VL 6: Datenaufbreitung

Totalerhebung

• aufwendig, teuer -> zb volkszählung

Mehrstufige Auswahlen

• primary sampling units (Gemeinden); secondary sampling units (Haushalte)

• Methode der Wahl bei großen Stichproben, Problem: Klumpeneffekte

Geschichte Auswahlen:

• Informationen über Ausprägung v. Variablen existieren schon, hier werden stichpoben gezogen

Klumpen Auswahl

• Aus Pragmatik: natürliche Klumpen (PISA), Problem: bei niedriger Zahl von homogenen klumpen wird Präzisionder Schätzung geringer (besser:viele heterogene Klumpen)

• für jede stichprobe (k=100), größe von n=100)

• unterschied zw. simulierten und wahren Proportionen am größten bei wahrer proportion von .05

• z.b. bei einer population von 100 000 brauch man eine stichprobe von 678 bei einem standardfehler von0.03 und einem ainteil von 0,8 bei dem zu interessierten merkmal

• Kodieren von qualitativen Daten

  • in quantitative

• Umpolung

  • Umkodieren ovn negativ formulierten Items

• Vermeiden von fehlerhaften Ergebnissen

  • Behandlung Extremwerte

• Aggregierung

  • Berechnen von Skalen

• Vermeidung von Schwierigkeinten bei Datenanalyse

  • Alle Werte, Labels, Schritte der Aufberetung dokumentieren

• Vermeidung ethischer Probleme

  • Anonymisierug der Antworten bei Auswertung

• Fehler in Erhebungsinstrument (falsche Antowrtkategorien

• Reaktivität des Befragten

• Irrtum durch Befragten

• Interpretation des Fragebogens

• Kommunikation zwischen Interviewer und Befragten

• Bewusst falsche Auskunft von Befragten

• Fälschung des Interviews durch interviewer

• Technische Fehler bei Datenerfasung (z.b. einscannen)

• Tippfehler bei Datenerfassung

• Wert außerhalb des gültigen Bereichs (z.b. alter: -21)

• Wert außerhalb des realistischen Beriechs: Größe: 2,85m

• Ungültiger fehlender Wert (keine Angabe im Pflichtfeld)

• Inkonsisitenz innerhalb des Fragebogens (z.b. beim Einkommen: angabe persönlich und gesamtes Haushaltseinkommen unterschiedlich)

• Ungültiger Wert trotz Filterführung (z.b. Angabe kinderlos, alter des Kindes: 9 J)

• Widerspruch zu anderen Fällen (M: frau nimmt Pille, F: wir verhüten nicht)

• Widerspruch gegenpber der Gesamtheit der Datenerhebung (Kidnergeldangabe)

• nach Turkey über Boxplot Kriterien indiziert:

• Box= 25-75% (mittleren 50% der Daten) Perzentil der Verteilung (=Interquartilsbastand)

• Whiskers= max. 1.5 Interquatilsabstand extremer als Box, jedoch oft bis zum letzten gültigen Wert

• alles über 1.5: Ausreißer

  • Milde Ausreißer: 1.5-3.0

  • Extreme Ausreißer: >3.0

• Ermöglciht visuelle Identifikation v. Ausreißern/Überblick Verteilung

• = Abstand zweier Punkte in einem n-dimensionalen Vektorraum on der SD-Metrik

• Maß für multivariate Abweichungen wird Höhe des Zusammenhangs von Varibalen explizit berücksichtigt

• Mathematisch = Entfernung eines Punktes von dem Centroiden geteilt durhc die Länge der Ellipse in der Richutng des Punktes

• Punkte haben hohe Mahabolis Distanz, die weit außerhalb der Ellipse von Punkten liegen (Punkte die weit von den sonstigen wmpirischen Relationen abweichen= multivariate Ausreißer)

Auschließen

• sinnvoll wenn Wert außerhlab der gültigeni Ränge o. unplausibel ist

Trimmen

• = spezialfall des Ausschließens

• oberen und unteren X% der Verteilung werden vor Berechnung des Kennwertes ausgeschlossen

Winsorisieren

• =Extremwerte auf Grenzen setzen (z.b. 95% KI)

• sinnvoll wenn man exgrtemen Wert prinzipiell für valide und infromativ hält, aber nicht möchte dass er zu extrem ist (z.b. wegen Hebelwirkung o. Verletzung von Voraussetzung für Anaylse)

