Erklärende Forschung – Design erklärender Forschung
- Eingeführt von
- Formalized by Earl Babbie and Fred Kerlinger among others
- Jahr
- 1960s–1980s (codified in behavioral and social science methodology)
- 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?
Erklärende Forschung ist ein nicht-experimentelles quantitatives Forschungsdesign, das über die Beschreibung eines Phänomens hinausgeht, um zu identifizieren, warum es auftritt – es untersucht die Beziehungen oder Mechanismen, die beobachtete Muster erklären.
Verwurzelt in der positivistischen sozialwissenschaftlichen Methodologie, verwendet sie theoriegeleitete Hypothesen und statistische Analysen, um zu testen, ob spezifische Variablen die Variation in einem Ergebnis erklären, ohne diese Variablen notwendigerweise zu manipulieren.
Die Intuition hinter der Methode
Wenn deskriptive Forschung die Frage „Was geschieht?“ beantwortet und explorative Forschung fragt „Was könnte vor sich gehen?“, so fragt erklärende Forschung „Warum geschieht dies?“. Stellen Sie sich vor, Sie haben bereits festgestellt, dass studentische Motivation und akademische Leistung korreliert sind. Erklärende Forschung geht weiter: Sie formuliert eine Hypothese, die in einer Motivationstheorie verankert ist, sammelt Daten zu den vorgeschlagenen erklärenden Variablen (z. B. Selbstwirksamkeit, Zielorientierung, elterliche Unterstützung) und testet statistisch, ob diese Variablen Unterschiede in der Leistung erklären. Ziel ist es, eine Erklärung – eine kausale oder relationale Darstellung – aufzubauen oder zu überprüfen, nicht nur eine Beschreibung.
Geschichte
Die Unterscheidung zwischen deskriptiven, explorativen und erklärenden Forschungszwecken wurde in sozialwissenschaftlichen Methodologie-Lehrbüchern der 1960er bis 1980er Jahre systematisiert, insbesondere in Fred Kerlingers Foundations of Behavioral Research (1964, überarbeitet 1986) und Earl Babbies The Practice of Social Research (erste Auflage 1975). Diese Werke etablierten die erklärende Forschung als die dritte und ehrgeizigste Ebene der wissenschaftlichen Untersuchung – nach Beschreibung und Exploration –, in der der Forscher eine theoretische Erklärung dafür testet, warum Muster existieren. Der Rahmen wurde in der Soziologie, Psychologie, Pädagogik und Managementforschung weit verbreitet und ist nach wie vor zentral für die Lehrpläne der Graduiertenforschungsmethoden.
Wann wird sie eingesetzt?
Verwenden Sie erklärende Forschung, wenn eine deskriptive Basis bereits existiert und das Ziel darin besteht, zu verstehen, warum oder wie beobachtete Muster entstehen – spezifische theoretische Erklärungen zu testen, anstatt sie nur zu dokumentieren. Sie eignet sich für Situationen, in denen randomisierte Experimente unpraktisch oder unethisch sind und wo statistische Kontrolle die experimentelle Manipulation ersetzen kann. Sie ist angemessen, wenn die Stichprobengrößen für multivariate Analysen ausreichend groß sind und wenn validierte Maße für erklärende Konstrukte verfügbar sind. Verwenden Sie erklärende Forschung nicht, wenn das Phänomen so schlecht verstanden ist, dass noch keine glaubwürdige Theorie existiert (verwenden Sie stattdessen explorative Forschung), wenn die Stichprobengrößen für das beabsichtigte statistische Modell zu klein sind oder wenn die Forschungsfrage einen kausalen Beweis erfordert, den nur ein kontrolliertes Experiment liefern kann.
Grenzen und Hinweise
- Ohne zufällige Zuweisung kann sie Kausalität nicht definitiv feststellen – Korrelation und statistische Kontrolle sind kein Ersatz für Experimente.
- Querschnittsdesigns können keine umgekehrte Kausalität ausschließen oder die zeitliche Reihenfolge von Variablen festlegen, die für kausale Schlussfolgerungen erforderlich ist.
- Die Erklärungskraft hängt vollständig von der Qualität des theoretischen Rahmens ab; ein falsch spezifiziertes Modell wird selbst bei sauberen Daten zu irreführenden Ergebnissen führen.
