Wissenschaftlicher Realismus und Konstruktivismus

Wissenschaftlicher Realismus vs. Konstruktivismus

• Wissenschaftlicher Realismus geht von einer objektiven Realität aus, die unabhängig von individuellen Wahrnehmungen existiert und für alle Menschen gleiche Gesetzmäßigkeiten ermöglicht.
• Der Konstruktivismus räumt der Interpretation der Realität durch die einzelnen Akteure eine größere Bedeutung ein, wodurch eine einheitliche soziale Wirklichkeit verneint wird und Gesetzmäßigkeiten nur begrenzt formuliert werden können.

Theorie, Hypothese, Konstrukt

• Eine Theorie ist eine strukturierte Sammlung von Hypothesen, die miteinander verknüpft sind, um ein größeres Phänomen zu erklären und Zusammenhänge zwischen Variablen verständlich zu machen.
• Eine Hypothese ist eine konkrete Vermutung, die man testen kann.
• Ein Konstrukt ist ein theoretisches Konzept für ein Merkmal, das man erfassen möchte.

Latente und manifeste Variablen

• Manifeste Variablen sind direkt beobachtbar und messbar, wie z. B. die Körpergröße.
• Latente Variablen sind nicht direkt messbar oder beobachtbar, z.B. Intelligenz, und müssen operationalisiert, d.h. über indirekte Indikatoren gemessen werden.

Induktives und deduktives Vorgehen

• Induktives Vorgehen leitet aus einzelnen Beobachtungen allgemeine Regeln ab und wird häufig zur Hypothesenbildung verwendet.
• Beispiel: Ein Soziologe beobachtet, dass Familien mit höherem Einkommen häufiger Freizeitaktivitäten wie Museumsbesuche oder Reisen unternehmen und bildet die Hypothese, dass das Haushaltseinkommen die Teilnahme an kulturellen Freizeitaktivitäten positiv beeinflusst.
• Deduktives Vorgehen leitet aus einer allgemeinen Regel Vorhersagen für Einzelfälle ab und wird häufig zur Hypothesenprüfung verwendet.
• Beispiel: Der Soziologe testet seine Hypothese, indem er eine quantitative Studie durchführt, welche den Zusammenhang zwischen Haushaltseinkommen und der Teilnahme an kulturellen Freizeitaktivitäten untersucht.

Induktionsproblem

• Das Induktionsproblem beschreibt die Schwierigkeit, von einer endlichen Anzahl von Beobachtungen auf eine allgemeine Gesetzmäßigkeit zu schließen.

Falsifikationsprinzip

• Wissenschaftliche Aussagen können nicht endgültig bewiesen, sondern nur widerlegt werden.
• Die Aussage „Alle Schwäne sind weiß." kann durch einen einzigen nicht weißen Schwan widerlegt werden.
• Wenn eine Aussage nicht widerlegt werden kann, gilt sie als vorläufig bestätigt, aber nicht als bewiesen.

„Wissenschaftlich bewiesen"

• In der Wissenschaft kann die Wahrheit einer Aussage empirisch nicht bewiesen werden, sondern nur vorläufig bestätigt oder widerlegt.
• Aussagen wie „Es ist wissenschaftlich bewiesen, dass..." sind irreführend, da jede empirische Untersuchung auf begrenzten Daten basiert und zukünftige Beobachtungen die Ergebnisse widerlegen können.

Anforderungen und potentielle Probleme latenter Variablen

• Latente Variablen sind theoretische Konstrukte, die nicht direkt messbar sind und eindeutig definiert werden müssen.
• Probleme bestehen bei der Messung, da diese Variablen operationalisiert werden müssen, d.h. es müssen messbare Indikatoren definiert werden, die das Konstrukt repräsentieren.
• Eine Herausforderung ist die Wahl geeigneter Indikatoren, die das Konstrukt vollständig und korrekt erfassen, sowie die Sicherstellung von Validität, Objektivität und Reliabilität.

