Übung Ereignisdatenanalyse Die Einführung

Transkript

1 Übung Ereignisdatenanalyse Die Einführung Bernd Weiß Forschungsinstitut für Soziologie Universität zu Köln Greinstraße 2 bernd.weiss@uni-koeln.de 22. Oktober 2003

2 Was ist ein Ereignis? One would not ordinarily use the term event to describe a gradual change in some quantitative variable. The change must consist of a relatively sharp disjunction between what precedes and what follows (Allison 1984: 9). 1/ 12

3 Beispiele für soziologisch relevante Ereignisse Typische und soziologisch relevante Ereignisse sind: Arbeitslosigkeit Eheschließung und -scheidung Tod 1. Schultag Auszug aus dem Elternhaus... 2/ 12

4 Abfolgen von Ereignissen Allison (1984: 9) beschreibt ein Ereignis wie folgt: One would not ordinarily use the term event to describe a gradual change in some quantitative variable. The change must consist of a relatively sharp disjunction between what precedes and what follows. Das heißt, es interessieren Zustands- oder Merkmalswechsel im Zeitverlauf. Das Aufeinanderfolgen verschiedener (Merkmals)Änderungen einer Variablen (beziehungsweise allgemeiner formuliert: Zuständen von Objekten) in der Zeit beschreibt einen Prozess. 3/ 12

5 Prozesstypen Ist jeder spezifische Zustand eindeutig und ausschließlich von dem ihm zeitlich vorausgehenden Zustand bewirkt, so spricht man von einem determinierten Prozess. Folgt jedoch der spezifische Zustand nur mit einer gewissen Wahrscheinlichkeit aus dem vorhergehenden Zustand, so spricht man von einem stochastischen Prozess. In der soziologischen Forschung kommen (beinahe) ausschließlich stochastische Prozesse vor. 4/ 12

6 Merkmale des interessierenden stochastischen Prozesses Nach Coleman (1991, 6f.) lässt sich der interessierende Prozesstyp wie folgt beschreiben: 1. Wechsel erfolgen nur zwischen diskreten Zuständen. 2. Die Wechsel können zu jedem beliebigen Zeitpunkt erfolgen. Es wird von einer kontinuierlichen und nicht von einer diskreten Zeitachse ausgegangen. 3. Die Zustandswechsel können reversibel (Arbeitslosigkeit) oder irreversibel (Tod, ledig) sein. 4. Für gewöhnlich werden diese Prozesse durch bestimmte Faktoren beeinflusst. Die Analyse dieser Prozesse geht einher mit der Bestimmung dieser Einflussgrößen. 5. In bestimmten Fällen ist es möglich, dass sich Prozesse nicht vollständig beobachten lassen (Zensierungen). 5/ 12

7 Ansatz mit OLS Regression Stichprobe: Verheiratete Männer Fragestellung: Wann und warum lassen sich die Untersuchungseinheiten scheiden? Abhängige Variable: Zeitspanne zwischen Heirat und Scheidung Unabhängige Variablen: Größe des Wohnortes, voreheliches Zusammenleben, Einkommen etc. Formales Modell: ln t = zβ + ɛ 6/ 12

8 Schwächen der OLS Regression 1. Was passiert in der Analyse mit den Männern, die sich bis zum Interviewzeitpunkt nicht haben scheiden lassen? Es ist doch immerhin bekannt, über welchen Zeitraum sie sich nicht haben scheiden lassen. 2. Auch die Kovariaten wechseln im Zeitverlauf möglicherweise ihre Ausprägungen. Welche Merkmalsausprägung zu welchem Zeitpunkt ist die (inhaltlich) passende? 3. Die Lösung mit einer normalen logistischen Regression (Scheidung ja / nein) berücksichtigt nicht den Zeitaspekt. 7/ 12

9 Vorteile ereignisanalytischer Verfahren Die Häufigkeit des Auftretens von Ereignissen variiert über den Zeitverlauf (Scheidungsrisiko). Auch die das (abhängige) Ereignis erklärenden (unabhängigen) Variablen sind zeitabhängig und besonders Veränderungen in den Ursachenkonstellationen lassen sich mit Querschnittsdaten nur unzureichend abbilden. Kommt es zu zeitlich bedingten Änderungen der abhängigen und unabhängigen Merkmale, dann hat dies Auswirkungen auf die Datenerhebung. Im Falle von Querschnittsdaten spielt dann der Zeitpunkt der Datenerhebung für die Datenanalyse eine entscheidende Rolle; auch Panelerhebungen lassen nur die Beobachtung zweier Zeitpunkte zu, Merkmalsänderungen zwischen diesen beiden Zeitpunkten bleiben verborgen. Schließlich verbessern Kenntnisse über dynamische Veränderungen die Prognosefähigkeiten der verwendeten Modelle. 8/ 12

10 Seminarplan I: Nichtparametrische Methoden Einführung und Formalia Begriffe und Konzepte der Ereignisdatenanalyse Vorstellung von R und TDA f.a Datenaufbereitung und -organisation von Ereignisdaten Nichtparametrische Methoden I Nichtparametrische Methoden II 9/ 12

11 Seminarplan II: (Semi)Parametrische Methoden noch kein Thema Exponentialmodell Piecewise constant model Proportional hazards model Ratenmodelle mit zeitabhängigen Kovariaten Modelldiagnose Abschlussdiskussion 10/ 12

12 Formalia Kenntnisstand der Teilnehmer (Matrizen, Maximum-Likelihood-Schätzung, Wahrscheinlichkeitsrechnung) Mitarbeit CD mit Software und Datensätzen Skript zur Übung Literatur (Kopie von Blossfeld/Rohwer 2002)... 11/ 12