Kausalität und Forschungsdesigns
-
Upload
kai-arzheimer -
Category
Science
-
view
135 -
download
0
Transcript of Kausalität und Forschungsdesigns
Einführung/WiederholungKausalität
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
DesignsDesigns im weiteren SinneDesigns im engeren Sinne
Fazit/Ausblick
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Einführung/Wiederholung
I Ziel der VeranstaltungI Vertiefung Kenntnisse BAI Verständnis für aktuelle ForschungI Vorbereitung Masterarbeit
I Kausalaussagen in der Politik:I “Staatsverschuldung in den Krisenländern . . . nicht die
Ursache der Euro-Krise” (ND)I Selbstmord von Mohammed Bouazizi war “Auslöser für den
Aufstand in Tunesien” (Welt)I Christine Lieberknecht: Niedrigere Löhne in Ostdeutschland
“Grund für die Abwanderung gerade junger Leute” →Mindestlöhne (heute)
VL Forschungsmethoden Kausalität/Designs (1/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Einführung/Wiederholung
I Ziel der VeranstaltungI Vertiefung Kenntnisse BAI Verständnis für aktuelle ForschungI Vorbereitung Masterarbeit
I Kausalaussagen in der Politik:I “Staatsverschuldung in den Krisenländern . . . nicht die
Ursache der Euro-Krise” (ND)I Selbstmord von Mohammed Bouazizi war “Auslöser für den
Aufstand in Tunesien” (Welt)I Christine Lieberknecht: Niedrigere Löhne in Ostdeutschland
“Grund für die Abwanderung gerade junger Leute” →Mindestlöhne (heute)
VL Forschungsmethoden Kausalität/Designs (1/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Was ist Kausalität?
VL Forschungsmethoden Kausalität/Designs (2/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Was ist Kausalität?
I Aussage: Ursache und WirkungI BegründungI SystematikI AsymmetrieI Manipulierbarkeit
I Wissenschaft vs AlltagsdenkenI Wissenschaft besser?I Warum?
VL Forschungsmethoden Kausalität/Designs (2/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Was ist Kausalität?
Wiederholung: vier Voraussetzungenfür Kausalaussagen (Faustregel)
1. Korrelation2. Zeitliche Reihenfolge3. Kein Einfluß von Drittvariablen4. Theoretische Begründung
VL Forschungsmethoden Kausalität/Designs (2/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Vier Ideen über Kausalität
I Endlose philosophische, erkenntnistheoretische,wissenschaftliche Debatten
I Für uns: Anwendungsperspektive
I Vier Hauptideen/-ansätze:
1. Hume: Assoziation und Regelmäßigkeit2. Manipulation3. Mechanismen und Kapazitäten4. Kontrafaktische Ansätze
VL Forschungsmethoden Kausalität/Designs (3/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Vier Ideen über Kausalität
I Endlose philosophische, erkenntnistheoretische,wissenschaftliche Debatten
I Für uns: Anwendungsperspektive
I Vier Hauptideen/-ansätze:
1. Hume: Assoziation und Regelmäßigkeit2. Manipulation3. Mechanismen und Kapazitäten4. Kontrafaktische Ansätze
VL Forschungsmethoden Kausalität/Designs (3/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Empirische Politikwissenschaftler drücken sich um sind sehrvorsichtig mit Kausalaussagen
I Ilabaca/Lucero/Pineda 2010: “Media consumption is correlatedwith political predispositions and economic perceptions. Butthe direction of causality is not evident”
I Hanushek 2002: “While it is generally difficult to infercausation from aggregate trends, . . . ”
I Chomsky 2000: “Democratic theorists observe high correlationsbetween public opinion and government policy, but it isdifficult to determine the direction of causation”
VL Forschungsmethoden Kausalität/Designs (4/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Empirische Politikwissenschaftler drücken sich um sind sehrvorsichtig mit Kausalaussagen
I Ilabaca/Lucero/Pineda 2010: “Media consumption is correlatedwith political predispositions and economic perceptions. Butthe direction of causality is not evident”
I Hanushek 2002: “While it is generally difficult to infercausation from aggregate trends, . . . ”
I Chomsky 2000: “Democratic theorists observe high correlationsbetween public opinion and government policy, but it isdifficult to determine the direction of causation”
VL Forschungsmethoden Kausalität/Designs (4/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Empirische Politikwissenschaftler drücken sich um sind sehrvorsichtig mit Kausalaussagen
I Ilabaca/Lucero/Pineda 2010: “Media consumption is correlatedwith political predispositions and economic perceptions. Butthe direction of causality is not evident”
I Hanushek 2002: “While it is generally difficult to infercausation from aggregate trends, . . . ”
I Chomsky 2000: “Democratic theorists observe high correlationsbetween public opinion and government policy, but it isdifficult to determine the direction of causation”
VL Forschungsmethoden Kausalität/Designs (4/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum (manchmal) lieber keine Kausalaussagen?
