02 Der Forschungsprozess
Einführung in die quantitativen Forschungsmethoden
Der sozialwissenschaftliche Forschungsprozess
Der sozialwissenschaftliche Forschungsprozess
- Modell des Forschungsprozesses nach Tausendpfund (2018), Kap. 3
- (sozialwissenschaftliche) Forschung funktioniert oft anders und zirkulär
- ↔︎ das Modell hilft uns trotzdem gerade am Anfang.
Forschungsthema
- Eine Frage oder ein Thema, das Sie interessiert und bewegt
→ Was ist das bei Ihnen?
Entwicklung einer Forschungsfrage
- Vom Forschungsthema zur Forschungsfrage
- Herausarbeiten von Fragen durch Auseinandersetzung mit der Forschungsliteratur
- z.B. offene Fragen, neue Anwendungen, empirische Überprüfungen…
- Einschränkung des Themas
- für Hausarbeiten: je kleiner desto besser → Fragen, die sich beantworten lassen
- im Idealfall: Einschränkung basierend auf Relevanz des Falls
- Bsp. Forschungsthema: Wahlbeteiligung
- Bsp. Forschungsfrage: Welche Faktoren erklären Unterschiede in der Wahlbeteiligung bei Kommunalwahlen innerhalb Brandenburgs?
Arten von Forschungsfragen
- normative Forschungsfragen: Soll-Fragen und Bewertungen
- eher in der Philosophie und politischen Theorie beheimatet
- deskriptive Forschungsfragen: Beschreibung
- besonders relevant in Bereichen wo noch wenig Wissen vorhanden ist
- erklärende Forschungsfragen: erklären von deskriptiven Unterschieden
- Zusammenhänge zwischen Phänomenen
- aufbauend auf Beschreibung
- Verknüpfung zu Theorien als Erklärungen
Beispiel Forschungsfragen
Aufgabe: Überlegen Sie sich eine normative, deskriptive und erklärende Forschungsfrage zur Zufriedenheit mit Demokratie.
Konzeptspezifikation
- theoretische Klärung wichtiger Begriffe
- Abgrenzung von Alltagsbegriffen
- Auseinandersetzung mit Konzepten in der Literatur
z.B. ‘politisches Vertrauen’
→ Aufgabe: Wie können wir den Begriff des politischen Vertrauens spezifizieren?
Hypothesenbildung
- Formulierung von vorläufigen Aussagen über Ursachen und Wirkungen
- deterministisch oder
- probabilistisch / statistisch (in den Sozialwissenschaften häufiger)
- Hypothesen sollten (relativ) allgemeingültig, falsifizierbar und widerspruchsfrei sein
- sie müssen theoretisch begründet werden & messbar sein
Aufgabe: Welche Hypothesen zu politischem Vertrauen könnten wir aufstellen?
z.B.: Sozialisierung in einer Diktatur verringert (politisches) Vertrauen.
Operationalisierung
- Operationalisierung: Übersetzung von Konzepten in messbare Indikatoren
- viele der Konzepte die wir messen sind latent, d.h. sie können nicht direkt beobachtet werden - z.B. Vertrauen
- Indikatoren helfen uns die Konzepte zu messen & darauf basierend Aussagen zu treffen
- Aufgabe: Wie würden Sie die folgenden Konzepte messen: Wahlbeteiligung, Religion, Vertrauen
- Wahlbeteiligung: Wahlabsicht, erinnerte Wahlbeteiligung, Wahlbeteiligung in einem Bezirk…
- Religion: Religionszugehörigkeit, Glaube, Religionsausübung, Eintrag im Register, …
- Vertrauen: Survey-Fragen nach Vertrauen in Institutionen, Vertrauen in Mitbürger:innen, …
Operationalisierung
Wichtige Begriffe:
- Variablen: Merkmale eines Objekts / Untersuchungsgegenstands, die variieren / für die es mehrere Ausprägungen gibt ( ↔︎ Konstante)
- abhängige Variable: Merkmal, dessen Variabilität wir erklären wollen
- unabhängige Variable: Merkmal, das wir zur Erklärung verwenden
- aber: ob eine Variable unabhängig oder abhängig ist, hängt von unserer Forschungsfrage und Hypothese ab
- Bsp: höchster Bildungsabschluss der Eltern (uV) → höchster Bildungsabschluss (aV)
- Bsp: höchster Bildungsabschluss (uV) → Einstellungen
Mögliche Datenerhebung
- in der empirischen Forschung erheben wir oft selbst Daten
- häufig gibt es aber auch bereits Daten - z.B. Umfragen - die wir nutzen können
- wenn wir Daten erheben sind Fragen des Forschungsdesigns, der Fallauswahl, der praktischen Durchführung und der Aufbereitung zentral
- wir werden am Ende des Semesters (kurz) über die Konzeption & Gestaltung von Umfragen sprechen, für Qualifizierungsarbeiten ist das aber meist zu viel Aufwand
Datenanalyse
- Vielzahl von Möglichkeiten der Analyse, je nach Datenformat (Text oder Umfragedaten, Strukturiertheit, Datenmenge, …)
- im Kurs lernen wir quantitative Methoden zur Analyse von Daten
→ einzelne Personen als Beobachtungen, über die wir verschiedene Variablen kennen
→ Analyse der Variablen und ihres Zusammenhangs
Zur Logik wissenschaftlicher Erklärungen
Wissenschaftliche Erklärungen
Bei erklärender Forschung geht es uns darum ein Ereignis (im weitesten Sinne) durch seine Ursachen zu erklären
\(Ursache\ U \rightarrow Ereignis\ E\)
Wie können wir sicherstellen, dass \(U\) wirklich die Ursache von \(E\) ist? (d.h. kausal erklären)
Kann nicht auch etwas anderes, zeitgleich auftretendes die Ursache sein?
