Empirical Methods in Sustainable Finance PDF

Empirical Methods in Sustainable Finance Epistemische und wissenschaftstheoretische Grundlagen Einbettung In der Wissenschaft versuchen wir, Erklärungen für Phänomene zu finden Allerdings nicht irgendwelche Erklärungen, sondern „gute“ Erklärungen – Und das Wissen, das wi...

Empirical Methods in Sustainable Finance Epistemische und wissenschaftstheoretische Grundlagen Einbettung In der Wissenschaft versuchen wir, Erklärungen für Phänomene zu finden Allerdings nicht irgendwelche Erklärungen, sondern „gute“ Erklärungen – Und das Wissen, das wir zu generieren versuchen, ist irgendwie sicherer und „besser“ als anderes Wissen Wir müssen daher darüber nachdenken… – …wie Wissenschaft die Wirklichkeit interpretiert… – …was Erklärungen sind… – …und was das alles für konkrete Konsequenzen für die Forschungspraxis hat Fahrplan Wir werden argumentieren, dass es sicheres Wissen eigentlich nicht gibt – Was ein Problem ist, wenn man Wissen sucht… Wir werden argumentieren, dass wir daher vorläufiges Wissen suchen, kein sicheres – Wir werden Theorien kennenlernen als Vorschläge darüber, wie die Welt am besten zu verstehen ist – Wir werden Empirie kennen lernen als den wissenschaftlichen Ansatz, der Theorien möglichst im Einklang mit der wahrnehmbaren Welt hält Wir werden „deduktiv-nomologische“ Erklärungen kennen lernen – Das sind Erklärungen, die eine Eigenschaft X aus einer oder mehrerer anderer Eigenschaften Y, Z, … erklären Wir werden anhand von Beispielen zeigen, wie diese wissenschaftstheoretischen Hintergründe konkrete wissenschaftliche Argumentationen formen Münchhausen-Trilemma (1) (Albert 1968) Nehmen wir an, wir wollen begründen, warum eine Aussage X sicher, definitiv, vollkommen zweifelsfrei wahr ist – Klingt so, als wäre das ein sinnvolles Ziel von Wissenschaft Dazu verwenden wir einen Grund Y, der – Selbst sicher wahr ist – Und aus dem X logisch folgt Aber woher wissen wir, dass Y sicher wahr ist? – Weil es einen Grund Z gibt, der Selbst sicher wahr ist, Und aus dem Y logisch folgt Aber woher wissen wir, dass Z sicher wahr ist..? Münchhausen-Trilemma (2) (Albert 1968) Drei unbefriedigende Lösungen für dieses Problem: – A: Infiniter Regress: Wir begründen ewig so weiter, und die sichere Wahrheit liegt am Ende der Unendlichkeit (gibt es also nicht) … A Z Y X – B: Zirkelschluss: Früher oder später nimmt man an, dass die zu begründende Aussage sowieso sicher wahr ist X Y … Z A – C: Unsicherer Startpunkt: Man bricht den Regress an einem Startpunkt ab, den man als „wahr“ annimmt, dessen Wahrheit selbst dann aber nicht mehr weiter begründet wird Logischerweise ist der Startpunkt unsicher, denn wenn seine sichere Wahrheit als solche begründet würde, wäre er ja nicht der Startpunkt – Das heißt nicht, dass das zufällige oder irrationale Startpunkte sind, sondern nur, dass die Sicherheit seiner Wahrheit angenommen statt begründet wird Dann sind aber alle daraus abgeleiteten Wahrheiten ebenfalls unsicher! Münchhausen-Trilemma (3) (Albert 1968) Mögliche Auswege aus dem Dilemma: – Irrationalismus (man gibt den Anspruch der begründeten Wahrheitssuche ganz auf) „Wenn nichts sicher wahr ist, gibt es kein Wahr und Falsch“ Ehrlich gesagt