Please enable JavaScript.

Coggle requires JavaScript to display documents.

Einführung qualitative Methoden, Mixed Methods Forschung, Theorie und…

- - - - Wenn X dann (höchst-)wahrscheinlich Y (probabilistisch)
      - Je mehr X, desto (weniger) Y
      - Wenn X dann Y (Notwendigkeit: deterministisch)
    - - X führt zu Y via Z (X -> Z -> Y); Z = intervenierend
      - X führt zu Y falls Z (X * Z -> Y); Z = konditionierend
- - - - Regelmäßige Abfolge beobachtbarer Ereignisse (erstes Ereignis = Ursache; dann Folge)
      - X bedingt Y wenn Y regelmäßig auf X folgt (auf X folgt nie / selten Nicht-Y).
      - Empirizismus: Kausalität ist ein empirisches, nicht theoretisches Konzept
    - - Fehlende Erklärung der induktiven regelmäßigkeit: Warum? Wie?
      - Schwächen (Cum hoc ergo propter hoc - Scheinkausalität)
        
        kausale Richtung unklar, Symptome werden als Ursachen identifiziert
        
        unechte Zusammenhänge
        
        zufälliges Auftreten
        
        Überdetermination
      - Deshalb: „…we may safely conclude that the covering-law approach is a failure as a theory of explanation“
- - - - siehe Punkte in VL
- - - - In dem Maße, in dem die evidenzbasierten Wissensansprüche der Forscher auf Daten beruhen, die sie selbst erzeugt oder gesammelt haben, sollten sie
        
        oder erklären, warum sie das nicht können.
        
        Zugang zu diesen Daten gewähren
    - - Transparenz über Datenerhebung (production transparency)
        
        Forscher, die Zugang zu Daten gewähren, sollten einen vollständigen Überblick über die Verfahren anbieten, die zur Sammlung oder Erzeugung der Daten verwendet wurden.
      - Transparenz über Datenanalyse (analytic transparency)
        
        Forscher, die evidenzbasierte Wissensbehauptungen aufstellen, sollten vollständig darlegen, wie sie ihre analytischen Schlussfolgerungen aus den Daten gezogen haben
      - Data Access
        
        Forscher sollen Zugang zu den Daten gewähren, auf denen Ihre
        Behauptungen/Bewertungen fussen
      - Konkret zu Production Transparency:
        
        Drei Beispiele: Wie wurden schriftliche Quellen gesammelt oder
        gesampled, unter welchen Bedingungen wurden Interviews gewährt und geführt, in welcher Weise fand eine teilnehmende Beobachtung oder
        ethnographische Arbeit statt?
        
        Voraussetzung für Nutzung der Daten durch andere Forscher à
        vereinfacht es, die Daten zu verstehen und zu interpretieren, Biases zu erkennen und die Validität der Daten abzuschätzen
        