I Keine passenden Daten/Designs
I Soziale Prozesse extrem komplex & nicht deterministischI Vollständige Kausalerklärungen
I RiskantI Kaum vorstellbarI Führen ins Uferlose
I Nicht alles hat einen Sinn/eine Funktion (Funktionalismus)
VL Forschungsmethoden Kausalität/Designs (5/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum (manchmal) lieber keine Kausalaussagen?
I Keine passenden Daten/DesignsI Soziale Prozesse extrem komplex & nicht deterministisch
I Vollständige KausalerklärungenI RiskantI Kaum vorstellbarI Führen ins Uferlose
I Nicht alles hat einen Sinn/eine Funktion (Funktionalismus)
VL Forschungsmethoden Kausalität/Designs (5/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum (manchmal) lieber keine Kausalaussagen?
I Keine passenden Daten/DesignsI Soziale Prozesse extrem komplex & nicht deterministischI Vollständige Kausalerklärungen
I RiskantI Kaum vorstellbarI Führen ins Uferlose
I Nicht alles hat einen Sinn/eine Funktion (Funktionalismus)
VL Forschungsmethoden Kausalität/Designs (5/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum (manchmal) lieber keine Kausalaussagen?
I Keine passenden Daten/DesignsI Soziale Prozesse extrem komplex & nicht deterministischI Vollständige Kausalerklärungen
I RiskantI Kaum vorstellbarI Führen ins Uferlose
I Nicht alles hat einen Sinn/eine Funktion (Funktionalismus)
VL Forschungsmethoden Kausalität/Designs (5/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum sind Kausalaussagen trotzdem wichtig?
I Verstehen ohne Kausalität?I Alphabetisierungsgrad und Demokratie stark korreliertI Aber warum?
I Vorhersagen ohne Kausalität?I Instrumentalismus: Sichere Vorhersagen ohne Verständnis
(zeitliche Stabilität)?!?I Modell funktioniert gutI Ohne kausale Absicherung kann es jederzeit zusammenbrechenI Verwandt mit InduktionsproblemI Hume: Wenn Sonne bisher jeden Tag aufgegangen ist, wird sie
auch morgen aufgehen?I Manipulation ohne Kausalität?
I Policy: More bang for my buckI Kausale Theorie + (quasi-)experimenteller Test
VL Forschungsmethoden Kausalität/Designs (6/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum sind Kausalaussagen trotzdem wichtig?
I Verstehen ohne Kausalität?I Alphabetisierungsgrad und Demokratie stark korreliertI Aber warum?
I Vorhersagen ohne Kausalität?I Instrumentalismus: Sichere Vorhersagen ohne Verständnis
(zeitliche Stabilität)?!?I Modell funktioniert gutI Ohne kausale Absicherung kann es jederzeit zusammenbrechenI Verwandt mit InduktionsproblemI Hume: Wenn Sonne bisher jeden Tag aufgegangen ist, wird sie
auch morgen aufgehen?
I Manipulation ohne Kausalität?I Policy: More bang for my buckI Kausale Theorie + (quasi-)experimenteller Test
VL Forschungsmethoden Kausalität/Designs (6/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Warum sind Kausalaussagen trotzdem wichtig?
I Verstehen ohne Kausalität?I Alphabetisierungsgrad und Demokratie stark korreliertI Aber warum?
I Vorhersagen ohne Kausalität?I Instrumentalismus: Sichere Vorhersagen ohne Verständnis
(zeitliche Stabilität)?!?I Modell funktioniert gutI Ohne kausale Absicherung kann es jederzeit zusammenbrechenI Verwandt mit InduktionsproblemI Hume: Wenn Sonne bisher jeden Tag aufgegangen ist, wird sie
auch morgen aufgehen?I Manipulation ohne Kausalität?
