WS 21/22 Methoden der PoWi

10.29
2. Elementare Wissenschaftstheorie (1)

Aussagentypen - Immer wahr oder falsch

Bsp. 1) Person A spricht mit Person B (o)

2) Person A soll mit Person B sprechen (x)

→ eine Erwartung

3) A spricht mit B, aber B spricht nicht mit A (x)

→ logischer Widerspruch

Wahrheit 1) im logischen Sinne

(3 Aspekte) → kann stets angewendet werden

2) im normativen & 3) empirischen Sinne

→ nur f r bestimmte Aussagearten

Logische - Unabh ngig von der Beschaffenheit der empirischen

Aussagen Welt durch 'logisch-mathematische' Beweisverfahren

- D.h. Immer wahr oder immer falsch

- immer wahr = Tautologie
Definition = eine Subkategorie der Tautologie

- immer falsch = Kontradiktion

2. Elementare Wissenschaftstheorie (2)

Empirische - auf empirisch beobachtbare Sachtverhalte verweisen

Aussagen
Bsp. 1) A는 2017년 지방선거에 참여했다.
→ A가 선거에 참여했다는 사실을 증명할 수 없음
= singul re Emp. Aussage
(einzelne Auss., raum-zeitlich fixiert)

2) 여성은 취직과정에서 불이익을 당한다.

→ 시공간 구체성 결여, 판단 척도와 층위가 복잡함
= hypothetische emp. Aussage
(raum-zeitlich nicht fixiert)

Metaphysische - nicht empirisch gepr ft werden

Aussagen
Bsp. Es gibt nur einen Gott.

Normativen - Pr skriptive oder Soll-Aussagen, einen Gegenstand

Aussagen bewerten (h ufig moralisch) Bsp !

- wird h ufig auf Ergebnisse empirischer

Untersuchungen zur ckgegriffen Bsp 2 .

- Bewertungen
Bsp }
.

Bsp. 1) 환경보호는 경제발전보다 우선시 되어야한다.

2) 복잡한 세금제도는 불필요한 법적 조치들을 수반하므로

간소화되어야한다.

3) 사형제도는 비윤리적이다 .
2. Elementare Wissenschaftstheorie (3)

berblick

bung 1) 기민련/기사연은 다음 총선에서 과반이상을 차지 할 것이다.

→ immer wahr / falsch는 아니나, 여론조사 등을 통해

검증 가능 => sing. emp. Auss.

2) Leistung muss sich wieder lohnen.

=> Norm. Auss.

3) 부의 불공평한 재분배는 옳지 않다.

→ 실증적 현상과 주관적 평가의 결합

=> Norm. Auss. / Werturteil

Exkurs (2): These der Wertfreiheit

Max Weber - Wertfreiheit der soziologischen und konomischen

(1917) Wissenschaft argumentiert

1) gegen "Professoren-Prophetie"
→ 교수의 가치평가가 학생들에게 주는 부정적 영향을 경계

2) wissenschaftliche Objektivit t
→ 모든 가능한 가치평가의 중간 값을 찾는 것이 아님

3) ≠ Wertfreiheit im gesamten Forschungsprozess

→ 연구주제 선택 시 연구자의 흥미가 이미 반영돼 있음

4) 연구자의 가치판단이 연구과정에 영향을 미쳐서는 안됨

 05.11
2.1.2. Begriffe und Definitionen

"Begriff" - Hat eine festgelegte Definition oder Bedeutung

Nominal- - Festlegung der Bedeutung durch einen bereits

definition bekannten Begriff oder mehrere Begriffe (Tautologie)

Realdefinition - eine empirische Aussage, die in der Realit t scheitern

kann

Kriterien einer 1) Eliminiertbarkeit (정의가 정의의 내용을 대체가능)

Nominal- → 정의에 정의할 단어가 들어가면 안됨 (nicht zirkul r)
definition
2) Nichtkreativit t
→ 하나의 정의에 새 정의를 추가 시, 기존의 정의가
포괄하지 않는것이 포함되면 안됨

3) Exaktheit

4) Theoretische Fruchtbarkeit
2.1.3. Variablen (1)

Merkmal/ - 측정 가능한 지표
Variable

Bsp. 정당 가입 당원을 대상으로 하는 정당 선호도조사 (%)

- Merkmal = Parteibindung
- Merkmalsauspr gungen = SPD, CDU, ...
- Untersuchungseinheiten = 17000 Befragte einer
Zufallsstichprobe

