Zum Inhalt springen
Zurück zu den Suchergebnissen

Längsschnittliche Umfrageforschung — Wiederholte Messungen im Umfragedesign

Eingeführt von
Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
Jahr
Mid-20th century (formalized ~1950s–1970s)
Typ
Quantitative observational 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?

Längsschnittliche Umfrageforschung sammelt strukturierte Fragebogendaten von denselben Individuen (oder Einheiten) zu zwei oder mehr Zeitpunkten.

Im Gegensatz zu einer einmaligen Querschnittsumfrage erfasst dieses Design Veränderungen, Stabilität und zeitliche Reihenfolgen von Variablen – und ermöglicht es Forschern, Trajektorien zu verfolgen, kausale Sequenzen zu testen und Kohorteneffekte von Alterungseffekten innerhalb eines quantitativen Rahmens zu unterscheiden.

Die Intuition hinter der Methode

Stellen Sie sich vor, Sie möchten wissen, ob ein neuer Lehrplan tatsächlich die Einstellung von Schülern zur Mathematik über ein Jahr hinweg verbessert – nicht nur, wie die Einstellungen zu einem bestimmten Zeitpunkt aussehen. Eine Längsschnittumfrage folgt denselben Schülern zu Beginn des Jahres, zur Mitte des Jahres und am Ende des Jahres und stellt jedes Mal identische oder parallele Fragen. Da dieselben Personen wiederholt antworten, können Sie die Veränderung jedes Einzelnen direkt vergleichen, anstatt sie aus verschiedenen Personen zu verschiedenen Zeiten abzuleiten. Die zeitliche Struktur ist es, die diesem Design seine analytische Kraft verleiht: Sie können Sequenzen von Veränderungen beobachten, nicht nur Momentaufnahmen.

Geschichte

Die Verwendung von über die Zeit wiederholten Umfragen entstand in den Sozialwissenschaften Mitte des 20. Jahrhunderts. W.S. Robinsons Arbeit von 1950 über ökologische und individuelle Korrelationen lenkte die Aufmerksamkeit auf die Grenzen von Querschnittsdaten für individuelle Schlussfolgerungen und motivierte Panel-Designs. Groß angelegte längsschnittliche Umfrageprogramme – einschließlich des Panel Study of Income Dynamics (PSID, gestartet 1968) und der National Longitudinal Surveys (NLS) in den Vereinigten Staaten – demonstrierten die Machbarkeit und den wissenschaftlichen Wert der Verfolgung derselben Befragten über Jahrzehnte. Scott Menards Handbuch (1991, 2. Aufl. 2002) und Peter Lynns Sammelband zur Methodik längsschnittlicher Umfragen (2009) kodifizierten Best Practices für Stichprobendesign, Schwundmanagement und Analyse.

Wann wird sie eingesetzt?

Verwenden Sie längsschnittliche Umfrageforschung, wenn die Kernfrage die Veränderung über die Zeit, die zeitliche Reihenfolge von Variablen oder die Entwicklung von Ergebnissen innerhalb von Individuen oder Einheiten betrifft – Fragen, die eine Querschnittsumfrage nicht beantworten kann. Sie eignet sich gut zur Untersuchung von Einstellungsänderungen, Entwicklungsverläufen, Karrierewegen, Gesundheitsverhalten und politischen Auswirkungen, wenn eine experimentelle Manipulation weder möglich noch ethisch vertretbar ist. Das Design erfordert eine stabile, nachverfolgbare Stichprobe; ausreichende Finanzierung und institutionelle Kapazität für die Datenerhebung über mehrere Wellen; und die Bereitschaft, mit Schwund umzugehen. Verwenden Sie sie NICHT, wenn: (1) nur eine Prävalenzschätzung zu einem Zeitpunkt benötigt wird – eine Querschnittsumfrage ist effizienter; (2) der Studienzeitraum zu kurz für aussagekräftige Veränderungen ist; (3) die Nachverfolgung von Teilnehmern operativ unmöglich ist; oder (4) wiederholte Messungen wahrscheinlich Testeffekte hervorrufen, die das zu messende Konstrukt verfälschen.

Grenzen und Hinweise

  • Panel-Schwund bedroht die interne Validität: Teilnehmer, die ausfallen, unterscheiden sich oft systematisch von denen, die bleiben, was zu Selektionsverzerrungen führt.
  • Die wiederholte Anwendung desselben Instruments kann Testeffekte hervorrufen – Teilnehmer lernen oder werden für die Fragen sensibilisiert, was scheinbare Veränderungen aufbläht.
  • Logistisch anspruchsvoll und teuer: Die Nachverfolgung von Teilnehmern, die Verwaltung von Kontaktinformationen und die Aufrechterhaltung des Engagements über Wellen hinweg erfordern erhebliche Ressourcen.
  • Lange Zeiträume bedeuten, dass externe Ereignisse (historische Effekte, Pandemien, politische Verschiebungen) zwischen den Wellen zu Störfaktoren werden, die schwer von den interessierenden Konstrukten zu trennen sind.
  • Die Messinvarianz muss über die Wellen hinweg etabliert werden, bevor Veränderungswerte interpretiert werden; das Versäumnis, sie zu testen, kann zu fehlerhaften Schlussfolgerungen über Veränderungen führen.

