Grundlagen der empirischen Sozialforschung (Subject) / Datenanalyse: Einführung (Lesson)

This lesson was created by KonverSation.

Learn lesson

back  |  next 1 / 1

• Was bringt Statistik in der Sozialwissenschaft? • Statistik ist für die Sozialwissenschaft eine Hilfswissenschaft, um eine Verbindung zwischen der Realität und den theoretischen Überlegungen herzustellen • Zahlen sprechen nicht für sich allein → Interpretation notwendig    Bsp.: 1991 befürworteten Personen ohne Festnetzanschluss häufiger eine Abtreibung → DDR hatte liberales Abtreibungsgesetz und weniger Festnetzanschlüsse → ohne entsprechende inhaltliche Kenntnisse, werden falsche Schlüsse gezogen
• Warum benötigen wir die Statistik? • Gesetz der großen Zahlen → große Informationsmengen können ohne statistische Hilfsmittel nicht bewältigt werden • Datenanalyse ist Informationsverdichtung → Statistik gibt Regeln dafür
• Quantitative Forschung vs. Qualitative Forschung : Ziele Quantitative Forschung: • Erklärung und Vorhersage von Verhalten ⇒ ERKLÄREN • hypothesentestend • Quantifizierung von Sachverhalten • Überprüfung statistischer Zusammenhänge Qualitative Forschung: • mögliche Ursachen für das Verhalten von Personennachzuvollziehen und deren Verhalten verstehen ⇒ VERSTEHEN • hypothesengenerierend • Aufstellung von Klassifikationen oder Typologien • Beschreiben, Interpretieren und Verstehen vonZusammenhängen
• Quantitative Forschung vs. Qualitative Forschung : Standardisierung Quantitative Forschung:  • meist vollstandardisiert und strukturiert, umdie Aussagen der Befragten untereinandervergleichbar zu machen Qualitative Forschung: • offener und flexibler, um subjektive Sicht der relevantenGesprächspersonen abzubilden
• Quantitative Forschung vs. Qualitative Forschung : Quantifizierung Quantitative Forschung: • Quantifizierung und Generalisierung der Ergebnisse Qualitative Forschung: • keine repräsentativen und/oder zahlenmäßigenAussagen möglich
• Quantitative Forschung vs. Qualitative Forschung : Stichprobengröße Quantitative Forschung: • möglichst große Stichprobe (> 100) → Repräsentativität Qualitative Forschung: • 20-200 Personen (theoretische Sättigung) → imAllgemeinen deutlich geringer als bei quantitativenVerfahren
• Quantitative Forschung vs. Qualitative Forschung : Stichprobenzusammensetzung Quantitative Forschung: • idealerweise per Zufallsauswahl, andernfallsper Quotenauswahl (nach Anteilen in derGrundgesamtheit) o. ä. Qualitative Forschung: • heterogene Zusammensetzung und mit möglichsttypischen Vertretern
• Quantitative Forschung vs. Qualitative Forschung : Quantifizierung Quantitative Forschung: • + exakt quantifizierbare Ergebnisse, Ermittlung vonstatistischen Zusammenhängen, zumeist repräsentativeErgebnisse Qualitative Forschung: • - keine zahlenmäßigen Mengenangaben ableitbar
• Quantitative Forschung vs. Qualitative Forschung : Aufwand Quantitative Forschung: • + im Vergleich zu qualitativen Verfahren geringereKosten, geringerer Zeitaufwand Qualitative Forschung: • - relativ zeit- und kostenintensiv
• Quantitative Forschung vs. Qualitative Forschung : Flexibilität Quantitative Forschung: • - keine Flexibilität während der Untersuchung durchdie Standardisierung der Untersuchungssituationund somit kein individuelles Eingehen auf dieTestpersonen möglich Qualitative Forschung: • + flexible Anwendung sowie die Möglichkeit, Hintergründezu erfragen und Unklarheiten zu beseitigen
• Advertisement
• Ist eine Kombination quantitativer und qualitativer Methoden sinnvoll? In Abhängigkeit des Themengebietes ist eine Kombination quantitativer und qualitativerMethoden sinnvoll, um die Vorteile beider Vorgehensweisen zu nutzen, z. B. qualitativeVorstudie, die Beurteilungskriterien für einen Sachverhalt eruiert → anschließendeQuantifizierung
