Größe spielt keine Rolle Empirisches Arbeiten für Einsteiger

Transkript

1 Größe spielt keine Rolle Empirisches Arbeiten für Einsteiger Dr. Malte Persike methodenlehre.com methodenlehre.com/g+ facebook.com/methodenlehre twitter.com/methodenlehre youtube.com/methodenlehre

2 Organizer Warum wir hier sind Kurze Einführung in die empirische Forschung Beispielhafte Forschungsfragen und ihre zugehörigen empirischen Verfahren Viele Literaturhinweise Und Software zum Rechnen

3 Die Frage aller Fragen Es könnte alles so einfach sein Ist eine Zahl groß? Ist eine Zahl klein?

4 Die Frage aller Fragen Es könnte alles so einfach sein: Forschungsprobleme Wirkt die neue Pille besser? Sind heute schon Babys übergewichtig? Sind 5 ½ Stunden Facebook täglich eigentlich normal? Sind 55 Kilo bei 1,80 m Körpergröße zu wenig? Sind 6,0 von 8,0 Punkte eine gute Testleistung? Sind 12 Sekunden eine zu langsame Reaktionszeit?

5 Die Frage aller Fragen Es könnte alles so einfach sein: Grenzwerte Ist die Mortalitätsrate zu hoch? Die Promillegrenze liegt bei 0,5. Ihr Alter ist zu hoch für diese Studie. Sie dürfen am Assessment Center teilnehmen. Ihr Schufa Score ist zu schlecht. Die Maschine muss in 2 Jahren wieder zur Wartung.

6 Die Frage aller Fragen Es könnte alles so einfach sein, ist es aber nicht

7 Empirische Forschung Ohne eine einzige Formel t n n x ns x ns 1 1 n n 2 n n

8 Nach der Hypothesenbildung Der Anfang: Was mache ich eigentlich? Quantitative Verfahren o Urteilen Rangordnungen, Paarvergleiche, MDS Ratingskalen o Testen Fragebögen, Leistungstest o Befragen Mündlich, Schriftlich o Beobachten Fremd oder Selbst, (Un)systematisch, (nicht) teilnehmend, (nicht) offen, (nicht) apparativ Bortz & Döring (2005). Forschungsmethoden und Evaluation.

9 Nach der Hypothesenbildung Der Anfang: Was mache ich eigentlich? Qualitative Verfahren o Qualitative Inhaltsanalyse nach Mayering o Globalauswertung nach Legewie o Grounded Theory nach Glaser & Strauss o Qualitative Linguistik

10 Die Stichprobe Wie kommt man an die Leute? Die Zufallsstichprobe unser Goldstandard Aus einer Population von Merkmalsträgern wird zufällig eine Stichprobe von definiertem Umfang gewählt. Klappt nicht

11 Die Stichprobe Wie kommt man an die Leute? Die Klumpenstichprobe näher an der Realität Einer Population von Merkmalsträgern wird in Gruppen geteilt und dann einzelne Gruppen komplett untersucht.

12 Die Stichprobe Wie kommt man an die Leute? Die Quoten- oder Schichtstichprobe für Wahlforscher Aus Subpopulationen von Merkmalsträgern mit spezifischen Eigenschaften werden jeweils Stichproben von definiertem Umfang gewählt.

13 Die Stichprobe Wie kommt man an die Leute? Die Anfallsstichprobe wir haben 100 Leute befragt Es wird eine Stichprobe verfügbarer Merkmalsträger von definiertem Umfang untersucht.

14 Und wie viele? Die ewige Frage nach dem richtigen Stichprobenumfang Es gibt statistische Verfahren für alle möglichen Stichprobenumfänge Merkregel: Bei sehr kleinen Stichproben werden die Aussagen unzuverlässig Bei sehr großen Stichproben ist alles statistisch relevant, aber nichts bedeutsam

15 Und wie viele? Die ewige Frage nach dem richtigen Stichprobenumfang Bestimmte Verfahren erlauben die Berechnung optimaler Stichprobenumfänge Das funktioniert allerdings nur, wenn man vorher schon weiß, was hinterher rauskommen soll Cohen (1977). Statistical power analysis for the behavioral sciences. Buchner, Erdfelder & Faul (1997). How to Use G*Power.

