Quantitative Forschung in der Sozialen Arbeit

Quantitative Forschung

• Empirische Forschung kombiniert mit statistischen Datenanalysen, einschließlich subjektiver Daten wie Befindlichkeit und Zustimmung.
• Statistik (Diaz-Bone): Methodenlehre für den Umgang mit quantitativen Informationen, die Empirie und Theorie systematisch verbindet.
• Definition (Häder): Forschungsmethoden, die präzise, objektive und verallgemeinerbare Ergebnisse betonen.

Qualitativ vs. Quantitativ

• Qualitative Forschung konzentriert sich auf Sinn und Bedeutung, wobei die Methode dem Gegenstand untergeordnet ist und das Forschungsdesign sich schrittweise entwickelt; Daten werden in Textform erfasst.
• Quantitative Forschung konzentriert sich auf Anzahl und Größenverhältnisse, wobei der Gegenstand sich der Methode unterordnet; Daten müssen quantifizierbar sein, alle Untersuchungsschritte werden vorher festgelegt, und Daten liegen meist in Zahlen vor.
• Quantitative Forschung greift auf Vergleiche und Beziehungen zurück, was ihre Expertise und Beschränkungen begründet.
• Quantitative Daten dienen als Entscheidungsgrundlage für professionelles Handeln und erfordern Reflexion.
• Soziale Arbeit verwendet oft eine Kombination aus quantitativer und qualitativer Forschung, z.B. in der Netzwerkanalyse.

Gütekriterien

• Objektivität: Unabhängigkeit der Ergebnisse von der Person des Forschers.
• Reliabilität: Reproduzierbarkeit der Ergebnisse unter gleichen Bedingungen.
• Validität:
  • Interne Validität erfordert den Ausschluss von Alternativerklärungen für die Ergebnisse.
  • Externe Validität verlangt, dass die Ergebnisse auf die Realität übertragbar sind.

Stärkung der Professionalität Sozialer Arbeit durch Quantitative Forschung

• Messbarmachung sozialer Probleme.
• Belegung der Wirksamkeit von Maßnahmen.
• Planung bedarfsgerechter sozialer Angebote.
• Übertragung wissenschaftlicher Erkenntnisse in die Praxis.
• Entwicklung zu einer evidenzbasierten, wissenschaftlich fundierten Disziplin.

Forschungsprozess

• Konzeptionalisierung.
• Operationalisierung.
• Konstruktion des Erhebungsinstruments.
• Festlegung des Forschungsdesigns und der Stichprobe.
• Pretest.
• Erhebungsvorbereitung und Datenerhebung.
• Datenaufbereitung (Datenmatrix, Dateneingabe, Datenbereinigung, Datenmodifikation).
• Datenanalyse (univariate, bivariate und multivariate Verfahren, Hypothesentests, Signifikanztests).
• Interpretation.

Hypothese

• Eine Hypothese ist eine prüfbare Aussage über die Beziehung zwischen Variablen, die zur Testung einer Theorie dient.
• Operationalisierung wandelt ein theoretisches Konzept in eine messbare Variable um.

Selbst Quantitative Daten Erzeugen

• Umfragen/Fragebögen zur Messung von Variablen.
• Experimente zum Vergleich von Gruppen unter verschiedenen Bedingungen.
• Messungen physischer oder beobachtbarer Daten.
• Datenquellen: Statista, Leibniz-Institut für Sozialforschung, Bundesamt für Statistik.

Grundbegriffe

• N (Grundgesamtheit, Population), n (Stichprobe).
• Beispiel: Von 4248 Studenten (N) an der ASH werden 300 (n) befragt.
• Abhängige Variable (AV): Variable, für die eine Erklärung gesucht wird.
• Unabhängige Variable (UV): Variable, die zur Erklärung dient.
• Variablen können dichotom (zwei Ausprägungen) oder polychotom (mehrere Ausprägungen) sein.
• Beispiel: Geschlecht (dichotom: m, w; polychotom: m, w, d).

