y, womit X2 keinen Einfluss auf den Zusammenhang zwischen X1 und Y hat, aber einen eigenständigen Effekt auf Y
Scheinkorrelation
Auch wenn sich bivariat eine Korrelation zwischen X1 und Y zeigt, so wird diese vollständig (teilweise) durch eine dritte Variable X2 ausgelöst. Nach statistischer Kontrolle von X2 verschwindet (reduziert) sich die Korrelation zwischen X1 und Y. X2 = Krankheit hat positiven Einfluss auf X1 = Krankenhausbesuch X2 hat außerdem einen postivien Einfluss auf Y = Todeswahrscheinlichkeit Es besteht eine Scheinkorrelation zwischen X1 und Y Wenn einer der X2 Einlüsse negativ ist, ist das auch die Scheinkorrelation
Def. antezedierender Suppressor
Auch wenn keine/nur eine schwache Korrelation zwischen X1 und Y vorliegt, kann der Effekt von X1 auf Y tatsächlich existieren: im Fall einer theoretisch vorgelagerten („antezedierenden“) Drittvariable X2, die den Zusammenhang unterdrückt (=„Suppressor-Variable“). D.h. nach statistischer Kontrolle von X2 zeigt (verstärkt) sich die Korrelation zwischen X1 und Y . X2= Frau (positiver Einfluss auf X1, negativer auf Y) X1= WeiterbildungA Y= hohes Einkommen Beispiele für Vorzeichenkonstellationen unter 2_32
Mechanismus
Die Variable X2 ist einer der vermittelnden/intervenierenden Mechanismen für den Effekt von X1 und Y -> indirekter Effekt von X1 über X2 auf Y. Also: X1 wirkt auf X2 und X2 wirkt auf Y
Interaktion
Der Effektvon X1 auf Y wirdvon der Variable X2 “moderiert”, d.h. je nachAusprägungvon X2 istder Effektvon X1 auf Y verstärkt oder abgeschwächt oder überhaupt existent ist.
Deskription
"What is going on?" Eine gute Beschreibung sozialer Tatbestände ist fundamentale Voraussetzung für ein Forschungsvorhaben: Festlegung der Analyseebene (Mikro-/Meso-/Makroebene), klare Konzeptspezifikation & Operationalisierung, Festlegung des zeitlichen und geografischen Geltungsbereichs Gute Beschreibungen können etablierte Forschungsannahmen und etabliertes Forschungswissen in Frage stellen Gute Beschreibungen provozieren die “Warum”-Frage und dienen damit als Grundlage und Startpunkt für erklärende Forschung (=Forschung zu kausalen Zusammenhängen) Gefahr: Beschreibende Forschung kann in sinnloses Faktensammeln ausarten = “abstractedempiricism” (Mills 1959)
Kausalität
"Why is it going on?" Die Beantwortung der Warum-Frage beinhaltet die Entwicklung kausaler Hypothesen Zusammenhang X → Y (=Hypothese) und kausaler Erklärungsversuche über welche Mechanismen X auf Y wirkt Theorien als Grundlage kausaler Erklärungsmodelle: Theorien als Versuch die “Warum-Frage” zu beantworten; Unterscheidung von Theoriebildung (induktive Herangehensweise) und Theorietestung (deduktive Herangehensweise) Hohe und komplexe Anforderung an das Ziehen kausaler Schlüsse (=kausale Inferenz), da Kausalität nicht direkt beobachtbar ist Problematik des Ziehens kausaler Schlüsse in den Sozialwissenschaften angesichts der Komplexität, Subjektivität, Freiwilligkeit und Entscheidungsspielräumen (agency)individuellen Verhaltens Problem: falsche kausale Inferenz → fundamentale Aufgabe des Research Designs: Vermeidung falscher kausaler Schlüsse
Theoretische Plausibilität
Theorien als Grundlage kausaler Erklärungsmodelle: Theorien als Versuch die “Warum-Frage” zu beantworten Theoretische Fundierung auf Basis theoretischer Erläuterungen notwendig → Der reine Verweis auf empirische Studien, die einen Zusammenhang zwischen X1 und Y nachgewiesen haben, ist als Begründung nicht ausreichend
Antizipationseffekte
„Zeitliche“ Ordnung: X1 muss Y vorgelagert sein Antizipationseffekte „Zeitliche“ Verortung von X1 vor Y muss sich nicht unbedingt in der Reihenfolge der Messzeitpunkte von X1 und Y widerspiegeln entscheidend ist die theoretische Wirkungsreihenfolge
Die abhängige Variable (Y) muss veränderbar sein
Wenn wir davon ausgehen, dass ein Zusammenhang zwischen zwei Variablen kausal ist (also der Wert der abhängigen Variable vom Wert der unabhängigen Variable „erzeugt“ wurde) müssen wir sicherstellen, dass die abhängige Variable veränderbar ist. So ist die Annahme eines kausalen Effektes zwischen Geschlecht und Einkommen nur in eine Richtung sinnvoll (Geschlecht → Einkommen). Die umgekehrte Annahme (Einkommen → Geschlecht) ergibt keinen Sinn.
