Zum Inhalt springen
Zurück zu den Suchergebnissen

Ex-Post-Facto-Design — Forschung im Nachhinein

Eingeführt von
Formalized by Fred N. Kerlinger; foundational treatment by Donald T. Campbell and Julian C. Stanley
Jahr
1960s (systematic codification); concept used in social science from early 20th century
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

Schriftgröße

Was leistet sie?

Das Ex-post-facto-Design ist ein nicht-experimenteller quantitativer Forschungsansatz, bei dem der Forscher ein Phänomen untersucht, nachdem es bereits aufgetreten ist, und dabei bereits bestehende Unterschiede zwischen Gruppen untersucht, um potenzielle kausale oder assoziative Beziehungen zu erforschen.

Da die unabhängige Variable nicht manipuliert werden kann – sie ist bereits in der Vergangenheit geschehen –, stützt sich das Design auf sorgfältige Gruppenauswahl, retrospektive Datenerhebung und statistische Kontrollen, um kausale Schlussfolgerungen ohne experimentelle Intervention anzunähern.

Die Intuition hinter der Methode

Angenommen, Sie möchten untersuchen, wie sich Lesegewohnheiten in der Kindheit auf die Lese- und Schreibfähigkeiten im Erwachsenenalter auswirken. Sie können Kinder nicht zufällig verschiedenen Lesebedingungen in der Vergangenheit zuweisen. Stattdessen identifizieren Sie Erwachsene, die als Kinder viel gelesen haben, und solche, die es nicht getan haben, und vergleichen dann ihre aktuellen Lese- und Schreibfähigkeiten. Das ist Ex-post-facto-Logik: Sie beobachten ein Ergebnis, das bereits eingetreten ist, und arbeiten rückwärts, um seine vermuteten Vorläufer zu untersuchen. Das Design ist aussagekräftig für die Untersuchung von Phänomenen, die nicht experimentell induziert werden können – wie Krankheitsaussetzung, Bildungsgeschichte oder Lebensereignisse –, aber die Unfähigkeit zur Randomisierung bedeutet, dass kausale Behauptungen immer mit Vorsicht interpretiert werden müssen.

Geschichte

Der Begriff 'ex post facto' (lateinisch: 'nach der Tat') wurde auf die Methodik der sozialwissenschaftlichen Forschung am einflussreichsten von Fred N. Kerlinger in seinem Lehrbuch 'Foundations of Behavioral Research' von 1964 angewendet, wo er ihn als systematische empirische Untersuchung definierte, bei der der Wissenschaftler keine direkte Kontrolle über unabhängige Variablen hat, da deren Manifestationen bereits aufgetreten sind. Die Monographie von Donald T. Campbell und Julian C. Stanley aus dem Jahr 1963 über experimentelle und quasi-experimentelle Designs lieferte den Rahmen für die Bewertung von Bedrohungen der internen Validität, die weiterhin die Interpretation von Ex-post-facto-Ergebnissen leiten. Das Design ist seit langem zentral für die Epidemiologie und die Bildungsforschung, wo die experimentelle Manipulation von Schlüsselvariablen unmöglich ist.

Wann wird sie eingesetzt?

Verwenden Sie das Ex-post-facto-Design, wenn die unabhängige Variable bereits aufgetreten ist und weder ethisch noch praktisch manipuliert werden kann – wie z. B. frühere Traumata, Krankheitsaussetzung, Bildungsstand oder demografische Merkmale. Es ist das geeignete Design, wenn eine echte experimentelle Kontrolle unmöglich ist, aber ein quantitativer Gruppenvergleich erforderlich ist. Es eignet sich für retrospektive Fragestellungen in Bildung, Gesundheit, Soziologie und Psychologie. Verwenden Sie es nicht, wenn ein randomisierter kontrollierter Versuch oder ein quasi-experimentelles Design machbar ist, da diese Designs stärkere kausale Beweise liefern. Vermeiden Sie es, wenn die retrospektive Datenquelle von geringer Qualität ist oder wenn die Gruppen nicht mit angemessener Präzision definiert werden können, da diese Bedingungen die Interpretation stark einschränken.

