Please enable JavaScript.

Coggle requires JavaScript to display documents.

Statistik und Methoden empirischer Sozialforschung 2 (STM II) - Coggle…

- - - - Welche Arten von Mehrebenenmodellen gibt? Worin unterscheiden sich diese? leeres Mehrebenenmodell (enthält keine unabhängigen Variablen, zeigt erstmal nur auf, wie die Varianzen zwischen bspw. Ländern im Durchschnitt sich unterscheiden auf den Ebenen, bspw. wird 13% der Varianz von stflife über die Länderebene erklärt), Random Intercept Modell (unabhängige Variable(n) werden hinzugefügt, die Konstante/Intercept variiert auf der zweiten Ebene), Random Slope Modell (der Effekt der unabhängigen Variable wird hier über die Ebenen variiert, die Steigungskoeffizienten auf der zweiten Ebene variieren: Bildung variiert bspw. um 0.002 Einheiten über die Länderebene)
      - Was testet der Wald Test? Der Wald-Test sagt aus inwiefern das Modell besser angepasst ist als das Nullmodell
      - Wie sind die Koeffizienten (im Fixen Part / im Random Part) zu interpretieren? Im fixen part: durchschnittlicher Effekt von bspw. Bildung auf Einkommen, random part: Varianzen der einzelnen Ebenen (Varianz auf der Individualebene bspw. Schulleistungen von Kindern, Varianz auf der 2. Ebene -> Kontextebene, bspw. Schulen
      - Was testet der LR-Test gegenüber dem Einebenenmodell? Wie ist dieser Test zu interpretieren? Test gegen das „normale“, d.h. Einebenenmodell: Die Modelle unterscheiden sich um bspw. (1) Koeffizienten und das Modell ist um 16709.21 Einheiten besser angepasst, H0 des Tests ist die Differenz zwischen Modellen ist 0 also sie unterscheiden sich nicht, H0 kann abgelehnt werden wegen Prob >= chibar2 = 0.0000
      - Wie berechne ich R2? Auf den einzelnen Ebenen? Insgesamt? Gesamtvarianz Berechnung: Varianz 1. Ebene + Varianz 2. Ebene, Varianzanteile Berechnung: Varianz 1. Ebene / Gesamtvarianz = Varianzanteil 1. Ebene usw., M0 Varianz: 4,3, M1 Varianz: 4,1 R2= (var m0 – var m1)/ var M0 = 0,046 ca. 5%
  - - - Wie unterscheiden sich die verschiedenen Modellarten statistisch? Was bedeutet dies inhaltlich? Variierende Intercepts / Slopes; Intercept /Slope Kovarianz; Cross-level Interaction Intercepts = Konstante, variierende Konstanten bedeuten im random part, dass über die 2. Ebene ...% der Varianz erklärt werden kann, Slopes = Steigungskoeffizienten die Effektstärke, wie sie allgemein ist (fixer part) und wie sie auf der 2. Ebene variiert (random part), Kovarianz = gemeinsame Varianz der Konstanten und der Steigungskoeffizienten, positive Kovarianz = höherer Mittelwert = höherer Steigunskoeffizient, negative Kovarianz = niedriger Mittelwert = hoher Steigungskoeffizient (z.B. Schulen mit höherem Mittelwert haben einen höheren Leistungskoeffizienten), Cross-level Interaction: Interaktionseffekt zwischen den Ebenen (Interaktionseffekt zwischen einer unabhängigen Variable auf der Individualebene und einer unabhängigen Variable auf der Kontextebene)
      - Wie kann ich die verschiedenen Modellarten gegeneinander testen? Mit dem Devianztest (-2 * (Log-Likelihood Modell 1 - Log-Likelihood Modell 2)
      - Was sind Devianztests? Was sind geschachtelte Modelle? Mit Devianztests kann man herausfinden, ob sich die verschiedenen Modelle signifikant voneinander unterscheiden, ob das eine also besser als das andere angepasst ist, Devianztest Berechnung: -2 (Log-Likelihood Modell 1 - Log-Likelihood Modell 2) z.B.: -2(-6210.7671--6207.2588) = 7.0166 ca. 7.02, auf der LR-Chi² Tabelle kommt ein Signifikanzwert von 0.0299 raus -> das Intercept Slope Modell unterscheidet sich siginifikant besser vom Full Model, geschachtelte Modelle: alle Koeffizienten/Parameter eines Modells sind auch im nächsten/im anderen Modell enthalten
- - - - Ziel: Methodologie der qualitativen Forschung, Gebrauchsanweisung, wie man als Forscher*in eine Theorie entwickeln kann
        