Grundlegende Idee des kontrafaktischen Kausalmodells
Fokus auf das Kausalitätskonzept “Schätzung des kausalen Effekts von X1 auf Y“Anlehnung an experimentelle Sprache: fast jede Situation kann auch im nicht-experimentellen Kontext zumindest als Gedankenexperimentbeschrieben werden
Annahme: Manipulierbarkeit des “Treatment”
X1 = treatment ---> Y = outcome ein Treatment ist ein Ereignis, dessen Auftreten beeinflussbar ist (Idee eines Zuweisungsprozesses), so dass eine Vorstellung der Situation möglich ist, was passiert wäre, wenn das Ereignis nicht eingetreten wäre→ Analogie zum Experiment: “Treatment”=“Behandlung/Stimulus/Ursache”→ ein explizites Modell des Manipulationsmechanismus ist notwendig
Grundlagen des kontrafaktischen Kausalmodells
Fundamentales Problem kausaler Inferenz
Grundlagen Vereinfachte Version eines binären “Treatment” als Zuweisungsprozesses:D = 1 Treatment (“Experimentalgruppe”)D = 0 kein Treatment (“Kontrollgruppe”) Beachte:Annahme des binären Treatment ist eine vereinfachende Annahme; es existieren kontrafaktische Kausalmodelle mit polytomen Treatments (ordinalvs. nominal) etc. Zentrale Annahme zum Outcome Y:Jedes Individuum i kann in zwei potentiellen Zuständen beobachtet werden, womit zwei potentielle Outcomes vorstellbar sind für jede Person i, unabhängigvom tatsächlichen Treatment-Status:Yi0= potenzielles Ergebnis (Outcome) für Person im Fall ohne das TreatmentYi1= potenzielles Ergebnis (Outcome) für Person im Fall des Treatments Problem Yi0 und Yi1 können für eine einzelne Person i niemals gleichzeitig beobachtet werden Tabellen 4_9
Nicht beobachtbarer individueller Kausaleffekt
Der individuelle kausale Effekt des Treatments auf das Outcome ist für jedes Individuum definiert als die Differenz zwischen den beiden potentiellen Outcomes im Treatment- und Control-Status individueller Kausaleffekt für Person i = Yi1 - Yi0 Implikationen:- theoretisch ist der individuelle Kausaleffekt definiert- in der Realität kann der individuelle Kausaleffekt jedoch nicht beobachtetwerden, da immer eine der beiden Komponenten kontrafaktisch ist
Der durchschnittliche Kausaleffekt
1. Wichtigster Durchschnittseffekt: ATT: Average Treatment Effect on the Treated Beim ATT handelt es sich um den durchschnittlichen kausalen Effekt des Treatments auf das Outcome für die Personen, die tatsächlich das Treatment erfahren haben. durchschnittlicher kausaler Effekt höherer Bildung auf das Einkommen fürhöher gebildete Personen (=am meisten interessierender Effekt) 2. ATNT: Average Treatment Effect on the Non-Treated Beim ATNT handelt es sich um den durchschnittlichen kausalen Effekt des Treatments auf das Outcome für die Personen, die tatsächlich das Treatment nicht erfahren haben. durchschnittlicher kausaler Effekt höherer Bildung auf das Einkommen fürniedrig gebildete Personen(=hypothetische Situation) 3. ATE: Average Treatment Effect Beim ATE handelt es sich um den durchschnittlichen kausalen Effekt des Treatments auf das Outcome für alle Personen. durchschnittlicher kausaler Effekt höherer Bildung auf das Einkommen (=Durchschnittsbildung über alle Gruppen)
Kennzeichen eines experimentellen Designs