ziemlich albern – Trotz der Probleme eine der Lösungen nutzen, und mit einem „unsicheren“ Wahrheitsbegriff arbeiten Wissenschaftliche Praxis: (mehr oder weniger) Lösung C – Generisch: Annahmen/First Principles – Mathematik: Axiome – Philosophie: Prämissen – (Moral: Werte) Typische Grundannahmen Typische Grundannahmen der Wissenschaft: Die Wirklichkeit – existiert Zudem: Sie stellt datengenerierende Prozesse zur Verfügung – ist von Menschen erfahrbar Unsere Sinneswahrnehmungen bzw. deren Erweiterungen liefern Daten, anhand derer wir die Wirklichkeit so wahrnehmen können, wie sie ist – ist von Menschen verstehbar Es gibt so etwas wie Regelmäßigkeiten/Systematiken in der Wirklichkeit, und eben nicht nur puren Zufall Aber: Alle Versuche, die Wirklichkeit zu erfahren oder sie zu verstehen können falsch sein  alle Wahrheiten, die wir in der Wissenschaft finden, sind vorläufig  Daher auch Begriffe wie „Theorie“ oder „Evidenz“  Zitat Einstein: „Die Wissenschaft versucht, allgemeine Regeln aufzustellen, die den gegenseitigen Zusammenhang der Dinge und Ereignisse in Raum und Zeit bestimmen. Für diese Regeln, beziehungsweise Naturgesetze wird allgemeine und ausnahmslose Gültigkeit gefordert – nicht bewiesen.“ Theorien Jeder Versuch, die Welt zu verstehen, landet ultimativ bei einer Theorie, bzw. einem theoretischen Modell – Theoretisches Modell: Ein Vorschlag, wie sich die Wirklichkeit am besten verstehen lässt – Konkret eine Aussage darüber, welche (theoretischen) Konstrukte existieren, und wie sie miteinander in Beziehung stehen – „Modell“, weil Theorien immer „nur“ Vorschläge über die Beschaffenheit der Wirklichkeit sind, nicht die Wirklichkeit selbst – (Der Begriff klingt etwas formal, aber ALLE Alltagserklärungen, „praktisches Wissen“, „gesunder Menschenverstand“ etc. sind auch theoretische Modelle) Theoretische Konstrukte Theoretische Konstrukte sind die Grundeinheiten einer Theorie – Typischerweise nennt man sie eigentlich „Variablen“, aber dieser Begriff ist auf verwirrende Art mehrdeutig Daher für den Anfang: „Theoretisches Konstrukt“ Beispiele für Konstrukte: Schwerkraft, Atom, Bäume, Intelligenz, Nachhaltigkeit Konstrukte werden definiert  Faustregel: Wann immer irgendwo eine Definition auftaucht, handelt es sich um ein theoretisches Konstrukt – Definitionen können per definitionem nie falsch sein, aber sie können nützlich oder nutzlos sein Beispiele für nutzlose Konstrukte: „Äther“ in der Physik, „analer Charakter“ in der Psychologie, „Kapitalismus“ oder „Sozialismus“ in der WiWi (?) Ihre Aufgabe ist es, Erklärungen zu liefern, indem die Theorie sie auf bestimmte Weise miteinander verknüpft  „theoretische Zusammenhänge“ Näheres zu theoretischen Konstrukten Konstrukte werden – „konstruiert“, wenn man das Gefühl hat, sie könnten nützlich für das Erkennen der Wahrheit sein, – beibehalten, wenn sie sich tatsächlich (i.d.R. empirisch) bewähren – und verworfen, wenn sie letztlich doch nicht nützlich zu sein scheinen Der Begriff „Konstrukt“ könnte nahelegen, dass es das zugrunde liegende Ding eigentlich gar nicht gibt, aber das ist falsch – Vielmehr weißt der Begriff darauf hin, dass alles, was wir zu erklären versuchen, Interpretationen der Welt sind – Beispiel: