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
Logiken des Vergleichs
Fazit
- Die Logik der Fallauswahl ist zentral für die Validität der Aussagen
- Generalisierbarkeit ↔︎ Aussagen über Fall
- Versuch einen Zusammenhang nachzuweisen
- Statistische Vergleiche als Spezialform
- variablenzentriert
- Möglichkeit der Vollerhebung & leichtere Generalisierbarkeit
- Forschungsdesigns sind Idealtypen, an die wir uns annähern
- klassische Modelle: most similar|different systems design
Fazit
Herausforderungen:
- Fehlschlüsse durch Forschungsdesign
- selection bias
- Drittvariablen
- Galtons Problem: fallübergreifende Entwicklungen
Übung
Aufgabe
Überlegen Sie sich ein Forschungsdesign im Bereich des Seminarthemas.
Welches Thema interessiert Sie? Haben Sie bereits eine konkrete Idee für eine Forschungsfrage?
Wo würden Sie nach Literatur suchen?
Welche Länder oder Gruppen würden Sie vergleichen wollen? Wie würden Sie diese Auswahl treffen?
Welche Herausforderungen sehen Sie dabei?
Hausaufgabe
Installieren Sie R & RStudio
Installationsanleitung: https://posit.co/download/rstudio-desktop/
Nächste Woche: R Einführung
Thema: Erlernen des Umgangs mit R
- Elena Llaudet and Kosuke Imai Data Analysis for Social Science: A Friendly and Practical Introduction (Princeton: Princeton University Press, 2023), S. 6-24 & S. 39-43
- optional: Videos zu R Basics und Data Wrangling
- optionale detaillierte R Einführung: Danielle Navarro "Learning Statistics with R," n.d., S. 37-109
Literatur
T. Gessler | Einführung quantitative Forschungsmethoden | 02 Forschungsprozess