1. 2 Vergleichsgruppen Experimental-/Kontrollgruppe 2. Setzung eines experimentellen Stimuli erzeugt Varianz auf unabhängiger Variable (Treatment-Variable) Manipulation der unabhängigen Variable 3. zeitliche Ordnung von Treatment und Outcome-Variable 4. Randomisierung Zufallsaufteilung zur Experimental-/Kontrollgruppe -> erzeugt identische Verteilung aller beobachtbaren und unbeobachtbaren Drittvariablen -> Neutralisierung des Einflusses sämtlicher, auch unbekannter antezedierender Drittvariablen 5. identische Bedingungen mit Ausnahme des Treatments
Laborexperiment vs. Feldexperiment
Labor: künstliche Situation niedrige Kosten hohe interne Validität niedrige externe Validität Feld: natürliche Situation, reale Lebenssituation hohe Kosten niedrige interne Validität hohe externe Validität
„Klassisches“ experimentelles Design mit Vorher-Nachher-Messung
Vorher-Nachher-Messung: Zusätzliche Messung der Ausgangsniveaus der Outcome-Variable für die Treatment-und die Kontrollgruppe zum Zeitpunkt t1 Kritik des „klassischen“ experimentellen Designs mit Vorher-Nachher-Messung:- Vorher-Messung nicht notwendig, um den kausalen Effekt von X auf Y zu bestimmen- Vorher-Messung birgt Risiken für die interne Validität von Experimenten
Faktorielles Design
Setzung mehrerer verschiedener Treatments (mehrere Experimentalgruppen) - simultane Wirkungen von mehreren Treatment-Variablen können erfasst werden - Durch Trennung von Effekten können Interatkionseffekte bestimmt werden Problem: hoher Aufwand bei der simultanen Prüfung komplexer Zusammenhänge
Ignorability-Annahme
Treatment-Status D ist unabhängig von den potentiellen Outcomes Y1,2 Daraus folgt nicht, dass das beobachtete Outcome unabhängig von D ist (Bei Vorliegen eines kausalen Effekts ist das beobachtete Outcome Y abhängig von D) Durch Randomisierungist die Ignorability-Annahme erfüllt (Achtung: Randomisierung ist eine allgemeinere Annahme, die bedeutet, dass das Treatment unabhängig von allen antezedierenden Variablen ist) Allgemein gilt, dass der naive Schätzer sich als Differenz der beobachtbaren Outcomes ergibt und nichtidentisch zum kausalen Effekt ist Bei Randomisierunggilt die Ignorability-Annahme, so dass das kontrafaktische Outcome durch den beobachteten Wert der Kontrollgruppe ersetzt werden kann Folglich entspricht bei Randomisierung der naive Schätzer dem kausalen Effekt
Interne Validität vs. Externe Validität
Intern: Ausblendung von Störvariablen, so dass der kausale Effekt von X1 auf Y identifiziert ist Gefährdung, falls Störvariablen nicht komplett ausgeblendet werden Extern: Generalisierbarkeit experimenteller Effekte Gefährdung der externen Validität, falls Ergebnisse aus dem Experiment nicht generalisierbar sind
Gefahren für die interne Validität