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

Stärken

  • Stellt zeitliche Vorrangigkeit her – eine Voraussetzung für kausale Schlussfolgerungen –, indem die Reihenfolge von Variablenveränderungen innerhalb derselben Teilnehmer erfasst wird.
  • Trennt individuelle Veränderungen von Unterschieden zwischen Personen und liefert präzisere Schätzungen als Querschnittsvergleiche.
  • Erkennt Kohorten-, Perioden- und Alterseffekte, die erst sichtbar werden, wenn dieselben Individuen über die Zeit verfolgt werden.
  • Skalierbar auf große, national repräsentative Stichproben, die Schlussfolgerungen auf Populationsebene über Veränderungstrajektorien ermöglichen.
  • Kompatibel mit einer breiten Palette von Analyseverfahren (GCM, CLPM, SEM), die die zeitliche Struktur der Daten nutzen.
  • Effizienter als die Rekrutierung neuer Kohorten in jeder Welle, wenn dieselbe Population über die Zeit untersucht wird.

Anwendungen

  • Verfolgung von Veränderungen der akademischen Motivation, des Selbstwirksamkeitsgefühls oder des Wohlbefindens von Schülern über Schuljahre oder Studiengänge hinweg.
  • Beobachtung der Entwicklung politischer Einstellungen, Wahlintentionen oder bürgerlichen Engagements in nationalen Wahlpanels.
  • Untersuchung von Veränderungen des Gesundheitsverhaltens – körperliche Aktivität, Ernährung, Substanzkonsum – über Monate oder Jahre in Kohortenstudien.
  • Bewertung der langfristigen Arbeitsmarktergebnisse von Absolventen verschiedener Bildungswege.
  • Bewertung der anhaltenden Auswirkungen von Public-Health-Kampagnen oder Bildungsinterventionen nach Ende des aktiven Programms.
  • Untersuchung, wie sich organisatorische Einstellungen (Arbeitszufriedenheit, Engagement) im Laufe der Zeit auf Veränderungen der Arbeitsplatzpolitik auswirken.

So funktioniert es

So funktioniert es

1

Der Forscher definiert die Forschungsfragen, wählt die Zielpopulation aus, bestimmt die Anzahl der Messwellen und die Zeitintervalle zwischen ihnen und erstellt oder adaptiert ein Umfrageinstrument, das über die Wellen hinweg konsistent ist. Die Stichprobengröße muss den erwarteten Schwund berücksichtigen, und informierte Einverständniserklärungen sollten von Anfang an die Teilnahme an mehreren Wellen regeln.

2

Die erste Welle (Zeitpunkt 1) der Umfrage wird bei der rekrutierten Stichprobe durchgeführt und erfasst Basiswerte aller Schlüsselvariablen – Ergebnisse, Prädiktoren und Kovariaten. Hohe Rücklaufquoten bei dieser Welle sind entscheidend, da jeder Teilnehmer, der zu Beginn verloren geht, in späteren Analysen nicht wiederhergestellt werden kann.

3

Bei jeder nachfolgenden Welle (Zeitpunkt 2, Zeitpunkt 3, …) werden dieselben Teilnehmer erneut kontaktiert und erneut dem Umfrageinstrument unterzogen. Konsistente Fragestellungen, Antwortformate und Erhebungsmodi über die Wellen hinweg erhalten die Messäquivalenz und ermöglichen es, echte Score-Veränderungen von Messartefakten zu unterscheiden.

4

Der Panel-Schwund – der Ausfall von Teilnehmern zwischen den Wellen – wird bewertet, indem die Teilnehmer, die die Welle abgeschlossen haben, mit denen verglichen werden, die sie nicht abgeschlossen haben, anhand von Basismerkmalen. Wenn sich die Ausfallenden systematisch von den Fortsetzern unterscheiden (selektiver Schwund), werden analytische Strategien wie multiple Imputation, inverse Wahrscheinlichkeitsgewichtung oder Full-Information Maximum Likelihood-Schätzung angewendet, um Verzerrungen zu reduzieren.

5

Längsschnittdaten werden mit Methoden analysiert, die für wiederholte Messungen geeignet sind: Wachstumskurvenmodelle, latente Veränderungsmodelle, Kreuz-Lag-Panel-Modelle, verallgemeinerte Schätzgleichungen oder gemischte Regressionsmodelle. Das gewählte Modell hängt davon ab, ob das Hauptinteresse auf der Veränderung auf mittlerer Ebene, individuellen Trajektorien oder reziproken kausalen Beziehungen zwischen Variablen über die Zeit liegt.