Grenzen und Hinweise

  • Das Fehlen von Randomisierung bedeutet, dass Störvariablen nicht vollständig ausgeschlossen werden können, was kausale Schlussfolgerungen vorläufig macht.
  • Der Forscher kann die unabhängige Variable nicht kontrollieren, daher können sich Gruppen in nicht gemessenen Merkmalen unterscheiden, die das Ergebnis erklären.
  • Retrospektive Daten sind anfällig für Erinnerungsverzerrungen, fehlende Aufzeichnungen und Messinkonsistenzen über die Zeit.
  • Die Kausalitätsrichtung kann mehrdeutig sein – die vermutete Ursache und Wirkung können umgekehrt sein, oder beide können durch eine dritte Variable angetrieben werden.
  • Statistische Kontrollen (ANCOVA, Matching) reduzieren, aber eliminieren keine Störfaktoren; keine Post-hoc-Technik ersetzt die echte Randomisierung.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Ermöglicht die Untersuchung von Variablen, die weder ethisch noch praktisch manipuliert werden können, einschließlich vergangener Erfahrungen, Gesundheitsaussetzungen und demografischer Faktoren.
  • Verwendet vorhandene oder archivierte Daten, was es kostengünstig und machbar für die Untersuchung seltener Ereignisse oder großer Populationen macht.
  • Bewahrt die ökologische Validität – die unabhängige Variable spiegelt reale Bedingungen wider und keine künstlichen Laborumgebungen.
  • Generiert Hypothesen und Schätzungen von Assoziationen, die die Gestaltung zukünftiger prospektiver oder experimenteller Studien informieren können.
  • Geeignet für die Identifizierung von Risikofaktoren und schützenden Bedingungen in der Epidemiologie, Bildung und Sozialpolitikforschung.

Anwendungen

  • Vergleich der akademischen Leistungen zwischen Schülern, die den Kindergarten besucht haben, und solchen, die dies nicht getan haben, unter Verwendung von Schulregisterdaten.
  • Untersuchung, ob eine Vorgeschichte von Kindheitsbelastungen mit psychischen Gesundheitsproblemen im Erwachsenenalter in einer klinischen Population assoziiert ist.
  • Untersuchung von Unterschieden in der Herz-Kreislauf-Gesundheit zwischen Langzeitrauchern und Nie-Rauchern in einer Gemeindeumfrage.
  • Analyse, ob Lehrer, die ein bestimmtes Vorbereitungsseminar erhalten haben, andere Verhaltensweisen im Klassenzimmer zeigen als diejenigen, die dies nicht getan haben.
  • Untersuchung, ob die Teilnahme an außerschulischen Aktivitäten in der Sekundarstufe die Studienabbruchquoten an Universitäten vorhersagt.
  • Erforschung von arbeitsmedizinischen Ergebnissen bei Arbeitnehmern, die vor regulatorischen Änderungen einer Chemikalie am Arbeitsplatz ausgesetzt waren, im Vergleich zu nicht exponierten.

So funktioniert es

So funktioniert es

1

Der Forscher identifiziert ein Ergebnis von Interesse (die abhängige Variable) und eine vermutete Vorläuferbedingung oder -eigenschaft (die unabhängige Variable), die bereits in der realen Welt aufgetreten ist. Die Forschungsfrage hat typischerweise die Form: Unterscheiden sich Gruppen, die sich in einer vergangenen Eigenschaft unterscheiden, systematisch auch im gegenwärtigen Ergebnis?

2

Die Teilnehmer werden basierend auf ihrem natürlich vorkommenden Status bezüglich der unabhängigen Variable in Gruppen eingeteilt – zum Beispiel Raucher vs. Nichtraucher oder Universitätsabsolventen vs. Absolventen der High School. Diese Gruppierung ist retrospektiv: Der Forscher wählt oder klassifiziert die Teilnehmer, nachdem die definierende Erfahrung stattgefunden hat. Das Matching anhand wichtiger demografischer Variablen kann die Vergleichbarkeit der Gruppen verbessern.

3

Daten sowohl über die unabhängige Variable (oft mittels Aufzeichnungen, Selbstauskunft oder Archivdokumenten erhoben) als auch über die abhängige Variable (zum Zeitpunkt der Studie gemessen) werden gesammelt. Bestehende Datenbanken, institutionelle Aufzeichnungen, Kohortenregister und retrospektive Umfragen sind gängige Quellen. Die Qualität der retrospektiven Daten ist eine kritische methodische Herausforderung.

4

Da keine Randomisierung vorhanden ist, muss der Forscher plausible Störvariablen identifizieren und statistisch kontrollieren. Zu den Techniken gehören Kovarianzanalyse (ANCOVA), multiple Regression, Propensity-Score-Matching und stratifizierte Analysen. Kein statistisches Verfahren ersetzt die Zufallszuweisung vollständig, aber die explizite Kontrolle von Störfaktoren verbessert die Interpretierbarkeit.

5

Gruppenunterschiede beim Ergebnis werden mit geeigneten inferenzstatistischen Verfahren getestet – je nach Messniveau der Variablen unabhängige t-Tests, ANOVA, Chi-Quadrat-Tests oder Regressionsmodelle. Effektstärken (Cohens d, Eta-Quadrat, Odds Ratios) sollten zusammen mit den Signifikanzwerten berichtet werden.

6

Die Ergebnisse werden unter ausdrücklicher Anerkennung des nicht-experimentellen Charakters des Designs interpretiert. Gerichtete Kausalitätsaussagen erfordern zusätzliche Begründung – zeitliche Präzedenz der unabhängigen Variable, biologische oder theoretische Plausibilität und Ausschluss alternativer Erklärungen. Der Forscher unterscheidet klar zwischen Assoziation und Kausalität.