I Policy: More bang for my buckI Kausale Theorie + (quasi-)experimenteller Test
VL Forschungsmethoden Kausalität/Designs (6/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Hempel-Oppenheim als Idealfall?
Gesetz Alle Schwäne weiß Mehrheitswahlrecht →Zweiparteiensystem
↓Randbedingung X ist Schwan UK hat Mehrheitswahl-
recht↓Konklusion X ist weiß weil Schwan Zweiparteiensystem weil
Mehrheitswahlrecht
VL Forschungsmethoden Kausalität/Designs (7/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Probleme mit dem Hempel-Oppenheim SchemaI (Hier: empirisch falsch, zumindest in allgemeiner Form)
I Setzt nur Korrelation voraus, keinen kausalen Zusammenhang
I Drittvariablenprobleme und Pre-Emption
I Oft wollen wir Einzelfälle erklärenI Sozialwissenschaften: kaum allgemeine Gesetze, “Theorien
mittlerer Reichweite”I Probabilistische “Gesetze” angemessener
I Menschen/soziale Beziehungen noch chaotischer alsGasmoleküle
I Theorien postulieren keine exakten Wahrscheinlichkeiten
I Suche nach und Anwendung von allgemeinen Gesetzen(mittlerer Reichweite) nicht immer zielführend
VL Forschungsmethoden Kausalität/Designs (8/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Probleme mit dem Hempel-Oppenheim SchemaI (Hier: empirisch falsch, zumindest in allgemeiner Form)
I Setzt nur Korrelation voraus, keinen kausalen Zusammenhang
I Drittvariablenprobleme und Pre-Emption
I Oft wollen wir Einzelfälle erklärenI Sozialwissenschaften: kaum allgemeine Gesetze, “Theorien
mittlerer Reichweite”I Probabilistische “Gesetze” angemessener
I Menschen/soziale Beziehungen noch chaotischer alsGasmoleküle
I Theorien postulieren keine exakten Wahrscheinlichkeiten
I Suche nach und Anwendung von allgemeinen Gesetzen(mittlerer Reichweite) nicht immer zielführend
VL Forschungsmethoden Kausalität/Designs (8/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Probleme mit dem Hempel-Oppenheim SchemaI (Hier: empirisch falsch, zumindest in allgemeiner Form)
I Setzt nur Korrelation voraus, keinen kausalen Zusammenhang
I Drittvariablenprobleme und Pre-Emption
I Oft wollen wir Einzelfälle erklärenI Sozialwissenschaften: kaum allgemeine Gesetze, “Theorien
mittlerer Reichweite”I Probabilistische “Gesetze” angemessener
I Menschen/soziale Beziehungen noch chaotischer alsGasmoleküle
I Theorien postulieren keine exakten Wahrscheinlichkeiten
I Suche nach und Anwendung von allgemeinen Gesetzen(mittlerer Reichweite) nicht immer zielführend
VL Forschungsmethoden Kausalität/Designs (8/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Was ist ein Mechanismus?
I Angelehnt an Naturwissenschaften (Biologie)
I Sozialwissenschaftliche Definitionen oft nicht sehr klar
VL Forschungsmethoden Kausalität/Designs (9/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Was ist ein Mechanismus?
Definition (Mechanismus)
I Stellt kausale Verbindung zwischen zwei Ereignisse herI “Constellation of entities [with their properties] and activities
that are organized such that they regularly bring about aparticular type of outcome” (Hedström 2008)
I Beispiele (Elster)I NutzenmaximierungI Soziale DilemmataI Kognitive DissonanzI Sour grapesI Selbsterfüllende/-zerstörende ProphezeiungenI . . .
VL Forschungsmethoden Kausalität/Designs (9/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
“Make it testable”
I Mechanismen haben selbst tiefere UrsachenI Normalerweise ignorierenI Aber: Zusammenarbeit mit Naturwissenschaftlern
I StückwerkI Zwischen allgemeinen Gesetzen und bloßen RegelmäßigkeitenI Auswahl zwischen Mechanismen
I Verschiedene Mechanismen können zum gleichen Ergebnisführen
I Storytelling?I Wirkung von Mechanismen prüfen; Prognosen
I Nochmal: Was ist Kausalität bzw. kausale Effekte?