Validität und Reliabilität

• Reliabilität gibt an, wie genau und stabil Messungen sind.
• Validität beschreibt, ob das Messinstrument tatsächlich das misst, was es messen soll.
• Eine Messung kann reliabel, aber nicht valide sein, wenn sie stabil und wiederholbar ist, aber nicht die gewünschte Variable misst.
• Eine nicht reliable Messung führt bei gleichbleibenden Bedingungen zu verschiedenen Ergebnissen und kann somit nicht valide sein.

Interne und externe Validität

• Die interne Validität ist besonders hoch, wenn möglichst viele Rahmenbedingungen kontrolliert werden und beschreibt, wie gut eine Studie sicherstellt, dass beobachtete Effekte auf die untersuchte unabhängige Variable zurückzuführen sind, ohne dass andere Faktoren eingreifen.
• Die externe Validität ist hoch, wenn Ergebnisse unter möglichst natürlichen Bedingungen entstanden sind und auf viele verschiedene Kontexte verallgemeinert werden können.

Reproduzierbarkeit und externe Validität

• Die Reproduzierbarkeit von Forschungsergebnissen ist entscheidend für die Überprüfbarkeit der externen Validität, da sie zeigt, ob die Ergebnisse auch in anderen Kontexten, bei unterschiedlichen Stichproben oder unter veränderten Bedingungen konsistent sind.
• Reproduzierbarkeit zeigt, dass ein Effekt nicht zufällig ist und unterstützt die Generalisierbarkeit der Ergebnisse, folglich auch die externe Validität.

Zufalls- und Gelegenheitsstichproben

• Bei einer Zufallsstichprobe haben alle Elemente der Grundgesamtheit die gleiche Wahrscheinlichkeit, ausgewählt zu werden, was zu einer repräsentativen Stichprobe führt, die Rückschlüsse auf die gesamte Population ermöglicht.
• Bei einer Gelegenheitsstichprobe werden Elemente ausgewählt, die leicht verfügbar oder zugänglich sind, was zu Verzerrungen führen kann, da die Stichprobe nicht repräsentativ ist.
• Zufallsstichproben werden bevorzugt, da sie Verzerrungen minimieren und sicherstellen, dass die Ergebnisse auf die Grundgesamtheit verallgemeinert werden können.

Beobachtungen in der quantitativen Forschung

• Eine Beobachtung ist geeignet, wenn sie direkt messbar, beobachtbar und quantifizierbar ist und eine Vorstrukturierung der Beobachtungen stattfindet.
• Die Beobachtung muss systematisch und nach festen Kriterien erfolgen, relevante Merkmale müssen klar definiert und einfach messbar sein.
• Die Beobachtungen müssen intersubjektiv nachvollziehbar und reproduzierbar sein.

Beobachtungen in der qualitativen Forschung

• Eine Beobachtung eignet sich in der qualitativen Forschung, wenn es darum geht, soziale Interaktionen in ihrem natürlichen Kontext zu verstehen.
• Bei der qualitativen Forschung findet Interpretation und Strukturierung im Nachhinein statt.
• Die Beobachtungen finden komplexer und ganzheitlicher statt, um spontane Beobachtungen zu erfassen und es findet keine Vorstrukturierung statt.
• Der Forscher ist als Beobachter involviert, um das Verhalten im sozialen Kontext zu interpretieren.

Median und Mittelwert

• Der Median repräsentiert den mittleren Wert einer geordneten Datenreihe und wird durch extreme Ausreißerwerte nicht beeinflusst.
• Der Mittelwert hingegen summiert alle Werte und teilt durch die Anzahl der Werte, wodurch Ausreißer das Ergebnis stark verzerren können.
• Der Median bleibt bei einem extremen Ausreißer stabil, während der Mittelwert deutlich ansteigt.

Standardabweichung

• Die Stichprobe mit der niedrigeren Standardabweichung wird besser durch ihren Mittelwert repräsentiert.
• Eine geringere Standardabweichung bedeutet, dass die Datenpunkte näher am Mittelwert liegen, was die Aussage des Mittelwertes erhöht.