Was ist eigentlich eine „Tür“? Was ist ein „Teilchen“? Was ist „Leben“? Was ist „Nachhaltigkeit“? Was ist „Wirtschaftswachstum“? Testbarkeit Theorien sind immer wahr, sofern sie logisch gültig aus ihren Annahmen abgeleitet wurden, aber nicht unbedingt schlüssig (= für die Wirklichkeit zutreffend) Aber: Nicht jede Theorie ist wissenschaftlich – Es gibt keine 100% definitive Definition für „Wissenschaftlichkeit“, aber typischerweise wird akzeptiert, dass wissenschaftliche Theorien testbar sein müssen, also Bedingungen spezifizieren müssen, unter denen sie widerlegt sind Zitat Wolfgang Pauli (zur Aussage eines Kollegen): „Das ist nicht nur nicht richtig, das ist noch nicht einmal falsch“ Wir wollen also Theorien, die schlüssige Erklärungen liefern, und deren Schlüssigkeit wir testen können  Was sind eigentlich Erklärungen?  Wie testet man eigentlich? Erklärungen (1) Typischerweise verstehen wir unter Erklärungen sogenannte Deduktiv- nomologische Erklärungen – „DN-Erklärungen“ Vereinfacht gesagt erklären DN-Erklärungen Eigenschaften einer Untersuchungseinheit i aus (mindestens) einer anderen Eigenschaft und/oder Rahmenbedingungen (Antezedenzien) in Kombination mit einer Systematik/Regel/Gesetz – Systematik/Regel/Gesetz: Ein Zusammenhang, der für alle beobachtete wie unbeobachtete i gilt Im Extremfall eine Art Allanspruch bezüglich Zeit und Raum (Naturgesetz) In den Wiwis und Sowis oft begrenzt bezüglich Zeit, Raum oder anderer Aspekte (Theorie mittlerer Reichweite) Logische Struktur: 1. Alle Dinge mit der Eigenschaft F haben auch die Eigenschaft G (Systematik) 2. i hat Eigenschaft F (Antezedenz)  Also hat i auch die Eigenschaft G Erklärungen (2) Umformulierung: 1. (Immer) wenn eine i in dem theoretischen Konstrukt Ω die Ausprägung ω𝑖 hat, dann hat i auch (immer) die Ausprägung ψ𝑖 in dem theoretischen Konstrukt Ψ (Systematik) 2. i hat Ausprägung ω𝑖 im Konstrukt Ω (Antezedenz)  Also hat i auch die Ausprägung ψ𝑖 in Konstrukt Ψ Beispiel: 1. (alle) Frauen investieren nachhaltiger als (alle) Männer Systematik zwischen den Konstrukten „Geschlecht“ und „nachhaltiges Investieren“ 2. Anna ist eine Frau, Peter ein Mann Antezedenzien  Also investiert Anna nachhaltiger als Peter Unser Ziel: Diese Systematiken zu finden, wie sie unter 1. formuliert sind – (Hier ist die Systematik deterministisch, aber das muss sie nicht sein) Dazu verwenden die empirische Erfahrungsebene, also im Prinzip Daten Operationalisierung Wenn wir theoretische Konstrukte empirisch untersuchen wollen, müssen wir sie operationalisieren, also erfahrbar machen wir müssen sie messbar machen! Auf empirischer Ebene sprechen wir nicht mehr von theoretischen Konstrukten, sondern von (empirischen) Variablen Gütekriterien für Operationalisierung Diese Operationalisierung muss gewisse Gütekriterien erfüllen – interne Validität: Wie „gut“, wie „genau“ wird das theoretische Konstrukt inhaltlich „getroffen“ Beispiel: Misst der Umsatz einer Firma das theoretische Konstrukt „Unternehmenserfolg“? Misst der Gewinn dieses Konstrukt? Misst irgendetwas anderes dieses Konstrukt? Bei niedriger interner Validität misst die Variable irgendeinen datengenerierenden Prozess, aber wir wissen nicht, welchen Oft muss man in der