Kurse: Kursinformationen

Professionelle Videokamera im Studio des Multimediazentrums der Universität Jena

Foto: Jan-Peter Kasper/FSU

Zurück zur Übersicht

DVD / Online-Zugang zu den Materialien anfordern

Methoden der Evaluationsforschung I

Kursleitung: Prof. Dr. Rolf Steyer

Wintersemester 2017/2018, Kurs, Sprache: Deutsch, Thema: Methoden der Evaluationsforschung

Thema: Kausale Effekte
Grundlagen der Wahrscheinlichkeitstheorie, Paradoxa, individuelle und durchschnittliche kausale Effekte, Kovariaten und bedingte durchschnittliche Effekte, nichtorthogonale Varianzanalyse, Versuchsplanungstechniken der Randomisierung und der Konstanthaltung, Unkonfundiertheit und ihre Überprüfung, Designs und Analyseverfahren zur kausalen Modellierung in nichtrandomisierten Studien. Adjustierungstechniken im PC-Programm EffectLite. Modelle zur Analyse individueller kausaler Effekte.

Um die Videos anzuschauen, benötigen Sie den VLC media player, den Sie hier herunterladen können. Die Videos werden bereitgestellt über die Digitale Bibliothek Thüringen (dbt). Die grün verlinkten Videos und Materialien sind kostenfrei abrufbar. Klicken Sie auf den grünen Link, um das Video zu sehen oder die Datei herunterzuladen! Um alle Materialien und Videos abrufen zu können, müssen Sie sich einloggen.

Literatur

Kausale Effekte

Campbell, D. T. & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research on Teaching. In N. L. Gage (Ed.), Handbook of research on teaching. Chicago: Rand McNally.
West, S. G., Biesanz, J. C. & Pitts, S. C. (2000), Causal inference and generalization in field settings. Experimental and quasi-experimental designs. In H. T. Reis and C. M. Judd (eds.), Handbook of research methods in social and personality psychology. Cambridge University Press.
Steyer, R. (2003). Wahrscheinlichkeit und Regression. Berlin: Springer. (Kapitel 15 - 17)
Steyer, R. (2004). Was wollen und was können wir durch empirische Kausalforschung erfahren? In E. Erdfelder & J. Funke (Hrsg.), Allgemeine Psychologie und deduktivistische Methodologie (pp.127-147). Göttingen: Vandenhoek und Ruprecht.
Steyer, R. (2005). Analyzing Individual and Average Causal Effects via Structural Equation Models. Methodology-European Journal of Research Methods in the Behavioral and Social Sciences, 1, 39-54.
Steyer, R. & Partchev, I. (2006). Manual for EffectLite: A Program for the Uni- and Multivariate Analysis of Unconditional, Conditional and Average Mean Differences Between Groups.
Pohl, S., Steyer, R. & Kraus, K. (2008). Modelling method effects as individual causal effects. Journal of the Royal Statistical Society. Series A, 171, 41--63.
Steyer, R., Partchev, I., Kröhne, U., Nagengast, B., & Fiege, C. (in preparation). Probability and Causality.
Steyer. R. and Nagel, W. (2017). Probability and conditional expectation: Fundamentals for the empirical sciences. Chichester: Wiley.

Download der prüfungsrelervante/Vorlesungsrelevante Literatur (nur für Studenten der Vorlesungen)