1. History Problemo: zwischenzeitliches Geschehen: sonstige Faktoren, die Veränderungen in Y bewirken Bsp.: Treatment „Teilnahme an Weiterbildung“, Outcome „Einkommen“, History „Verschlechterung der Arbeitsmarktlage" Lösung: Kontrollgruppen-Design mit Randomisierung 2. Reifung Effekte durch Zeit: Wachstumsprozesse, Entwicklungsprozesse Bsp.: Treatment „teambildende Maßnahme“; Outcome „Kooperation“; Zeiteffekt „Trend zur Kooperation“ Lösung: Kontrollgruppen-Design mit Randomisierung 3. Reaktivität: Messeffekte Probanden reagieren mit Lern-und Erinnerungsprozessen auf wiederholte Messungen 4. Veränderung der Messinstrumente Änderung der Datenerhebungsmethode, Änderung der Fragestellung zur Erhebung der Outcome-Variable im Fragebogen, Änderung des Interviewers 5. Statistische Regression Statistische Tendenz von Extremwerten hin zur Mitte bei wiederholten Messungen (3)-(5) streng genommen keine Probleme, da keine Vorher-Messung im Experiment notwendig ist, da durch Randomisierung ein reiner Nachher-Vergleich der Outcomes zur Schätzung des kausalen Effekts ausreicht 6. Selektionsfehler Versagen der Zufallszuweisung verzerrte Auswahl durch missglückte Zufallsaufteilung (bei kleinen Fallzahlen) Lösung: richtige Umsetzung der Randomisierung (+ größere Fallzahlen) 7. SystematischerAusfall (“Dropout”) von Probanden Ausfall von Probanden, die bestimmte Outcome(Y)-relevante Charakteristika haben Lösung: Kontrollgruppen-Design mit Randomisierung Weiteres Problem: Bedingt durch das Treatment unterscheidet sich der systematische Dropout zwischen Treatment und Kontrollgruppe (trotz Randomisierung) Lösung: Strategien, um selektiven Dropout zu vermeiden
Gefahren für die externe Validität
Künstlichkeit der experimentellen Situation - Übertragbarkeit der Ergebnisse der experimentellen Studie auf die soziale Wirklichkeit ist fragwürdig angesichts der künstlichen experimentellen Situation - Instrumentation: Versuchspersonen reagieren auf Untersuchungssituation - Hawthorne Effekt: Tatsache wissenschaftlicher Aufmerksamkeit führt zu Einstellungs-und Verhaltensänderungen - v.a. bei Laborexperimenten, aber auch bei schlechten Feldexperimenten Lösung: Blind-/Doppelblindversuche: Mit Blindversuchen sollen Artefakte wie Selbstsuggestion oder Verhaltensänderungen aufgrund der Kenntnis einer Hypothese ausgeschlossen werden Selektive Stichprobe (“Unterrepräsentierung”) - Experimente, v.a. Laborexperimente, i.d.R. mit einer speziellen sozialen Gruppe; bestimmte soziale Gruppen sind unterrepräsentiert- Probleme bei Interaktionseffekten (mit der Variable der Gruppenzugehörigkeit), z.B. wenn der experimentelle Stimulus nur in der Gruppe der Hochgebildeten Wirkungen erzielt Lösung: Auswahl von Versuchsteilnehmern aus unterschiedlichen sozialen Gruppen verbleibende Probleme für die externe Validität bei Interaktionseffekten mit Gruppencharakteristika der Motivation und Offenheit für Experimente
Quasi-Experimente
Versuchsanordnungen mit Manipulation, d.h. das Treatment (gewissermaßen) experimentell gesetzt wird, aber ohnedass auf der Ebene der Akteure eine Randomisierungder Gruppenzuweisung erfolgt bzw. möglich ist typisch für Evaluationsstudien/politische Interventionen: Treatment wird institutionell zugewiesen (Manipulation), aber nicht randomisiert verzerrte Auswahl: Nichtvergleichbarkeit der Treatment-und der Kontrollgruppe aufgrund fehlender Randomisierung → antezedierende Drittvariablen sind nicht neutralisiert
Natürliches Experiment
natürlich entstandenes Treatment, ohne Manipulation des Treatments seitens des Forschers und i.d.R. ohne Randomisierung Grundlegendes Problem: Liegt eine Zufallszuweisung vor?