Experimente
- Experimente sind das ideale Szenario für kausale Erklärungen
- Vergleich von Kontroll- und Experimentalgruppe
- Veränderung der unabhängigen Variable durch Experiment
- zufällige Zuordnung von Teilnehmenden zu Gruppen
- Messung eines kausalen Effekts auf die abhängige Variable durch Vergleich der Gruppen
Experimente
In der Sozialwissenschaft sind Experimente aber häufig schwierig:
- ethische Probleme
- z.B. Einfluss von Disinformation auf Wahlverhalten
- Zeitdimension
- mögliche Ursachen sind oft vergangen - z.B. Finanzkrise, Kriege, politische Entscheidungen, …
- praktische Probleme
- Kosten und Logistik von Experimenten
Vergleichende Forschung
Häufig verwenden wir als Ersatz vergleichende Forschung:
- verschiedene Individuen
- verschiedene Länder
- verschiedene Gegenden
- verschiedene Schichten
→ durch den systematischen Vergleich fällt es uns leichter, Ursachen von zufälliger Gleichzeitigkeit zu unterscheiden, weil wir verschiedene Ausprägungen unserer Variablen ansehen.
Logiken des Vergleichs
Logiken des Vergleichs
Most similar|different systems design
- John Stuart Mill: A System of Logic (1843)
- method of difference
- method of agreement
- Übertragung in die Vergleichende Politikwissenschaft
- most similar systems design
- most different systems design
Most similar systems design
Ähnliche Fälle → verschiedene Ergebnisse
Viele Gemeinsamkeiten als Ausgangspunkt, die als Erklärung ausgeschlossen werden können
→ Suche nach Unterschieden, die Divergenz des Ergebnisses erklären
Beispiel: Zusammenbruch einiger Demokratien in einer bestimmten Region
Most different systems design
Unterschiedliche Fälle → gleiches Ergebnis
Viele Unterschiede, die als gemeinsame Erklärung ausgeschlossen werden können
→ Suche nach Gemeinsamkeit(en), die gleiches Ergebnis erklärt
Beispiel: Gleichzeitige Reformen in traditionell verschiedenen Wohlfahrtssystemen
Most similar|different systems design
Statistik
Bei statistischen Analysen können wir uns von MSSD / MDSD lösen, indem wir ausreichend große Fallzahlen untersuchen
→ Wir können die Gefahr von Fehlschlüssen verringern
→ Die Logik von Vergleich und Generalisierbarkeit bleiben aber relevant
Statistik & Vergleich
Herausforderung: Fallzahl & Zahl der Variablen
. . .
- Das most similar|different systems design behandelt die Varianz einer Variable
- ↔︎ für uns sind aber oft mehrere Variablen relevant / interessant
. . .
- erst eine höhere Fallzahl erlaubt den Test mehrerer Variablen
- Problem: Kovarianz der Variablen
Statistik & Vergleich
Herausforderung: Selektionsbias
- manchmal bedingt unsere abhängige Variable, ob wir Daten haben
- Bsp.: Wahl populistischer Parteien
- Bsp.: Demokratiequalität & Häufigkeit von Protesten
- → minimieren des sogenannten Selektionsbias
Statistik & Vergleich
Herausforderung: Drittvariablen & Galtons Problem
- Drittvariablen können erklärende & erklärte Variablen beeinflussen
- z.B. Bildung der Eltern, Haushaltseinkommen, höchster Bildungsabschluss
- Fallübergreifende Entwicklungen können ebenso unsere Perspektive verzerren
- z.B.: Globalisierung, die gleichzeitig auf verschiedene Staaten einwirkt