Datum	Thema	Video	Material
16.10.2017	Spezifische Fragestellungen bei der Untersuchung der Wirkungen von Interventionen Herkömmliche Verfahren bei der Untersuchung der Wirkungen von Interventionen Probleme bei diesen Verfahren	Video (Stream) Video (Download; VLC Player)	Materialien Tafelbild 01 Tafelbild 02
23.10.2017	Die Anwendung der klassischen Kovarianzanalyse auf die Kirchmann-Daten Nonorthogonales 2 x 3 - faktorielles Design Spezielle Fragestellungen bei der Analyse von Treatmenteffekten: Gibt es überhaupt Treatmenteffekte? Interaktionen, ...? Analyse der (simulierten) nonortho-Daten mit der nonorthogonalen Varianzanalyse (Typ I, II, III).	Video (Stream) Video (Download; VLC Player)	Folien Materialien (aktualisiert am 16.11.2017) Tafelbild 01 Tafelbild 02
30.10.2017	ANACONDA-Grundgleichung (Wiederholung) Datenerzeugung zur Simulation von Selbstselektion Analyse mit den traditionellen Analyseverfahren (Gain scores, ANCOVA, t-Test): Alle Ergebnisse unbrauchbar zur Treatmentevaluation. Datenerzeugung zur Simulation eines randomisierten Experiments Analyse mit den traditionellen Analyseverfahren (Gain scores, ANCOVA, t-Test): Alle Ergebnisse brauchbar zur Treatmentevaluation. Regressionsmodell mit Interaktionsterm X * Z Berechnung des geschätzten durchschnittlichen Treatmenteffekts	Video (Stream) Video (Download; VLC Player)	Materialien Tafelbild 01 Tafelbild 02
06.11.2017	Fortführung der Analyse der in der letzten Vorlesung simulierten Daten Schätzung der (Z=z)-bedingten Effekte Nochmal: Schätzung des durchschnittlichen Effekts Schätzung der Treatment-bedingten durchschnittlichen Effekte Schätzung der Treatment- und (Z=z)-bedingten durchschnittlichen Effekte Problem der Standardfehler	Video (Stream) Video (Download; VLC Player)	Materialien Tafelbild 01 Tafelbild 02
13.11.2017	Analyse der simulierten Daten mit EffectLiteR Erklärung des Outputs, der bedingten Effekte und verschiedener Plots. Analyse der nonortho-Daten (2x3-Design) mit EffectLiteR Erklärung des Outputs.	Video (Stream) Video (Download; VLC Player)	Datensatz EffectLiteR package at GitHub (If you have R installed already) EffectLiteR-Standalone Installer with R (If you not installed R already) Tafelbild 01 Tafelbild 02 Tafelbild 03
20.11.2017	Drei Ebenen der Darstellung von bedingten und durchschnittlichen Effekten: Erwartungswerte, g-Funktionen und Parameter der g-Funktionen Klauer-Datensatz und dessen Analyse mit einer qualitativen und einer quantitativen Kovariaten Erklärung der Parametrisierung Bedeutung der bedingten und durchschnittlichen Effekte in diesem Beispiel	Video (Stream) Video (Download; VLC Player)	Datensatz Tafelbild 01 Tafelbild 02 Tafelbild 03
04.12.2017	EffectLiteR-Analyse der Klauerdaten mit latenter Kovariate und latenter Outcome-Variable Modell essentiell tau-äquivalenter Variablen Identifikation des Regressionssteigungskoeffizienten bei diesem Modell Kovarianzstruktur des verwendeten Messmodells Skalierung der latenten Variablen und deren Vergleich zum analogen Modell mit manifesten Variablen Vergleich der Effektgrößen im Vergleich zum analogen Modell mit manifesten Variablen Modelltest beim Modell mit latenten Variablen Berechnung der Freiheitsgrade bei einem solchen Modell	Video (Stream) Video (Download; VLC Player)	Datensatz Tafelbild 01 Tafelbild 02 Tafelbild 03
11.12.2017	Methodenfaktor in der EffectLiteR-Analyse mit latenter Kovariate und latenter Outcome-Variable Grundidee eines kausalen Effekts Definition eines kausalen totalen Effekts auf der Personenebene Definition eines durchschnittlichen kausalen Effekts	Video (Stream) Video (Download; VLC Player)	Causal Effects Xplorer Manual for Causal Effects Xplorer Tafelbild 01 Tafelbild 02