        neue Theorie(n) durch die Sammlung und Analyse qualitativer Daten entwickeln
      - beruht auf qualitativen Daten
      - induktiv: Theoriebildung aus den Daten heraus -> Daten erheben, analysieren, mithilfe von vergleichenden Verfahren zu einer Theorie konzeptionalisiert
      - Bausteine der GT:
        
        Sampling: Datenerhebung (Interviews, Video, Ton, Bild, Social Media etc.), Fallauswahl (es werden Einzelfälle rausgepickt, Phänomene, Events, Organisationen o.Ä,)
        
        der Vergleich: nach dem Erheben der Daten, werden die Daten codiert, woraus Kategorien entstehen (z.B. Antworten auf Interviewfragen werden in eine bestimmte Kategorie eingeordnet)
        
        innerhalb eines Falles (verschiedene Kategorien untereinander)
        
        zwischen verschiedenen Fällen (und zwischen alten und neuen Daten)
        
        Konzeptionalisierung: Abstraktion und Verbindungen setzen (die entstandenen Kategorien können abstrahiert und in Verbindung zueinander gesetzt werden), nicht fallspezifisch, sondern abstrakt beschreiben und erklären, damit daraus eine allgemeingültige Theorie entstehen kann
        
        Memos: während des Forschungsprozesses können Memos erstellt werden, die den Forschungsprozess etc. dokumentieren um später besser nachzuvollziehen zu können
        
        die Methodik (das methodische Vorgehen): es gibt keine Musterlösung, nur teils geeignetere Vorgehensweisen und umgekehrt
        
        Kodierung: verschiedene Methoden möglich, Begründung der gewählten Methode anhand von Literatur,
        
        Theorisierung (wie bilde ich eine Theorie?): Interpretation der Ergebnisse, zusammenfügen von bestehendem Wissen und neuem, sorgfältige Argumentation
        
        Anwendung im Studium: erweitern, testen und problematisieren von Theorien (anhand von bestehender Literatur)
    - - Ziel der ethnografischen Feldforschung ist es, den Standpunkt des Eingeborenen, seinen Bezug zum Leben zu verstehen und sich der Sicht seiner Welt vor Augen zu führen
      - Aufgabe der Forschenden ist es, verschiedene Kulturen anteilnehmend und objektiv zu beobachten, zu verstehen und aufzuklären; individuelle Auffassungen und Verhaltensweisen zu verstehen und zu deuten
      - vier verschiedene Spezifika
        
        die Methode: integrierter Ansatz (Forschungsstrategie, die gegenstandsbezogen arbeitet, integrierter Forschungsansatz (kombiniert Beobachtungen mit Interviews, technischen Mitschnitten und Dokumenten aller Art)
        
        das Schreiben: Versprachlichung (im schreibenden Beobachten findet eine sprachliche Erschließung von Phänomenen statt, die noch nicht in sprachlicher Form vorliegen -> wird erst durch die Beschreibung zur Sprache gebracht
        
        der Gegenstand: soziale Praktiken (Feststellung von gelebter und öffentlich praktizierter Sozialität -> Szenen, Milieus, Einheiten, verschiedene Erscheinungsformen des Kulturellen -> sprachliche Kulturen, Sichtweisen etc.
        
        die Feldforschung: unmittelbare Erfahrung während des Forschungsprozesses, persönliches Aufsuchen von Lebensräumen, hoher zeitlicher Aufwand, Forschungsprozess besteht aus Datengewinnung und Datenanalyse
        