Praxis mit Variablen auskommen, die nicht direkt das Konstrukt treffen sondern so etwas ähnliches, und daher zweifelhafte interne Validität aufweisen. Diese nennt man Proxyvariablen, und man hofft, dass sie wenigstens „im Durchschnitt“ einigermaßen intern valide sind – Beispiel: Bildung durch Schulabschluss (?), Alter durch Fragen nach Alter (??), Unternehmenserfolg durch Umsatz (???), IQ durch Arbeitseinkommen (????) – Reliabilität: Unter gleichen Bedingungen kommen gleiche (bzw. ähnliche) Messungen heraus Beispiel: Verschiedene Nachhaltigkeitsindikatoren für Firmen, Fonds etc. ergeben oft verschiedene Ergebnisse für die gleiche Firma (Berg et al. 2022)  Nachhaltigkeitsmessung als solches scheint nicht sonderlich reliabel zu sein – Objektivität: Die Interpretation der Messergebnisse wird intersubjektiv geteilt Achtung: „Interpretation“ bedeutet hier sehr eng, dass die Messwerte als solche unabhängig von den Forschenden als wahr interpretiert werden. Hier geht es noch nicht um tiefere Schlussfolgerungen! – Beispiel: Wenn eine Uhr 22:00 anzeigt, würde man objektiverweise akzeptieren, dass es tatsächlich 22:00 Uhr ist, aber das heißt z.B. noch nicht, ob das „früh“ oder „spät“ ist Empirische Erklärungen Idee: Wir nutzen empirische Erklärungen, um zu zeigen, dass theoretische Erklärungen schlüssig sind Zwei Schritte: – Wir ersetzen die theoretischen Konstrukte (also hier z.B. Ω und Ψ) durch die Variablen, mit denen wir sie operationalisiert haben (hier z.B. O und P) – Wir untersuchen die empirische Systematik zwischen O und P Und dann ziehen wir folgenden Schluss: 1. Untersuchungseinheit i hat Ausprägung 𝑜𝑖 in der Variable O, wobei O eine valide Operationalisierung von Ω ist. 2. i hat die Ausprägung 𝑝𝑖 in der Variable P, wobei P eine valide Operationalisierung von Ψ ist. 3. (Immer) wenn die empirische Systematik zwischen O und P existiert, existiert auch die theoretische Systematik zwischen Ω und Ψ  Es liegt eine Systematik zwischen Ω und Ψ vor Zwei Probleme mit dieser Schlussfolgerung Induktionsproblem - Dieser Schluss ist offensichtlich falsch, weil Prämisse 3 falsch ist! – Wieso falsch? Weil immer unendlich viele alternative Systematiken mitbestätigt werden Beispiel „Grue Hypotheses“ (Goodman 1955) – Anders gesagt: Ein empirisches Ergebnis schließt zwar viele denkbare Erklärungen aus, aber nie so viele, dass das Ergebnis eindeutig wäre – Aber diese Eindeutigkeit wäre nötig, um zu beweisen, dass auch der theoretische Schluss gilt – Und egal wie viele i man untersucht, Prämisse 3 bleibt falsch! Annahme der hohen (perfekten) internen Validität ist nicht testbar – Wir können ja per definitionem theoretische Konstrukte nicht direkt beobachten, also können wir auch nicht endgültig testen, ob diese Konstrukte intern valide operationalisiert wurden – Anders gesagt: Jede Variable bildet irgendeinen datengenerierenden Prozess ab, aber ob dieser Prozess auch unser theoretisches Konstrukt ist, ist unbekannt, und fundamental unwissbar Das kann bestenfalls plausibel sein Fazit Das ist jetzt das zweite Mal, wo wir sehen, dass sicheres Wissen zu erwerben nicht möglich ist – Das Induktionsproblem verhindert das definitive Bestätigen einer Theorie Was dann? – Erneut: Vorläufiges