VL Forschungsmethoden Kausalität/Designs (10/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Die Heilige Dreifaltigkeit
Jerzy Neyman: Begründer der Perspektive(zusammen mit Fisher), 1923
Donald B. Rubin: Weitere Formalisierung,missing data problem (1974, 1978)
? Paul W. Holland: Synthese (1986)
VL Forschungsmethoden Kausalität/Designs (11/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Kontrafaktische Definition kausaler EffekteI “Vorgehen”
1. Beobachte Wert Yi0 an Objekt i in Welt wo Xi=0; z.B. X≡Arbeitslosigkeit, Y≡ Rechtsextremismus, i ≡ Petra Musterfrau
2. Beobachte Yi1 in einer “closest possible world” wo Xi = 1(ansonsten keine Veränderungen)
3. Kausaler Effekt von X auf Y = Yi1 − Yi0
I ProblemeI Kann X unabhängig vom Rest der Welt variieren?I In der Realität kann man Yi0 und Yi1 niemals gleichzeitig
beboachtenI Aber:
I Klare DefinitionI Rubin: nur ein missing data problemI Klare Definition → Erklärung dafür, was mit welchen Designs
geht (oder auch nicht)
VL Forschungsmethoden Kausalität/Designs (12/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Kontrafaktische Definition kausaler EffekteI “Vorgehen”
1. Beobachte Wert Yi0 an Objekt i in Welt wo Xi=0; z.B. X≡Arbeitslosigkeit, Y≡ Rechtsextremismus, i ≡ Petra Musterfrau
2. Beobachte Yi1 in einer “closest possible world” wo Xi = 1(ansonsten keine Veränderungen)
3. Kausaler Effekt von X auf Y = Yi1 − Yi0
I ProblemeI Kann X unabhängig vom Rest der Welt variieren?I In der Realität kann man Yi0 und Yi1 niemals gleichzeitig
beboachten
I Aber:I Klare DefinitionI Rubin: nur ein missing data problemI Klare Definition → Erklärung dafür, was mit welchen Designs
geht (oder auch nicht)
VL Forschungsmethoden Kausalität/Designs (12/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework
Kontrafaktische Definition kausaler EffekteI “Vorgehen”
1. Beobachte Wert Yi0 an Objekt i in Welt wo Xi=0; z.B. X≡Arbeitslosigkeit, Y≡ Rechtsextremismus, i ≡ Petra Musterfrau
2. Beobachte Yi1 in einer “closest possible world” wo Xi = 1(ansonsten keine Veränderungen)
3. Kausaler Effekt von X auf Y = Yi1 − Yi0
I ProblemeI Kann X unabhängig vom Rest der Welt variieren?I In der Realität kann man Yi0 und Yi1 niemals gleichzeitig
beboachtenI Aber:
I Klare DefinitionI Rubin: nur ein missing data problemI Klare Definition → Erklärung dafür, was mit welchen Designs
geht (oder auch nicht)
VL Forschungsmethoden Kausalität/Designs (12/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Gutes Design
I Klarheit über theoretische GrundannahmenI Fragestellung?I Was wird geprüft?I Was wird angenommen
I Eindeutige OperationalisierungI Messung
I Möglichst viel Kontrolle (Experiment)I Möglichst Messung über Zeit (Verläufe)I Potentielle Dritt-/Hintergrundvariablen erfassenI Kontextvariablen erfassen
I Mögliche Probleme möglichst früh identifizierenI Logik und Ereignisse als Hebel nutzen
VL Forschungsmethoden Kausalität/Designs (13/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Manchmal hilft Logik: Block-KausalitätI Arzheimer/Carter 2009: Religion und Rechtsextremismus
Socio-Demographics (I) Religiosity (II) Political Attitudes (III) Radical Right Vote (IV)
Figure 1: The Building Blocks of the Causal Model
rra1 rra2 rra3 rra...
Radical Right Attitudes
Socio-Demographics (I) Radical Right Vote (IV)
CD-PID
Religiosity (II)
rel1 rel2 rel3 rel4
(III)
Notes:
1. Squares represent observed variables, ovals represent latent constructs
2. ‘Socio-Demographics’ refers to class (a dummy for workers and petty bourgeoisie), age(dummies for being under 30 or over 65), gender, and level of formal education. Therespective effects of these four variables are estimated seperately.
