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 2019/2020, 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 (dort bitte den Livestream aus Hörsaal E028 auswählen)


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



Datum Thema Video Material
14.10.2019
  1. Einführung
  2. Vergleich bedingter Wahrscheinlichkeiten zur Treatment-Evaluation gegeben Treatment
  3. Vergleich bedingter Wahrscheinlichkeiten zur Treatment-Evaluation gegeben Treatment und Geschlecht
  4. Das Simpson-Paradox
 Video (Stream)

Video (Download; VLC Player) 		Folien
Datensatz

Tafelbild 01
Tafelbild 02
21.10.2019
  1. Fortsetzung des Beispiels mit 4 Personen
  2. Definition individueller kausaler totaler Effekte
  3. Definition geschlechtsbedingter kausaler totaler Effekte
  4. Kausaler durchschnittlicher totaler Effekt
  5. Bedingte Unabhängigkeit U und X gegeben Z = f
  6. Mean-independence des Outcomes Y von U gegeben X und Z = m
  7. Berechnung des kausalen durchschnittlichen totalen Effekts aus den bedingten kausalen totalen Effekten
 Video (Stream)

Video (Download; VLC Player) 		Tafelbild
28.10.2019
  1. Datenanalyse des Beispiels mit 4 Personen für eine Stichprobe mit N = 10000
  2. Schätzung der bedingten Erwartung E(Y|X), die in diesem Beispiel keine kausale Bedeutung hat
  3. Schätzung der bedingten Erwartung E(Y|X, Z) = b0 + b1*I(Z=m) + (b2 + b3*I(Z=m))*X
  4. Berechnung der geschätzten Treatmenteffekte daraus bei Männern und bei Frauen
  5. Berechnung des geschätzten durchschnittlichen Effekts daraus
  6. Geschlechtsgruppen-spezifische Analyse von E(Y|Z=m, X) bzw. E(Y|Z=f, X)
  7. Logistische Parametrisierung von E(Y|X, Z) mit logit = la0 + la1*I(Z=m) + (la2 + la3*I(Z=m))*X
  8. Geschlechtsgruppen-spezifische Analyse von E(Y|Z=m, X) bzw. E(Y|Z=f, X) mit logistischer Regression
  9. Berechnung der geschätzten Wahrscheinlichkeiten aus den Ergebnissen unter 7 und 8.
  10. Warnung vor der Mittelung der logistischen Regressionskoeffizienten
  11. Mittelung zur Berechnung durchschnittlicher Effekte muss auf der Wahrscheinlichkeitsebene erfolgen, nicht auf der Logit-Ebene.
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbilder
04.11.2019
  1. Hinweis auf Fehlen von Signifikanztests für die Prüfung bedingter und durchschnittlicher Effekte bei binärer Outcomevariable
  2. Zusammenfassung der wesentlichen Lernziele beim Beispiel mit 4 Personen und binären Outcomevariable
  3. Datengenerierung für ein Prä-Post-Design mit Interventions- und Kontrollgruppe für eine kontinuierliche Kovariate und eine kontinuierliche Outcomevariable mit einem SPSS-Skript
  4. Mittelwerte der Post-Prä-Differenz in Treatment- und Kontrollgruppe
  5. t-Test der Hypothese der Gleichheit der Erwartungswerte der Post-Prä-Differenz in Treatment- und Kontrollgruppe
  6. Repeated measures ANOVA mit Between-Faktor ‘Treatment’ und Within-Faktor ‘Zeit’. Test der Hypothese, dass keine Interaktion zwischen den Faktoren besteht.
  7. Hinweis auf die Gleichheit der Signifkanztests in Punkt 5 und 6 (t^2 = F).
  8. Achtung: In beiden Analysen wird ein negativer ‚Treatmenteffekt‘ geschätzt, obwohl der wahre durchschnittliche Treatmenteffekt positiv ist.
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild 01
Tafelbild 02
11.11.2019
  1. Traditionelle Kovarianzanalyse mit den erzeugten XYZ-Daten
  2. Kovarianzanalyse mit dem Regressionsmodul
  3. Analyse der bedingten Erwartung E(Y|X, Z) mit der Parametrisierung b0 + b1*Z + b2*X + b3*X*Z
  4. Berechnung der geschätzten Effektfunktion b2 + b3 Z
  5. Berechnung des geschätzten durchschnittlichen Effekts als Mittelwert der bedingten Effekte
  6. Berechnung des geschätzten durchschnittlichen Effekts über b2 + b3 * Mittelwert von Z
  7. Hinweis auf fehlende Standardfehler und Signifikanztests für die inhaltlich relevanten Hypothesen über bedingte und durchschnittliche Effekte
  8. Alle Analysen mit neuem Datensatz, in dem X nicht von Z abhängt
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild 01
Tafelbild 02
18.11.2019
  1. Durchschnittlicher Effekt ist ein Durchschnitt, der auch die Nicht-Behandelten einschließt
  2. EffectLiteR-Analyse der XYZ-Daten mit Abhängigkeit zwischen X und Z
  3. Linearitätsannahme für die g-Funktionen
  4. Allgemeine Modellgleichung auch für mehr als zwei Treatment-Bedingungen
  5. Parameterschätzungen, ihr Standardfehler und der Test der Nullhypothese
  6. Haupthypothesen über bedingte und durchschnittliche Treatmenteffekte
  7. Bedingte Effekte und deren Standardfehler
  8. Erwarteter Outcome unter Treatment und unter Kontrolle
  9. Adjustierte Mittelwerte und durchschnittlicher Effekt
  10. Effektgröße für den durchschnittlichen Effekt
  11. Treatment-bedingte (durchschnittliche) Effekte
 Video (Stream)