Arten von Hypothesen

• Wenn-Dann-Hypothese: Setzt eine dichotome Ausprägung voraus.
  • Beispiel: Wenn Menschen 8 Stunden schlafen, sind sie am nächsten Tag produktiver.
• Je-Desto-Hypothese: Sind als Rangfolge interpretierbar.
  • Beispiel: Je höher das Bildungsniveau, desto höher das Erwerbseinkommen.
• Deterministische und Probabilistische Hypothese: Suche nach Allaussagen.
  • Deterministisch: An der ASH studieren die meisten Soziale Arbeit.
  • Probabilistisch: Bis 2050 werden die weltweiten Einkommen um ein Fünftel sinken.
• Individual-, Kollektiv- und Kontexthypothese: Verhältnis zwischen Individuum, Kollektiv und Kontext.
  • Beispiel Individuum-Kontext: Die prekären Lebensbedingungen haben diesen speziellen Menschen xy zur Flucht gedrängt.

Operationalisierung

• Überführung eines theoretischen Konzepts in einen messbaren Indikator.
• Schritte:
  • Semantische Analyse eines Konzepts → Definition.
  • Konzeptspezifikation → Dimensionen.
  • Auswahl der Indikatoren → Indikatoren.
  • Zuordnung der Indikatoren → zugeordnete Indikatoren.
  • Indexbildung → Beispiel-Items.
  • Beispiel: "Meine Arbeit macht mir keinen Spaß mehr".

Skalenniveau

• Eine Skala beschreibt quantitative Merkmale zur Analyse und Interpretation.
• Transformation von höheren in niedrigere Skalen ist möglich.
• Es gibt vier Skalenniveaus: Nominal-, Ordinal-, Intervall- und Verhältnisskala.

Nominalskala

• Unterscheidung, ob Merkmalsausprägungen gleich oder ungleich sind.
• Keine eindeutige Rangfolge. Beispiele: Geschlecht, Familienstand, Beruf.

Ordinalskala

• Merkmalsausprägungen können in eine Rangfolge gebracht werden.
• Abstände zwischen den Ausprägungen sind nicht unbedingt gleich.
• Beispiele: Schulnoten, Tabellenplätze, Bildungsniveau, Präferenzreihenfolgen.

Intervallskala

• Gleiche Abstände zwischen Merkmalsausprägungen.
• Gesetzter Nullpunkt, entspricht nicht dem natürlichen Nullpunkt.
• Beispiele: Temperatur in Celsius, Jahreszahlen.

Verhältnisskala

• Kategorisierung mit Rangordnung, quantifizierbaren Abständen und einem echten Nullpunkt. Beispiele: Gewicht in Kilogramm, Länge in Metern, Anzahl der Beobachtungen.
• Echter Nullpunkt: Es gibt nichts darunter (z.B. Gewicht). Gesetzter Nullpunkt: 0 Grad Celsius, aber es gibt Minusgrade.
• Skalenniveaus helfen bei korrekter Datenklassifizierung, Auswahl der Analysemethoden und Interpretation der Ergebnisse.

Deskriptive Statistik

• Eigenschaften von Daten einer Stichprobe treffend beschreiben.
• Kann sich auf einzelne (univariat), zwei (bivariat) oder mehr (multivariat) Merkmale beziehen.

Häufigkeiten

• Grundlegende Analyse, die meist den Anfang einer statistischen Untersuchung darstellt.
• Bestehen aus absoluten oder relativen Häufigkeiten.
• Bildliche Darstellung: Häufigkeitstabelle, Balkendiagramme, Liniendiagramme, Kreisdiagramme, Histogramme, Boxplot.

Lagemaße

• Zeigen eine zentrale Tendenz der Verteilung von Daten.
• Minimum, Maximum, Modalwert (Modus), Median (Zentralwert), Mittelwert (arithmetisches Mittel), Quantil.
• Spannweite wird aus Minimum und Maximum berechnet.

Modalwert

• Der Wert, der in der Datenmenge am häufigsten vorkommt.
• Setzt lediglich nominales Datenniveau voraus.
• Achtung: Es ist nicht die Häufigkeit der Merkmalsausprägung.
  • Beispiel: In einer Beratungsstatistik ist der Modalwert Berufsberatung.

Median

• Teilt die Datenmenge in der Mitte (50% darüber, 50% darunter).
• Robuster gegenüber Ausreißern.
  • Beispiel: Einkommen 2000 €, 2200 €, 2500 €, 2700 €, 10.000 €; Mittelwert: 3280 € (verzerrt), Median: 2500 €.

