Einführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels

Transkript

1 Einführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels Workshop-Woche»Das Nationale Bildungspanel und Regionaldaten«Alexandra Wicht & Alexandra Nonnenmacher Universität Siegen GESIS, Köln

2 Inhalt 1 Einführung in räumliche Verflechtungen/Autokorrelation Bisheriger Ansatz Problemstellung Räumliche Interdependenzen Mögliche Problemlösung 2 Hands-on 2: Berechnung räumlicher Autokorrelation 3 Hands-on 3: Modellbildung und Datenmerging, NEPS, SC 6 4 Hands-on 4: Kontextanalyse mit NEPS, SC 6 A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 2 / 27

3 Einführung in räumliche Verflechtungen/Autokorrelation A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 3 / 27

4 Bisheriger Ansatz Hierarchische Mehrebenenanalyse, um die statistische Abhängigkeit von Beobachtungen innerhalb höherer Einheiten in Rechnung zu stellen. Zentrale Annahme von HLM: Statistische Unabhängigkeit von Beobachtungen zwischen den höheren Einheiten. HLM ist adäquat im Falle klar umgrenzter, abgeschlosser (sozial-)räumlicher Einheiten, wie z. B. Schulen oder Klassen innerhalb von Schulen. A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 4 / 27

5 Die Besonderheit räumlicher Daten Modifiable areal unit problem (MAUP): Die räumliche Einheiten müssen definiert werden; die Wahl der Grenzen kann die Analyseergebnisse maßgeblich bestimmen. 1 Spatial scale: Wir müssen eine Entscheidung darüber treffen, auf welcher Aggregatebene wir Effekte erwarten (z. B. Nachbarschaft vs. Stadtviertel). 2 Spatial zoning/aggregation: Wir müssen die Grenzen der jeweiligen Einheiten definieren. Während das erste Problem vor allem ein theoretisches ist, ist das zweite Problem zusätzlich ein technisches. Im Folgenden geht es insbesondere um das Problem»spatial zoning/aggregation«. A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 5 / 27

6 Die Besonderheit räumlicher Daten In der Regel stehen Forschern Daten auf unterschiedlichen Aggregatebenen zur Verfügung: Stimmbezirkszellen, Postleitzahlengebiete, Gemeinden, Kreise, Arbeitsagenturbezirke. Wesentlich seltener stehen Raster-/Punktdaten zur Verfügung; solche Daten können nicht mit NEPS-Daten verknüpft werden. Die jeweiligen Grenzen der räumlichen Einheiten sind administrativ begründet und mit Blick auf soziologische Fragestellungen artifiziell. (Sozial-)räumliche Kontextanalysen werden daher häufig nicht dem theoretischen Anspruch gerecht, Kontexte als soziale Umwelten zu operationalisieren. A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 6 / 27

7 Räumliche Interdependenzen Nachbarschaften entsprechen einem sozialen System, das nicht durch administrative Grenzen eingefangen wird: Individueller Wahrnehmungsund Handlungsradius orientiert sich an Ortseigenschaften und sozialen Grenzziehungen Soziale Interaktion und somit Beeinflussung zwischen Bewohnern verschiedener Nachbarschaften A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 7 / 27

8 Räumliche Interdependenzen Nachbarschaften entsprechen einem sozialen System, das nicht durch administrative Grenzen eingefangen wird: Individueller Wahrnehmungsund Handlungsradius orientiert sich an Ortseigenschaften und sozialen Grenzziehungen Soziale Interaktion und somit Beeinflussung zwischen Bewohnern verschiedener Nachbarschaften A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 8 / 27

9 Räumliche Interdependenzen t 0, between-interaktion: ø {1, 3, 5, 7} t 1, max. between-interaktion: ø {4, 4, 4, 4} Methodische Probleme: Die Beobachtungen verschiedener Kontexte und die Kontexte selbst sind nicht unabhängig voneinander Anders gesagt: Räumliche Interdependenzen führen zu Angleichungen auf der Individual- und Kontextebene (räumliche Autokorrelation). Verletzung einer wichtigen Voraussetzung JEDER Regressionsanalyse! A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 9 / 27

10 Mögliche Problemlösung A Berücksichtigung der statistischen Abhängigkeit von Analyseeinheiten über die Einführung einer weiteren, höheren Aggregatebene. Nur sinnvoll, wenn es sich dabei um eine analytisch abgegrenzte räumliche Einheit handelt (border effects). B Berücksichtigung des zusätzlichen Einflusses anderer relevanter Kontexteinheiten. Nur möglich, wenn die Relationen zwischen den Kontexteinheiten definiert werden können, z. B. die räumliche Distanz zwischen den jeweiligen Kontexteinheiten (im Falle von NEPS-Daten nur ab der Ebene von Kreisen & kreisfreien Städten möglich). A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 10 / 27