Klassifikation 1) Nominalskala (명목척도)

(Skalen- - 속성을 분류하는 척도. 숫자는 의미없는 데이터 값
oder - 혈액형, 성별, 종교, 교파 등
Messniveau)
2) Ordinalskala (순서/서열척도)
- 순서, 순위 관계를 밝혀줌. 숫자 크기에 의미 있음
- 신용등급, 만족도, 선호도, 학력 등

3) Intervallskala (구간/등간척도)
- 구간 사이의 간격에 의미가 있으나, 절대적 크기는 아님
- 덧, 뺄셈이 가능
- 온도, 날짜, IQ

4) Ratioskala (비율척도)
- 간격에 대한 비율이 의미를 가지며, 절대적 기준의 0 존재
- 사칙연산 가능
- 체중, 나이, 거리 등
2.1.3. Variablen (2)

Abz hlbarkeit 1) Diskrete Variablen

der - 하나하나 셀 수 있는 변수 (연속적X)
Auspr gungen - 소득, 학년, 층 수, 직원 수 등

2) Kontinuierlichen (stetigen) Variablen

- 변수의 각각 사이에 무수한 또 다른 값 존재
- 속력, 신장, 색상 등

Direktheit 1) Manifeste Beobachtbare) Variable

bei der - 직접 측정 가능한 변수
Erfassung - 나이, 교파, 미사참석 횟수 등

2) Latente Variable
- 직접 측정 불가, 연관성 있는 다른 변수로 측정
- 권위적 인간, 정치적 무관심(politische Entfremdung) 등

Aggregations- a) Individualmerkmale
ebene 1) Absolute Ind.
- 다른 개인과 연관 없음 (kontextfrei)
- 나이, 키, 성별 등

2) Relationale Ind.
- 다른 개인과 연관 있음
- 상대적 만족도, 한 상황에 대한 두개인의 상태 등
2.1.3. Variablen (3)

b) Kollektivmerkmale
1) Analytische Koll.
- 서로 다른 Abs. Ind. 로 구성
- 한 회사의 여성 직원 수 등

2) Strukturelle Koll.
- 서로 다른 Rel. Ind. 로 구성
- lnteraktionsdichte in einer Gruppe

3) Globale Koll.
- 개인 특성의 합으로 구성되지 않는 총체적 집단의 특징
- 한 나라의 선거 시스템, 기후 변화 등
2.2. Theorien und Hypothesen (1)

Hypothese - eine Aussage, die einen Zusammenhang zwischen zwei

oder mehr Variablen behauptet

Exkurs (1): Zusammenhang zwischen zwei Variablen (1)

Unabh ngige - 종속변수에 영향을 줌 (주로 x값)

Variable - urs chlich (kausal) f r abh ngige Var.

Abh ngige - 독립변수의 영향으로 변화하는 값 (주로 y값)

Variable

Bsp. - 종교와 정당 선호도의 관계

Exkurs (1): Zusammenhang zwischen zwei Variablen (2)

Pearson- - 변수들 사이의 상관관계가 존재하는가를 파악

Korrelation (선형상관분석)

- -1 ≤ r ≤ 1 (r = 상관계수, 두 변수 사이의 상관 정도)

- r=0 이면 변수들은 선형의 상관관계를 맺고 있지 않음

(변수들 간의 인과관계가 없다는 의미 X)

- 두 변수 모두 등간 또는 비율척도일 때 사용

- 상관계수의 제곱 값 = 설명력
(x로부터 y를 예측할 수 있는 정도)
- 제곱값 = 0.25 -> x는 y를 25% 설명함
 12.11
2.2 Theorien und Hypothesen (2)

Deterministische Hypothesen
- beanspruchen G ltigkeit f r alle Objekte
- Ausnahmen -> nicht zugelassen

Statistische (probabilistische) Hypothesen

- Aussagen ber Wahrscheinlichkeitsverteilungen
empirischer Ereignisse

Zwei F lle a. Die Wahrscheinlichkeit wird explizit angegeben

b. Wird nicht exakt angegeben, welchen Wert die

Wahrscheinlichkeit f r ein bestimmtes Ereignis
annimmt

Bsp. - Die Beziehung zw. dem politischen Interesse einer

Person und der Beteiligung an einer politischen Wahl

- 정치에 대한 관심이 높은 집단 -> 투표에 참여할 가능성 ↑

- But, 두 집단의 투표 가능성의 정확한 정도 차이는 검증 불가
2.2 Theorien und Hypothesen (3)

