Kausalität und Forschungsdesigns

Kausalität und Designs

VL Forschungsmethoden

Einführung/WiederholungKausalität

Was ist Kausalität?Große Fragen, kleine MechanismenDas Neyman-Rubin-Holland Framework

DesignsDesigns im weiteren SinneDesigns im engeren Sinne

Fazit/Ausblick


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)




Was ist Kausalität?






I Aussage: Ursache und WirkungI BegründungI SystematikI AsymmetrieI Manipulierbarkeit

I Wissenschaft vs AlltagsdenkenI Wissenschaft besser?I Warum?






Wiederholung: vier Voraussetzungenfür Kausalaussagen (Faustregel)

1. Korrelation2. Zeitliche Reihenfolge3. Kein Einfluß von Drittvariablen4. Theoretische Begründung





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





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”





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)






I Keine passenden Daten/DesignsI Soziale Prozesse extrem komplex & nicht deterministisch

I Vollständige KausalerklärungenI RiskantI Kaum vorstellbarI Führen ins Uferlose







I Keine passenden Daten/DesignsI Soziale Prozesse extrem komplex & nicht deterministischI Vollständige Kausalerklärungen

I RiskantI Kaum vorstellbarI Führen ins Uferlose






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









auch morgen aufgehen?

I Manipulation ohne Kausalität?I Policy: More bang for my buckI Kausale Theorie + (quasi-)experimenteller Test









auch morgen aufgehen?I Manipulation ohne Kausalität?

I Policy: More bang for my buckI Kausale Theorie + (quasi-)experimenteller Test





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





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





Was ist ein Mechanismus?

I Angelehnt an Naturwissenschaften (Biologie)

I Sozialwissenschaftliche Definitionen oft nicht sehr klar





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 . . .





“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?





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)





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)










beboachten

I Aber:I Klare DefinitionI Rubin: nur ein missing data problemI Klare Definition → Erklärung dafür, was mit welchen Designs











beboachtenI Aber:

I Klare DefinitionI Rubin: nur ein missing data problemI Klare Definition → Erklärung dafür, was mit welchen Designs





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





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)




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





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





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





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)










I “Goldstandard” für Sozialwissenschaften

I Feldexperimente vs. Laborexperimente (Kontinuum)










I “Goldstandard” für SozialwissenschaftenI Feldexperimente vs. Laborexperimente (Kontinuum)





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





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





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





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





Gemeindegröße, Zahl der Parlamentarier und Ausgaben inSkandinavien

Quelle: Gerber/Green 2008: 375




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




Ausblick

I (Wieder) zunehmendes Interesse an Schätzung kausaler EffekteI Sehr viel mehr ExperimenteI Matching


Kausalität und Forschungsdesigns

Science

Transcript of Kausalität und Forschungsdesigns