Häufige Fallstricke

  • Ignorieren des selektiven Schwunds: Die Annahme, dass die Teilnehmer, die die Welle abschließen, repräsentativ für die ursprüngliche Stichprobe sind, ohne den differentiellen Ausfall zu prüfen, führt zu verzerrten Schätzungen der Veränderung.
  • Das Ändern des Umfrageinstruments zwischen den Wellen: Selbst geringfügige Wortänderungen oder Modifikationen der Antwortskalen machen direkte Score-Vergleiche über die Zeit ungültig.
  • Unterdimensionierte Basisstichprobe: Die Berechnung der Stichprobengröße nur für die Querschnittsstärke ohne Aufschlag für den erwarteten Schwund führt dazu, dass die Studie in späteren Wellen unterdimensioniert ist.
  • Behandlung der Welle als feste Wirkung ohne Modellierung des Wachstums: Die Durchführung separater ANOVAs pro Welle anstelle eines Wachstums- oder gemischten Modells verwirft die Längsschnittinformationen und erhöht den Fehler 1. Art.
  • Berichterstattung nur über Gruppenmittelwerte: Heterogenität in individuellen Trajektorien ist oft die inhaltlich wichtige Erkenntnis; aggregierte Trends können divergierende Untergruppen maskieren.

Häufig gestellte Fragen

Wie unterscheidet sich längsschnittliche Umfrageforschung von einer Panelstudie?

Die Begriffe überschneiden sich erheblich. Eine Panelstudie ist eine spezifische Art der längsschnittlichen Umfrage, bei der genau dieselben Individuen bei jeder Welle befragt werden. Längsschnittliche Umfrageforschung ist die breitere Kategorie; sie umfasst auch Trendstudien (unterschiedliche Zufallsstichproben aus derselben Population bei jeder Welle) und Kohortenstudien (dieselbe Geburts- oder Eintrittskohorte, aber nicht notwendigerweise dieselben Befragten). Wenn Leute von 'längsschnittlicher Umfrage' sprechen, meinen sie meist ein Paneldesign, aber Präzision ist wichtig bei der Wahl der Analysemethode.

Wie viele Wellen sind notwendig?

Eine Mindestanzahl von zwei Wellen ist erforderlich, um Veränderungen zu beobachten, aber zwei Wellen unterstützen nur begrenzte Modelle (Differenzwerte, einfache Pre-Post-Regression). Drei oder mehr Wellen sind erforderlich, um Wachstumstrajektorien zu schätzen, nichtlineare Veränderungen zu testen und Kreuz-Lag-Panel-Modelle anzuwenden. Die optimale Anzahl von Wellen hängt von der erwarteten Form der Veränderung und dem analytischen Modell ab – mehr Wellen bieten größere Aussagekraft, um Trajektorien zu erkennen und zu charakterisieren.

Wie gehe ich mit fehlenden Daten von Ausfallenden um?

Zuerst bewerten Sie, ob der Schwund zufällig fehlt (MCAR), zufällig fehlt (MAR) oder nicht zufällig fehlt (MNAR) ist, indem Sie Ausfallende mit Abschlussnehmenden anhand von Basisvariablen vergleichen. Unter MAR – der am besten begründbaren Annahme in den meisten Panelstudien – sind Full-Information Maximum Likelihood (FIML)-Schätzung oder multiple Imputation die bevorzugten Ansätze. Einfache Listenbereinigung ist fast nie angemessen, da sie nutzbare Daten verwirft und verzerrte Schätzungen liefert, wenn der Ausfall nicht vollständig zufällig ist.

Kann eine längsschnittliche Umfrage Kausalität nachweisen?

Zeitliche Vorrangigkeit (eine notwendige Bedingung für Kausalität) kann nachgewiesen werden, wenn ein Prädiktor in Welle 1 ein Ergebnis in Welle 2 vorhersagt, nachdem das Ergebnis in Welle 1 kontrolliert wurde, unter Verwendung von Kreuz-Lag-Panel-Modellen oder Differenzwertregression. Unbeobachtete Störfaktoren, die stabil bleiben oder sich zwischen den Wellen ändern, können kausale Schätzungen jedoch immer noch verzerren. Längsschnittliche Umfragen liefern stärkere Beweise als Querschnittsdesigns, bleiben aber beobachtend; randomisierte Experimente sind der Goldstandard für kausale Schlussfolgerungen.

Wie stelle ich sicher, dass mein Umfrageinstrument in jeder Welle dasselbe Konstrukt misst?

Durch die Bestimmung der Messinvarianz mittels konfirmatorischer Faktorenanalyse (CFA) (Vandenberg & Lance, 2000). Mindestens konfigurale und metrische Invarianz sollten etabliert sein, bevor latente Mittelwerte verglichen werden; skalare Invarianz ist erforderlich, um beobachtete Mittelwerte zu vergleichen. Wenn partielle Invarianz gefunden wird, beschränken Sie nur die invarianten Parameter und interpretieren Sie Veränderungen an den nicht-invarianten Items mit Vorsicht.

Verwandte Methoden

Quellen

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    ISBN: 978-0761922452
    Kopiert.
  2. Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.

    ISBN: 978-0470018712
    Kopiert.