        Forscher sollten umfangreiche Dokumentationen zur empirischen Basis
        einer Studie bereitstellen, inkl. Kontext der Datenerhebung, Verfahren und Vorgehen beim Zugang, Auswahl, Erhebung, Generierung der Daten.
  - - - Digital Annotation: Analytic commentary (AC) und Annotation for
        Transparent Inquiry (ATI) à Data transparency, analytic transparency
- - - - Aktualisierung der Definitionen durch jeden Autor (bis 30. November
        2015),
      - die Überprüfung der Definitionen und Politikräume durch das Review
        Panel (Dez 2015), und
      - Ein Qualitätscheck der Quellen und Interpretationen (Dez 2015/Jan 2016)
      - Ab März 2016 dann Validierungsinterviews mit Experten (bereits besprochen
        in der letzten Sitzung am 13.04).
- - - - Untersuchung von vier wichtigen geldpolitischen Veränderungen und
        wirtschaftlichen Schwankungen in den USA in den 1920er und 1930er Jahren (Friedman & Schwartz 1963)
  - - - Most-likely cases (zum Widerlegenv theoretischer Erwartungen)
      - Least-likely cases (zum Erhärten theoretischer Erwartungen)
      - Vorgehen: Hypothesen deduktiv ableiten und testen
- - - - Nominal
      - Ordinal
    - - Intervall
      - Ratio
  - - - Bezieht sich auf den Grad des stochastischen (zufälligen) Fehlers oder
        noise, der bei dem Versuch, ein Konzept zu operationalisieren, auftritt (Gerring 2012).
      - Ergibt die Anwendung desselben Verfahrens auf dieselbe Weise immer
        denselben Wert?
      - Ausmass, in dem eine Beobachtung bei wiederholten Versuchen
        konsistent ist (Marks 2007: 4).
    - - Übereinstimmung zwischen der Definition eines Konzepts (seinen
        Attributen) und den gewählten Indikatoren. Die Validität bezieht sich auf den systematischen Messfehler (Bias) (Gerring 2012).
      - Mass, in dem sich eine Beobachtung dem tatsächlichen Wert des
        Konzepts auf der Dimension annähert, die man messen möchte (Marks 2007: 4).
      - Erfassen die Beobachtungen sinnvollerweise die in den Konzepten
        enthaltenen Ideen?
    - - Ist die Messung unabhängig vom Forscher?
- - - - – Test auf Vorhandensein und Funktion von M1, M2, M3
      - – Aufbau chronologisch
      - – Triangulation verschiedener Datenquellen
    - - – Vergleichende Analyse der Findings, Interpretation der Ergebnisse
        mit Blick auf die Theorie
- - - - Klare Stärke der Small-C-Forschung, da die Beobachtbarkeit hoch ist
      - Fokus auf kausale Mechanismen, die X mit Y verbinden, anstelle eines
        Kovariations-Ansatzes
    - - Transparenz -> Offenheit über den Forschungsprozess und wie er sich im
        Laufe der Zeit entwickelt hat
      - Replizierbarkeit -> jemand anderes als die ursprüngliche Forscherin kann
        auf Daten zugreifen & ursprüngliche Analyse (+Ergebnisse) wiederholen -> Transparenz erleichert Replizierbarkeit
      - Beides bei Small-C-Forschung schwieriger als Large-C-Forschung, wg.
        aufwändigerer Datenerhebung und -interpretation (vgl. Sitzung 10 & 11)
      - Gerrings (2017) Rat
        
        Klären Sie, ob Ihr Argument deskriptiv oder kausal ist, und spezifizieren
        Sie die Geltungsbedingungen
        
        Klären Sie die Strategie der Fallauswahl und was über den/die Fall/Fälle
        vor der Auswahl bekannt war
        
        Erläutern Sie die Datenerhebung hinreichend detailliert (z. B. mit
        Hyperlinks, Interviewfragebögen und -transkripten usw.; eventuell in einem Anhang)
        
        Speichern Sie die Daten online und machen Sie sie zugänglich
        
        Analyse: Informationen über zusätzliche, nicht untersuchte "Schattenfälle"
        und Hintergrundannahmen bereitstellen
        
        Skizzieren Sie die Abfolge der einzelnen Schritte des Forschungsdesigns
    - - Durch sorgfältige (intentionale) Auswahl von C -> Begrenzung
        der Anzahl potenzieller Störfaktoren
      - Fallstudienforschung stellt im besten Fall ein natürliches
        Experiment mit einer extrem kleinen Stichprobe dar
      - Vergleichbarkeit vor und nach dem Treatment wird
        normalerweise in/durch (natürlichen) Experimenten erreicht, aber nicht Beobachtungsstudien
      - Erwartungswert von Y, bedingt durch X und Z, sollte für alle
        untersuchten Einheiten und alle Zeiträume gleich sein
      - Beispiel: Trump effect on EU popularity
        
        Wahl Donald Trumps zum US-Präsidenten am 8. November 2016
        
        Eurobarometer wurde vom 4. November bis 14. November 2016
        durchgeführt -> Kontrollgruppe vs. Treatmentgruppe
        
        Die Wahl von Trump führte unmittelbar danach zu einem signifikanten
        Anstieg der Popularität der EU in Europa --> “rally around the EU-flag effect”, aber praktisch nur bei politisch rechts eingestellten Befragten
        