Video (Download; VLC Player) 		Output EffectLiteR

Tafelbild 01
Tafelbild 02
25.11.2019
  1. Besprechung der verschiedenen Plots in EffectLiteR für die XYZ-Daten mit Abhängigkeit
  2. Bedingte und durchschnittliche Effekte im Nonortho-Beispiel
  3. Analyse der Nonortho-Daten mit EffectLiteR
  4. Berechnung der geschätzten bedingten Effekte der Treatmentvariablen
 Video (Stream)

Video (Download; VLC Player) 		Folien
Datensatz

Tafelbild 01
Tafelbild 02
02.12.2019
  1. Verwendung des Causal Effect Xplorers für eine 3 x 3 faktorielle nonorthogonale Varianzanalyse
  2. Datenerzeugung mit dem Causal Effect Xplorer
  3. Analyse dieser Daten mit EffectLiteR
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbilder
09.12.2019
  1. g-Funktionen im 3 x 3-Nonortho-Beispiel
  2. Parametrisierung der g-Funktionen mit Indikatorvariablen
  3. Bedeutung der Parameter in dieser Parametrisierung
  4. Bedingte und durchschnittliche Effekte im Nonortho-Beispiel
  5. Nonorthogonale ANOVA nach Typ I, II, und III mit den aus diesem Beispiel erzeugten Daten
  6. EffectLiteR-Analyse der Nonortho-Daten
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbild 01
Tafelbild 02
16.12.2019
  1. Latente-Variablen-Modelle für Kovariate und Outcome-Variable
  2. EffectLiteR-Analyse mit latenter Kovariate und latenter Outcome-Variable
  3. Messmodell in jeder der beiden Zellen des Designs (des vollständigen Klauer-Datensatzes)
  4. Identifikation der Varianz der latenten Vortest-Variablen
  5. Identifikation der Kovarianz der latenten Variablen und des Regressionskoeffizienten der latenten Vortest-Variablen in einer Treatmentbedingung
  6. Modelltest in lavaan für das Messmodell
  7. Interpretation der Ergebnisse von EffectLiteR für die Analyse mit latenten Variablen
 Video (Stream)

Video (Download; VLC Player) 		Datensatz

Tafelbilder
06.01.2020
  1. Modelltest für ein Modell mit latenter Kovariate und latenter Outcomevariable: Modell essentiell tau-äquivalenter Variablen
  2. Modelltest für ein Modell mit latenter Kovariate und latenter Outcomevariable: Modell kongenerischer Variablen
  3. Grundidee eines Methodenfaktors
  4. Spezifikationen eines Messmodells mit Methodenfaktor in EffectLiteR
  5. Spezifikationen des Ergebnisse eines EffectLiteR-Modells mit Methodenfaktor
  6. Alternative Messmodelle mit Methodenfaktor
  7. Skalierung der latenten Variablen und deren Bedeutung für die Interpretation
 Video (Stream)