Wenn-Dann- - Wenn-Komponente
Hypothesen : Bedingung, Antezedenz(선행사건)
= Unabh ngige Variable

- Dann-Komponente
: Folge, Konsequenz
= Abh ngige Variable

Zwei Formen a. Implikationsbeziehung

- Wenn X auftritt, erwarten wir Y
- Bei non-X kann Y oder auch non-Y auftreten
- Der Fall mit der Kombi X und non-Y ist falsifiziert (F)

b. quivalenzbeziehung
- X -> Y / non X -> non Y
- X -> non Y (F) / non X -> Y (F)
2.2 Theorien und Hypothesen (4)

b. quivalenzbeziehung
- In der empirischen Forschung
-> h ufig mit der statistischen Variante einer
quivalenzbeziehung
Bsp.

Je-Desto - Wenn die Auspr gungen beider Variablen in eine

Hypothesen Rangordnung gebracht werden k nnen

Bsp. - Je h her die Schulbildung, desto gr ßer ist das

Interesse an Politik
- Schulbildung: ohne Abschluss, …, Hochschulreife
- Politikinteresse: keines, …, sehr stark

*Metrische (quantitative) Variablen

- Besitzen mind. Intervallskalenniveau (+ Ratioskala)
- Stellt die exakte funktionale Form
- Wenn die Hypothese sehr pr zis und quantativ ist
- VWL
2.2 Theorien und Hypothesen (5)

Kausal- a. Unter Wenn-Dann-Hypothesen

hypothesen - Wenn-Komponente -> Ursache
- Dann- K. -> Wirkung

b. Unter Je-Desto Hypothesen

- Je-K. -> Ursache
- Desto-K. -> Wirkung

* Merkmalassoziation
- Wird eine kausale Interpretation dagegen nicht
anstrebt
= Entwicklungshypothesen, Trendhypothesen

- Zeit -> die unabh ngige Variable

- Aber, die Zeit wird nicht per se als urs chlich
aufgefasst
- Entwicklung der Demokratiezufriedenheit im
zeitlichen Verlauf
2.2 Theorien und Hypothesen (6)

Individual-, Kollektiv- und Kontexthypothesen

a. Kollektivhypothese (Aggregathypothese)
- Aggregatbeziehungen (여러 부분으로 이루어진 장치)

- Zusammenhang zwischen zwei oder mehr

Kollektivmerkmalen

Bsp.
1. Hat die Massenarbeitslosigkeit in der
Weltwirtschaftskrise Anfang 1930er Jahre den
Aufstieg der NSDAP verursacht?

=> Je h her die Arbeitslosenquote in einer Region war,

desto h her war in den Weimarer Wahlen der
Anteil der NSDAP-W hler in einer Region

b. Individualhypothese
- Zusammenhang zwischen zwei oder mehr
Individualmerkmalen

Bsp. Wenn eine Person arbeitslos war, dann hat sie in

den Weimarer Wahlen die NSDAP gew hlt

*Das Problem des konomischen Fehlschlusses

- Kollektivhypothesen -> analytische Kollektivmerkmalen

- Individualhypothesen -> absolute Individualmerkmalen
-> Wenn man von Kollektivbeziehungen einen falschen
Schluss auf Individualbeziehungen zieht
(집단을 관찰한 결과를 개인에게 적용하여 생기는 오류 )
2.2 Theorien und Hypothesen (7)

c. Kontexthypothese
- eine Beziehung zwischen dem Kontext und dem
Individuellen Handeln

- Zusammenhang zwischen einem Kollektivmerkmal

(unabh ngiges Merkmal) und einem
Individualmerkmal (abh ngiges Merkmal)

Bsp. Je h her die Arbeitslosenquote in einer Region

war, desto gr ßer ist die M glichkeit, dass eine
nicht arbeitslose Person aus dieser Region in den
Weimarer Wahlen die NSDAP gew hlt hat

Hypothesen bersicht
2.2 Theorien und Hypothesen (8)

Zum Informationsgehalt von Hypothesen

- Informationsgehalt einer Aussage

-> die Menge der Aussagen, die von dieser Aussagen
ausgeschlossen werden

- Je gr ßer die Anzahl der potenziellen Falsifikatoren

(M glichkeiten, die empirische Aussage zu widerlegen),
desto gr ßer ist der Informationsgehalt

- Wenn eine Aussage pr ziser formuliert ist, wird der I.G.

der Aussage gr ßer

- Tautologien: null I.G.

