Kausale-komparative Forschung — Retrospektives Gruppendifferenzierungsdesign
- Eingeführt von
- Fred N. Kerlinger
- Jahr
- 1964
- Typ
- Non-experimental quantitative research design
- Familie
- Survey / observational design
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Kausale-komparative Forschung ist ein nicht-experimentelles quantitatives Design, bei dem der Forscher zwei oder mehr Gruppen vergleicht, die sich bereits in einer unabhängigen Variable unterscheiden – einer, die nicht manipuliert wurde –, um mögliche Ursachen oder Folgen dieses Unterschieds zu untersuchen.
Da die Gruppenzugehörigkeit vorbestehend und nicht zufällig zugewiesen ist, kann das Design kausale Zusammenhänge nahelegen, aber nicht mit der Sicherheit eines echten Experiments feststellen. Es wird häufig in der Bildung, Psychologie und den Sozialwissenschaften eingesetzt, wenn experimentelle Manipulationen unpraktisch oder unethisch sind.
Die Intuition hinter der Methode
Angenommen, Sie möchten wissen, ob elterliches Rauchen die Lungenkapazität von Kindern beeinflusst. Sie können Kinder nicht zufällig rauchenden oder nichtrauchenden Haushalten zuweisen, daher identifizieren Sie stattdessen Gruppen von Kindern, deren Eltern bereits rauchen oder nicht rauchen, und vergleichen deren Lungenfunktion. Das ist die Logik der kausalen-komparativen Forschung: Die 'Ursache' ist bereits in der realen Welt aufgetreten, und Sie blicken zurück, um zu sehen, ob sie mit einem Unterschied in den Ergebnissen assoziiert ist. Das Design ähnelt in seiner Struktur einem Experiment – Gruppen, ein gemessenes Ergebnis, ein Vergleich –, aber es fehlt die zufällige Zuweisung, die Kausalität eindeutig machen würde.
Geschichte
Die Logik der kausalen-komparativen Forschung wurde in der sozialwissenschaftlichen Methodik von Fred N. Kerlinger in seinem wegweisenden Werk 'Foundations of Behavioral Research' von 1964 formalisiert, wo er die 'ex post facto'-Forschung als die systematische Untersuchung bereits aufgetretener Ereignisse zur Identifizierung wahrscheinlicher Ursachen beschrieb. Das Design hatte frühere Wurzeln in landwirtschaftlichen und epidemiologischen Studien, die vorgeformte Gruppen verglichen. In den 1970er-1980er Jahren wurde es zu einem Standardbestandteil von Lehrbüchern über Forschungsmethoden in der Bildung, insbesondere Gay (1976) und später Fraenkel und Wallen, was seine Rolle als bevorzugtes nicht-experimentelles Design festigte, wenn Manipulationen unmöglich sind.
Wann wird sie eingesetzt?
Verwenden Sie kausale-komparative Forschung, wenn Sie mögliche Ursachen oder Wirkungen einer Variable untersuchen möchten, die ethisch oder praktisch nicht manipuliert werden kann – wie Geschlecht, Behinderungsstatus, sozioökonomischer Hintergrund oder die Exposition gegenüber einem vergangenen Ereignis. Sie ist geeignet, wenn Gruppen natürlich vorkommen und Daten zu einer aussagekräftigen abhängigen Variable erhoben werden können. Sie passt zu deskriptiven bis erklärenden Forschungszielen in Bildung, Gesundheit und Sozialwissenschaften. Verwenden Sie sie NICHT, wenn Sie ein echtes Experiment mit zufälliger Zuweisung durchführen können – Experimente liefern stärkere kausale Beweise. Vermeiden Sie sie, wenn Gruppen nicht sinnvoll auf wichtige Störvariablen abgestimmt werden können, wenn die Gruppenzugehörigkeit unklar ist oder wenn die Forschungsfrage eine prospektive Verfolgung von Veränderungen über die Zeit erfordert (verwenden Sie stattdessen Längsschnittforschung).
Grenzen und Hinweise
- Kann Kausalität nicht eindeutig feststellen, da Gruppen nicht zufällig zugewiesen werden – Selektionsverzerrungen und konfundierende Variablen bleiben alternative Erklärungen.
- Die Kausalitätsrichtung ist unklar: Die vermutete Ursache und Wirkung können umgekehrt sein, oder eine dritte Variable kann beides verursachen.
- Gruppen können sich in unbeobachteten Variablen unterscheiden, die für den beobachteten Unterschied verantwortlich sind, wodurch die statistische Kontrolle unvollständig wird.