Video (Download; VLC Player) 		Tafelbild 01
Tafelbild 02
13.01.2020
  1. Zusammenfassung des Kerns der Analyse bedingter und durchschnittlicher Effekte
  2. Theorie kausaler totaler Effekte
  3. Ausgangspunkt: Das Zufallsexperiment und die Struktur der Menge der möglichen Ergebnisse
  4. Grundidee einer globalen potentiellen Störvariablen: Notation C_X
  5. Potentielle Störvariable und Kovariate
  6. True-outcome-Variable
  7. True-effect-Variable
  8. Durchschnittlicher kausaler totaler Effekt
  9. V-bedingte Effektfunktion
  10. Unverfälschtheit von E(Y|X=1) - E(Y|X=0)
  11. Hinreichende Bedingung für diese Unverfälschtheit: C_X und X sind unabhängig
  12. Hinreichende Bedingung für diese Unverfälschtheit: E(Y|X, C_X) = E(Y|X).
 Video (Stream)

Video (Download; VLC Player) 		Folien

Tafelbilder
20.01.2020
  1. Beweis: Unabhängigkeit von C_X und X impliziert Unverfälschtheit von E(Y|X).
  2. Testbarkeit der (Z-bedingten) Unabhängigkeit von C_X und X
  3. Kovariatenselektion nach dem Kriterium der Z-bedingten Unabhängigkeit von C_X und X
  4. Generalisierbarkeit der Unabhängigkeit von C_X und X und der Z-bedingten Unabhängigkeit von C_X und X
  5. Erwartungswert-Stabilität dieser beiden Kausalitätsbedingung
  6. Die zweite Kausalitätsbedingung: Homogenität von E(Y|X) und E(Y|X, Z)
 Video (Stream)

Video (Download; VLC Player) 		Tafelbilder
27.01.2020
  1. Eigenschaften der Kausalitätsbedingungen E(Y|X, C_X) = E(Y|X) und E(Y|X, C_X) = E(Y|X, Z).
  2. E(Y|X, C_X) = E(Y|X) impliziert, dass E(Y|X) unverfälscht ist.
  3. E(Y|X, C_X) = E(Y|X, Z) impliziert, dass E(Y|X, Z) unverfälscht ist.
  4. E(Y|X, C_X) = E(Y|X) impliziert E(Y|X, C_X) = E(Y|X, Z) (Generalisierbarkeit).
  5. E(Y|X, C_X) = E(Y|X, Z) impliziert E(Y|X, Z, W) = E(Y|X, Z) (Generalisierbarkeit).
  6. E(Y|X, C_X) = E(Y|X) impliziert E(Y|X=x) = E(E^X=x(Y|W)) (Erwartungswertstabilität).
  7. E(Y|X, C_X) = E(Y|X, Z) impliziert E^X=x(Y|Z) = E(E^X=x(Y|Z, W)|Z) (Erwartungswertstabilität).
 Video (Stream)

Video (Download; VLC Player) 		Tafelbilder
03.02.2020
  1. Zusammenfassung der gesamten Vorlesung
  2. Das Zufallsexperiment und seine formale Repräsentation durch einen Wahrscheinlichkeitsraum
  3. Aussagen über Zufallsvariablen und deren Abhängigkeiten incl. kausaler Abhängigkeiten nur sinnvoll im Kontext eines Zufallsexperiments
  4. Kausale vs. nichtkausale Abhängigkeiten, beide werden durch bedingte Erwartungen beschrieben
  5. Kausale totale Effekte und Effektfunktionen
  6. Kausale Unverfälschtheit von bedingten Erwartungen E^X=x(Y|Z)
  7. Hinreichende Bedingungen für die kausale Unverfälschtheit
  8. Fragen der Studierenden
  9. Kovariatenselektion gemäß den beiden hinreichenden Bedingungen für kausale Unverfälschtheit
 Video (Stream)

Video (Download; VLC Player) 		SPSS-Output

Tafelbilder
Die Uni Jena in den sozialen Medien:
Ausgezeichnet studieren:
Zurück zum Seitenanfang