Häufige Fallstricke

  • Kausalität aus Assoziation behaupten – Ex-post-facto-Ergebnisse belegen, dass sich Gruppen unterscheiden, nicht dass eine Bedingung die andere verursacht hat; verwenden Sie Formulierungen wie 'assoziiert mit' oder 'vorhergesagt durch' anstelle von 'verursacht durch'.
  • Auswahlverzerrungen ignorieren – retrospektiv definierte Gruppen unterscheiden sich oft in mehreren Merkmalen; das Versäumnis, diese zu messen und zu kontrollieren, führt zu trügerischen Schlussfolgerungen.
  • Schlechte retrospektive Messung – sich auf die Erinnerung der Teilnehmer an Ereignisse zu verlassen, die Jahre zuvor stattgefunden haben, führt zu systematischen Fehlern; wenn möglich, mit Archiv- oder objektiven Aufzeichnungen abgleichen.
  • Effektstärke vernachlässigen – ein statistisch signifikanter Gruppenunterschied in einer großen Stichprobe kann praktisch trivial klein sein; berichten und interpretieren Sie immer die Effektstärke neben den p-Werten.
  • Das Design als gleichwertig mit einem Quasi-Experiment behandeln – ohne prospektive Datenerhebung und eine klar definierte Vergleichsbedingung, die vor dem Ergebnis festgelegt wurde, haben Ex-post-facto-Designs eine schwächere kausale Logik als quasi-experimentelle Designs.

Häufig gestellte Fragen

Ist das Ex-post-facto-Design dasselbe wie die kausal-vergleichende Forschung?

Die Begriffe werden in der Bildungs- und Sozialwissenschaftsliteratur oft synonym verwendet. Beide beinhalten den Vergleich von bereits bestehenden Gruppen hinsichtlich eines interessierenden Ergebnisses. Einige Methodologen betrachten die kausal-vergleichende Forschung als eine breitere Kategorie, die Ex-post-facto-Studien einschließt, während andere die Begriffe synonym verwenden. Das wichtigste gemeinsame Merkmal ist, dass die unabhängige Variable bereits aufgetreten ist und vom Forscher nicht manipuliert werden kann.

Können Ex-post-facto-Ergebnisse Kausalität nachweisen?

Nicht allein. Um eine kausale Interpretation zu unterstützen, müssen drei Bedingungen erfüllt sein: zeitliche Präzedenz (die vermutete Ursache ging dem Effekt voraus), Kovariation (die Gruppen unterscheiden sich tatsächlich beim Ergebnis) und Ausschluss plausibler Alternativen (Störvariablen werden berücksichtigt). Ex-post-facto-Designs können die ersten beiden Bedingungen erfüllen, wenn die Qualität der retrospektiven Daten hoch ist, aber die dritte Bedingung ist ohne Randomisierung immer eingeschränkt.

Wie unterscheidet sich das Ex-post-facto-Design von einer retrospektiven Kohortenstudie?

Bei einer retrospektiven Kohortenstudie identifizieren Forscher eine definierte Kohorte, die in der Vergangenheit einer Bedingung ausgesetzt war, und verfolgen sie anhand historischer Aufzeichnungen bis zu einem Ergebnis. Das Ex-post-facto-Design ist in seiner Logik ähnlich, wird aber häufiger in Bildungs- und Sozialwissenschaftskontexten verwendet, oft ohne einen formalen Kohortenrahmen. Die Unterscheidung ist hauptsächlich disziplinär; die Validitätsüberlegungen sind weitgehend dieselben.

Welche statistischen Methoden werden typischerweise verwendet?

Gruppenvergleiche verwenden t-Tests, ANOVA oder Chi-Quadrat, je nach Messniveau. Bei der Kontrolle von Kovariaten sind ANCOVA oder multiple Regression üblich. Propensity-Score-Matching wird zunehmend zur Reduzierung von Auswahlverzerrungen eingesetzt. Bei binären Ergebnissen wird die logistische Regression verwendet. Alle Analysen sollten Konfidenzintervalle und Effektstärken berichten.

Wann sollte ich stattdessen ein Längsschnittdesign wählen?

Wenn Sie Teilnehmer vor dem Auftreten der unabhängigen Variable und dann wieder danach messen können, ist ein prospektives Längsschnittdesign vorzuziehen, da es die zeitliche Präzedenz überzeugender nachweist und retrospektive Messfehler reduziert. Das Ex-post-facto-Design ist geeignet, wenn eine prospektive Messung unmöglich ist – weil das Ereignis vor Beginn der Studie stattfand oder weil es zu selten oder zu sensibel ist, um es prospektiv zu untersuchen.

Verwandte Methoden

Quellen

  1. Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.

    Publikationsreferenz öffnen
    Kopiert.
  2. Campbell, D. T., & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research. Rand McNally.

    ISBN: 978-0395307878
    Kopiert.