16 Labor oder Feld Was können uns die Daten sagen? Experimentelle Forschung als Königsweg o Störende Einflussfaktoren werden kontrolliert oder eliminiert vor allem durch Randomisierung o Interventionen und Manipulationen werden gezielt appliziert o Es stellt sich zuweilen die Frage nach der Praxisrelevanz der Ergebnisse o Aber Kausalitäten gehen!

17 Labor oder Feld Was können uns die Daten sagen? Quasieexperimentelle Forschung, wenn wir nehmen müssen,was kommt o Es wird eigentlich alles genauso gemacht wie bei der experimentellen Forschung o Nur fehlt die Randomisierung o Effekte können damit auf zwei Ursachen zurückgehen unsere und andere o Kausalität ist fraglich

18 Labor oder Feld Was können uns die Daten sagen? Nicht-experimentelle Forschung, auch als ex-post-facto Forschung oder Feldforschung bezeichnet o Es fehlen Randomisierung und die experimentelle Kontrolle unerwünschter Einflüsse o Effekte können damit auf beliebige Ursachen zurückgehen o Kausalität ist nahezu unmöglich festzustellen?

19 Die Diktatur der Daten Die Daten entscheiden, was man mit ihnen macht Es gibt mehrere prinzipiell verschiedene Arten von Daten o Parteizugehörigkeit ist anders als Schulnoten o Schulnoten sind anders als Temperaturen o Temperaturen sind anders als Körpergrößen o Körpergrößen sind anders als die Anzahl der Wähler einer Partei

20 Die Diktatur der Daten Die Daten entscheiden, was man mit ihnen macht Es gibt mehrere prinzipiell verschiedene Arten von Daten o Die Art der Daten bestimmt die erlaubten Messmethoden o Die Art der Daten bestimmt die erlaubten statistischen Verfahren o Die Art der Daten bestimmt die erlaubten Interpretationen

21 Zwei Perspektiven Warum Unterschiede Zusammenhänge sind Das Kovariationsprinzip ist eines der elementaren Konzepte in der Statistik Es vereinigt die zwei alltagssprachlich verschiedenen Begriffe des Zusammenhangs und Unterschieds als zwei Perspektiven desselben Prinzips: Ein Unterschied ist ein Zusammenhang Ein Zusammenhang ist ein Unterschied Für beide Perspektiven existieren statistische Verfahren zur Feststellung und Überprüfung

22 Zwei Perspektiven Warum Unterschiede Zusammenhänge sind Beispiel: Mädchen rund um die Welt erleben ihre Adoleszenz stressreicher als Jungen (Persike und Seiffge-Krenke, 2011) Der Unterschied liegt im verschiedenen Stresserleben von Jungen und Mädchen. Der Zusammenhang liegt in der Kovariation der beiden Merkmale Geschlecht und Stresserleben. Merkmal Geschlecht W M Merkmal Mädchen Stress Stress > Stress Jungen

23 Einige Beispiele Forschungsfragen und ihre statistischen Verfahren Es gibt viele statistische Verfahren für die Perspektive der Zusammenhänge (und vielleicht sogar Kausalität) Korrelation, Regression, ANCOVA, Pfadanalyse, Strukturgleichungsmodelle, Faktorenanalyse, Und mindestens ebenso viele für die Perspektive der Unterschiede t-test, nichtparametrische Tests, ANOVA, MANOVA, Diskriminanzanalyse, Wir schauen auf ein paar Beispiele

24 Zusammenhänge und Wirkungen Korrelation Die Präferenz für gewalthaltige Computerspiele hängt positiv zusammen mit der Akzeptanz körperlicher Gewalt gegenüber Personen. Krahe & Möller (2004). Playing violent electronic games [ ]. Journal of Adolescence. Die Korrelation ist statistisch signifikant bei r =.34 Holling, H., Gediga, G. (2010). Statistik 1 Deskriptive Statistik.

25 Vorhersagen oder Prophezeien Die Regression IQ Alter Mathenote Motivation Die Mathematikleistung von Schülern hängt praktisch nur von der Motivation ab. Murayama, Pekrun, Lichtenfeld & vom Hofe (2013). Predicting long-term growth in adolescents' mathematics achievement. Child Development. m/w Cohen, Cohen & West (2002). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences.

