Einführung in die Modellierung räumlicher Effekte – eine ... ·...

Einführung in die Modellierung räumlicher Effekte – eineAnwendung mit Daten des Nationalen BildungspanelsWorkshop-Woche »Das Nationale Bildungspanel und Regionaldaten«

Alexandra Wicht & Alexandra NonnenmacherUniversität Siegen

GESIS, Köln

17.–21.10.2016

Inhalt

1 Einführung in räumliche Verflechtungen/AutokorrelationBisheriger AnsatzProblemstellungRäumliche InterdependenzenMögliche Problemlösung

2 Hands-on 2: Berechnung räumlicher Autokorrelation

3 Hands-on 3: Modellbildung und Datenmerging, NEPS, SC 6

4 Hands-on 4: Kontextanalyse mit NEPS, SC 6

A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 2 / 27

Einführung in räumlicheVerflechtungen/Autokorrelation


Bisheriger Ansatz

Hierarchische Mehrebenenanalyse, um die statistischeAbhängigkeit von Beobachtungen innerhalb höherer Einheitenin Rechnung zu stellen.

Zentrale Annahme von HLM: Statistische Unabhängigkeit vonBeobachtungen zwischen den höheren Einheiten.

HLM ist adäquat im Falle klar umgrenzter, abgeschlosser(sozial-)räumlicher Einheiten, wie z. B. Schulen oderKlassen innerhalb von Schulen.


Die Besonderheit räumlicher Daten

Modifiable areal unit problem (MAUP): Die räumliche Einheitenmüssen definiert werden; die Wahl der Grenzen kann dieAnalyseergebnisse maßgeblich bestimmen.

1 Spatial scale: Wir müssen eine Entscheidung darüber treffen, auf welcherAggregatebene wir Effekte erwarten (z. B. Nachbarschaft vs. Stadtviertel).

2 Spatial zoning/aggregation: Wir müssen die Grenzen der jeweiligenEinheiten definieren.

Während das erste Problem vor allem ein theoretisches ist, ist daszweite Problem zusätzlich ein technisches.

Im Folgenden geht es insbesondere um das Problem»spatial zoning/aggregation«.


Die Besonderheit räumlicher Daten

In der Regel stehen Forschern Daten auf unterschiedlichenAggregatebenen zur Verfügung: Stimmbezirkszellen,Postleitzahlengebiete, Gemeinden, Kreise, Arbeitsagenturbezirke.

Wesentlich seltener stehen Raster-/Punktdaten zur Verfügung;solche Daten können nicht mit NEPS-Daten verknüpft werden.

Die jeweiligen Grenzen der räumlichen Einheiten sindadministrativ begründet und mit Blick auf soziologischeFragestellungen artifiziell.

(Sozial-)räumliche Kontextanalysen werden daher häufig nichtdem theoretischen Anspruch gerecht, Kontexte als sozialeUmwelten zu operationalisieren.


Räumliche Interdependenzen

Nachbarschaften entsprecheneinem sozialen System, das nichtdurch administrative Grenzeneingefangen wird:

Individueller Wahrnehmungs-und Handlungsradiusorientiert sich anOrtseigenschaften undsozialen Grenzziehungen

Soziale Interaktion und somitBeeinflussung zwischenBewohnern verschiedenerNachbarschaften



Nachbarschaften entsprecheneinem sozialen System, das nichtdurch administrative Grenzeneingefangen wird:

Individueller Wahrnehmungs-und Handlungsradiusorientiert sich anOrtseigenschaften undsozialen Grenzziehungen

Soziale Interaktion und somitBeeinflussung zwischenBewohnern verschiedenerNachbarschaften



t 0 , ¬ between-Interaktion: ø {1, 3, 5, 7}t 1 , max. between-Interaktion: ø {4, 4, 4, 4}

Methodische Probleme:

Die Beobachtungenverschiedener Kontexte unddie Kontexte selbst sind nichtunabhängig voneinander

Anders gesagt: RäumlicheInterdependenzen führen zuAngleichungen auf derIndividual- und Kontextebene(räumliche Autokorrelation).

Verletzung einer wichtigenVoraussetzung JEDERRegressionsanalyse!


Mögliche Problemlösung

A Berücksichtigung der statistischen Abhängigkeit vonAnalyseeinheiten über die Einführung einer weiteren,höheren Aggregatebene.

Nur sinnvoll, wenn es sich dabei um eine analytisch abgegrenzteräumliche Einheit handelt (border effects).

B Berücksichtigung des zusätzlichen Einflusses anderer relevanterKontexteinheiten.

Nur möglich, wenn die Relationen zwischen den Kontexteinheitendefiniert werden können, z. B. die räumliche Distanz zwischen denjeweiligen Kontexteinheiten (im Falle von NEPS-Daten nur ab derEbene von Kreisen & kreisfreien Städten möglich).