- Wenn-Dann-Hypothese:
- I.G. Wenn-Komponente gr ßer -> I.G. W-D-H. kleiner
- I.G. Dann-K. gr ßer -> I.G. W-D-H. gr ßer

- Bsp.
H1: Wenn eine Person einen gewaltverherrlichenden
Film sieht, steigt ihre Bereitschaft zu
gewaltt tigen Handlungen.
H2: Wenn eine jugendliche Person einen
gewaltverherrlichenden Film sieht, steigt ihre
Bereitschaft zu gewaltt tigen Handlungen.
H3: Wenn eine jugendliche Person einen
gewaltverherrlichenden Film sieht, steigt ihre
Bereitschaft zu gewaltt tigen Handlungen und
sinkt die Bereitschaft, Konflikte argumentativ
zu l sen.
 19.11
2.2 Theorien und Hypothesen (9)

Abgrenzung von Theorien und Hypothesen

3. 0
 a. 1

9. 2
3.3
3. Y
3.4. Cronbachs "a"(알파) als Maß der internen Konsistenz

배경지식 1) 편차 = 변량 - 평균
2) 분산 = 편차제곱의 합의 평균
3) 표준편차 = 분산

→ HEHEHE#

2)

3)

계산 방법 1) 각 응답자의 문항점수의 합계
2) 각 문항별 분산의 합
3) 각 응답자의 문항점수의 합계의 분산

Merkmale - Wenn Indikatoren st rker zusammenh ngen & die

Anzahl der Indikatoren gr ßer ist
→ "a" geht gr ßer
- a > 0.8 → akzeptabel
Validit t einer
Messung
( berblick)
3.4. Cronbachs "a": Likert-Skalierung - Bsp.(1) Populismus

Indikatoren

(Pearson)
Bivarate
Korrelation
 12.03
3.4. Cronbachs "a": Bsp.(2) Pr fung auf interne Konsistenz

Korrelationen
zwischen
Items
k

Berechnung
 10.12
Exkurs (3): Konstruktvalidierung Parteiidentifikation(PI)

Frage- - Wie stark oder schwach neigen die Leute der Partei zu?
formulierung
- sehr stark, m ßig, ziemlich schwach, sehr schwach

Hypothesen 1) Eine Parteiidentifikation und ihre St rke

-> abh ngig von der H ufigkeit der berpr fung der
Parteipr ferenz des Individuums bei Wahlen

=> Zusammenhang zwischen Alter & Pr ferenz

>
3.5. Indexbildung und Skalierung (1)

Messung mit
mehreren
Indikatoren

Warum ist 1) Gewinn an theoretischer Relevanz

es besser?
2) Fehlerausgleich durch mehrere Indikatoren

3) eine bessere Differenzierung der Messung

Index - Zusammenfassung mehrerer Einzelindikatoren

- Kombination der Teildimensionen

Bsp. - Index "Schichtzugeh rigkeit"

= Einkommen + berufliche Position + Bildungsgrad
3.5. Indexbildung und Skalierung (2)

Additiver - Indexwert = Indikator 1 + Indikator 2 + Indikator 3

Index = 1 * Ind.1 + 1 * Ind.2 + 1 * Ind.3

1) Nidrige und hohe Werte der unterschiedlichen

Indikatoren k nnen ausgeglichen werden

2) Eine Gewichtung (= Ungleichgewichtung) m glich

= a1 * Ind.1 + a2 * Ind.2 + a3 * Ind.3

Skalierungs- - Konstruktion der Messinstrumente

verfahren
- Pr fen, ob die Indikatoren (i.d.R. Fragebogenitems)
empirisch begr ndet Bestandteil einer zu konstruieren
den Skala ist
3.5. Indexbildung und Skalierung (3)

Trace lines - Beziehungen zwischen Auspr gung der latenten

(Item- Variablen und der Wahrscheinlichkeit(P), einem
Charakteris- Item zuzustimmen, welches diese latente
tiken) Variable messen soll

Monotone T.I. - St rkere Auspr gungen einer latenten Variablen

-> gr ßere Wahrscheinlichkeit, einem latente
Variable messenden Item zuzustimmen
3.5. Indexbildung und Skalierung (4)

Likert-Skala - Typische Antwortvorgabe

(Methode der - "stimme stark zu" - "stimme zu" - "teils/teils" -
summierten "lehne ab" - "lehne stark ab"
ratings)