11 Berücksichtigung relevanter Kontexte Zentrale Fragen: Welche anderen Kontexte sind theoretisch relevant? Wie müssen diese anderen Kontexte gewichtet werden? Nachbarschaften: z. B. inverse Distanzen, da Interaktionen aufgrund räumlicher Nähe wahrscheinlicher sind Regionen: Nähe zu Arbeits- /Ausbildungsmarktzentren A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 11 / 27

12 Multiple memberships Raumeinheit i Raumeinheiten i, j W i, j Beobachtung Die Gewichte W i, j müssen a priori festgelegt werden, d. h., sie bilden eine theoretisch begründete Einflussstärke anderer Kontexte ab! A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 12 / 27

13 Hands-on 2: Berechnung räumlicher Autokorrelation auf der Kontextebene A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 13 / 27

14 Zusammenfassung der Analyseergebnisse Table 1: Räumliche Autokorrelation im Ausbildungsplatzangebot, Kreise & kreisfreie Städte, verschiedene Gewichtungsmatrizen distance, 100 km distance, 200 km distance, 300 km distance, 400 km distance, _all commuting Anmerkungen: p < 0.05, p < 0.01, p < 0.001, zweiseitige Tests, globales Moran s I A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 14 / 27

15 Fazit Auf der Kontextebene zeigt sich Autokorrelation vor allem bei engen Analyseradien (inverse Distanzgewichte) oder unter Verwendung von Pendleranteilen von Region i in Regionen j Wir können auf Basis dieser Ergebnisse aber nicht auf individuelle Handlungsradien schließen (ökologischer Fehlschluss). Aber: Räumliche Autokorrelation auf der Kontextebene kann zu verzerrten Schätzungen lokaler und nicht-lokaler Einflüsse auf individuelle outcomes führen! Um räumliche Autokorrelation adäquat im Modell zu berücksichtigen, ist es notwendig, den ihr zugrundeliegenden Mechanismus zu kennen (in unserem Bsp. Pendlerbewegungen). A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 15 / 27

16 Hands-on 3: Modellbildung und Verknüpfung von Regionaldaten mit NEPS-Längsschnittdaten, SC 6 A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 16 / 27

17 Fragestellung und Daten Fragestellung: Welchen Einfluss haben räumliche Gelegenheitsstrukturen auf den Übergang Schule-Ausbildung? Individualdaten: Retrospektiv erhobene Längsschnittdaten (NEPS, SC 6, Erwachsene) Abhängige Variable: Dauer bis zur Aufnahme eine dualen Berufsausbildung, Schulabgangskohorten , N(Personen) 410, N(Personenmonate) Regionaldaten: Zeitreihendaten auf der Ebene von Kreisen & kreisfreien Städten vom BBSR und IAB A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 17 / 27

18 Methodische Herausforderung Räumliche Ausdehnung von Gelegenheitsstrukturen: Ist es hinreichend, ausschließlich räumlich nahe Landkreise zu berücksichtigen oder eine weitaus größere»zone of influence«? Räumliche Autokorrelation: Sozialer Austausch zwischen Landkreisen führt zu Angleichungen auf der Individual- und Kontextebene; verzerrte lokale/nicht lokale Effekte sind die Folge. Auf welcher Analyseebene liegt räumliche Autokorrelation vor? 1 Individualebene: Komplexe Mehrebenenstruktur erforderlich. 2 Kontextebene: Korrektur für Autokorrelation erforderlich In unserem Beispiel betrifft das Problem räumlicher Autokorrelation ausschließlich die Kontexteben (keine Mehrebenenstruktur, lückenhafte Besetzung von Landkreisen). A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 18 / 27

19 Datenstruktur: Multiple membership R1 R2 R3 R402 spatial opportunity structure person time units, months A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 19 / 27

20 Hands-on 4: Kontextanalyse mit NEPS, SC 6: Einflüsse räumlicher Gelegenheitsstrukturen auf den Übergang Schule-Ausbildung A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 20 / 27