Berücksichtigung relevanter Kontexte

Zentrale Fragen: Welche anderenKontexte sind theoretischrelevant? Wie müssen dieseanderen Kontexte gewichtetwerden?

Nachbarschaften: z. B. inverseDistanzen, da Interaktionenaufgrund räumlicher Nähewahrscheinlicher sind

Regionen: Nähe zu Arbeits-/Ausbildungsmarktzentren


Multiple memberships

Raumeinheit i Raumeinheiten i, j

Beobachtung

W i, j

Die GewichteW i, j müssen a priori festgelegt werden, d. h., sie bilden eine theoretischbegründete Einflussstärke anderer Kontexte ab!


Hands-on 2:Berechnung räumlicher Autokorrelation

auf der Kontextebene


Zusammenfassung der Analyseergebnisse

Table 1: Räumliche Autokorrelation im Ausbildungsplatzangebot,Kreise & kreisfreie Städte, verschiedene Gewichtungsmatrizen

1999 2000 2001 2002 2003 2004 2005 2006distance, 100 km .66 .69 .67 .66 .52 .45 .36 .44 distance, 200 km .52 .56 .55 .53 .38 .32 .26 .31 distance, 300 km .40 .44 .43 .41 .28 .24 .19 .22 distance, 400 km .31 .34 .33 .33 .22 .18 .14 .15 distance, _all .21 .23 .22 .22 .15 .12 .11 .12 commuting .64 .68 .64 .65 .59 .57 .53 .55

Anmerkungen: # p < 0.05, G# p < 0.01, p < 0.001, zweiseitige Tests, globales Moran’s I


Fazit

Auf der Kontextebene zeigt sich Autokorrelation vor allem beiengen Analyseradien (inverse Distanzgewichte) oder unterVerwendung von Pendleranteilen von Region i in Regionen j

Wir können auf Basis dieser Ergebnisse aber nicht auf individuelleHandlungsradien schließen (ökologischer Fehlschluss).

Aber: Räumliche Autokorrelation auf der Kontextebene kann zuverzerrten Schätzungen lokaler und nicht-lokaler Einflüsse aufindividuelle outcomes führen!

Um räumliche Autokorrelation adäquat im Modell zuberücksichtigen, ist es notwendig, den ihr zugrundeliegendenMechanismus zu kennen (in unserem Bsp. Pendlerbewegungen).


Hands-on 3:Modellbildung und Verknüpfung

von Regionaldaten mitNEPS-Längsschnittdaten, SC 6


Fragestellung und Daten

Fragestellung: Welchen Einfluss haben räumlicheGelegenheitsstrukturen auf den Übergang Schule-Ausbildung?

Individualdaten: Retrospektiv erhobene Längsschnittdaten(NEPS, SC 6, Erwachsene)

Abhängige Variable: Dauer bis zur Aufnahme eine dualenBerufsausbildung, Schulabgangskohorten 1999–2006,N(Personen) 410, N(Personenmonate) 2.800

Regionaldaten: Zeitreihendaten auf der Ebene von Kreisen &kreisfreien Städten vom BBSR und IAB


Methodische Herausforderung

Räumliche Ausdehnung von Gelegenheitsstrukturen: Ist eshinreichend, ausschließlich räumlich nahe Landkreise zuberücksichtigen oder eine weitaus größere »zone of influence«?

Räumliche Autokorrelation: Sozialer Austausch zwischenLandkreisen führt zu Angleichungen auf der Individual- undKontextebene; verzerrte lokale/nicht lokale Effekte sind die Folge.

Auf welcher Analyseebene liegt räumliche Autokorrelation vor?1 Individualebene: Komplexe Mehrebenenstruktur erforderlich.2 Kontextebene: Korrektur für Autokorrelation erforderlich

In unserem Beispiel betrifft das Problem räumlicherAutokorrelation ausschließlich die Kontexteben (keineMehrebenenstruktur, lückenhafte Besetzung von Landkreisen).


Datenstruktur: Multiple membership

R3 … R402R2R1 spatial opportunity structure

person time units, months


Hands-on 4:Kontextanalyse mit NEPS, SC 6:

Einflüsse räumlicherGelegenheitsstrukturen auf denÜbergang Schule-Ausbildung


Abbildung von Gelegenheitsstrukturen

Zentraler regionaler Indikator: Regionales Ausbildungsplatzangebot,zwei Arten von Messungen:

1 Absolute Werte: Verfügbarkeit von Ausbildungsplätzen in denjeweiligen Landkreisen j.

2 Relative Werte: Verhältnis der Verfügbarkeit vonAusbildungsplätzen im Home-Kreis i zur Verfügbarkeit vonAusbildungsplätzen in den jeweils anderen Landkreisen j.