- Retrospektive Natur bedeutet, dass der Forscher keine Kontrolle darüber hat, wie die unabhängige Variable in der Vergangenheit erfahren oder gemessen wurde.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Ermöglicht die Untersuchung kausaler Hypothesen, wenn experimentelle Manipulationen unethisch oder unmöglich sind.
- Effizienter und kostengünstiger als Längsschnittstudien; Daten existieren oft bereits.
- Produziert quantitative, statistisch testbare Vergleiche zwischen natürlich vorkommenden Gruppen.
- Liefert Effektstärken, die neben der statistischen Signifikanz auch die praktische Bedeutung informieren.
- Nützlich als vorläufiges Design, um die Notwendigkeit eines nachfolgenden Experiments zu rechtfertigen.
Anwendungen
- Vergleich der akademischen Leistungen von Schülern, die den Kindergarten besuchten, und solchen, die dies nicht taten.
- Untersuchung von Unterschieden in Gesundheitsergebnissen zwischen Rauchern und Nichtrauchern ohne experimentelle Zuweisung.
- Untersuchung, ob Geschlechterunterschiede in der mathematischen Selbsteffizienz bei Sekundarschülern bestehen.
- Vergleich von Arbeitszufriedenheitsniveaus bei Mitarbeitern mit unterschiedlichen Bildungsqualifikationen.
- Bewertung, ob sich Kinder, die in zweisprachigen Haushalten aufwachsen, in ihrer kognitiven Flexibilität von einsprachigen Gleichaltrigen unterscheiden.
- Untersuchung, ob die städtische oder ländliche Schulstandort mit Unterschieden in der Lehrerbindungsrate verbunden ist.
So funktioniert es
So funktioniert es
Der Forscher identifiziert die unabhängige Variable – ein bereits bestehendes Merkmal wie Geschlecht, sozioökonomischer Status, Bildungsniveau oder ein Lebensereignis – und definiert mindestens zwei Gruppen, die sich in dieser Variable unterscheiden. Die Vergleichsvariable muss bereits natürlich aufgetreten sein; sie wird niemals vom Forscher manipuliert.
Teilnehmer werden aus jeder vorgeformten Gruppe ausgewählt, idealerweise durch Wahrscheinlichkeitsstichproben zur Unterstützung der Generalisierbarkeit. Die Gruppen sollten in allen Merkmalen außer der unabhängigen Variable so ähnlich wie möglich sein, damit der Forscher während der Designphase wahrscheinliche Störvariablen (z. B. Alter, bisherige Leistungen, Einkommensniveau) kontrolliert oder darauf abstimmt.
Daten zur abhängigen Variable(n) werden aus allen Gruppen mit denselben Instrumenten und Verfahren erhoben. Gängige Datenquellen sind standardisierte Testergebnisse, Umfrageantworten, Verwaltungsaufzeichnungen oder physische Messungen. Da die Ursache bereits eingetreten ist, ist die Datenerhebung retrospektiv oder gleichzeitig – nicht prospektiv.
Gruppenmittelwerte (oder Proportionen, Ränge) der abhängigen Variable werden mit geeigneten inferenzstatistischen Verfahren verglichen – typischerweise unabhängige t-Tests, einfaktorielle ANOVA, ANCOVA (zur Kontrolle von Kovariaten) oder Chi-Quadrat-Tests, abhängig von der Skala der Messung. Effektstärken (Cohen's d, Eta-Quadrat) sollten die Signifikanztests begleiten.
Statistisch signifikante Gruppenunterschiede werden vorsichtig interpretiert. Der Forscher berücksichtigt alternative Erklärungen – insbesondere Selektionsverzerrungen und unbeobachtete Störvariablen –, bevor er den Unterschied der unabhängigen Variable zuschreibt. Kausale Sprache wird eingeschränkt ('kann nahelegen', 'ist konsistent mit'), es sei denn, das Design beinhaltet zusätzliche Kontrollen, die die kausale Inferenz stärken.
Häufige Fallstricke
- Behandlung eines signifikanten Gruppenunterschieds als Beweis für Kausalität – erkennen Sie immer die nicht-experimentelle Natur und alternative Erklärungen explizit an.
- Ignorieren der Gruppenungleichheit – wenn Vergleichsgruppen sich in mehreren Hintergrundvariablen unterscheiden, ist der Zielunterschied konfundiert; verwenden Sie Matching oder ANCOVA, um wichtige Kovariaten zu behandeln.
- Umkehrung von Ursache und Wirkung – in einigen Designs ist es plausibel, dass das vermutete Ergebnis tatsächlich die Gruppierungsvariable beeinflusst; argumentieren Sie sorgfältig über die zeitliche Abfolge.