Querschnittdesigns: keine Zeitdimension; Besonderheiten der X-Variable
X-Variablen werden zum selben Zeitpunkt erhoben, aber 1. können per theoretischer Begründung zeitlich vorher begonnen haben, selbst wenn die Messung sich auf den Zeitpunkt t2 bezieht 2. können sich als Retrospektivfrage auf einen früheren Zeitpunkt t1 beziehen (Bsp.: X: „Gewalterfahrung in der Kindheit“ bezogen auf t1 und erhoben in t2, Y: „Aggressivität“ bezogen auf und gemessen in t2 3. können als Retrospektivfrage eine zeitliche Veränderung (=zeitliche Dynamik) in X bezogen auf einen bestimmten Zeitraum vor t2 bestimmen (Bsp.: X: „Veränderung des Einkommens im Vergleich von t1 und t2“, bezogen auf die Veränderung zwischen t1 und t2 und erhoben in t2, Y: „Jobzufriedenheit“ bezogen auf und gemessen in t2)
Querschnittdesigns: Betrachtung von Gruppenunterschieden im nicht-experimentellen Setting
keine Manipulation des Treatments durch den Forscher, Individuen „selektieren sich“ in die Zustände der interessierenden Treatment-Variable in Querschnittsdesigns möchte der Forscher aus der existierenden Variation kausale Schlussfolgerungen ziehen keine Zufallszuweisung zu diesen Gruppen, was Kausalschlüsse erschwert (Ignorability-Annahme nicht garantiert) Wegen der Selbstselektion können Scheinkorrelationen und antezedierende Suppressorbeziehungen auftreten Zentrales Problem von Querschnittsdesigns: Selbstselektion in „Gruppen“ mit variierenden Werten auf der X-Variable
Probleme von Querschnittdesigns
1. Probleme für die interne Validität Querschnittdesigns haben keine - keine Reaktivität: Messeffekte- keine Veränderung der Messinstrumente- keine statistische Regression- kein systematischer Dropout von Probanden in Reaktion auf die experimentelle Situation im Gegensatz zu Experimenten und Längsschnittdesigns Dafür: History, Reifung, soweit das Treatment zeitlich vorgelagert ist und History/Reifung die Gruppen in unterschiedlicher Weise nach dem Treatment beeinflussen das Problem der Selbstselektion, das Kausalschlüsse erschwert 2. Probleme für die externe Validität Die „Künstlichkeit der experimentellen Situation“ als Problem der externen Validität von Experimenten entfällt bei Querschnittsdesigns Selektive Stichproben (“Unterrepräsentierung”) als Problem der externen Validität von Experimenten entfällt in Querschnittsdesigns nurim Fall einer Zufallsstichprobe aus der interessierenden Grundgesamtheit undwenn keine selektiven Non-response vorliegen. Ansonsten kann auch im Querschnittsdesign das Problem einer selektiven Stichprobe auftreten. 3. Ethische Probleme Keine Manipulation des Treatments, sondern eigene Selektion der Individuen, also eigene Entscheidung und Verantwortung Personen sind nicht in einer künstlichen Laborsituation eingesperrt -> Probleme entfallen im Gegensatz zu Experiment Aber es verbleiben ethische Probleme auch in Querschnittsdesigns (Datenschutz etc.)