Beide Messungen werden als Interaktionsterme eingeführt mit:

1 Der euklidischen Distanz zwischen Home-Kreis und den jeweilsanderen Kreisen.

2 Dem Pendleranteil vom Home-Kreis in die jeweils anderen Kreise(Kontrolle für räumliche Autokorrelation in den Daten).


Ergebnisse strukturschwache Bundesländer

Model 1: ¬ commuting Model 2: commutingAbsolute no. of training places .362 (.032) .333 (.038) Relative no. of training places .405 (.044) .376 (.054) Absolute no. × distance ref. home district + 75km>75–150km –.047 (.037) –.127 (.046) G#>150–225km –.085 (.038) # –.186 (.048) >225–300km –.106 (.037) G# –.223 (.049) >300–375km –.162 (.038) –.281 (.050) >375–450km –.111 (.039) G# –.229 (.050) >450–525km –.110 (.036) G# –.237 (.047) >525km –.112 (.038) G# –.248 (.049)

Relative no. × distance, ref. home district + 75km>75–150km .092 (.048) .011 (.056)>150–225km .017 (.048) –.091 (.057)>225–300km –.011 (.048) –.141 (.058) #>300–375km –.093 (.047) # –.226 (.057) >375–450km –.074 (.048) –.206 (.057) >450–525km –.109 (.048) # –.244 (.057) >525km –.117 (.047) # –.258 (.056)

Notes: # p < 0.1, G# p < 0.05, p < 0.01; cluster-robust S.E., main effects of distance and effects of controls not reported


Ergebnisse strukturstarke Bundesländer

Model 1: ¬ commuting Model 2: commutingAbsolute no. of training places .065 (.012) .097 (.018) Relative no. of training places .020 (.017) .123 (.030) Absolute no. × distance ref. home district + 75km>75–150km –.001 (.018) .057 (.024) #>150–225km .034 (.017) .101 (.024) G#>225–300km .001 (.019) .071 (.025) >300–375km .048 (.017) G# .121 (.024) >375–450km .062 (.016) .135 (.023) >450–525km .082 (.016) .155 (.023) >525km .108 (.016) .178 (.023)

Relative no. × distance, ref. home district + 75km>75–150km –.025 (.023) .066 (.028) #>150–225km .020 (.020) .124 (.026) >225–300km .029 (.021) .135 (.026) >300–375km .070 (.019) .180 (.026) >375–450km .113 (.020) .221 (.025) >450–525km .115 (.020) .222 (.026) >525km .172 (.017) .278 (.024)

Notes: # p < 0.1, G# p < 0.05, p < 0.01; cluster-robust S.E., main effects of distance and effects of controls not reported


Ergebnisse strukturschwache Bundesländer.1

.2.3

.4.5

.6.7

.8.9

1

home+75 >75 >150 >225 >300 >375 >450 >525

absolute no. 80, relative no. .8absolute no. 120, relative no. 1.2

(home districts in structurally weak areas)Predicted probabilities, not controlling for spatial correlation

.1.2

.3.4

.5.6

.7.8

.91

home+75 >75 >150 >225 >300 >375 >450 >525

abs. 80, rel. .8, no out-commuting abs. 120, rel. 1.2, no out-commuting

abs. 80, rel. .8, high out-commuting abs. 120, rel. 1.2, high out-commuting

(home districts in structurally weak areas)Predicted probabilities, controlling for local spatial correlation


Ergebnisse strukturstarke Bundesländer.1

.2.3

.4.5

.6.7

.8.9

1

home+75 >75 >225>150 >300 >375 >450 >525

absolute no. 80, relative no. .8absolute no. 120, relative no. 1.2

(home districts in structurally strong areas)Predicted probabilities, not controlling for spatial correlation

.1.2

.3.4

.5.6

.7.8

.91

home+75 >75 >150 >225 >300 >375 >450 >525

abs. 80, rel. .8, no out-commuting abs. 120, rel. 1.2, no out-commuting

abs. 80, rel. .8, high out-commuting abs. 120, rel. 1.2, high out-commuting

(home districts in structurally strong areas)Predicted probabilities, controlling for local spatial correlation


Fazit

Gelegenheitsstrukturen sind im Raum verstreut:Trotz räumlicher Distanz ist das Ausbildungsplatzangebot in ganzDeutschland bedeutsam.

Verschiedene Muster von Gelegenheitsstrukturen:Das nicht-lokale Ausbildungsplatzangebot ist für Individuen instrukturstarken Bundesländern wesentlich bedeutsamer als fürIndividuen in strukturschwachen Bundesländern; für letztere istinsbesondere der lokale Ausbildungsstellenmarkt wichtig.Effekte individueller Mobilität/Immobilität?

Lokale räumliche Autokorrelation führt zu einer erheblichenVerzerrung der Schätzergebnisse, vor allem für nah zumHome-Kreis gelegene Landkreise.


Vielen Dank für Ihre Aufmerksamkeit!


Einführung in die Modellierung räumlicher Effekte – eine ... ·...

Documents

Transcript of Einführung in die Modellierung räumlicher Effekte – eine ... ·...