Professionelle Videokamera im Studio des Multimediazentrums der Universität Jena

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
Login (Online-Zugang)
de  Methoden der Evaluationsforschung I

Kursleitung: Prof. Dr. Rolf Steyer

Wintersemester 2018/2019, 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 Player VLC media player, den Sie hier herunterladen können. Die Videos werden bereitgestellt über die Digitale Bibliothek Thüringen 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.

Zur Live-Übertragung


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



Datum Thema Video Material
15.10.2018 Video (Stream)

Video (Download; VLC Player) 		Folien 01 (bearbeitet)
Joe-Ann-Tabellen

Tafelbild
22.10.2018
  1. Traditionelle Datenanalysen am Beispiel des Kirchmann-Datensatzes
  2. t-Test für unabhängige Stichproben
  3. t-Test für abhängige Stichproben bei den Behandelten
  4. Varianzanalyse mit Messwiederholung und zwei unabhängigen Gruppen
  5. Traditionelle Kovarianzanalyse
  6. Regressionsanalyse mit der Veränderungsvariablen und der Treatmentvariablen
  7. Traditionelle Kovarianzanalyse als Regressionsmodell
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild
29.10.2018
  1. Fragestellungen und Hypothesen in der Evaluation einer Intervention
  2. Gibt es überhaupt einen Treatment-Effekt?
  3. Ist der Treatment-Effekt für alle Werte der Kovariaten gleich?
  4. Wie sieht die Effekt-Funktion aus?
  5. Wie groß ist der durchschnittliche Effekt?
  6. Wie groß ist der durchschnittliche Effekt der Behandelten?
  7. Allgemeiner Ansatz der bedingten linearen Regression
  8. Intercept- und Effekt-Funktionen
  9. Untersuchung der o.g. Fragestellungen im Kirchmann-Datensatz
 Video (Stream)

Video (Download; VLC Player) 		SPSS-Output

Tafelbilder
05.11.2018
  1. Prüfung der Linearität der Regressionen von Y auf Z in den Treatment-Bedingungen X=0 und X=1
  2. Streudiagramme in den beiden Treatment-Gruppen
  3. Prüfung der Linearität gegen quadratische und kubische Termine mittels R-Quadrat-Differenzentest
  4. Datenerzeugung mit linearer Effektfunktion
  5. Analyse mit Standardverfahren wie Varianzanalyse mit Messwiederholung und traditionelle Kovarianzanalyse (ohne Interaktion zwischen X und Z)
  6. Effektumkehr bei beiden Analyseverfahren
  7. Die richtige Analyse mit linearen Intercept- und Effektfunktionen
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild 01
Tafelbild 02
12.11.2018
  1. Beispiel: 2x3-Design einer nonorthogonalen ANOVA
  2. Die für die Evaluation des Treatments interessanten Fragestellungen: bedingte Effekte, Interaktion … in Termini der Zellenmittelwerte und der Effektfunktion
  3. Analyse der nonortho-Daten (2x3-Design) mit EffectLiteR
  4. Erklärung des Outputs
  5. Modell und Parametrisierung mit Indikatorvariablen
  6. Schätzung der Effekte: Rückrechnung der bedingten Erwartungswerte aus den g-Funktionen
  7. Die vier Haupthypothesen
 Video (Stream)

Video (Download; VLC Player) 		Datensatz
(aktualisiert am 20.11.2018)

Tafelbilder
19.11.2018
  1. Fortsetzung der EffectLiteR-Analyse des Nonortho-Beispiels: Adjustierte bedingte Erwartungen
  2. Schätzung des durchschnittlichen Treatment-Effekts
  3. Schätzung der (X=x)-bedingten durchschnittlichen Treatment-Effekte
  4. Erwartete Outcomes unter Treatment und unter Kontrolle
  5. Die wichtigsten Hypothesen zur Evaluation des Treatments auf drei Ebenen: Mittelwerte, g-Funktionen und Gamma-Parameter
  6. Klauer-Beispiel mit Vor- und Nachtes (cpm1 und cpm2)
  7. Modellgleichung mit linearen g-Funktionen
  8. Bedingte und durchschnittliche Effekte und Besprechung des Outputs
 Video (Stream)

Video (Download; VLC Player) 		Materialien

Tafelbilder
26.11.2018
  1. Analyse des Klauer-Datensatzes mit einer quantitativen und einer qualitativen Kovariaten
  2. Parametrisierung der Intercept- und Effektfunktion in einem solchen Fall
  3. Interpretation des Outputs und der übrigen Ergebnisse
 Video (Stream)

Video (Download; VLC Player) 		EffectLiteR-Output

Tafelbild
03.12.2018
  1. EffectLiteR-Analyse mit einer qualitativen Variablen und zwei quantitativen Kovariaten
  2. Linearitätsannahme der Regression von Outcome auf die bei quantitativen Kovariaten innerhalb jeder der 2 x 4 = 8 Zellen
  3. EffectLiteR-Analyse mit latenter Kovariate und latenter Outcome-Variable
  4. Messmodell in jeder der beiden Zellen des Designs (des vollständigen Klauer-Datensatzes)
  5. Identifikation der Varianz der latenten Vortest-Variablen
  6. Identifikation der Kovarianz der latenten Variablen und des Regressionskoeffizienten der latenten Vortest-Variablen in einer Treatmentbedingung
  7. Modelltest in lavaan für das Messmodell
  8. Spezifikation und Prüfung des kongenerischen Messmodells
  9. Einführung eines Methodenfaktors als weitere latente Kovariate
  10. Prüfung des neuen Modells
 Video (Stream)

