Umfrageforschung — Umfrageforschungsdesign
- Eingeführt von
- Francis Galton, Charles Booth, and early social statisticians; systematised by Paul Lazarsfeld and colleagues at Columbia in the 1940s
- Jahr
- Late 19th century; methodologically systematised 1940s–1960s
- Typ
- Quantitative (and mixed) non-experimental design
- Familie
- Survey / observational design
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Umfrageforschung ist ein quantitatives (und manchmal Mixed-Methods-) Design, bei dem ein Forschender standardisierte Selbstauskunftsdaten von einer Stichprobe sammelt, die aus einer definierten Population gezogen wird, unter Verwendung eines Fragebogens oder eines strukturierten Interviews.
Es ist die dominierende nicht-experimentelle Strategie zur Beschreibung von Populationsmerkmalen, zur Schätzung der Prävalenz, zur Kartierung von Einstellungsverteilungen und zur Prüfung bivariater oder multivariater Assoziationen in den Sozial-, Verhaltens- und Gesundheitswissenschaften.
Die Intuition hinter der Methode
Stellen Sie sich eine Umfrage als ein standardisiertes Messinstrument vor, das gleichzeitig auf viele Personen angewendet wird. Anstatt jeden Teilnehmenden eingehend zu beobachten, stellt der Forschende jedem Befragten dieselben Fragen. Der resultierende Datensatz ist rechteckig: Zeilen sind Personen, Spalten sind Variablen. Die Magie der Umfrageforschung ist die Aggregation – selbst wenn einzelne Antworten verrauscht sind, können Muster über Hunderte von Befragten hinweg populationsweite Wahrheiten mit quantifizierbarer Sicherheit aufdecken. Der zentrale Kompromiss ist Breite versus Tiefe: Umfragen erfassen viele Variablen über viele Personen hinweg, können aber die Erfahrung einer einzelnen Person nicht mit der Reichhaltigkeit untersuchen, die ein Interview bieten würde.
Geschichte
Die systematische Sozialforschung entstand im späten neunzehnten Jahrhundert mit Charles Booths Armutskarten von London (1889–1903) und ähnlichen Bemühungen von Seebohm Rowntree. Die moderne probabilistische Umfrage wurde durch die Entwicklung der Zufallsstichprobentheorie – Jerzy Neymans Arbeit von 1934 über geschichtete Stichproben war ein Meilenstein – und durch die Industrialisierung der öffentlichen Meinungsumfragen durch Gallup, Roper und Crossley in den 1930er Jahren geprägt. Paul Lazarsfeld und Kollegen an der Columbia University formalisierten die Umfragemethodik für die Sozialwissenschaften in den 1940er Jahren. Floyd Fowler, Don Dillman und Robert Groves erstellten anschließend die kanonischen methodologischen Handbücher, die die aktuelle Best Practice definieren.
Wann wird sie eingesetzt?
Umfrageforschung ist geeignet, wenn das Ziel darin besteht, Merkmale von oder Beziehungen zwischen Variablen in einer definierten Population zu beschreiben – insbesondere wenn direkte Beobachtung oder Experimente unpraktisch sind. Sie ist die Methode der Wahl für die Einstellungsmessung, Bedarfsanalyse, Programmevaluation und epidemiologische Prävalenzstudien. Verwenden Sie sie, wenn Variablen nicht manipuliert werden können und wenn eine standardisierte Messung vieler Teilnehmender machbar ist. Verwenden Sie Umfrageforschung nicht, wenn die Forschungsfrage ein tiefes Verständnis subjektiver Bedeutung erfordert (verwenden Sie Phänomenologie oder narrative Forschung), wenn kausale Schlussfolgerungen aus manipulierten Bedingungen erforderlich sind (verwenden Sie experimentelle oder quasi-experimentelle Designs) oder wenn die interessierende Population zu klein oder unzugänglich ist, um eine brauchbare Rücklaufquote zu erzielen.
Grenzen und Hinweise
- Querschnittsdesigns (die häufigste Form) können keine zeitliche Vorrangigkeit feststellen oder Störfaktoren ausschließen, was die kausale Inferenz einschränkt.
- Selbstauskunftsdaten sind anfällig für Common-Method-Variance, Social-Desirability-Bias und Response-Acquiescence-Effekte.
- Non-Response-Bias ist eine anhaltende Bedrohung – Befragte, die die Umfrage ausfüllen, können sich systematisch von Nicht-Befragten unterscheiden.
- Itemformulierung, Format der Antwortskala und Fragenreihenfolge können die Antworten erheblich beeinflussen, auf eine Weise, die schwer zu erkennen ist.
- Die Informationstiefe pro Befragtem ist begrenzt; komplexe Konstrukte können durch eine kleine Anzahl von Items schlecht erfasst werden.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Ermöglicht die Beschreibung und Analyse großer, geografisch verteilter Populationen zu relativ geringen Kosten pro Befragtem.
- Standardisierte Instrumente maximieren die Vergleichbarkeit zwischen Befragten und die Replikation über Studien hinweg.