Wissen – Wir akzeptieren, dass Theorien empirisch nicht verifiziert werden können – Aber: Unter der Annahme hoher interner Validität können sie immerhin falsifiziert werden! Man kann testen, ob die Theorie Teil der ausgeschlossenen Theorien ist  Wir akzeptieren Theorien dann als vorläufig wahr, wenn sie sich empirisch bewähren  Theorien stehen in einer Art Evolutionswettbewerb miteinander  Letztlich entscheidet eine (hoffentlich…) nach bestem Wissen und Gewissen geleitete Forschungsgemeinschaft, welche Theorien sich bewähren und welche nicht  In diesem Sinne sind State-of-the-Art-Theorien das beste und sicherste Wissen über die Wirklichkeit, das wir als Menschheit haben  „Wrong in the right direction“  Aufgabe der Empirie: Theorien testen, und ihnen die Gelegenheit geben, sich zu bewähren! Kurzer Einschub: Nomenklatur Es gibt bestimmte Konventionen für die Benennung von theoretischen Konstrukten und empirischen Variablen: – Theoretische Konstrukte: Griechische Buchstaben – Empirische Variablen: Lateinische Buchstaben (die „normalen“ Buchstaben) α, 𝑋, Ein „verzierter“ Buchstaben (ෝ ሚ M*, …) ist in der Regel entweder eine Schätzung oder eine ത 𝑆, „Zusammenfassung“ oder Besonderheit der zugrunde liegenden Variablen/des zugrunde liegenden Konstrukts – ^ kennzeichnen typischerweise Schätzungen – Querbalken und Tilden zeigen typischerweise Dinge wie Mittelwerte oder Standardabweichungen an – * markiert typischerweise einen Optimalwert Achtung: * in Regressionstabellen markieren üblicherweise statistische Signifikanzlevel! Große lateinische Buchstaben zeigen die Variablenebene (oder Schätzerebene, dazu später) an, kleine die Datenebene – Der Index i zeigt an, dass Untersuchungseinheit i gemeint ist – W wäre in einem Datensatz also z.B. die Spalte „Lohn“, 𝑤𝑖 der Eintrag in dieser Spalte von Person i Leider halten sich viele nicht an diese Konventionen… – Und wir auch nicht immer, um uns daran zu gewöhnen Typischer Theorietest – Beispiel (1) Wir untersuchen einen möglichen Zusammenhang zwischen Lohn und Bereitschaft zum nachhaltigen Investieren: – Der ist zunächst einmal theoretisch: – Lohn ω (kleines Omega, weil es dem „w“  „wage“ ähnlich sieht ) – Bereitschaft zum nachhaltigen Investment einer Person θ (kleines Theta, einfach so) Behaupteter theoretischer Zusammenhang (z.B.): θ = α + β ∗ ω – Das wird empirisch operationalisiert, indem θ und ω durch die Variablen W und SI ersetzt werden: – Lohn W, wird per Umfrage erhoben – Bereitschaft zum nachhaltigen Investieren SI („Sustainable investment“), wird per Umfrage erhoben, z.B. Likert-Skala 0 bis 5 Abgeleiteter empirischer Zusammenhang („Hypothese“): 𝑆𝐼 = α + β ∗ 𝑊 – Die konkreten Messungen pro Untersuchungseinheit sind klein geschrieben und indiziert: 𝑤𝐹𝑙𝑜𝑟𝑖𝑎𝑛 = 2000 𝑠𝑖𝐹𝑙𝑜𝑟𝑖𝑎𝑛 = 4 Typischer Theorietest – Beispiel (2) Anschließend nutzen wir (z.B.) die OLS-Schätzungsmethode, um α und β zu schätzen: α + β෠ ∗ 𝑊 – Geschätzter Zusammenhang: 𝑆𝐼 = ෝ Ergebnisse der Schätzung: – Interpretation: Pro zusätzlichem Euro Einkommen erhöht sich die Bereitschaft, nachhaltig zu investieren, um 0,001 Likertskalenpunkte (Skala 0 bis 5) Beispiel Filippini et al. (2023), Sustainable Finance Literacy (1) Ziel: Zu verstehen, warum Menschen