Mittelwert (Durchschnitt)

• Summe aller Werte geteilt durch deren Anzahl.
• Setzt metrisches Datenniveau voraus.
• Anfällig für Ausreißer.

Quantile

• Legen fest, wie viele Werte unter oder über einem bestimmten Wert liegen.
• Oberbegriff für Quartile (4), Quintile (5), Dezile (10), Perzentile (100).

Streuungsmaße

• Spannweite (R): Differenz zwischen dem kleinsten und größten Wert im Datensatz.
• Je näher R an Max, desto verstreuter ist der Datensatz; je näher R an 0, desto gesammelter.
• Hilft bei der Einschätzung der Brauchbarkeit des Mittelwertes.
  • Beispiel: max = 9500, min = 1, R = 9499 → Datensatz ist sehr verstreut.

Boxplot

Zeigt auf einen Blick wichtige statistische Kennzahlen: Minimum, Maximum, Median, Quartile und Ausreißer.

• Hilft, Ausreißer zu erkennen.
• Vergleich verschiedener Datensätze (z.B. Testergebnisse über Jahre).
• Zeigt Median und Interquartilsabstand.

Varianz

• Summe quadrierter Abweichungen vom Mittelwert geteilt durch die Anzahl der Messungen.
• Standardabweichung: Wurzel aus der Varianz.
• Zeigen, wie weit die Werte durchschnittlich vom Mittelwert entfernt sind.
• Benötigen ein metrisches Datenniveau.
• Stichprobenvarianz (s²) wird verwendet, um die Varianz in der gesamten Population zu schätzen.

Unterschiede zwischen Populations- und Stichprobenvarianz

• Populationsvarianz (s2): Divisor n, Anwendung bei Betrachtung der gesamten Population.
• Stichprobenvarianz (s2 mit Korrektur): Divisor n-1, Anwendung bei einer Stichprobe aus einer Population; Korrekturterm n-1 (Bessel-Korrektur) verhindert systematisch zu niedrige Schätzung der Varianz.
• Standardabweichung Beispiel: Bei einer Körpergrößenmessung von 1000 Menschen mit einer Streuung von 7cm weichen die meisten Menschen +- 7cm vom Mittelwert ab.

(Stichproben-) Kovarianz

• Wechselseitige Varianz von zwei Variablen.
• Durchschnittliche gemeinsame Streuung zweier Variablen.
• Abweichungen werden nicht quadriert, daher positive und negative Werte.
• Grundlage für andere Verfahren (z.B. Korrelation).
• Nicht standardisiert, abhängig von den Einheiten.
• Eignet sich nur zum Vergleich von gleichskalierten Merkmalen.
• Positive Kovarianz: beide Variablen fallen bzw. steigen gemeinsam (Einkommen und Bildung).
• Negative Kovarianz: Eine Variable fällt, eine andere steigt (Alter eines Autos und Verkaufswert).
• Nahe Null: Keine lineare Beziehung, aber möglicherweise einen nichtlinearen Zusammenhang.

Kreuztabelle

• Darstellung und Analyse (absoluter oder prozentualer) Häufigkeiten zweier oder mehr Variablen.
• Besitzt k Zeilen und I Spalten, sodass sich eine Zellenanzahl von k*I ergibt.
• Erfordert keine bestimmtes Datenniveau.
• Sinnvolle Wahl der Merkmalsausprägungen ist faktische Voraussetzung.

Chi²

• Kreuztabelle erstellen.
• Erwartete Häufigkeit berechnen.
• Chi²-Wert berechnen.
• Mit kritischem Wert vergleichen.
• Chi-Quadrat-Wert > kritischer Wert: Unterschied ist signifikant, Nullhypothese (H₀) wird verworfen.
• Chi-Quadrat-Wert < kritischer Wert: Kein signifikanter Zusammenhang, H₀ wird beibehalten.
• Freiheitsgrade bestimmen: df=(Anzahl der Zeilen-1)x(Anzahl der Spalten-1).
• Chi² zeigt Zusammenhang zweier Variablen unabhängig vom Datenniveau, aber nicht die Stärke des Zusammenhangs.
• Abhängig von der Fallzahl.
• Chi-Quadrat-Test: Hypothesentest für kategorische Variablen (nominal oder ordinal), der prüft, ob sich die beobachteten Häufigkeiten signifikant von den erwarteten unterscheiden.
• SPSS berechnet den p-Wert (Wahrscheinlichkeit, dass das Ergebnis unter der Nullhypothese zufällig entstanden ist); wenn p < α (z. B. 0,05), dann ist das Ergebnis signifikant.