Problem der Selbstselektion in Querschnittdesigns
naiver Schätzer kann kausalen Effekt nicht erfassen, da die Selbstselektion durch den Forscher unkontrolliert ist → Drittvariablen lösen Scheinkorrelationen / antezedierende Suppressorbeziehungen aus
Verzerrung des naiven Schätzer im Querschnittsdesign
Naiver Schätzer ist im Querschnittdesign nicht identisch zum kausalen Effekt Naiver Schätzer: E(Y0|D=0), Faktisch = beobachtbar in Korrelation mit E(Y1|D=1), Faktisch = beobachtbar Kausaler Effekt: E(Y0|D=1), Kontrafaktisch = unbeobachtbar in Korrelation mit E(Y1|D=1) Faktisch = beobachtbar Folie 6_21
Conditional Independence Assumption(CIA)
Nutzung von statistisch kontrollierten, konfundierenden Drittvariablen (X2, X3,...), die eine Scheinkorrelation oder antezedierende Suppressorbeziehung zwischen X1 und Y auslösen Treatment-Status D ist unabhängig von den potentiellen Outcomes nach statistischer Kontrolle von X2, X3,... Statistische Kontrolle dieser Variablen X2, X3,... ist für Querschnittdesign notwenig, um kausalen Effekt von X1 auf Y zu bestimmen Wenn die CIA durch statistische Kontrolle erfüllt ist, kann das kontrafaktische Outcome geschätzt werden
Die „statistische Kontrolle“
Verfahren, Verständnis, Probleme
Versuch, die Bedingungen für Kausalschlüsse innerhalb der Datenanalyse, nicht in der Datenerhebung zu bestimmen Verfahren der statistischen Kontrolle konfundierender Drittvariablen mehrdimensionale Tabellenanalyse multiple Regressionsanalyse statistisches Matching Verständnis der statistischen Kontrolle Bei Zusammenhangshypothesen geht es um den Effekt von X1 auf Y statistischen Kontrolle berechnet den Effekt von X1 auf Y unter Konstanthaltung der Drittvariablen X2 Für jede Ausprägung von X2 wird der Effekt von X1 auf Y analysiert; dann gewichtete Aggregation der einzelnen Effekte (Soweit X2 eine kategoriale Variable ist) Welche Drittvariablen müssen kontrolliert werden? Die, die das Potential haben, eine Scheinkorrelation oder antezedierende Suppressorbeziehung zwischen X1 und Y (teilweise) auszulösen Probleme der Statistischen Kontrolle Oft fehlen die Drittvariablen im Datensatz Häufig werden die falschen Variablen kontrolliert (nämlich die, die einen Mechanismus darstellen) Gültigkeit der CIA kann nicht statistisch überprüft werden Es könnte ein kausaler Effekt in einer nicht kontrollierten antezedierenden Suppressor-Variable vorliegen Kausale Richtung ist unklar, da im Querschnittdesign nur zu einem Zeitpunkt gemessen wird
Charakteristika von Längsschnittdesigns
2 mal mindestens Y-Variable messen, und zwar einmal vor, und einmal nach dem Treatment → Vergleich der X-Variable, um zeitliche Veränderung festzustellen Attenzioni: Ob Längsschnitt oder Querschnitt hängt von der Fragestellung ab, es kann also sein, dass derselbe Datensatz für eine Fragestellung im Längsschnittdesign und für eine andere Fragestellung im Querschnittsdesign analysiert wird
Ziele von Längsschnittdesigns
Erleichtert Studium von „Wachstumsprozessen“ Erleichtert die kausale Inferenz Besserer Schluss über die zeitliche kausale Ordnung der X-und Y-Variable durch direkte zeitpunktbezogene Messung Problem: Antizipationseffekte
Trendstudie versus Panelstudie
Leitfrage: Werden die selben Erhebungseinheiten zeitlich verfolgt? A. Trendstudie: Time-series cross section / repeated cross-section wiederholte Messung von Y auf Basis ähnlicher Stichproben, nicht gleiche Einheiten Messung der zeitlichen Veränderung der Aggregatzustände von Y Ziel ist z.B. die wiederholte Messung von Einstellungen und Verhalten der Bevölkerung B. Panelstudie Messung der gleichen Stichprobe Mikroebene: Messung der zeitlichen Veränderung von Y für einzelne Individuen Mesoebene: Messung der zeitlichen Veränderung von Y für einzelne Mesoeinheiten(Betriebe, Parteien, etc.) Makroebene: Messung der zeitlichen Veränderung von Y für einzelne Makroeinheiten (Regionen, Länder, etc.)