26 Regression on Steroids Pfadanalyse und Strukturgleichungsmodelle Elterliche Anreize m/w Mathenote Motivation Schulform Training IQ Weiber & Mühlhaus (2009). Strukturgleichungsmodellierung: Eine anwendungsorientierte Einfuhrung in die Kausalanalyse.

27 Zählen und Zeigen Tests für Häufigkeiten Hauptschule Realschule Abitur Univ. Deutsch Migranten (1. Gen) Migranten (2+ Gen) Migranten haben schlechterer Zugang zu höherer Bildung. Der ² Test wird signifikant (p <.001) Vgl.: OECD (2010). Pisa 2009 Results. Fahrmeir, Künstler, Pigeot & Tutz (2010). Statistik Der Weg zur Datenanalyse.

28 Das Schweizer Armeemesser Der t-test für Mittelwertevergleiche In vielen Leistungssituationen halten sich die schlechtesten 25% aller Probanden für besser als die obere Hälfte. Kruger & Dunning (1999). Unskilled and unaware of it [ ]. Journal of Personality and Social Psychology. 77, Oder ist ein beobachteter Unterschied von z.b. 8,3 Punkten zwischen den Gruppen nur Zufall? Wirtz & Nachtigall (2008). Wahrscheinlichkeitsrechnung & Inferenzstatistik.

29 Und seine weniger bekannten Partner Nichtparametrische Tests U-Test nach Mann-Whitney-Wilcoxon Vorzeichenrangtest nach Wilcoxon McNemar Test Wald Test Bortz, Lienert & Böhnke (2008). Verteilungsfreie Methoden in der Biostatistik.

30 Einflüsse identifizieren Varianz ist gut, ihre Analyse noch besser Unterscheiden sich die Nachfahren von Diabetikern vs. gesunden Männern und Frauen in ihrem Blutdruck? Katkhuda et al. (2012). Sexspecific programming of hypertension in offspring [ ]. Nature, 72, Bortz & Schuster (2010). Statistik für Human- und Sozialwissenschaftler.

31 Multivariate Analysemethoden MANOVA Unterscheiden sie sich, wenn man auch noch die Herzrate betrachtet? Katkhuda et al. (2012). Sexspecific programming of hypertension in offspring [ ]. Nature, 72, Erichson, Plinke, Weiber & Backhaus (2010). Multivariate Analysemethoden.

32 Multivariate Analysemethoden Diskriminieren, Klassifizieren alles im Namen der Statistik Welche Merkmale kann man verwenden, um potentielle Käufer von Nicht-Käufern zu trennen? Wang et al. (1984). Segment intenders and non-intenders [ ]. Journal of Consumer Marketing, 18, Tabachnick & Fidell (2012). Using Multivariate Statistics.

33 Voraussetzungen Ohne geht nichts oder alles Jedes statistische Verfahren ist an Voraussetzungen geknüpft Stichprobengröße, Normalverteilung, Skalenniveau, Sphärizität, Homogenität von Residuen, Kollinearität, Berechnet wird (fast) immer, aber ohne erfüllte Voraussetzungen ist die Interpretation wie Kaffeesatzlesen

34 Aber wie? Software für statistische Betätigung I Matthäus (2011). Statistik mit Excel: Beschreibende Statistik für Jedermann. Bühl (2011). SPSS 20: Einführung in die moderne Datenanalyse. Kohler & Kreuter (2012). Datenanalyse mit Stata: Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung.

35 Aber wie? Software für statistische Betätigung II Luhmann (2011). R für Einsteiger: Einführung in die Statistiksoftware. Weiber & Mühlhaus (2009). Strukturgleichungsmodellierung: Eine anwendungsorientierte Einführung in die Kausalanalyse mit AMOS, SmartPLS und SPSS Geiser (2011). Datenanalyse mit Mplus: Eine anwendungsorientierte Einführung.

36 Als Ergebnis die Wahrheit Is it true or just bullshit? Schlussfrage: Was bedeutet es denn nun? Es kommt drauf an! Messwert Messwert Eine Skala Eine Skala

37 Social Learning about Social Sciences Get empirical on