Wahrscheinlichkeiten

• Spielen bei Signifikanz und Korrelation von Stichproben eine wichtige Rolle.
  • Beispiel: 30 von 100 Befragten sind gegen die Abschaffung des §218.
• Berechnung: Wahrscheinlichkeit (Ereignis A) = P(A).

Addition für "Oder"-Verknüpfung

• P(A oder B) = P(A) + P(B)

Multiplikation für "Und"-Verknüpfung

• P(A und B) = P(A) x P(B)
• In Sozialwissenschaften sind die Ergebnisse meistens vorher nicht bekannt.
• Keine a priori-Wahrscheinlichkeit.
• Nicht alles ist gleich wahrscheinlich.
• Ereignisse können nicht immer gezählt werden.
• Nur a posteriori- oder empirische Wahrscheinlichkeit.
• Wahrscheinlichkeit nach dem Experiment.

Wahrscheinlichkeitsverteilung

• Häufigkeitsverteilung: Beschreibt, wie häufig Ausprägungen einer Variable vorkommen.
• Wahrscheinlichkeitsverteilung: Beschreibt, mit welcher Wahrscheinlichkeit die jeweils möglichen Ergebnisse vorkommen.
• Nutzen: Eine Stichprobe besteht aus zufällig ausgewählten Einheiten einer Grundgesamtheit/Population, wobei alle Einheiten mit derselben Wahrscheinlichkeit ausgewählt wurden.
• Stichprobe: Ergebnis eines Zufallsexperimentes.
• Kennwerte sind nicht wahllos, sondern unterliegen der Wahrscheinlichkeitsverteilung.

Arten der Wahrscheinlichkeitsverteilung

• Binominalverteilung: Beschreibt die Wahrscheinlichkeit, dass ein bestimmtes Ereignis bei einer festen Anzahl von Versuchen eine bestimmte Anzahl von Erfolgen hat.
• Zwei mögliche Ergebnisse: Erfolg oder Misserfolg (z.B. Kopf oder Zahl).
• Gleiche Erfolgswahrscheinlichkeit: Die Erfolgswahrscheinlichkeit für jedes Ergebnis ist 50%.
• Wird verwendet, um Wahrscheinlichkeiten in Frageitems mit “Ja/Nein”-Antworten zu berechnen.

Normalverteilung

• Symmetrisch (Spiegelbildlich um den Mittelwert).
• Modus, Median und Mittelwert sind identisch und teilen die Verteilung in zwei gleich große Hälften.
• Je weiter man sich vom Mittelwert entfernt, desto weniger Werte gibt es.
• Nähert dich grafisch der X-Achse an, erreicht sie aber nie.
• Bedeutung:
  • Wird verwendet, um die Gültigkeit von Aussagen einzuschätzen, denn wenn man genügend große Stichproben zieht, folgen die Mittelwerte dieser Stichproben einer Normalverteilung.
  • Viele Wahrscheinlichkeitsverteilungen können durch die Normalverteilung angenähert werden.
  • Viele empirische Merkmale folgen einer Normalverteilung (z.B. Körpergröße, Intelligenzquotienten etc.).

T-Verteilung

• "Kleine Schwester" der Normalverteilung.
• Wird vor allem bei kleinen Datensätzen (n < 30) verwendet, wenn die Populationsstandardabweichung unbekannt ist.

Dieses Quiz konzentriert sich auf die quantitative Forschung in der Sozialen Arbeit. Es werden Themen wie Gütekriterien, Reliabilität, Validität und die Rolle der Statistik behandelt. Ziel ist es, das Verständnis für die Anwendung quantitativer Methoden in der sozialpädagogischen Praxis zu vertiefen.