Einführung

Vorlesung Forschungsmethoden

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)