- Die Wahrscheinlichkeitsstichprobe unterstützt die statistische Generalisierung auf eine definierte Population mit quantifizierter Unsicherheit.
- Flexible Art der Durchführung (online, postalisch, telefonisch, persönlich) ermöglicht die Anpassung an die Zielpopulation.
- Erzeugt strukturierte Datensätze, die für eine Vielzahl inferenzstatistischer Verfahren geeignet sind.
- Kann eine große Anzahl von Variablen gleichzeitig messen und ermöglicht so die multivariate Analyse komplexer Beziehungen.
Anwendungen
- Nationale Gesundheitsumfragen zur Schätzung der Krankheitsprävalenz, des Gesundheitsrisikoverhaltens und der Gesundheitsversorgung bei erwachsenen Populationen.
- Mitarbeiterengagement- und Organisationsklima-Umfragen zur Überwachung der Einstellungen am Arbeitsplatz und zur Steuerung der Personalpolitik.
- Bildungsbewertungsumfragen zur Messung von Lernerfahrungen, Selbstwirksamkeit und Zufriedenheit von Studierenden in der Hochschulbildung.
- Meinungsumfragen zur Ermittlung politischer Einstellungen, Wahlabsichten und Politikpräferenzen vor Wahlen.
- Programmevaluierungsumfragen zur Erfassung der Zufriedenheit der Teilnehmenden und selbstberichteter Ergebnisdaten für soziale Interventionen.
- Marktforschungsfragebögen zur Kartierung von Verbraucherpräferenzen, Markenwahrnehmungen und Kaufverhalten.
So funktioniert es
So funktioniert es
Der Forschende spezifiziert die Forschungsfragen und interessierenden Konstrukte – was die Umfrage messen muss und für welche Population. Die Ziele bestimmen, ob das Design rein deskriptiv (Schätzung der Prävalenz), relational (Prüfung von Assoziationen) oder prädiktiv (Modellierung von Ergebnissen) ist. Klare Ziele verhindern eine Überfrachtung des Instruments und halten die Analyse fokussiert.
Einzelne Items (Fragen) werden entworfen und verfeinert, um jedes Konstrukt zu operationalisieren. Itemformulierung, Art der Antwortskala (Likert, semantisches Differential, dichotom, offen), Reihenfolge und Sprunglogik sind alles Entscheidungen, die in dieser Phase getroffen werden. Pilottests mit einer kleinen Gelegenheitsstichprobe werden verwendet, um mehrdeutige Formulierungen zu identifizieren und die Bearbeitungszeit abzuschätzen, bevor das Instrument finalisiert wird.
Eine Stichprobenstrategie wird gewählt, um Befragte aus der Zielpopulation zu ziehen. Wahrscheinlichkeitsdesigns (einfache Zufallsstichprobe, geschichtete Stichprobe, Cluster-Stichprobe, systematische Stichprobe) ermöglichen eine statistische Generalisierung auf die Population; Nicht-Wahrscheinlichkeitsdesigns (Gelegenheitsstichprobe, gezielte Stichprobe, Schneeballstichprobe) tun dies nicht, sind aber für explorative oder konfirmatorische Arbeiten akzeptabel, bei denen Repräsentativität nicht das Ziel ist. Die erforderliche Stichprobengröße wird aus den Erwartungen an die Effektgröße, der gewünschten Power und der akzeptablen Fehlermarge geschätzt.
Das Instrument wird über den gewählten Modus verabreicht – online (Web-Umfrageplattformen), per Post, Telefon oder persönliches Interview. Die Wahl des Modus beeinflusst die Rücklaufquote, den Social-Desirability-Bias und den Zugang zu Subpopulationen. Erinnerungen werden verschickt, um die Rücklaufquoten zu verbessern, und die Verfolgung der Rücklaufquote wird während der gesamten Feldarbeit aufrechterhalten.
Abgeschlossene Antworten werden bereinigt (Umgang mit fehlenden Daten, Werten außerhalb des Bereichs und Straight-Lining) und dann analysiert. Deskriptive Statistiken fassen Item- und Skalenverteilungen zusammen. Inferenzstatistische Analysen – t-Tests, ANOVA, Chi-Quadrat, Regression, Strukturgleichungsmodelle – werden ausgewählt, um die Forschungsfragen zu beantworten. Umfragewichtungen werden angewendet, wenn ein Wahrscheinlichkeitsdesign verwendet wurde und die Rücklaufquoten über die Schichten hinweg variierten.
Die Ergebnisse werden in Bezug auf die Forschungsfragen interpretiert und in den Kontext der vorhandenen Literatur gestellt. Berichte enthalten Stichprobendetails, Rücklaufquote, Indizes der Instrumentenreliabilität (z. B. Cronbachs Alpha für Multi-Item-Skalen), Effektstärken und Konfidenzintervalle. Einschränkungen bezüglich Non-Response-Bias, Common-Method-Variance und Generalisierbarkeit werden transparent diskutiert.
Häufige Fallstricke
- Instrumentenüberfrachtung – die Aufnahme jedes potenziell interessanten Items verlängert die Bearbeitungszeit, erhöht die Abbruchquoten und erzeugt einen Datensatz, der zu groß ist, um kohärent analysiert zu werden; priorisieren Sie Items, die die Forschungsfragen direkt beantworten.
