Post on 17-Sep-2019
EinführungThemen
DatenstrukturenFazit
VL Forschungsmethoden: Für wen?
I Zielgruppe
I Master Empirische DemokratieforschungI Interessierte aus anderen Studiengängen
I Voraussetzungen
I Statistik I (baby steps)I Statistik II (Stata, Erweiterungen/Komplikationen
Regressionsmodell)
I Erwartungen/Ziele
I Aktuelle Analysen aus dem Bereich Demokratieforschung (+ähnliche Gebiete) verstehen können
I Idee, wie eigene empirische Arbeit organisiert/strukturiertwerden könnte
Vorlesung Forschungsmethoden Einführung (1/23)
EinführungThemen
DatenstrukturenFazit
Organisation
I Master-VorlesungI Selbständigkeit und EigenmotivationI Verbunden mit Kleingruppe (Dr. Berning)I In beiden Teilen: bei Fragen jederzeit unterbrechen
I Empfohlene LiteraturI King/Keohane/Verba: Designing Social Inquiry. Princeton 1994I Brady/Collier: Rethinking Social Inquiry. Diverse Tools, Shared
Standards. Lanham 2004I Gelman/Hill: Data Analysis Using Regression and
Multilevel/HierarchicalModels. Cambridge 2007I Gelegentlich Hinweise zu einzelnen Themen
I Folien: https://www.kai-arzheimer.com/vorlesung-forschungsmethoden/
Vorlesung Forschungsmethoden Einführung (2/23)
EinführungThemen
DatenstrukturenFazit
Übersicht VL Forschungsmethoden
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
Vorlesung Forschungsmethoden Einführung (3/23)
EinführungThemen
DatenstrukturenFazit
Plus: zwei Sitzungen am Semesterende
I InteraktionseffekteI Offene Fragestunde zum Semesterende
Vorlesung Forschungsmethoden Einführung (4/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Kausalität und Designs
I KausalitätI Tendenz, sich vor Kausalaussagen zu drückenI Kausalität 6= KorrelationI Konzepte von KausalitätI Wie kann man sich an Kausalaussagen annäheren?
I Designs
I Warum funktionieren Experimente?I Was geht mit welchen Daten? Was funktioniert nicht?I Wie sehen gute Designs aus?
Vorlesung Forschungsmethoden Einführung (5/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Maximum Likelihood Estimation
I “Frequentistische” und “Bayesianische” StatistikI ML estimation: “Unifiying Political Methodology”?I Wie kommt der Computer zu Schätzungen (meistens)I (Konzepte statt Details und Technik)
Vorlesung Forschungsmethoden Einführung (6/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Netzwerkanalyse I+II
I Menschen sind keine Atome (oder Inseln)I Netzwerkanalyse: Beziehungen als EigenschaftenI TheorieI Graphische Darstellungen, einfache deskriptive Verfahren und
MaßzahlenI Anwendungen und komplexere Methoden
Vorlesung Forschungsmethoden Einführung (7/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Missing Data
I Was passiert, wenn Werte fehlen?I Einfache Imputationstechniken und ihre GrenzenI Einführung multiple Imputation
Vorlesung Forschungsmethoden Einführung (8/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Matching
I Kann man mit ex-post facto Daten Kausalaussagen testen . . .I . . . indem man systematisch Fälle ignoriert?I Voodoo?
Vorlesung Forschungsmethoden Einführung (9/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Faktorenanalyse und Strukturgleichungsmodelle I+II
I Interessante Variablen sind nicht (direkt) beobachtbarI Welche (latenten) Variablen sind für beobachtbare
Kovarianzen verantwortlichI Oder: Vom Voodoo zur Seance
Vorlesung Forschungsmethoden Einführung (10/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Time-Series Cross-Sectional Data
I Fälle 6= Beobachtungen (CP)I Daten, die in Raum und Zeit strukturiert sindI Gewinne ich mehr Informationen, indem ich öfter hinschaue?I Wenn ja, wie und in welchem Umfang?
Vorlesung Forschungsmethoden Einführung (11/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Ereignisdaten, Selektion, Zensur etc.
I Zeitdauer, bis ein Objekt in einen anderen Zustand wechseltI Lebensdauer von KoalitionsregierungenI Wiederwahl von AbgeordnetenI Frieden → Krieg in einer Dyade
I Zeitdauer > 0I Nicht alle Sequenzen abgeschlossen, da Beobachtung
irgendwann endet
Vorlesung Forschungsmethoden Einführung (12/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Cross-Level Inference
I Idealerweise: Theorie und empirische Analyse auf selber Ebene(meistens: Mikro)
I Aber:I Mikro-Daten nicht verfügbar (z.B. historische Wahlforschung)I Datenschutz
I Schluß von Aggregatdaten (Randverteilung) auf individuellesVerhalten
I FehlschlußproblematikI Identifikation von Bandbreiten, innerhalb derer sich
individuelles Verhalten bewegen muß
Vorlesung Forschungsmethoden Einführung (13/23)
VL Forschungs-methoden
Einführung
Basics
Kausalität/Designs
(ML-Estimation)
Methoden
KomplexeProbleme
MatchingMissingData
SNA I+II
Zeit undKontext
ML I+II
SEM I+II
TSCSData
Survival
EinführungThemen
DatenstrukturenFazit
Mehrebenenanalyse
I Idealfall der sozialwissenschaftlichen Erklärung:“Badewannenmodell” (Coleman, Humell/Opp, Esser)
I Empirische Annäherung: Makrovariablen in Mikromodelleinbeziehen
I Probleme: Standardfehler, Präzision der SchätzungenI Moderne Mehrebenenanalyse
Vorlesung Forschungsmethoden Einführung (14/23)
EinführungThemen
DatenstrukturenFazit
Was sind Daten?