        Jedoch: "Selbst wenn in Zukunft zusätzliche Umfragedaten zur Verfügung
        stünden, wäre ein langfristiger Effekt aufgrund der vielen dazwischen liegenden Ereignisse nur schwer kausal zu belegen.” (Minkus et al, 2019: 410)
        
        Nebenbemerkung zur externen Validität: "Dies deutet darauf hin, dass ein
        Ereignis, das auf den ersten Blick als globaler Sieg des Nationalismus erscheinen mag, sofort messbare Gefühle des Widerstands in einem anderen
        Teil der Welt auslösen kann, was tatsächlich zu neuen Impulsen für den Supranationalismus führt.” (Minkus et al, 2019: 409)
    - - Es dürfen nicht dieselben Daten für die Theoriebildung und den
        Theorietest verwendet werden (--> Vermeidung von Zirkelschlüssen)
      - Bei nicht experimenteller Forschung: Ex-ante-Unkenntnis von
        Informationen muss überprüfbar sein (z. B. bei Freigabe neuer Dokumente, Interviews, ...)
    - - Z.B. "Änderung des Wahlrechts" - leicht manipulierbar
      - Je manipulierbarer die Ursache (unabhängige Variable X), desto
        einfacher die Beurteilung der Befunde mit Blick auf die kausale Wirkung von X auf Y
      - z.B. "Modernisierung" - schwer manipulierbar, da sie so viele
        Hintergrundbedingungen (Z) berührt -> wir können andere Faktoren nicht konstant halten
      - Fallstudienforschung erfüllt Kriterium selten (prinzipiell aber möglich)
      - Beispiel: Essence of Decision
        
        Das Organizational Process Modell: Regierungen sind abhängig von
        Bürokratien/Ministerien, die ihren eigenen Routinen unabhängig von der akuten Situation folgen
        
        Das Governmental Politics Modell: Verschiedene Teile der Regierung und
        ihre Führer sind in konstantem Wettbewerb und Rivalität gebunden, was die jeweiligen Ansätze zur Problemlösung stark beeinflusst
        
        Das Rational Actor Modell: Regierungen sind die entscheidenden Akteure,
        die ihre Ziele anhand der von ihnen erwarteten Auszahlungen (expected utilities) setzen
        
        Gerring 2017, p. 201f:
        
        Komplexe theoretische Frameworks, kausale Faktoren können
        kaum als manipulierbar angesehen werden, nur ein Fall...
        
        Eine Fallstudie wie Essence of Decision ist "hinsichtlich der
        internen Validität schwer zu beurteilen. In dieser Hinsicht illustriert sie ein allgemeines Thema in der
        Fallstudienforschung".
    - - Large-C-Forschung produziert routinemäßig Maße für Unsicherheit,
        die Stichprobenfehler berücksichtigen (aber nicht für Probleme im Kausalmodell oder andere Designfehler)
      - Fallstudien haben keine Metrik, um die Unsicherheit in einer
        Fallstudie relativ zur Unsicherheit in einer anderen zu vergleichen
      - Tiefes/Umfangreiches Wissen über den Fall hat nur die Forscherin,
        nicht die Leserin -> Unsicherheit in Small-C-Studien ist schwieriger zu bewerten als in Large-C-Studien
- - - - Erhöhen Sie die Anzahl der Fälle so weit wie möglich. (Erweitern der
        Analyse sowohl geographisch als auch historisch -> Annäherung an die statistische Methode)
      - Reduzieren Sie den Merkmalsraum der Analyse. (-> Kombinieren von
        zwei oder mehr Variablen und/oder Kategorien)
      - Fokussieren Sie die vergleichende Analyse auf vergleichbare Fälle.
        (-> Beschäftigung mit dem Problem der vielen Variablen)
      - Fokussieren Sie vergleichende Analysen auf Schlüsselvariablen
  - - - In der Praxis wird die vergleichende Methode oft mit Process-Tracing-
        Methoden kombiniert (vgl. Tarrow 2010: 252ff.; Slater & Ziblatt 2013: 1304)
      - Vertiefende Fallstudien können mit Large-N-Analysen kombiniert werden
      - Wir werden das in der nächsten Sitzung ausführlich diskutieren
- - - - "ontologies of the field have moved in a different direction: toward theories, such as those based on path dependence or strategic interaction, whose conceptions of the causal structures underlying outcomes are at odds with the assumptions required for standard regression techniques and conventional comparative method to provide valid causal inferences." (Hall
        2003: 375)
      - "our ontologies have outrun both our methodologies and standard
        views of explanation." (Hall 2003: 387)
    - - Vorteile der Fallstudienmethode bei der Untersuchung von Pfadabhängigkeit
        