- Messfehler in erklärenden Variablen schwächen Regressionskoeffizienten ab und können zu einer Unterschätzung wahrer Beziehungen führen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Führt die Untersuchung über die Beschreibung hinaus, um theoretisch abgeleitete Erklärungen dafür zu testen, warum Phänomene auftreten.
- Anwendbar in Kontexten, in denen experimentelle Manipulation unpraktisch, unethisch oder unmöglich ist.
- Multivariate statistische Kontrollen ermöglichen die gleichzeitige Untersuchung mehrerer erklärender Variablen, während andere konstant gehalten werden.
- Kompatibel mit großen, repräsentativen Stichproben, was die Verallgemeinerung der Erklärung auf eine definierte Population ermöglicht.
- Kumulativ: Ergebnisse können über Studien hinweg durch Meta-Analyse integriert werden, um stärkere Erklärungsmodelle zu entwickeln.
Anwendungen
- Testen, ob Selbstwirksamkeit, Aufgabenwert und elterliche Unterstützung zusammen die Varianz in der akademischen Leistung von Studierenden erklären, nachdem für frühere Leistungen kontrolliert wurde.
- Untersuchung, welche organisationalen Faktoren (Führungsstil, Kommunikationsklima, Rollenklarheit) Unterschiede in den Burnout-Raten von Mitarbeitern in verschiedenen Abteilungen erklären.
- Untersuchung, warum bestimmte Stadtteile höhere Raten chronischer Krankheiten aufweisen, indem erklärende Variablen wie Zugang zu Nahrungsmitteln, Luftqualität und sozioökonomische Benachteiligung getestet werden.
- Bewertung konkurrierender theoretischer Erklärungen der Wahlbeteiligung durch Testen demografischer, einstellungsbezogener und struktureller Prädiktoren in einem nationalen Umfragedatensatz.
- Analyse der Wege, über die Trainingsintensität, Erholungspraktiken und psychologische Bereitschaft die Leistungsvariation bei Leistungssportlern erklären.
So funktioniert es
So funktioniert es
Der Forscher identifiziert ein Phänomen, das einer Erklärung bedarf, und leitet spezifische, theoriebasierte Hypothesen darüber ab, warum es auftritt. Diese Hypothesen legen fest, welche unabhängigen Variablen die Variation in der abhängigen Variablen erklären sollen und in welcher Richtung, basierend auf früherer Literatur oder etablierten theoretischen Rahmenwerken.
Es wird ein Forschungsdesign gewählt, das es ermöglicht, die Hypothesen mit geeigneten Kontrollen zu testen. Querschnittsstudien, sekundäre Datensätze oder Archivaufzeichnungen sind üblich. Da erklärende Forschung typischerweise nicht-experimentell ist, verwendet der Forscher statistische Kontrollen (z. B. Regression, ANCOVA, Pfadanalyse), um den erklärenden Beitrag jeder Variablen zu isolieren, anstatt Teilnehmer zufällig Bedingungen zuzuweisen.
Daten werden aus einer Stichprobe gesammelt, die groß genug ist, um die erwarteten Effektstärken zu erkennen und die geplanten statistischen Techniken zu unterstützen. Standardisierte Instrumente, validierte Skalen oder administrative Aufzeichnungen werden bevorzugt, um die Messzuverlässigkeit zu maximieren. Die Repräsentativität der Stichprobe ist wichtig, da das Ziel darin besteht, die Erklärung über die Stichprobe hinaus zu verallgemeinern.
Inferenzstatistische Methoden – Regressionsanalyse, Strukturgleichungsmodellierung, Varianzanalyse oder Mediations-/Moderationsanalyse – werden angewendet, um zu testen, ob die hypothesisierten erklärenden Variablen eine signifikante Varianz im Ergebnis erklären. Güte-der-Anpassung-Statistiken, Effektstärken und Konfidenzintervalle werden neben Signifikanztests berichtet.
Die Ergebnisse werden im Lichte des ursprünglichen theoretischen Rahmens interpretiert. Der Forscher bewertet, ob die Evidenz jede Hypothese stützt, teilweise stützt oder widerlegt, diskutiert alternative Erklärungen, erkennt die Einschränkungen von Querschnitts- oder nicht-experimentellen Schlussfolgerungen an und ordnet die Ergebnisse in die breitere Literatur ein.