18.12.2017	Unverfälschtheit der bedingten Erwartungswerte E(Y\|X=x) und E(Y\|X=x, Z=z) Zwei hinreichende Bedingungen für die Unverfälschtheit E(Y\|X=x) und von E(Y\|X=x, Z=z) Tabelle mit der Menge der möglichen Ergebnisse des betrachteten Zufallsexperiments Die betrachteten Zufallsvariablen in diesem Zufallsexperiment Berechnung von bedingten Wahrscheinlichkeiten P(Y=1\|X=x) und P(Y=1\|X=x, Z=z) Datengenerierung mit dem CausalEffectsXplorer	Video (Stream) Video (Download; VLC Player)	Tafelbilder
08.01.2018	Datengenerierung mit dem CausalEffectsXplorer Analyse der erzeugten Daten mit EffectLiteR Berechnung der Schätzungen der bedingten Erwartungswerte E(Y\|X=x, Z=z) aus den geschätzten γ-Parametern Schätzungen der Z-bedingten Effekte Vergleich der Formeln für den bedingten Erwartungswert E(Y\|X=x) und den Erwartungswert E(τ_x) Vergleich der Formeln für den bedingten Erwartungswert E(Y\|X=x, Z=z) und den bedingten Erwartungswert E(τ_x\|Z=z). Hinreichende Bedingungen für die Gleichung E(Y\|X=x) = E(τ_x) , die Definition der Unverfälschtheit von E(Y\|X=x) Hinreichende Bedingungen für die Gleichung E(Y\|X=x, Z=z) = E(τ_x\|Z=z), die Definitionen der Unverfälschtheit von E(Y\|X=x, Z=z). Betrachtung eines Beispiels, in dem weder E(Y\|X=x) noch E(Y\|X=x, Z=z) unverfälscht sind.	Video (Stream) Video (Download; VLC Player)	Materialien Tafelbilder
15.01.2018	Grundbegriffe der Theorie kausaler totaler Effekte Der betrachtete Typ eines Zufallsexperiments Die relevanten Zufallsvariablen U, Z, X, Y Die Wahrscheinlichkeiten P(U=u) Die bedingten Wahrscheinlichkeiten P(X=x\|U=u) Die bedingten Erwartungswerte E(Y\|X=x, U=u) Die True-Outcome-Variablen τ_x = E(Y\|X=x, U) Die individuellen totalen Effekte δ_x0 = E(Y\|X=x, U=u) - E(Y\|X=0, U=u) Die bedingten Wahrscheinlichkeiten P(U=u\|X=x) Die Annahmen bei Verwendung des CEX Unverfälschtheit der bedingten Erwartungswerte E(Y\|X=x) und der bedingten Erwartung E(Y\|X) Unverfälschtheit der bedingten Erwartungswerte E(Y\|X=x, Z=z) und der bedingten Erwartung E(Y\|X, Z) Erwartungswert der True-Outcome-Variablen τ_x Durchschnittlicher totaler Effekt ACE_x0 Bedingter totaler Effekt CTE_x0(v) für einen Wert v einer Kovariaten V Bedingte Effektfunktion CTE_x0(V) für eine Kovariate V Berechnung der bedingten Erwartungswerte E(Y\|X=x) im CEX Berechnung der bedingten Erwartungswerte E(Y\|X=x, Z=z) im CEX	Video (Stream) Video (Download; VLC Player)	Manual for Causal Effects Xplorer Tafelbild 01 Tafelbild 02
22.01.2018	Baseline bias und Effektbias Bedingte Effekte gegeben ein Wert der Treatmentvariable Kausalitätsbedingungen: hinreichende Bedingungen für die Unverfälschtheit Unabhängigkeit von X und U und deren Herstellung durch Randomisierung Z-bedingte Unabhängigkeit von X und U und deren Herstellung durch Randomisierung und Z-bedingte Randomisierung sowie durch Kovariatenselektion Unit-treatment Homogeneität Bedingte Unit-treatment Homogeneität und Kovariatenselektion	Video (Stream) Video (Download; VLC Player)	Tafelbild
29.01.2018	Weitere Kausalitätsbedingungen Strong ignorability (Z-bedingte Unabhängigkeit X und U) Weak ignorability (Z, X)-bedingte regressive Unabhängigkeit Y und U) Unconfoundedness Zufallsexperiment als empirisches Phänomen, das in der Wahrscheinlichkeitstheorie und Statistik betrachtet wird Empirische Überprüfung der Z-bedingten Unabhängigkeit von X und U	Video (Stream) Video (Download; VLC Player)	Materialien
05.02.2018	Zusammenfassung der gesamten Vorlesung Fragen der Studenten	Video (Stream) Video (Download; VLC Player)	Tafelbilder