Trace lines

Folge des hnlichen Verlauf der trace lines

- Die mit derselben latenten Variablen
zusammenh ngenden Items, werden auch
untereinander zusammenh ngen

- Zusammenh nge zwischen einzelnen Items und der

Gesamtskala
3.5. Indexbildung und Skalierung (5)

Trennsch rfe- - Korrelation zwischen einem Item und dem Gesamtwert

koeffizienten f r die Skala

- Der Gesamtwert der skala

-> Addierung der Einzelwert der Items von jedem
befragten Person

- nicht eingeschlossen das Item, f r welches der

Trennsch rfekoeffizient berechnet wird

- "Wie gut ein einzelnes Item das Zielkonstrukt des Tests

misst"

- Je n her an 1: Einzelne Items messen hnliches wie der

Gesamttest

- Je n her an 0: Das Item misst relativ unabh ngig davon

- Mit Cronbachs "a" kann die M glichkeit der Bildung der

Likert-Skala pr fen

- Cronbachs "a" groß genug & T.K. f llt nicht ab

=> Items sind geeignet f r die Likert-Skala

- Der Skalenwert f r jede Person kann ermittelt werden

3.5. Indexbildung und Skalierung (6)

Guttman-Skala - Unterschiedliche Grade der "Schwierigkeit" der Items

- kumulativ (= increasing)

Trace lines

Bsp. - Kulmative Fragen

1) Der Staat muss der globalen Erw rmung mit
konomischen Anreizen entgegenwirken.
2) Der Staat sollte versuchen, die globale Erw rmung
zu begrenzen
3) Der Staat muss der globalen Erw rmung.
entgegenwirken, auch mittels einer Einschr nkung
von Freiheitsrechten.
 17.12
3.6. Zuf llige (unsystematische) Messfehler

In der abh ngigen oder unabh ngigen Variablen

- y값은 비시스템적 오류에서는 추세가 유지되므로, 큰 문제X

- 반면, x값은 표본 크기를 늘려 해결해야 함

- Zuf llige Fehler beeinflussen die Pr zision einer

Messung
4. Auswahlverfahren

4.1. 1) "Grundgesamtheit" einer Untersuchung

Grundbegriffe Bsp. "AIle Personen mit deutscher Staatsangeh rigkeit,
die ... sp testens am 1.1.1989 geboren wurden"

- Unterscheidung zwischen
a. angestrebter Grundgesamtheit (Zielpopulation)
: Alle Elemente, ber die eine Aussage getroffen
werden soll

b. Auswahlgesamtheit
: Alle Elemente, die eine Chance haben, in die
Stichprobe aufgenommen zu werden

- Undercoverage: Elemente der Zielgesamtheit sind

nicht Teil der Auswahlgesamtheit

- Overcoverage: Elemente der Auswahlgesamtheit

sind nicht Teil der ZieIgesamtheit

2) Gesamterhebung (Vollerhebung) vs. Stichprobe

4.2. Willk rliche und bewusste Auswahl (1)

Willk rliche - F hren h ufig zu systematischen Verzerrungen

Auswahlen - Von den Werten der Einheiten einer auf willk rlicher
Auswahl beruhenden Stichprobe kann nicht auf
Grundgesamtheit geschlossen werden
≠ Zuf llige Auswahl (keine objektive Wahrscheinlichkeit)

Bsp.: a. Befragung in der Fußg ngerzone

b. Web-Umfragen, in denen eine Selbstselektion m glich

ist

c. Heiligsprechungen in der Kirche

Bewusste Auswahlverfahren
- I.D.R. berpr fbare G tekriterien
- Aber, Inferenzstatistische Techniken (scheißende
Statistik, wie Konfidenzintervalle) sind nicht
anwendbar
- Orientieren sich an Extremf llen oder typischen F llen
- Auch keine Objektive Wahrscheinlichkeit

*Quotenauswahl
- Bekanntestes Beispiel f r bewusste A.v
- Geschlecht, AIter, soziale Schicht, Bildungsniveau
- Problem: Innerhalb der Quotenvorgaben besteht
v llige Freiheit, wie Personen ausgew hlt werden
4.2. Willk rliche und bewusste Auswahl (2)

*Schneeball-Verfahren
- Ausgehend von einer Person werden die von
dieser benannten Personen befragt

- Bsp. Analyse sozialer Netzwerk (Freundschaften,

Konfliktgruppen)