Lagemaße und Streuungsmaße

• Geburtsort (nominaler Wert): Lagemaß - Modus, Streuungsmaß - nicht sinnvoll interpretierbar
• Höchster Schulabschluss (ordinaler Wert): Lagemaß - Modus, Median; Streuungsmaß - Standardabweichung, Interquartilsabstand Alter in Jahren (metrischer Wert): Lagemaß - Median, Mittelwert; Streuungsmaß - Standardabweichung, Interquartilsabstand
• Anzahl der Kinder einer Familie (metrischer Wert): Lagemaß - Modus, Median, Mittelwert; Streuungsmaß - Standardabweichung, Interquartilsabstand
• Durchschnittsnote im Abitur (metrischer Wert): Lagemaß - Median, Mittelwert; Streuungsmaß - Standardabweichung, Interquartilsabstand

Visualisierungen

• Histogramm und Boxplot eignen sich, um sich einen Eindruck von der Verteilung einer metrischen Variablen zu verschaffen.
• Der Boxplot eignet sich, um eine mögliche Beziehung zwischen den Noten in einem Fach und dem Geschlecht der Studierenden aufzuzeigen.
• Das Streudiagramm kann eine mögliche Beziehung zwischen dem Alter von Arbeitnehmer/innen und ihrem Bruttoverdienst aufzeigen.
• Zur Darstellung der Verteilung des Geschlechts der Befragten innerhalb der Stichprobe eignet sich ein Säulendiagramm.

Quantil

• Das 90%-Quantil einer metrischen Variablen liegt bei 17,40.
• Dies bedeutet, dass 90% aller Werte kleiner oder gleich 17,40 sind (alternativ: 10 % der Werte liegen über 17,40).

Streuungsmaß bei ordinal skalierten Variablen

• Bei ordinal skalierten Variablen kann die Streuung der Messwerte mit dem Interquartilsabstand gemessen bzw. bestimmt werden.

Korrelationskoeffizienten

• Das Variablenpaar im linearen Diagramm wird einen höheren Korrelationskoeffizienten ergeben.
• Der Korrelationskoeffizient misst die Stärke eines linearen Zusammengangs zwischen zwei Variablen.

Spearmans Rangkorrelationskoeffizient

• Spearmans Rangkorrelationskoeffizient wird häufig als,robuster' gegen Verzerrungen durch Ausreißer bzw. Extremwerte bezeichnet, da dieser auf Rangordnungen basiert und daher unempfindlich gegenüber Extremwerten ist.

Pearsons Produkt-Moment-Korrelationskoeffizient

• Der Zähler misst die Stärke der Korrelation, und diese wird definiert als: empirische Kovarianz der beiden Variablen / Produkt der empirischen Standardabweichungen der Variablen.

Nullhypothese und Alternativhypothese

• Die Nullhypothese ist eine Aussage über das Einkaufsverhalten: „Männer kaufen mehr Fleisch- und Wurstwaren ein als Frauen."
• Die Alternativhypothese lautet. „Männer kaufen nicht mehr Fleisch- und Wurstwaren ein als Frauen.“ und die Nullhypothese ist gerichtet.

Fehler 1. Art (a-Fehler)

• Ein Fehler 1. Art tritt auf, wenn die Nullhypothese verworfen wird, obwohl sie zutrifft, was im Beispiel bedeuten würde, dass fälschlicherweise geschlussfolgert wird, dass Männer mehr Fleisch- und Wurstwaren als Frauen kaufen, obwohl dies tatsächlich nicht der Fall ist.
• Eine Erhöhung des Signifikanzniveaus bedeutet, dass die Wahrscheinlichkeit den Fehler erster Art zu machen, sinkt, und im genannten Beispiel wäre die Wahrscheinlichkeit, zu dem Ergebnis zu kommen, dass Männer mehr Fleisch- und Wurstwaren einkaufen als Frauen, geringer.

p-Value

• Der p-Value eines statistischen Tests gibt die Wahrscheinlichkeit an, dass das beobachtete oder ein extremeres Ergebnis des Tests auftritt, wenn die Nullhypothese zutrifft, und er gibt an, wie wahrscheinlich es ist, einen Fehler erster Art zu begehen, wenn die Nullhypothese zutrifft.