        Schritte im Forschungsprozess: 1. Formulierung des Forschungsthemas, 2. Herstellung theoretischer Bezüge, 3. Auswahl der Methoden, 4. Auswahl des Untersuchungsfeldes, 5. Vorbereitung der Feldphase, 6. Organisieren der Feldforschung, 7. Kontaktaufnahme und Orientierung im Feld, 8. explorative (Feld-)Phase, 9. Fokussierung auf ein spezielles Problem, 10. Auswertung und Veröffentlichung
      - die teilnehmende Beobachtung schafft einen direkten und unmittelbaren Zugang zur komplexen Wirklichkeit des jeweiligen Untersuchungsfelds, verdeckter Beobachter
  - - - Theorie -> Hypothesen -> Tests
        
        Nullhypothesentestung: Wir können Aussagen, Hypothesen, Theorien niemals beweisen -> wir können sie nur widerlegen/falsifizieren (denn wir können nicht ausschließen, dass es noch andere Ursachen für die beobachteten Daten geben könnte, P->Q: wir können nur das gemeinsame Auftreten von P und Q beobachten), wir testen die Nullhypothese, dass es keinen Effekt in der Population gibt
        
        Probleme mit der Interpretation von Tests: ein p-Wert gibt uns die Wahrscheinlichkeit an, die Daten zu erhalten, wenn H0 gilt (Irrtumswahrscheinlichkeit: mit welcher Wahrscheinlichkeit machen wir einen Fehler, wenn wir H0 ablehnen, obwohl sie gilt?), das Problem ist, dass wir nicht wissen, ob H0 gilt, darüber sagt p nichts aus!
        
        Irrtumswahrscheinlichkeit = wie wahrscheinlich ist es, einen Testwert so zu erhalten, wie wir ihn erhalten haben, wenn H0 gilt? p-Werte sagen nichts über die Wahrscheinlichkeiten der Hypothesen!
        
        Dont's: p-Werte als absolute Bestätigung oder Falsifikation von Hypothesen interpretieren, p-Werte als Wahrscheinlichkeitsaussagen über die Wahrheit/Falschheit von Hypothesen interpretieren, Selektivität in der Berichterstattung, Berichterstattung in unverständlichen Zusammenhängen
        
        Do's: Skepsis, Skepsis, Skepsis!!!, verschiedene Modelle testen, Effektstärken zusätzlich zu Signifikanzen, Open Science (Reproduzierbarkeit gewährleisten etc.)
        
        fragwürdige Forschungspraktiken (siehe Liste "Table 1. Results of the Main Study"): in einem paper unvollständige Angaben zu den abhängigen Variablen machen, entscheiden, ob man noch mehr Daten einholt, nachdem man geschaut hat, ob die Resultate signifikant sind, unvollständige Angabe von den Forschungskonditionen, früher als geplant mit dem Daten sammeln und auswerten aufhören, weil man die gewünschten Ergebnisse gefunden hat, in einem paper die p-Werte abrunden damit die Ergebnisse als signifikant gelten, in einem paper nur die Studien, wo es geklappt hat aufzeigen, Daten fälschen usw.
        
        Quantifizierung von Effekten: wir beobachten Assoziationen zwischen Variablen (Welche Effektstärken sind vorhanden und nachweisbar? für wen? sind Effekte kausal zu interpretieren / ist x die Ursache von y?)
        
        Kausale und kontrafaktische Effekte: wie hätte sich die eine Gruppe verhalten, wenn sie die andere Gruppe wäre (kann nicht beobachtet werden, nur statistisch errechnet werden)
        
        heterogene Effekte (unterschiedliche Effekte auf das, was untersucht wird), Interaktionseffekte in Statistik (bspw. der Effekt von Geschlecht auf Einkommen)
      - deduktiv: Hypothesentestung, wir haben eine Theorie/Hypothese, diese testen wir, induktiv: eigene Forschung wird durchgeführt, aus der eine Theorie/Hypothese entwickelt wird
        
        nomologisch: Ziel der Forschung sind allgemeingültige Gesetzte --> je...desto, wenn ... dann usw., nomothetische Theorien abstrahieren von den den Phänomenen; verallgemeinern, idiographisch: Ziel der Forschung ist eine umfassende Analyse konkreter Einzelfälle, möglichst erschöpfendes Verstehen des Einzelfalls
        