Video (Download; VLC Player) 		Tafelbild
10.12.2018
  1. Reaggregation von bedingten Effekten
  2. Grundideen bedingter und durchschnittlicher kausaler totaler Effekte am Joe-Ann-Beispiel
  3. (Kausale) Unverfälschtheit
  4. Unabhängigkeit von X und U als hinreichende Bedingung für die Unverfälschtheit von E(Y|X)
  5. E(Y|X, U) = E(Y|X) als hinreichende Bedingung für die Unverfälschtheit von E(Y|X)
  6. Grundidee der Erweiterung dieser Ideen für E(Y|X, Z) anstelle von E(Y|X)
 Video (Stream)

Video (Download; VLC Player) 		Folien

Tafelbilder
17.12.2018
  1. Unverfälschtheit von E(Y|X=x), E(Y|X), E(Y|X=x, Z=z), E(Y|X=x, Z) und E(Y|X,Z)
  2. Implikationen der Unverfälschtheit für die Identifizierung bedingter und durchschnittlicher totaler kausaler Effekte
  3. Einige hinreichende Bedingungen für die Unverfälschtheit
  4. Falsifizierbarkeit der hinreichenden Bedingungen für die Unverfälschtheit
  5. Implikationen dieser hinreichenden Bedingungen für die Unverfälschtheit für das Design von Experimenten und für Strategien der Datenanalyse
 Video (Stream)

Video (Download; VLC Player) 		Tafelbild 01
Tafelbild 02
07.01.2019
  1. Empirische Prüfung der hinreichenden Bedingungen für die Unverfälschtheit der bedingten Erwartungen E(Y|X=x,Z) und E(Y|X,Z)
  2. Kovariatenselektion mit binärer logistischer Regression nach dem ersten Kriterium: P(X=x|Z,W) = P(X=x|Z).
  3. Chi-Quadrat-Differenzentest
  4. Kovariatenselektion mit linearer Regression nach dem zweiten Kriterium: E(Y|X,Z,W) = E(Y|X,Z).
  5. Erneute Analyse der Klauer-Daten mit den nach dem ersten Kriterium gewählten Kovariaten.
  6. Analyse der Klauer-Daten mit den nach dem zweiten Kriterium gewählten Kovariaten.
  7. Unterscheidung zwischen Wahl der Kovariaten um (a) Unverfälschtheit herzustellen und (b) fein-aufgelöste bedingte Effekte zu schätzen
 Video (Stream)

Video (Download; VLC Player) 		SPSS-Output

Tafelbilder
14.01.2019
  1. Wahre und Z-bedingte Propensities
  2. Bedingte Unabhängigkeit der globalen potentiellen Störvariablen und X gegeben die wahren Propensities phi_x
  3. Unverfälschtheit der bedingten Erwartungen E(Y|X=x, phi_x) und E(Y|X, phi_x)
  4. Eindimensionalität der Propensity vs. Mehrdimensionalität der manifesten Kovariaten Z
  5. Weitere Vor- und Nachteile der Propensity
  6. Schätzung der wahren Propensities mittels der logistischen Regression
  7. Logittransformation der geschätzten wahren Propensities
  8. Verwendung der geschätzten Propensities als Kovariate in der Datenanalyse mit EffectLiteR
  9. Propensity score matching als nichtparametrische alternative Datenanalyse
  10. Eine weitere hinreichende Bedingung für die Unverfälschtheit
  11. Baseline Bias und Effektbias.
 Video (Stream)

Video (Download; VLC Player) 		SPSS-Output

Tafelbild 01
Tafelbild 02
21.01.2019
  1. Strong ignorability
  2. Weak igorability
  3. Erläuterung dieser Kausalitätsbedingungen im Causal Effects Xplorer
  4. Berechnung des bedingten Erwartungswerts E(tau_0|X=1) anhand eines Beispiels
  5. Mathematische Unterschiede zwischen den beiden Schreibweisen E^X=x(Y|U) und E Y|X=x, U) für die true-outcome variable tau_x
  6. Unterscheidung zwischen der Faktorisierung einer bedingten Erwartung und der bedingten Erwartung selbst
  7. Besprechung der Tabellen für die explizite Darstellung eines Zufallsexperiments und dessen komprimierte Darstellung (mit nur einer Zeile pro Person)
 Video (Stream)

Video (Download; VLC Player) 		Tafelbilder
28.01.2019
  1. Datenerzeugung mit dem CEXplorer mit dichotomer Outcome-Variable
  2. Analyse dieser Daten mit EffectLiteR
  3. Überprüfung der Schätzungen verschiedener Parameter, insbesondere der bedingten Effekte
  4. Datenerzeugung mit dem CEXplorer mit kontinuierlicher Outcome-Variable
  5. Analyse dieser Daten mit EffectLiteR
  6. Überprüfung der Schätzungen verschiedener Parameter, insbesondere der bedingten Effekte
  7. Interpretation der bedingten Erwartungswerte E[g1(Z)|X=x] und Vergleich mit E[g1(Z)]
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild 01
Tafelbild 02
04.02.2019
  1. Zusammenfassung der Vorlesung
  2. Fragen der Studierenden
 Video (Stream)

Video (Download; VLC Player) 		Tafelbilder
Die Uni Jena in den sozialen Medien:
Ausgezeichnet studieren:
Zurück zum Seitenanfang