Häufige Fallstricke
- Kausalität aus korrelativen Beweisen ableiten – erklärende Forschung kann eine kausale Interpretation unterstützen, aber sie ohne experimentelles Design oder Längsschnittdaten mit korrekter zeitlicher Reihenfolge nicht beweisen.
- Auslassen relevanter Variablen – Störvariablen, die im Modell weggelassen werden, erhöhen oder verringern den scheinbaren erklärenden Beitrag der enthaltenen Variablen, was zu verzerrten Schätzungen führt.
- Unterpowerte Stichproben – Regression und SEM erfordern angemessene Stichprobengrößen im Verhältnis zur Anzahl der Prädiktoren; Faustregeln legen mindestens 10–20 Fälle pro Prädiktor für die Regression nahe.
- Statistische Signifikanz als Synonym für erklärende Bedeutung behandeln – eine große Stichprobe kann signifikante, aber trivial kleine Effekte ergeben; Effektstärken immer berichten und interpretieren.
Häufig gestellte Fragen
Was ist der Unterschied zwischen erklärender und konfirmatorischer Forschung?
Die Begriffe sind eng verwandt, legen aber unterschiedliche Schwerpunkte. Erklärende Forschung konzentriert sich auf das Ziel – zu verstehen, warum ein Phänomen auftritt – und umfasst eine Reihe von Designs, von regressionsbasierten Umfragen bis hin zu Pfadmodellen. Konfirmatorische Forschung betont spezifisch die vorregistrierte Hypothesentestung, bei der die genauen Hypothesen, Stichprobengrößen und der Analyseplan vor der Datenerhebung festgelegt werden, der Logik der strengen Hypothesenbestätigung folgend. Alle konfirmatorische Forschung ist in ihrer Absicht erklärend, aber nicht alle erklärende Forschung erfüllt die strengeren Protokollstandards der konfirmatorischen Forschung.
Kann erklärende Forschung Kausalität feststellen?
Nicht-experimentelle erklärende Forschung kann starke Evidenz liefern, die mit einer kausalen Interpretation vereinbar ist, insbesondere wenn sie mit Längsschnittdaten, Instrumentalvariablen oder strengen statistischen Kontrollen kombiniert wird, aber sie kann Kausalität nicht auf dieselbe Weise definitiv feststellen wie ein randomisiertes kontrolliertes Experiment. Der Forscher muss diese Einschränkung anerkennen und alternative Erklärungen für die beobachteten Beziehungen diskutieren.
Wie unterscheidet sich erklärende Forschung von explorativer Forschung?
Explorative Forschung wird durchgeführt, wenn relativ wenig über ein Phänomen bekannt ist und das Ziel darin besteht, Hypothesen zu generieren oder relevante Variablen zu identifizieren. Erklärende Forschung beginnt dort, wo die Exploration endet: Sie geht davon aus, dass bereits eine ausreichende theoretische Basis existiert und testet spezifische Hypothesen darüber, warum das Phänomen auftritt. In der Praxis bewegt sich ein Forschungsprogramm oft über mehrere Studien hinweg von explorativen zu erklärenden Phasen.
Welche statistischen Methoden sind typisch in der erklärenden Forschung?
Multiple lineare oder logistische Regression, hierarchische Regression, Strukturgleichungsmodellierung (SEM), Kovarianzanalyse (ANCOVA), Mediations- und Moderationsanalyse (z. B. das PROCESS-Makro) und Pfadanalyse werden alle häufig verwendet. Die Wahl hängt von der Anzahl und Art der erklärenden Variablen, der Art des Ergebnisses und davon ab, ob mediierende oder moderierende Pfade hypothesisiert werden.
Wie groß muss meine Stichprobe sein?
Die Anforderungen an die Stichprobengröße hängen von der statistischen Technik, der Anzahl der Prädiktoren und der erwarteten Effektstärke ab. Für die multiple Regression ist eine gängige Heuristik 10–20 Fälle pro Prädiktorvariable; für SEM wird oft ein Minimum von 200 Fällen genannt. Eine Power-Analyse (z. B. mit G*Power) vor der Datenerhebung wird dringend empfohlen, um sicherzustellen, dass die Studie die durch die zu testende Theorie spezifizierten Effektstärken erkennen kann.
Verwandte Methoden
Quellen
Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.
ISBN: 978-0030417559Kopiert.Babbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.
ISBN: 978-0495598428Kopiert.