Retrospektives versus prospektives Längsschnittdesign
Leitfrage: Werden die Daten zu einem Zeitpunkt erfasst? A. Prospektives LängsschnittdesignY-Variable wird zu mehreren Zeitpunkten erhoben und die Messungen beziehen sich jeweils auf den Zeitpunkt der Erhebung B. Retrospektives LängsschnittdesignY-Variable wird zu einem Zeitpunkt t erhoben, aber Messungen der Y-Variable beziehen sich auf mehrere zeitlich vorgelagerte Zeitpunkte t-1, t-2, t-3, t-4, …
Einfaches Paneldesign ohne Auffrischung
Einfaches Paneldesign mit Auffrischung
Einfaches Paneldesign ohne Auffrischung Spezifische Kritik: - über Zeit viele Dropouts; führt zu kleiner Fallzahl, erschwert statistische Inferenz - selektiven Dropout gefährdet die Repräsentativität der verbleibenden Analysestichprobe → führt zu Problemen bezüglich der externen Validität Einfaches Paneldesign mit Auffrischung Spezifische Kritik: + Aufrechterhaltung der Fallzahl +/-Gelingt die Aufrechterhaltung der Repräsentativität trotz selektivem Dropout? → Orientierung der Repräsentativität an der Ursprungsstichprobe: Gelingt es die Dropouts durch ähnliche neue Fälle zu ersetzen? - Neues Problem: Eingeschränkte Analysemöglichkeiten wegen verzögertem Startpunkt der neu rekrutierten Fälle → mögliche Lösung: Retrospektivfragen zur Situation vor Aufnahme in die Stichprobe
Rotierendes Paneldesign
Spezifische Kritik: + systematische Behandlung vom Dropout-Problem, die näher am Zufallsprinzip liegt + Zu jedem fixen Zeitpunkten können die einzelnen Sub-Panel zur Durchführung von Querschnittsanalysen zusammengefasst werden + Durch Vergleich der Sub-Panel können Dropout-Phänomene und Panel ConditioningEffekte eingeschätzt werden - Eingeschränkte Analyse durch beschränkte Dauer der Beobachtung einzelner Subpanels
Einfaches retrospektives Paneldesign
+ Umgeht Probleme von höheren Kosten, Dropouts und längerem Zeitaufwand der Datenerhebung im Vergleich zu prospektiven Paneldesigns - Erinnerungsprobleme und verzerrte Wahrnehmung der Vergangenheit
Mehrfaches retrospektives Paneldesign
+ Umgeht Probleme von höheren Kosten, Dropouts und längerem Zeitaufwand der Datenerhebung im Vergleich zu prospektiven Paneldesigns; noch besser als beim einfachen retrospektive Paneldesign - Erinnerungsprobleme und verzerrte Wahrnehmung der Vergangenheit (Einfluss des zwischenzeitlich Erlebten und der gegenwärtigen Situation) → betrifft vor allem subjektive Deutungen, weniger objektive Tatsachen; noch problematischer als beim einfachen retrospektiven Paneldesign
Alters-, Kohorten- und Periodeneffekt
Alterseffekt: Entwicklungsprozesse aufgrund des biologischen Alters oder des sozialen Alters (Lebenszyklus) Kohorteneffekt: Personen, die aus der gleichen Geburtskohorte stammen, teilen ähnliche historische Erlebnisse und ähnliche Sozialisationserfahrungen Periodeneffekt: Einfluss der jeweils aktuellen Zeitperiode (historische Ereignisse wie z.B. Revolution/Krieg, Wirtschaftskrise/-boom, Erfindungen, Gesetzesänderungen)
Das Alters-Kohorten-Perioden-Effekte Problem
Durch die wiederholte Messung bei Längsschnittdaten kann immer ein Einflussfaktor konstant gehalten werden → Alters-Kohorten-Perioden-Effekte Problem vereinfacht sich, lässt sich aber nicht vollständig lösen = sog.AKP-Problem Mathematische Ursache ist das lineare Abhängigkeitsverhältnis der drei Einflussfaktoren: Geburtsjahr = Erhebungszeitpunkt – Alter Damit ist es unmöglich einen Faktor zu variieren, während die beiden anderen Konstant gehalten werden. In der Konsequenz überlagen sich immer zwei Einflussfaktoren
Spezifische Probleme von Kohortendesigns
AKP-Problem: Alters-, Kohorten-und Periodeneffekte lassen sich nicht unabhängig voneinander schätzen. Es überlagern sich weiterhin zwei Einflussfaktoren. Vergleichbarkeit der Kohortendatenim Zeitablauf: Zeitliche Stabilität und Passung von Messkonzepten Selektivität der Kohorten: Probleme durch demografische Ereignisse (Migration, Tod, etc.) → Verlust der Repräsentativität der Kohorte (für die Ursprungskohorte) über die Zeit, auch dann wenn jedes Mal eine Zufallsstichprobe gezogen wird