- Verwendung des Designs, wenn die Gruppen nicht sinnvoll unterscheidbar sind – unklare Gruppengrenzen (z. B. vage definierte 'hohe' vs. 'niedrige' Einkommen) erhöhen die Fehlervarianz und schwächen die Inferenz.
- Berichterstattung nur von p-Werten ohne Effektstärken – ein statistisch signifikanter Unterschied zwischen großen Gruppen kann praktisch trivial sein; berichten und interpretieren Sie immer die Größenordnung des Effekts.
Häufig gestellte Fragen
Was ist der Unterschied zwischen kausaler-komparativer Forschung und korrelativer Forschung?
Beide sind nicht-experimentell, unterscheiden sich aber in Struktur und Zweck. Korrelative Forschung untersucht die Stärke und Richtung einer Beziehung zwischen kontinuierlichen Variablen innerhalb einer einzigen Gruppe unter Verwendung von Koeffizienten wie Pearson r. Kausale-komparative Forschung vergleicht diskrete, vorgeformte Gruppen hinsichtlich einer abhängigen Variable und verwendet Gruppenunterschiedsstatistiken (t-Test, ANOVA). Kausale-komparative Designs sind explizit um eine vermutete Ursache-Wirkungs-Beziehung zwischen Gruppenzugehörigkeit und einem Ergebnis herum formuliert, während korrelative Designs Assoziationen beschreiben, ohne eine Ursache-Wirkungs-Richtung zu implizieren.
Wie unterscheidet sich kausale-komparative Forschung von ex post facto Design?
Die Begriffe werden oft austauschbar verwendet, und in vielen Lehrbüchern ist 'ex post facto Design' die ältere Bezeichnung für genau denselben Ansatz. Kerlinger verwendete ursprünglich 'ex post facto' (lateinisch für 'nach der Tatsache'), um zu betonen, dass die unabhängige Variable bereits aufgetreten ist. Spätere Methodologen, insbesondere in der Bildung, bevorzugten 'kausal-komparativ', um die Logik des Gruppenvergleichs hervorzuheben. Funktional beziehen sich beide Bezeichnungen auf dieselbe Designfamilie.
Kann kausale-komparative Forschung Kausalität nachweisen?
Nein – nicht mit der gleichen Sicherheit wie ein echtes Experiment. Da die Teilnehmer nicht zufällig den Gruppen zugewiesen werden, sind vorbestehende Unterschiede zwischen den Gruppen (Selektionsverzerrung) und unbeobachtete Drittvariablen immer plausible alternative Erklärungen. Das Design kann suggestive, hypothesengenerierende Beweise für einen kausalen Zusammenhang liefern, insbesondere wenn mehrere Studien das Muster konsistent replizieren, aber ein kontrolliertes Experiment ist erforderlich, um die kausale Behauptung zu bestätigen.
Welche statistischen Tests sind geeignet?
Die Wahl hängt von der Anzahl der Gruppen und der Skala der Messung ab. Für zwei Gruppen mit einem kontinuierlichen Ergebnis verwenden Sie einen unabhängigen t-Test; für drei oder mehr Gruppen eine einfaktorielle ANOVA. Bei der Kontrolle von Kovariaten verwenden Sie ANCOVA. Für kategoriale Ergebnisse verwenden Sie Chi-Quadrat-Tests. In allen Fällen ergänzen Sie den Signifikanztest mit einem Effektstärkemaß (Cohen's d für t-Tests, Eta-Quadrat oder Omega-Quadrat für ANOVA), um die praktische Bedeutung zu vermitteln.
Wie kontrolliere ich konfundierende Variablen in einem kausalen-komparativen Design?
Mehrere Strategien stehen im Design- oder Analyse-Stadium zur Verfügung. Im Design-Stadium können Sie Teilnehmer über Gruppen hinweg auf wichtige Störvariablen abstimmen (z. B. jeden Teilnehmer der Behandlungsgruppe mit einem Teilnehmer der Kontrollgruppe mit ähnlichem Alter und ähnlicher Vorerfahrung paaren). Im Analyse-Stadium können Sie Störvariablen als Kovariaten in ANCOVA einbeziehen, was die Gruppenmittelwerte statistisch anpasst. Keine dieser Methoden eliminiert alle Störfaktoren, aber beide stärken die interne Validität des Vergleichs erheblich.
Verwandte Methoden
Quellen
Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.
Publikationsreferenz öffnenKopiert.Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.
ISBN: 978-0078097850Kopiert.