        Sensitivität für Sequenzierung von Prozessen
        
        Nutzung von Process-tracing Tools ermöglicht valide Aussagen über kausale Zusammenhänge auch bei wenigen/einzelnen Fällen
        
        Ein induktives Vorgehen bei Fallstudien ermöglicht die
        Identifizierung von ansonsten übersehenen kausalen Faktoren (omitted variables)
        
        Es ist möglich, Interaktionseffekte im Kontext konkreter Fälle zu
        untersuchen
    - - Das Rational Actor Modell: Regierungen sind die entscheidenden Akteure,
        die ihre Ziele anhand der von ihnen erwarteten Auszahlungen (expected utilities) setzen
      - Das Organizational Process Modell: Regierungen sind abhängig von Bürokratien/Ministerien, die ihren eigenen Routinen unabhängig von der akuten Situation folgen
      - Das Governmental Politics Modell: Verschiedene Teile der Regierung und ihre Führer sind in konstantem Wettbewerb und Rivalität gebunden, was die jeweiligen Ansätze zur Problemlösung stark beeinflusst
  - - - … sie auf viele verschiedene Datenquellen zurückgreifen muss, wobei die Daten im Zuge einer Triangulation zu einem Gesamtbild zusammengefügt werden.
      - Sie profitiert außerdem stark von der vorgängigen (d.h. deduktives Vorgehen) Entwicklung theoretischer Erwartungen/Hypothesen, die die Datensammlung und –analyse steuern.
      - …addressiert eine technisch besondere Situation in der es sehr viel mehr Variablen von Interesse als Datenpunkte gibt, sodass….
  - - - Die Fälle/Observationen in der Analyse,
        unabhängig davon, wie sie ausgewählt wurden
    - - Fall: ein räumlich und zeitlich abgegrenztes
        Phänomen von theoretischem Interesse
    - - Alle Fälle von theoretischem Interesse,
        grundsätzlich viel größer als das Sample
    - - Observation/en: Die Einheiten auf der untersten
        Ebene der Analyse, die von theoretischem Interesse sein können oder auch nicht
- - - - Beispiel: Fall = Nationalstaat(en); Subunits = Regionen, Städte,
        Individuen
- - - - Intentionale Fallauswahl auf der abhängigen Variable macht Sinn…
        
        bei spezifischem Interesse an causes-of-effects
        
        beim Nachzeichnen kausaler Mechanismen durch Process-tracing
      - Jedoch gibt es hier ggf. Probleme bei der Generalisierung…
    - - “I would like to offer a qualified defense for analyzing a small number of cases selected on the dependent variable. As is well known […] selecting on the dependent variable is perfectly admissible of one is evaluating necessary (as opposed to sufficient) conditions.“
      - Also nochmals: Es geht darum, wissenschaftstheoretische Grundannahmen
        und methodische Tools besser zu verbinden.
    - - Dieser Beleg könnte nicht erbracht werden, wenn nur positive Fälle auf
        der abhängigen Variable ausgewählt werden (USA 1876 nicht in die Untersuchung aufgenommen, da kein positiver Fall)
      - Die Behauptung, dass „soziale Revolutionen nur dann entstehen, wenn es eine Staatskrise gibt“ (= notwendige Bedingung), könnte anhand aller Fälle geprüft werden, in denen das Phänomen aufgetreten ist. Daten über soziale Revolutionen zu sammeln, die nicht stattgefunden haben (wie die Revolution von 1876), wäre daher eine überflüssige Übung.
      - Staatskrise in den USA in 1876 (Bürgerkrieg) führte nicht zu sozialer
        Revolution (= Staatskrise ist keine hinreichende Bedingung für soziale Revolutionen)
  - - - Persönliche Netzwerke
      - Sprachkenntnisse
      - Vorkenntnisse zu Region, Zeitgeschichte, Thema…
- - - - = repräsentativer Fall (mean, median, mode)
      - Nützlich zur Veranschaulichung -> beschreibend/deskriptiv
      - Beispiele
        