- Problem: keine inferenzstatistischen Aussagen

m glich

*Auswahl typischer F lle

- Auswahl von F llen, die als besonders
charakteristisch

- Problem: Definition der Kriterien, die ein FaII

besitzen muss, kann nur aus dem
Untersuchungsziel abgeleitet werden

- Nachteil: Aussagen ber die Verteilung in der

Grundgesamtheit nicht m glich, auch keine
inferenzstatistischen Aussagen
 07.01
4.3. Wahrscheinlichkeitsauswahl (1)

Wahrscheinlichkeitsauswahl (Zufallsstichprobe)

- Zuf llige Auswahl (Zufallauswahl ohne zur cklegen

-> jedes Element hat die gleiche Wahrscheinlichkeit,
ausgew hlt zu werden

=> einfache Wahrscheinlichkeitsauswahl /

einfache Zufallsstichprobe (simple random sample)

Vorz ge gegen ber den bewussten & willk rlichen Auswahl:

a. Der Zufallsfehler kann exakt berechnet werden

b. Die Stichprobe wird eine Art verkleinertes Abbild der

Grundgesamtheit darstellen

Bsp. Anteil 18-25-J hrige:

- Anteil der 18-25-J hrige = 8%

-> 0.08 (Wahrscheinlichkeit, eine 18-25-J hrige
auszuw hlen)

- Je gr ßer der Stichprobenumfang, desto n her, wird

der Anteil in der Stichprobe am entsprechenden Anteil
in der Grundgesamtheit liegen
- Die Verteilung der Grundgesamtheit werden auf die
Stichprobe bertragen
4.3. Wahrscheinlichkeitsauswahl (2)

Beispiele:
4.4. SpezieIle Varianten von Wahrscheinlichkeitsauswahlen (1)

a. Einfache Wahrscheinlichkeitsauswahl

Modellvorstellung:
Urnenmodell (Lottozahlen)

Voraussetzung:
vollst ndige Auflistung aller Untersuchungseinheiten der
Grundgesamtheit

Vorteil: einfache Ermittlung des Zufallsfehlers

Nachteil:
hohe Erhebungskosten mit sich z.B. face-to-face-
interviews bei Befragungen
4.4. SpezieIle Varianten von Wahrscheinlichkeitsauswahlen (2)

b. Geschichtete Wahrscheinlichkeitsauswahl

- Einteilung der Grundgesamtheit in Schichten

-> einfache Wahrscheinlichkeitsauswahlen aus den
einzelnen Schichten

b.1. Proportional geschichtete Stichprobe:

- Umfang jeder Schicht-Stichprobe entspricht dem
Anteil der Schicht in der Grundgesamtheit

b.2. Disproportional geschichtete Stichprobe:

- Umfang jeder Schicht-Stichprobe entspricht nicht dem
Anteil der Schicht

- z.B. aus Schichten unterschiedlicher Gr ße w rde

jeweils absolut die gleiche Anzahl von Elementen
gezogen

Vorteile: - F hren i.d.R. zu pr ziseren* Sch tzungen

- Das Fehlerintervall ist geringer als einfache Zufallsstich.
(= Schichtungseffekt)
- Durch disp. Schichtung wird die Analyse bestimmter
Teilgruppen m glich (Bsp. Ost- und Westdeutschland)
*Pr zision: - 모집단 전체를 대상으로 조사한 것과 동일한 결과를 내는 것

Bsp.: - Die Pr zision der Sch tzung steigt, wenn innerhalb der
Schichten die Homogenit t(균일성) m glichst groß w re
- Im Extremfall w rde in einer Schicht niemand Partei A
w hlen
 14.01
4.4. SpezieIle Varianten von Wahrscheinlichkeitsauswahlen (3)

c. Mehrstufige Wahrschienlichkeitsauswahl
- Wird eingesetzt, wenn eine einfache Zufallsauswahl
nicht m glich ist (z.B. keine Auflistung)

- Zufallsauswahlen ber mehrere Stufen

- Die auf einer Stufe gezogene Zufallsstichprobe ist jeweils

die Auswahlgrundlage f r die folgende Zufallsstichprobe

-> Verlust an Pr zision (= Designeffekt)

Bsp.: (1) Fl chenstichprobe auf der ersten Stufe (nach der

Gr ße der Einheit = PPS, probability proportional to size)
-> 40 Wahlbezirken von 300 Bezirken