Anwendung Chi-Quadrattest

• Es gibt keinen signifikanten Zusammenhang zwischen Renditen und Anlageformen(,, weil die 13% oberhalb jedes Signifikanzniveaus liegen.).

Anwendung t-test

• Die Maßnahme hat zu einer signifikanten Veränderung der Sprachkompetenz geführt, da p-value < 0,05 und Konfidenzintervall den Bereich angibt, in welchem die Differenz der Mittelwerte in der Grundgesamtheit mit 95%iger Wahrscheinlichkeit liegen.
• Es soll ein t-Test für gepaarte Stichproben angewendet werden und es könnte einseitiger t-test für gepaarte Stichproben angewendet werden.

ANOVA

• ANOVA (Varianzanalyse) ist sinnvoll bzw. notwendig, wenn untersucht werden soll, ob die Mittelwerte von mehr als zwei Stichprobenmehr sich signifikant unterscheiden.
• Eine Supermarktkette will untersuchen, ob die Platzierung bestimmter Güter im Ver kaufsraum Einfluss auf den Umsatz hatte -> ANOVA (Varianzanalyse).

Anwendung statistische Verfahren (1)

• Männer geben weniger für Kosmetik aus als Frauen -> Einseitiger t-test für unabhängige Stichproben da Mittelwerte verglichen & Hypothese gerichtet ist
• Anteil von Elektroautos am KFZ-Bestand unterscheidet sich signifikant für Dörfer, Klein-, Mittel- und Großstädte -> ANOVA/Varianzanalyse da Mittelwerte von >2 Stichproben verglichen
• Schulungsmaßnahme steigerte Erfolgsquote -> Einseitiger t-Test für gepaarte Stichproben da Mittelwerte derselben Gruppe verglichen werden und Hypothese gerichtet ist.
• Zusammenhang zwischen deutschem Namen & Einladung zum Gespräch -> Chi.Quadrattest da Abhängigkeit nominaler Variablen geprüft.

Regressionsanalyse in R I

• Das Modell hat eine geringe Güte, da der Adjusted-R2-Wert bei 0,0169 liegt.
• Weniger als 2% der Variable EF20 wird durch die anderen Variablen erklärt.

Regressionsanalyse in R II

• EF21 = 75154,83 – 37,60 x EF12U2 + 69,02 x EF18 – 3,52 x B_EF13
• Die Variable EF18 hat den den stärksten Einfluss auf EF21.

Regressionsanalyse in R III

• Die Einflüsse sind höchst signifikant und übertragbar.
• Aufgabe 34, das Modell erklärt somit 33,7% der abhängigen Variable durch die unabhängigen Variablen.

ANOVA in R

- Das Ergebnis der ANOVA ist höchst signifikant.
- Die ANOVA stellt somit fest, dass es höchst signifikante Unterschiede zwischen den Mittelwerten der bezahlten Überstunden zwischen den Gruppen der Tarifarten gibt.

Anwendung statistische Verfahren II

- Die Anzahl der, Likes' des Beitrags eines Influencer auf Instagram kann durch die Anzahl der Follower des Influencers, die Anzahl der Hashtags, mit denen der Beitrag versehen ist und dadurch, ob es sich um ein Reel oder ein Foto handelt, erklärt werden.  -> Multiple Regression
- Die Preise unterscheiden sich signifikant je nach dem Endgerät  -> Varianzanalyse (ANOVA)
- Autos mit niederländischem Kennzeichen sind häufiger mit einem Wohnwagen unterwegs als Autos, die in anderen Ländern zugelassen sind. -> Gerichteter t-Test unabhängiger Stichproben
- Mit steigendem Lebensstandard sinkt der Anteil des Haushaltseinkommens, der für Lebensmittel ausgegeben wird. -> Lineare Regressionsanalyse

Der wissenschaftliche Realismus geht von einer objektiven Realität aus. Der Konstruktivismus betont die Interpretation der Realität durch einzelne Akteure. Theorie, Hypothese und Konstrukt werden ebenso erläutert wie latente und manifeste Variablen.