nachhaltig anlegen Vorschlag für ein neues theoretisches Konstrukt zur Erklärung: Definition: Beispiel Filippini et al. (2023), Sustainable Finance Literacy (2) Erster Vorschlag für die Operationalisierung von SuFiLi (Auszug, insgesamt 8 Fragen): Zweiter Vorschlag: Textmining Beispiel Filippini et al. (2023), Sustainable Finance Literacy (3) Argumentation, warum das Konstrukt nützlich ist – plus erste (aber relativ schwache) Bewährung der Theorie „ SuFiLi  nachhaltiges Anlegen“ Für die Praxis (1) Vorsichtige Wortwahl – In der Empirik „beweisen“ wir nichts, wir „finden Evidenz für (oder gegen) eine Theorie“ („beweisen“ können nur Theoretiker, aber auch nur unter der Annahme, dass ihre Prämissen wahr sind) Vorsicht bei Quellen, die (auch) andere Interessen als Wahrheitsfindung haben – Die sind nicht automatisch schlecht, aber mit mehr Vorsicht zu genießen – Stattdessen: Fachzeitschriften mit Peer Review-Verfahren Allerdings auch nicht perfekt Ergebnisse einzelner Studien nicht übergewichten – Egal wie gut eine Studie ist, sie wird immer Probleme haben die allgemeine, state-of-the-art (!) Literatur ist wichtig, nicht so sehr einzelne Studien Für die Praxis (2) Wie findet man den state-of-the-art der Literatur? – Gute peer-reviewte Journals, siehe z.B. VHB-JOURQUAL3, Scimago Wie sind die Journals gerankt? – Faustregel: Alles unter B/dem zweiten Quartil mit Vorsicht genießen Wer veröffentlicht in diesen Journals? Wer gibt sie heraus? – Für Literaturüberblicke: Journal of Economic Literature, Journal of Economic Perspectives, Annual Review of Financial Economics, Annual Review of Economics Mögliche Kritiken an einer Studie – Sind die betrachteten Konstrukte relevant? – Ist die Operationalisierung gelungen? Beispiele: Wird überhaupt sauber gemessen, was gemessen werden soll? Würde man mit alternativen Operationalisierungen eines Konstrukts ähnliche Ergebnisse bekommen? Sind die empirischen Aussagen tatsächlich prüfbar? – Sind die Behauptungen und Argumentationen der Autor*Innen angemessen? Zusammenfassung Epistemische und wissenschaftstheoretische Grundlagen Es gibt (Stand Jetzt) keine sichere Wahrheit Stattdessen arbeiten wir mit Annahmen, die selbst nicht sicher wahr sind, aber wenn diese Annahmen dennoch wahr sind, können wir aus ihnen bedingt wahre Aussagen ableiten Theorien sind Vorschläge darüber, wie man die Welt am besten verstehen kann – Theorien müssen nützlich sein und sich bewähren, aber nicht unbedingt immer zu 100% richtig sein Empirie beschäftigt sich mit den datengenerierenden Prozessen, von denen wir annehmen, dass die Wirklichkeit sie zur Verfügung stellt – Wir nutzen sie, um Theorien zu testen (genauer: zu testen, ob sich die Theorien bewähren) – Dazu müssen wir theoretische Konstrukte als Variablen operationalisieren Wir verwenden DN-Erklärungen – Die zu erklärende Eigenschaft einer einzelnen Beobachtung wird aus anderen Eigenschaften sowie damit verbundenen allgemeinen Systematiken abgeleitet Der wissenschaftliche Status Quo („Forschungsstand“ oder die „Literatur“) umfasst alle Vorschläge für die derzeit beste Interpretation der Wirklichkeit – Allerdings auch die schlechteren Vorschläge, und es ist euer Job, gut und schlecht auseinander zu halten