        Hempel-Oppenheim Schema (deduktiv-nomologisch): wir haben eine Theorie, diese testen wir und versuchen, allgemeingültige Gesetze herauszuarbeiten
    - - Operationalisierung: Übersetzung theoretischer Konstrukte in Items/Variablen (latente Variablen, die durch manifeste Variablen erschlossen werden, dabei zu beachten: das theoretische Konstrukt kann nicht immer vollständig gemessen/quantifiziert werden, sondern man muss sich auf Teile/Aspekte beschränken)
      - latente vs. manifeste Variablen: latente Variablen = nicht direkt beobachtbar, muss über manifeste Variablen erschlossen werden (z.B. Antisemitismus), manifeste Variablen = direkt empirisch beobachtbare Variable/direkt beobachtbares Merkmal (z.B. Einkommen)
      - Gütekriterien von Messungen
        
        Objektivität
        
        Messungen sollen unabhängig von Beobachterin sein bezüglich: der Durchführung (möglichst standardisiert), der Ausführung und der Interpretation (andere Forscherinnen kommen auf das Selbe Ergebnis)
        
        Reliabilität
        
        testen von Reliabilität (Cronbachs alpha, Test-Retest, Split-Half)
        
        Die Reliabilität betrifft die Zuverlässigkeit und Stabilität eines Messinstruments. Das
        Kriterium bezieht sich auf die Frage, wie gemessen wird, und fordert, dass die Messergebnisse bei wiederholter Messung reproduzierbar sein sollten (hohe Replizierbarkeit).
        
        Validität (Grad der Genauigkeit, mit der ein Messinstrument das theoretische misst, d.h. misst, was es tatsächlich messen soll
        
        Inhaltsvalidität (inwieweit misst das Messinstrument das inhaltliche Konstrukt, liegt vor, wenn die Messungen eines Konstrukts dessen Inhalt in all seinen Aspekten vollständig erfassen, Beispiel mit Zufriedenheit wird aus 7 Merkmalen zusammengesetzt, werden alle Merkmale berücksichtigt?), Kriteriumsvalidität (stimmt das Messinstrument mit einem Außenkriterium überein? Zusammenhang mit Außenkriterium -> wenn man IQ Test macht, wie gut ist dann der Test als Kriterium um z.B. Ausbildungserfolg vorherzusagen?), Konstruktvalidität (inwieweit misst das Instrument das theoretische Konstrukt?, wie gut wird das theoretische Konstrukt erfasst, hierbei wird aber gefragt ob das Konstrukt generell gut erfasst ist bzw. die Definition wird hinterfragt (gibt es für IQ eine bessere Definition bzw. Merkmale mit denen man das messen sollte?)
      - Total survey error / gesamter Umfragefehler: Abweichung des Wertes in der Stichprobe vom wahren Wert in der Population
        
        Nicht-Stichprobenfehler (Overcoverage: Befragte sind systematisch wahrscheinlicher in einer Stichprobe enthalten, als sie in der Population repräsentiert sind, Undercover: Befragte sind systematisch unwahrscheinlicher ... siehe oben)
        
        Non-response: Item-non-response (einzelne Fragen werden nicht beantwortet) vs. Unit-Non-response (Befragte füllen nichts aus oder erscheinen nicht, Totalausfall)
        
        Stichprobenfehler / Sampling Error (Fehler, der durch zufällige Stichprobenziehung / zufällige Abweichung entsteht)
    - - wir haben sehr große Datenmengen: Twitter, Facebook, Bewegungsdaten/Mobilfunk, Bevölkerungsdaten etc.
      - wir benötigen bestimmte statistische Verfahren, um diese Daten analysieren zu können: Machine learning, AI, neoronale Netze etc -> zeigen uns, welche Muster in den Daten existieren etc.
      - The end of Theory (Chris Anderson): früher brauchten wir Theorien und Modelle, jetzt haben wir Daten; wir brauchen keine Theorien mehr, wir brauchen einen Testdatensatz, der es uns erlaubt, Muster zu erkennen, diese Muster verwenden wir dann in anderen Daten -> in gewisser Hinsicht eine Vermischung von explorativer und deduktiver Forschung