21 Abbildung von Gelegenheitsstrukturen Zentraler regionaler Indikator: Regionales Ausbildungsplatzangebot, zwei Arten von Messungen: 1 Absolute Werte: Verfügbarkeit von Ausbildungsplätzen in den jeweiligen Landkreisen j. 2 Relative Werte: Verhältnis der Verfügbarkeit von Ausbildungsplätzen im Home-Kreis i zur Verfügbarkeit von Ausbildungsplätzen in den jeweils anderen Landkreisen j. Beide Messungen werden als Interaktionsterme eingeführt mit: 1 Der euklidischen Distanz zwischen Home-Kreis und den jeweils anderen Kreisen. 2 Dem Pendleranteil vom Home-Kreis in die jeweils anderen Kreise (Kontrolle für räumliche Autokorrelation in den Daten). A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 21 / 27

22 Ergebnisse strukturschwache Bundesländer Model 1: commuting Model 2: commuting Absolute no. of training places.362 (.032).333 (.038) Relative no. of training places.405 (.044).376 (.054) Absolute no. distance ref. home district + 75km >75 150km.047 (.037).127 (.046) > km.085 (.038).186 (.048) > km.106 (.037).223 (.049) > km.162 (.038).281 (.050) > km.111 (.039).229 (.050) > km.110 (.036).237 (.047) >525km.112 (.038).248 (.049) Relative no. distance, ref. home district + 75km >75 150km.092 (.048).011 (.056) > km.017 (.048).091 (.057) > km.011 (.048).141 (.058) > km.093 (.047).226 (.057) > km.074 (.048).206 (.057) > km.109 (.048).244 (.057) >525km.117 (.047).258 (.056) Notes: p < 0.1, p < 0.05, p < 0.01; cluster-robust S.E., main effects of distance and effects of controls not reported A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 22 / 27

23 Ergebnisse strukturstarke Bundesländer Model 1: commuting Model 2: commuting Absolute no. of training places.065 (.012).097 (.018) Relative no. of training places.020 (.017).123 (.030) Absolute no. distance ref. home district + 75km >75 150km.001 (.018).057 (.024) > km.034 (.017).101 (.024) > km.001 (.019).071 (.025) > km.048 (.017).121 (.024) > km.062 (.016).135 (.023) > km.082 (.016).155 (.023) >525km.108 (.016).178 (.023) Relative no. distance, ref. home district + 75km >75 150km.025 (.023).066 (.028) > km.020 (.020).124 (.026) > km.029 (.021).135 (.026) > km.070 (.019).180 (.026) > km.113 (.020).221 (.025) > km.115 (.020).222 (.026) >525km.172 (.017).278 (.024) Notes: p < 0.1, p < 0.05, p < 0.01; cluster-robust S.E., main effects of distance and effects of controls not reported A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 23 / 27

24 Ergebnisse strukturschwache Bundesländer Predicted probabilities, not controlling for spatial correlation (home districts in structurally weak areas) Predicted probabilities, controlling for local spatial correlation (home districts in structurally weak areas) home+75 >75 >150 >225 >300 >375 >450 >525 home+75 >75 >150 >225 >300 >375 >450 >525 absolute no. 80, relative no..8 absolute no. 120, relative no. 1.2 abs. 80, rel..8, no out-commuting abs. 80, rel..8, high out-commuting abs. 120, rel. 1.2, no out-commuting abs. 120, rel. 1.2, high out-commuting A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 24 / 27

25 Ergebnisse strukturstarke Bundesländer Predicted probabilities, not controlling for spatial correlation (home districts in structurally strong areas) Predicted probabilities, controlling for local spatial correlation (home districts in structurally strong areas) home+75 >75 >225 >150 >300 >375 >450 >525 home+75 >75 >150 >225 >300 >375 >450 >525 absolute no. 80, relative no..8 absolute no. 120, relative no. 1.2 abs. 80, rel..8, no out-commuting abs. 80, rel..8, high out-commuting abs. 120, rel. 1.2, no out-commuting abs. 120, rel. 1.2, high out-commuting A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 25 / 27

26 Fazit Gelegenheitsstrukturen sind im Raum verstreut: Trotz räumlicher Distanz ist das Ausbildungsplatzangebot in ganz Deutschland bedeutsam. Verschiedene Muster von Gelegenheitsstrukturen: Das nicht-lokale Ausbildungsplatzangebot ist für Individuen in strukturstarken Bundesländern wesentlich bedeutsamer als für Individuen in strukturschwachen Bundesländern; für letztere ist insbesondere der lokale Ausbildungsstellenmarkt wichtig. Effekte individueller Mobilität/Immobilität? Lokale räumliche Autokorrelation führt zu einer erheblichen Verzerrung der Schätzergebnisse, vor allem für nah zum Home-Kreis gelegene Landkreise. A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 26 / 27

27 Vielen Dank für Ihre Aufmerksamkeit! A. Wicht & A. Nonnenmacher Modellierung räumlicher Effekte 27 / 27