• Logik der Datenstruktur • Herr Müller hat schwarzes Haar. Alltagssprache: Objekte ⇒ Herr Müller / Eigenschaften ⇒ Haare / Bestimmte Eigenschaften ⇒ schwarz Wissenschaftssprache: Untersuchungseinheiten/ Merkmalsträger ⇒ Herr Müller / Merkmale ⇒ Haare / Merkmalsausprägungen ⇒ schwarz Datenanalyse: Fall (engl.: case) ⇒ Herr Müller / Variable (engl.: variable) ⇒ Haare / Wert (engl.: value) ⇒ schwarz
• Benenne alle 5 Merkmalsarten: dichotom : Variablen mit 2 Ausprägungen ⇒ Bsp.: Mann/Frau, Ost/West diskret : Variablen mit endlich vielen Ausprägungen ⇒ Bsp.: Familienstand, Schulabschluss kontinuierlich/ sttetig: Variablen mit theoretisch unendlich vielen Ausprägungen ⇒ Bsp.: Einkommen, Ehedauer, Alter manifest: Variablen, die direkt beobachtbar sind ⇒ Bsp: Körpergröße, Alter latent: Variablen, die nur indirekt messbar sind ⇒ Bsp.: Abstraktionsvermögen, Gewissenhaftigkeit
• Messniveau: Beispiel: Drei Möglichkeiten zu Erfassung von Zufriedenheit Typologie → Nominal-/Kategorialskala Ο zufrieden           Ο unzufrieden Abgestufte Typologie → Ordinalskala Ο sehr unzufriedenΟ unzufriedenΟ zufriedenΟ sehr zufrieden Kontinuierliche Erfassung → Ratio-/Verhältnisskala 0  <————————>  100
• Skalenniveaus : DICHOTOM / DISKRET 1. Nominalskala/ Kategorialskala Merkmale:  Kategorien sind vollständig und disjunkt ◊ beliebig viele Ausprägungen (zwei Ausprägungen: dichotom) Erlaubte Operationen: a=b ◊ a≠b Beispiele: Geschlecht ◊ Konfession Analysemöglichkeiten: Häufigkeitsauszählungen (≙ Mittelwert bei dichotomenVariablen) ◊ Modus 2. Ordinalskala Merkmale: Ausprägungen lassen sich in eine Rangfolge bringen ◊ keine Aussage über die Größe der Differenzen Erlaubte Operationen: a<b, a≤b ◊ a>b, a≥b Beispiele: Schulabschluss ◊ Kirchgangshäufigkeit ◊ Wohnentfernung Analysemöglichkeiten: Häufigkeitstabellen ◊ Modus ◊ Median ◊ (Mittelwert)
• Skalenniveaus: METRISCH 1. Intervallskala Merkmale: Abstände zwischen Ausprägungen sind gleich groß ◊ Abstände sind frei wählbar Erlaubte Operationen: a–b=c–d? Beispiele: Außentemperatur in °C ◊ Körpertemperatur ◊ IQ ◊ Körpergröße ◊ Gewicht Analysemöglichkeiten: (Modus) ◊ Median ◊ Mittelwert 2. Verhältnis-/ Ratioskala Merkmale: alle intervallskalierten Variablen, die den Wert Null annehmen können & bei denen Null der kleinstmögliche Wert ist Erlaubte Operationen: 𝑎÷𝑏=𝑐÷𝑑? Beispiele: Temperatur in °K ◊ Einkommen ◊ Alter Analysemöglichkeiten: (Modus) ◊ Median ◊ Mittelwert
• Skalenniveus: Entscheidungsbaum 1. Lassen sich die Merkmalsausprägungen in eine sinnvolle Reihenfolge bringen? = nein ⇒ Nominalskala (Bsp.: Geschlecht) = ja     ⇒ weiter zu 2. 2. Sind die Abstände quantifizierbar? = nein ⇒ Ordninalskala (Bsp.: Güterklassen) = ja     ⇒ Metrische Skala (Bsp.: Einkommen)
• Häufigkeiten • absolute Häufigkeiten    ⇒ Anzahl• relative Häufigkeiten      ⇒ prozentualer Anteil• kumulierte Häufigkeiten ⇒ die bis zur betreffenden Ausprägung aufsummierten absoluten                                              bzw. relativen Häufigkeiten
• Exkurs: Prozentrechnung Prozent• Duden: italienisch per cento = für hundert• selten exakt 100 Untersuchungseinheiten • Beispiel: 89 Kinobesucher kaufen ihre Karte an der Abendkasse → viel oder wenig? Man setzt die Abendkassenkäufer zu den Gesamtkinobesuchern ins Verhältnis
• Bedingte Verteilungen • Bedingte Prozentangaben niemals addieren, um Gesamtwert zu erhalten!!!
• Zeilen-/Spaltenprozente • Anhand der Zeilen-/Spaltenprozente betrachtet man den Zusammenhang zwischen beiden Variablen aus der Perspektive der Zeilen-/ Spaltenvariable

back  |  next 1 / 1