Fomen Nonresponse:

• Unit-Nonresposne: Person nimmt komplett nicht an Untersuhcung teil

• Item-Nonresponse: Einzelne Items nicht beantwortet

Response Rate

• proportion von Teilnehmern die aif Anfrage an Studie teilnehmen

• Nicht Erreichbarkeit: Person wird wöhrend Feldphase nicht erreicht

• Verweigerung: Perosn leht willkürlich ab teilzunehmen

• wenn response rate sich zwischen soziodempgrafischen Gruppen untershciedet: evtl. Verzerrugen

• Art der Befragung Auswirkungen auf response rate: face to face höher als telefon

• teilnehmende mögen rationale kosten nutzen abwägungen vornehmen

unter kontrolle der Forschenden

• Thema

• Adminsitrierung

• Dauer

• Aufbau/Design

• Auswahlverfahren

• Kontaktaufnahme

• Auswahl/Eigenschaften der Interviewer

• Vergabe Incentives

Außerhalb der Kontrolle

• Umfrageklima Bevölkerung

• Ökonomische Bedingungen

• Charakterisitka Nachbarshcaft

• Merkmale Haushalt

• Urbanisierungsgrad

oft nicht zufällig

Mögliche Gründe:

• Kognitive Faktoren (z.b. Verständnis)

• Motivationale Faktoren (Relevanz der Frage)

• Sensitivität (zu privat)

• Satisfycing (Fryagebogen wird nur bis zu gewissen Grad beantwrtet der als ausreichend erscheint)

Maßnahmen

• Gut durhcdachter Gesamaufbau Fragebogen

• Erläuterung dass keine Kontrollfragen gibt, allenfalls ähnliche Fragen zu bestimmten Themen

• Bitte um vollständiges Ausfüllen, ausführung sonst schwierig o. incentives für vollständiges ausfüllen vergeben

• einfache formulierungen

Ziel Ersetzungen

• so ersetzen dass sich Dichteverteilung von Varibalen untereinander nicht verändern

• Korrelationen unter Variablen sollen sich nicht ändern

Methoden

• u.a. multiple Regressionen auf Basis anderer Variablen; maximum Likelihood Imputation

• Oft liefern Programme multiple Imputationen, sodass man geplante Analysen für alternative Imputaitonen durchfphren kann (k>20) und anschließend mittelt

• Auswhalgewichte werden angelegt, mit denen Strata gewichtet werden

  • typische Anwendung: Oversampling kleiner Strata (damit statistiken nicht von zu wenig Personen abhängen)

  • anschließend werden Statostiken dann runtergewichtet auf Populationsproportion

• Bei stark ungleihcen Designgewichten resultieren große Standardfehler (zu starke unterschiede vermeidnen)

• Wenn alle Auswahlgewochte gleich groß sind= slebstgewichtete Stichprobe

• Annahme dass für Studienteilnahme 2 Stufen genommen werden müssne

  • 1. studienteilnehmer mpssen erreicht werden, 2. überredet werden teilzunehmen

• Formal: 2stufiges Selektionsvorgang, beoi dem Teilnahme über das Produkt von beiden Wahrscheinlichkeiten vorausgesgat werden

  • beide wahrscheinlichkeiten können unter bestimmten Annahmen geschötz werden

• 
  

• “Redressment”, “Benchmarking”

• oft als 3. Schritt nach Anwenden von Desing und Nonresponse Gewichutngen vorgenommen

• Ausgangslage/Informationsquelle sind Drittvariablen, deren verteilungen in Bevölkerung bekannt sind (z.b. Alter)

• Verteilungen der Drittvariablen werden in Stichprobe automatisch schon wegen sampling eror abweihcen, selbst wenn andere gewichtungen erfolgeen

• folgt dann eine weitere gewichtung mit dem ziel die verteilung der drittvariablen zu kompensieren

• Wenn keine Nonresponse:

  • Kalibrierung gleicht zufallsschwankungen aus und verkleinert Schätzfehler

• Wenn zusätzlich Nonresponse vorleigt:

  • Zusätzliche Korrektur analog Nonresponse-Gewichung

• Bei Kalibrierung an vielen Benchmarks erhöht sich Varianz der Gewichte -> führt zu größerem Schätzfehler -> sparsam anwenden