3. Arrows for the residuals are not shown for lack of space.
Figure 2: The Causal ModelVL Forschungsmethoden Kausalität/Designs (14/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Was gehört zum Design?
1. Anzahl Objekte2. Auswahl Objekte3. Anzahl Messung4. Zeitliche Anordnung Messungen
(vor/nach Veränderung von X )5. Kontrolle über Veränderung von X
VL Forschungsmethoden Kausalität/Designs (15/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Kontrollierte Experimente
I Beste Annäherung an kontrafaktische Messung kausaler EffekteI Zwei Objekte sind absolut identisch (unit homogeneity)I Experimentelle Manipulation von X; Messung vorher/nachherI Andere Faktoren sind identisch
I Beispiel: Chemische Lösung mit/ohne KatalysatorI Politikwissenschaft:
I GedankenexperimenteI Simulationen
VL Forschungsmethoden Kausalität/Designs (16/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Kontrollierte Experimente
I Beste Annäherung an kontrafaktische Messung kausaler EffekteI Zwei Objekte sind absolut identisch (unit homogeneity)I Experimentelle Manipulation von X; Messung vorher/nachherI Andere Faktoren sind identischI Beispiel: Chemische Lösung mit/ohne KatalysatorI Politikwissenschaft:
I GedankenexperimenteI Simulationen
VL Forschungsmethoden Kausalität/Designs (16/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Randomisierte ExperimenteI Experimentelle Manipulation von X; Messung vorher/nachherI Andere Faktoren möglichst identischI Zufällige Zuordnung Experimental-/Kontrollgruppe
I Gruppen sind homogen (bzgl. anderer Variablen)I Zuordnungsmechanismus von Y statistisch unabhängig (keine
Selbstselektion)I Differenz der Mittelwerte von Y in
Kontroll-/ExperimentalgruppeI Annäherung an kontrafaktische DifferenzI Mittlerer kausaler Effekt
I Voraussetzung: keine Effekte durch Selektion/MessungI DoppelblindversucheI Solomon-Pläne (z.B. vier Gruppen)
I “Goldstandard” für SozialwissenschaftenI Feldexperimente vs. Laborexperimente (Kontinuum)
VL Forschungsmethoden Kausalität/Designs (17/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Randomisierte ExperimenteI Experimentelle Manipulation von X; Messung vorher/nachherI Andere Faktoren möglichst identischI Zufällige Zuordnung Experimental-/Kontrollgruppe
I Gruppen sind homogen (bzgl. anderer Variablen)I Zuordnungsmechanismus von Y statistisch unabhängig (keine
Selbstselektion)I Differenz der Mittelwerte von Y in
Kontroll-/ExperimentalgruppeI Annäherung an kontrafaktische DifferenzI Mittlerer kausaler Effekt
I Voraussetzung: keine Effekte durch Selektion/MessungI DoppelblindversucheI Solomon-Pläne (z.B. vier Gruppen)
I “Goldstandard” für Sozialwissenschaften
I Feldexperimente vs. Laborexperimente (Kontinuum)
VL Forschungsmethoden Kausalität/Designs (17/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Randomisierte ExperimenteI Experimentelle Manipulation von X; Messung vorher/nachherI Andere Faktoren möglichst identischI Zufällige Zuordnung Experimental-/Kontrollgruppe
I Gruppen sind homogen (bzgl. anderer Variablen)I Zuordnungsmechanismus von Y statistisch unabhängig (keine
Selbstselektion)I Differenz der Mittelwerte von Y in
Kontroll-/ExperimentalgruppeI Annäherung an kontrafaktische DifferenzI Mittlerer kausaler Effekt
I Voraussetzung: keine Effekte durch Selektion/MessungI DoppelblindversucheI Solomon-Pläne (z.B. vier Gruppen)
I “Goldstandard” für SozialwissenschaftenI Feldexperimente vs. Laborexperimente (Kontinuum)
VL Forschungsmethoden Kausalität/Designs (17/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Ex-Post-Facto Designs (observational data)
I (Häufig) keine vorher/nachher Messung (aber: Panelstudien)I Keine zufällige Zuordnung
I Gruppen heterogen (unterscheiden sich bzgl. andererMerkmale; statistische Kontrolle notwendig)
