Fallvergleichende Kausalanalyse

Question 1

Korrelation vs. Kausalität

Answer 1

sind nicht gleich weil…:
- es können Drittvariablen existieren, die sich auf X oder Y beziehen
- Richtung des Zusammenhangs ist nicht bestimmt

Question 2

MSSD

Answer 2

Most Similar Systems Design (Mill’s Method of Difference)
- ähnliche Fälle, unterschiedliches Ereignis
- ein zentraler unterschiedlicher Faktor erklärt auch den Ergebnisunterschied

Question 3

MDSD

Answer 3

Most Different Systems Design (Mill’s Method of Agreement)
- unterschiedliche Fälle, gleiches Ergebnis
- ein zentraler gleicher Faktor erklärt auch das gleiche Ergebnis

Question 4

x-zentirert

Answer 4

Unterschied liegt in einem der Faktoren
-> eine der Ursachen (X) steht im Zentrum der Studie
- erkennbar daran, dass X explizit gegeben ist

Question 5

y-zentriert

Answer 5

Unterschiedliches Ereignis
-> das Ereignis und wie es dazu kam steht im Zentrum der Studie
- erkennbar daran, dass keine spezifische Ursache gegeben ist

Question 6

anderer Name

Answer 6

Kovarianzanalyse

Question 7

unabhängige Variable

Answer 7

X (vermutete Kausalfaktoren/Einflussgrössen)

Question 8

abhängige Variable

Answer 8

Y (Ergebnis/vermutete Wirkung)

Question 9

Kontrollvariablen

Answer 9

• nicht im Fokus der Studie
• Kann auch Einfluss auf Ergebnis haben
• wird einbezogen um Störfaktoren auszuschliessen (und Effekt von X besser analysieren zu können)

Question 10

deterministische Hypothese

Answer 10

• Zusammenhang gilt immer und ohne Ausnahme
  -> Wenn X dann immer Y
  => ist der Fall bei Kovarianzanalyse!!

Question 11

probabilistische Hypothese

Answer 11

• Zusammenhand gilt wahrscheinlich/typischerweise
  -> Wenn X dann ist Y wahrscheinlicher

Question 12

notwendige Bedingung

Answer 12

Voraussetzung, ohne welche das Ergebnis nicht eintreffen kann
-> wenn Y eintritt, dann muss X vorhanden sein
ABER X alleine reicht nicht aus

Question 13

hinreichende Bedingung

Answer 13

Voraussetzung, bei der das Ereignis sicher auftritt
-> wenn X vorhanden, dann sicher Y
ABER es kann auch andere Wege geben

Question 14

Grundannahmen

Answer 14

1. Orientiert sich an experimenteller Methode und einem kontrafaktischen Begriff der Kausalität
2. Stützt sich auf deterministisches Verständnis von Kausalität
3. Nimmt an, dass unabhängige Variablen autonom wirken
4. Geht davon aus, dass alle relevanten Kontrollvariablen abgedeckt sind

Question 15

autonom

Answer 15

jedes X hat einen anderen Einfluss auf Y

Question 16

konfigurativ

Answer 16

verschiedene X (Faktoren) können sich vermischen oder abhängig voneinander sein

Question 17

kontrafaktisch

Answer 17

was wäre wenn etwas NICHT eingetroffen wäre

Question 18

Fallauswahl

Answer 18

• Anzahl der X maximieren
• Kontrollvariablen sollen gleich sein
• Anzahl Kontrollvariablen minimieren
• MSSD oder MDSD
• wenige Fälle werden untersucht

Question 19

Treatment Effekt

Answer 19

Unterschied zwischen zwei Messungen eines Zufallsexperiments (eine mit Treatment eine ohne Treatment)
-> geschätzter kausaler Effekt

Question 20

interne Validität

Answer 20

Störfaktoren werden eliminiert (oder in Zufallsexperiment gleichverteilt)

Question 21

externe Validität

Answer 21

• Übertragbarkeit auf andere Kontexte (ist nicht automatisch gegeben)

Question 22

Vergleichsmodi

Answer 22

1. Synchron
2. Diachron
3. Raum- und zeitübergreifend

Question 23

Synchron

Answer 23

Raumübergreifend

Question 24

Diachron

Answer 24

Zeitübregreifend

Question 25

Relevanz von Vorwissen und Theorie

Answer 25

- in verschiedenen Schritten unterschiedlich relevant - zentrale Begriffe von X und Y zu spezifizieren - Plausibilität des erwarteten Zusammenhangs begründen - alternative Erklärungen identifizieren (-> Kontrollvariablen benennen) - Validität festlegen (intern und extern) indem Variablen operationalisiert werden

Question 26

Messung & Datenerhebung

Answer 26

- sinnvolle Indikatoren (woran erkenne ich das untersuchte Phänomen?) - mehrdimensionale Konzepte für Schlüsselvariablen - Datentriangulation (mehrere Quellen/Betrachtungsperspektiven)

Question 27

Schwellenwerte / "cut-off points"

Answer 27

MSSD funktioniert nur, wenn X sehr ähnlich sind und Y sehr unterschiedlich -> Schwellenwerte (thresholds) müssen festgelegt werden (zB was ist hoch und was tief) -> Forschende müssen überzeugen, dass Klassifizierung der Variablen gerechtfertigt sind

Question 28

Schlussfolgerungen ziehen

Answer 28

- erhobene Informationen werden für jeden Fall und jede Variable in einen Wert - Datensatz logisch interpretieren

Question 29

Generalisierung

Answer 29

-> statistical generalization - Auf Fälle mit gleichen Kontrollvariablen beschränkt - kann auch bereits allgemeine zusammenhänge plausibilisieren