(2) Auswahl der Haushalten auf der zweiten Stufe durch

z.B. Zufallsweg(Randomwalk): 매 네 번째 집이 표본
-> Haushalte von 40 gew hlten Bezirken

(3) Zufallsauswahl innerhalb eines Haushalts auf der dritten

Stufe durch Schwedenschl ssel(Kish-Grid) oder
Geburtstagsmethode,
-> Ein Familienmitglied von dem Haushalt

=> 최대한 랜덤으로 하기 위해 고안된 방법들임

4.4. SpezieIle Varianten von Wahrscheinlichkeitsauswahlen (4)

Vorteile: 1) Auch m glich, wenn keine Auflistung aller Einheiten

der Grundgesamtheit Grundgesamtheit vorhanden

2) Niedrigere Kosten im Vergleich zur einfachen

Wahrscheinlichkeitsauswahl

Nachteile: - F hren zu unpr ziseren Sch tzungen (= Designeffekt)

*Designeffekt:

- Je unterschiedlicher die Prim reinheiten vor der

Auswahl, desto mehr an insgesamt vorhandener
Variation wird nicht Teil der Stichprobe

- Je hnlicher am Ende die verbliebenen

Sekund reinheiten einander sind, desto weniger wird
die Stichprobe die gesamte Vielfalt der Grundgesamtheit
abbilden
4.5. Repr sentativit t

Begriff der Repr sentativit t

- Kein einzelner Wert oder Indikator kann die G te eines
Auswahlverfahrens abbilden

- Wenn Auswahlprozess einer Stichprobe “zuf llig” ist,

dann ist sie “repr sentativ”

Aber: - Repr sentativit t der Stichprobe in dem Sinne eines

“verkleinerten Abbildes” der Grundgesamtheit ist
strenggenommen nicht m glich

- Kombiniert man mehrere Variablen, dann werden

einzelne Kombinationen in der Stichprobe gar nicht
mehr vertreten
4.6. Non-Response (1)

Großes Problem in Verbindung mit Befragungen

- Geringe Bereitschaft potenzieller Probanden
(Verweigerung)

- Manche Bev lkerungsgruppen sind systematisch schwer

zu erreichen (Nichterreichbarkeit)

-> Non-Response Bias (Systematische Verzerrung)

Unit-Nonresponse:
- F r eine Untersuchungseinheit sind keine Daten
verf gbar
- Eine Person wurde nicht in der Stichprobe gelangen
- Nichterreichbarkeit & Verweigerung

Item-Nonresponse:
- Leerstellen bei einigen Variablen eines Falles, z.B. wenn
Befragte bei besonders sensiblen Fragen keine Auskunft
geben m chten

=> Niedrige Aussch pfungsquoten(응답률) sind

problematisch, wenn der Ausfallgrund systematischer
Natur ist und mit den Untersuchungszielen
zusammenh ngt
4.7. Selection Bias

Wie soll man ausw hlen, wenn nur wenige Untersuchungseinheiten

ausgew hlt werden k nnen (z.B. im Rahmen qualitativer Forschung)?

1) Bei kleinen Fallzahlen kann eine Zufallsauswahl zu

Verzerrungen f hren

2) Bewusste Auswahl kann in diesem speziellen Fall

besser sein

3) Selection Bias: die (bewusste) Auswahl sollte nicht nach

Werter der abh ngigen Variablen erfolgen, mit der
Konsequenz, dass die Variation der abh ngigen
Variable eingeschr nkt w rde

4) Am besten w hlt man Untersuchungseinheiten anhand

einer unabh ngigen Variablen aus, dass deren Variation
maximal ist.
 21.01
5. Untersuchungsanordnungen (=Untersuchungsdesign)

Worum geht es?

- Gesamtheit der Entscheidung in einem
Forschungsvorhaben (wann, wie, wie oft sollen
Messungen erfolgen?)

- Desto besser, je h her die Sicherheit, den Einfluss von X

auf Y zu bestimmen, durch das gew hlte Design wird
5.1. Zusammenhang (Korrelation) und Kausalit t zweier Variablen (1)

Unterscheidung zwischen:
- Einem Zusammenhang einer Korrelation zwischen zwei
Variablen
- Einem kausalen Zusammenhang

-> Wenn zwei Variablen miteinander korrelieren, ist die

eine Variable trotzdem nicht zwingend kausal
verantwortlich f r die andere

Bsp. Korrelation der Anzahl von St rchen mit der

Anzahl der Geburten

Welche kausale Kriterien sollen gepr ft werden?