I X mit Auswahlmechanismus und anderen Variablen engkorreliert (Bsp. Arbeitslosigkeit/Rechtsextremismus)
I Kausalitätsprüfung sehr problematisch, aber:I LogikI DrittvariablenkontrolleI Informationen über zeitlich
Reihenfolge/WiederholungsmessungenI Ggf. matching
VL Forschungsmethoden Kausalität/Designs (18/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Ex-Post-Facto Designs (observational data)
I (Häufig) keine vorher/nachher Messung (aber: Panelstudien)I Keine zufällige Zuordnung
I Gruppen heterogen (unterscheiden sich bzgl. andererMerkmale; statistische Kontrolle notwendig)
I X mit Auswahlmechanismus und anderen Variablen engkorreliert (Bsp. Arbeitslosigkeit/Rechtsextremismus)
I Kausalitätsprüfung sehr problematisch, aber:I LogikI DrittvariablenkontrolleI Informationen über zeitlich
Reihenfolge/WiederholungsmessungenI Ggf. matching
VL Forschungsmethoden Kausalität/Designs (18/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Natürliche Experimente
I “Natur” (Politik, soziale Realität etc.) ersetzt ExperimentatorI Gute externe ValiditätI Variation oft nicht anders möglichI Kernfrage: Wie zufällig ist die Zuweisung?I Beispiele
I Einführung neuer WahlsystemeI Änderung der ethnischen Zusammensetzung von Wahlkreisen
nach KatrinaI Hilfeleistungen der Bundesregierung nach Elbe-Flut
VL Forschungsmethoden Kausalität/Designs (19/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Discontinuity
I Nutzt die Existenz von Schwellenwerten inVerordnungen/Gesetzen
I Z.B.I Sozialleistungen werden bezahlt, wenn exakter
Einkommenswert unterschrittenI Zuweisungen an Regionen aus EU-Programmen, wenn
Bedingungen erfülltI (Erheblich) größeres Gemeindeparlament, wenn mehr als 5000
Einwohner (Skandinavien)
I LogikI Vergleich von Objekten “in der Nähe” des SchwellenwertesI Fast identisch (im Mittel), aber Intenvention/keine Intervention
I Problem: meist nur wenige Fälle in der Nähe
VL Forschungsmethoden Kausalität/Designs (20/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Discontinuity
I Nutzt die Existenz von Schwellenwerten inVerordnungen/Gesetzen
I Z.B.I Sozialleistungen werden bezahlt, wenn exakter
Einkommenswert unterschrittenI Zuweisungen an Regionen aus EU-Programmen, wenn
Bedingungen erfülltI (Erheblich) größeres Gemeindeparlament, wenn mehr als 5000
Einwohner (Skandinavien)I Logik
I Vergleich von Objekten “in der Nähe” des SchwellenwertesI Fast identisch (im Mittel), aber Intenvention/keine Intervention
I Problem: meist nur wenige Fälle in der Nähe
VL Forschungsmethoden Kausalität/Designs (20/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Discontinuity
I Nutzt die Existenz von Schwellenwerten inVerordnungen/Gesetzen
I Z.B.I Sozialleistungen werden bezahlt, wenn exakter
Einkommenswert unterschrittenI Zuweisungen an Regionen aus EU-Programmen, wenn
Bedingungen erfülltI (Erheblich) größeres Gemeindeparlament, wenn mehr als 5000
Einwohner (Skandinavien)I Logik
I Vergleich von Objekten “in der Nähe” des SchwellenwertesI Fast identisch (im Mittel), aber Intenvention/keine Intervention
I Problem: meist nur wenige Fälle in der Nähe
VL Forschungsmethoden Kausalität/Designs (20/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Designs im weiteren SinneDesigns im engeren Sinne
Gemeindegröße, Zahl der Parlamentarier und Ausgaben inSkandinavien
Quelle: Gerber/Green 2008: 375
VL Forschungsmethoden Kausalität/Designs (21/24)
Einführung/WiederholungKausalität
DesignsFazit/Ausblick
Zusammenfassung
I Kausalität schwierig, aber interessantI “Theorien mittlerer Reichweite”, aber: ohne Kausalität keine
echte WissenschaftI Kausale Effekte kontrafaktisch definiertI Kontrafaktische Definition erleichtert Verständnis der ProblemeI Verschiedene Designs bieten unterschiedliche gute/schlechte
Annäherung an verborgenen kausalen Effekt
VL Forschungsmethoden Kausalität/Designs (22/24)