        „Middletown“ (= Muncie, Indiana; vgl. Lynd & Lynd 1929)
        
        Dessau (Vortkamp 2008: Integration durch Beteiligung, Campus Verlag -> Studie über Vereine in Dessau. Dessau ist eine „typische“ mittelgroße ostdeutsche Stadt in Bezug auf Wahlverhalten, Arbeitslosigkeit,
        demografische Struktur usw.)
    - - Analyse mehrerer typischer sub-typen eines Phänomens
      - Beispiele
        
        Politische Kulturen in den USA, GER, MEX, ITA, UK (drei
        ideale Arten von Bürgerkulturen, vgl. Almond & Verba 1963)
        
        Religionen (Christen, Muslime, Juden, Hindus)
  - - - Explorativ: zielt darauf ab, eine neue kausale Hypothese zu
        identifizieren
      - Estimating: zielt darauf ab, eine Kausalhypothese durch Schätzen
        eines Kausaleffekts zu testen
      - Diagnostic: zielt darauf ab, eine Hypothese zu bestätigen, zu entkräften
        oder zu verfeinern (also ihre Erklärkraft generell einzuschätzen)
    - - Fälle, bei denen die Variation entweder in X oder (normalerweise) in Y in
        einem Einzelfall oder in einer Reihe von Fällen maximal ist
      - Drei Versionen:
        
        Extremwerte von X oder Y
        
        seltene Werte von Y
        
        polare Fälle
      - Paradigmatische Fälle, die an Idealtypen heranreichen
      - Beispiel: Holocaust als Extremfall von Völkermord
    - - Tritt endogen auf - kein Einfluss durch einen früheren Fall (z. B. durch
        Diffusion), also kein noise
      - Repräsentativität zur interessierenden Zeit sichergestellt
      - Erstes Auftreten eines Phänomens (z. B. patient zero)
      - Beispiele:
        
        Entdeckung der Demokratie in Athen (± 500 v. Chr.)
        
        Einsatz von Atomwaffen durch die USA (1945)
    - - bezieht sich auf Ausreißer, die schlecht erklärt werden
      - Die Analyse kann entweder zu einer idiosynkratischen oder zu einer
        generalisierbaren Erklärung für die Abweichung(en) führen
      - Abweichung ist abhängig von Theorie oder Modell (!!)
      - Beispiel:
        
        Warum überlebten 75% der Juden in Frankreich unter deutscher Besatzung trotz
        intensiver Zusammenarbeit und Antisemitismus der Vichy-Regierung zwischen 1940 und 1944, während die Überlebensrate in den Niederlanden nur 24% betrug, wo hochrangige
        Zusammenarbeit und staatlich geförderter Antisemitismus fehlten? (vgl. Seibel, 2010)
- - - - wenn sie komplementär zur Kovarianzanalyse ist (à Mixed Methods,
        Sitzung 12);
      - wenn sie auf Fälle angewendet wird, die ein Maximum an externer
        Validität versprechen (à Fallauswahl, Sitzungen 4+5);
      - wenn der Kausalmechanismus ex ante spezifiziert wird (theory-testing
        process-tracing, heute); und
      - wenn die zu untersuchenden Mechanismen so ausgewählt werden, dass
        aussagekräftige vergleichende Theorietests möglich sind (Theorie, Sitzung 1).
- - - - Failing suggests hypothesis may not be relevant, but does not eliminate it
      - Passing affirms relevance of the hypothesis but does not confirm it