- Forschungsergebnisse werden oft kausal interpretiert,
obwohl wesentliche Voraussetzungen f r Kausalit t
nicht erf llt sind

-> Wie lassen sich in Untersuchungen festgestellte

Zusammenh nge korrekt interpretieren?
5.1. Zusammenhang (Korrelation) und Kausalit t zweier Variablen (2)

Empirische Bedingungen f r Kausalit t

1) Die als kausal betrachte Variable X muss der als
Wirkung betrachteten Variablen Y zeitlich vorausgehen

2) X muss mit Y zusammenh ngen, wenn f r alle in Frage

Kommenden Drittvariablen Z(i) kontrolliert ist

3) Zusammenhang zwischen X und Y (bei Kontrolle aller

Z(i)-Variablen) sollte zeitlich stabil sein

4) Bei der Messung von X und Y d rfen keine gravierenden

systematischen Fehler auftreten

-> Zudem sollte eine Kausalaussage auch theoretisch

begr ndet sein

=> Ein Zusammenhang zwischen X und Y impliziert nicht

Kausalit t, aber Kausalit t impliziert den empirischen
Zusammenhang (bei Kontrolle f r Drittvariablen)
5.1. Zusammenhang (Korrelation) und Kausalit t zweier Variablen (3)

(1) Berechnung von Spaltenprozents tzen

- Einfaches Maß f r die St rke des Zusammenhangs
zwischen zwei Variablen

- Auskunft, ob ein Zusammenhang dazwischen besteht

- Gibt den Anteil f r eine Auspr gung der Y-Variablen

Innerhalb einer Gruppe an, die einer Auspr gung der
X-Variablen entspricht

- Differenz der Spaltenprozents tze: Prozentsatzdifferenz

- Wertebereich zw. 100 und 0 Prozentpunkten

(2) Zweites Maß

Steigung einer Regressionsgeraden in einem X-Y
Streudiagramm oder die Pearson-Korrelation zw. X und Y

Bsp1:
5.1. Zusammenhang (Korrelation) und Kausalit t zweier Variablen (4)

Bsp2:
5.2. Kriterium: Kontrolle der Untersuchungssituation
5.2.1. Experimentelles Design (1)
Drei Bedingungen f rs Design
1) Bildung der Experimentgruppe / Versuchsgruppe und
eine Kontrollgruppe (mindestens 2 Gruppen)

2) Randomisierung; die Gruppen werden die

Untersuchungseinheiten nach einem Zufallsverfahren
zugewiesen

3) Treatment; Die unabh ngige Variable wird durch die

Forscher gezielt und ver ndert

- R: Randomisierung
- X: Experimenteller Stimulus
- O: Messung
5.2.1. Experimentelles Design (2)

Randomisierung
- Einfluss aller m glichen Drittvariablen wird ausgeschaltet

- Drittvariablen sind in den Versuchsgruppen gleich verteilt

Z.B. M nner und Frauen, Bildungsniveau etc.

-> Der experimentelle Faktor und die Drittvariablen

h ngen nicht miteinander zusammen

-> Eine empirische Beziehung zw. dem ex. Faktor und der
abh ngigen Variablen kann nicht durch die Drittvar.
erkl rt werden (keine Scheinkausalit t)

=> Unterschiede in der ab. Var. zw. den Gruppen k nnen

kausal auf den ex. Faktor zur ckgef hrt werd

Bsp.1:
5.2.1. Experimentelles Design (3)

Bsp.2:
5.2.1. Experimentelles Design (4)

Vor- und Nachteile experimelteller Designs

Vorteile: 1) Die Ursache der experimentelle Faktor wird manipuliert
und geht damit der Wirkung zeitlich voraus

2) Durch Randomisierung werden die Einfl sse von

Drittvariablen ausgeschaltet

3) Im Ergebnis kommt so dem Experiment eine hohe

interne Validit t zu

Nachteile: 1) Problem der bertragbarkeit der experimentell

gewonnen Ergebnisse (externe Validit t fraglich)

2) Problem der Reaktivit t (dagegen Blindversuch und

Doppelblindversuch)

3) Randomisierung ist aufgrund praktischer oder ethischer

Erw gungen h ufig nicht m glich

4) Viele politikwissenschaftliche Forschungsfragen

(L nderebene, lang Frist) sind einem experimentellen
Design kaum zug nglich