I Systematische, quantifizierte BeobachtungenI Ergebnis von
I “Datengenerierendem Prozeß” (DGP)I Kausale Mechanismen und ihre KonsequenzenI Z.B. Wirtschaftsaufschwung → Sozialisation → individuelle
Wertorientierungen → gesellschaftlicher WandelI Schwachsinniger Name
I Unseren BeobachtungenI Statistische Analyse
I Theoretische Annahmen über DGPI Mathematische Modellierung des DGPI Ableitung prüfbarer HypothesenI Wie gut passen Daten und Hypothesen zueinander?I Probabilistische Tests
Vorlesung Forschungsmethoden Einführung (15/23)
EinführungThemen
DatenstrukturenFazit
Welche Probleme gibt es (Auswahl)?
I Wirklichkeit zu komplexI Theorien zu unspezifischI Messungen falschI Tests setzen normalerweise korrekte Modellspezifikation vorausI Komplette Validierungsproblematik . . .I Komplexe Daten
Vorlesung Forschungsmethoden Einführung (16/23)
EinführungThemen
DatenstrukturenFazit
Was bedeutet “komplexe Daten”?
I Theorien argumentieren auf unterschiedlichen EbenenI Variablen haben nicht nur verschiedene SkalenniveausI Sondern unterscheiden sich in der Logik ihrer Konstruktion
Vorlesung Forschungsmethoden Einführung (17/23)
EinführungThemen
DatenstrukturenFazit
Wie lassen sich Variablen systematisch organisieren?
Ebene Mikro Meso Makro . . .
Typ global → analytischrelational → strukturellkontextuell ← global → analytisch
relational → strukturellkontextuell ← global →
relational →kontextuell ←
→: Aggregation←: DisaggregationQuelle: Darstellung nach Hox 2002 und Lazarsfeld/Menzel 1961
Vorlesung Forschungsmethoden Einführung (18/23)
EinführungThemen
DatenstrukturenFazit
Was bedeutet das? I
I Globale VariablenI Eine Ebene, eine EinheitI Bsp: Alter, Geschlecht, Einstellungen, Wahlsystem,
Dezentralisierung . . .
I Analytische Variablen
I Zwei Ebenen, mehrere EinheitenI Basieren auf Aggregation (Mittelwerte, Anteile . . . )
untergeordneter EinheitenI Z.B. Arbeitslosigkeit
Vorlesung Forschungsmethoden Einführung (19/23)
EinführungThemen
DatenstrukturenFazit
Was bedeutet das? II
I Relationale VariablenI Eine Ebene, mehrere EinheitenI Beziehungen zwischen Objekten auf einer EbeneI Z.B. Kommunikation zwischen Wählern (“ties”: ja/nein;
Häufigkeit)
I Strukturelle VariablenI Zwei Ebenen, mehrere EinheitenI Aggregation relationaler Variablen, z.B. Dichte der ties vgl. mit
anderen Einheiten
Vorlesung Forschungsmethoden Einführung (20/23)
EinführungThemen
DatenstrukturenFazit
Was bedeutet das III: kontextuell
I Bezieht sich auf (vermutete) Wirkung übergeordneter aufuntergeordnete Ebene
I Kontextuelle VariablenI Zwei Ebenen, mehrere EinheitenI Eigenschaften der übergeordneten EbeneI z.B. alle Wähler demselben Wahlsystem ausgesetzt (global,
analytisch, strukturell)
Vorlesung Forschungsmethoden Einführung (21/23)
EinführungThemen
DatenstrukturenFazit
Zusammenfassung
I Stand der Forschung erfordert, daß man über das Programmvon SM I+II hinausgeht
I Weites FeldI Wichtiger als Detailwissen
I Verständnis von KonzeptenI Vorstellung davon, was warum (nicht) geht
Vorlesung Forschungsmethoden Einführung (22/23)
EinführungThemen
DatenstrukturenFazit
Literaturempfehlungen für die nächsten Wochen
I Kausalität und Designs: King, Keohane & Verba 1994I Maximum-Likelihood: King 1998 (Unifying Political
Methodology), Eliason 1993 (Maximum Likelihood Estimation:Logic and Practice)
I Netzwerkanalyse: Ebook von Hanneman/Riddle:http://www.faculty.ucr.edu/~hanneman/nettext/
Vorlesung Forschungsmethoden Einführung (23/23)