- Vernachlässigung des Pilottests – Items, die dem Forschenden klar erscheinen, werden von den Befragten oft missverstanden; ein kleiner Pilot (n = 5–10) fängt die meisten Formulierungsprobleme ab, bevor die Umfrage im großen Maßstab durchgeführt wird.
- Behandlung einer Gelegenheitsstichprobe als repräsentativ – Ergebnisse aus einer Nicht-Wahrscheinlichkeitsstichprobe können nur mit großer Vorsicht generalisiert werden; geben Sie Stichprobenbeschränkungen explizit an und vermeiden Sie populationsweite Prävalenzaussagen.
- Ignorieren des Non-Response-Bias – eine niedrige Rücklaufquote entwertet eine Studie nicht automatisch, aber eine Analyse, die frühe und späte Befragte (oder Befragte und bekannte Nicht-Befragte) vergleicht, ist notwendig, um die Bedrohung zu bewerten.
- Weglassen von Reliabilitäts- und Validitätsnachweisen für Multi-Item-Skalen – die Angabe von Cronbachs Alpha und, wo angebracht, von Ergebnissen der konfirmatorischen Faktorenanalyse wird in peer-reviewten Publikationen erwartet.
Häufig gestellte Fragen
Wie groß muss meine Umfragestichprobe sein?
Die erforderliche Stichprobengröße hängt von der erwarteten Effektgröße, der gewünschten statistischen Power (konventionell 0.80), dem Signifikanzniveau (typischerweise 0.05) und der Komplexität der geplanten Analysen ab. Für einen einfachen Vergleich zweier Gruppen, der einen mittleren Effekt (d = 0.50) mit 80% Power aufdeckt, benötigen Sie ungefähr 64 pro Gruppe. Strukturgleichungsmodelle erfordern typischerweise mindestens 200 vollständige Fälle. Verwenden Sie eine A-priori-Poweranalyse (z. B. G*Power) anstelle von Faustregeln und fügen Sie 20–30% hinzu, um erwartete unvollständige Antworten zu berücksichtigen.
Ist eine niedrige Rücklaufquote ein fataler Fehler?
Eine niedrige Rücklaufquote ist eine Bedrohung, nicht automatisch ein fataler Fehler. Entscheidend ist, ob sich die Befragten systematisch von den Nicht-Befragten in studienrelevanten Variablen unterscheiden. Führen Sie eine Non-Response-Bias-Analyse durch – vergleichen Sie frühe und späte Befragte hinsichtlich wichtiger demografischer Merkmale oder vergleichen Sie Ihr Stichprobenprofil mit bekannten Populationsbenchmarks – und berichten Sie die Ergebnisse. Erkennen Sie die verbleibende Unsicherheit bezüglich der Generalisierung an, auch wenn die Analyse beruhigend ist.
Was ist Common-Method-Variance und wie gehe ich damit um?
Common-Method-Variance (CMV) ist eine scheinbare Kovarianz zwischen Variablen, die dadurch verursacht wird, dass sie mit demselben Instrument zur gleichen Zeit gemessen wurden – was die beobachteten Korrelationen aufbläht. Verfahrenstechnische Abhilfemaßnahmen umfassen die zeitliche Trennung der Messung von Prädiktor und Ergebnis, die Verwendung unterschiedlicher Antwortformate für verschiedene Konstrukte und die Einbeziehung einer Marker-Variablen. Statistische Prüfungen wie Harms Single-Factor-Test oder der ungemessene latente Faktoransatz können CMV erkennen, aber nicht vollständig korrigieren.
Wann sollte ich eine Online-Umfrage einer postalischen oder telefonischen Umfrage vorziehen?
Online-Umfragen sind kostengünstig, schnell und geeignet, wenn die Zielpopulation einen zuverlässigen Internetzugang hat – die meisten Erwachsenen im erwerbsfähigen Alter in entwickelten Ländern. Postalische Umfragen bleiben wertvoll für ältere Populationen oder solche ohne Internetzugang, allerdings auf Kosten einer langsameren Bearbeitungszeit und höherer Kosten pro Antwort. Telefonumfragen haben sinkende Rücklaufquoten, ermöglichen aber eine komplexe Verzweigungslogik und erreichen Populationen ohne Internet. Mixed-Mode-Designs (die mehrere Antwortkanäle anbieten) erzielen typischerweise höhere Rücklaufquoten als jeder einzelne Modus.
Kann eine Umfrage Kausalität feststellen?
Eine einzelne Querschnittsumfrage kann keine Kausalität feststellen, da ihr die zeitliche Ordnung und die zufällige Zuweisung fehlen. Längsschnittliche Paneldesigns, die dieselben Befragten zu mehreren Zeitpunkten messen, können die zeitliche Vorrangigkeit feststellen, was eine notwendige (aber nicht hinreichende) Bedingung für Kausalität ist. Cross-Lagged-Panel-Modelle und Random-Intercept-Cross-Lagged-Panel-Modelle können stabile individuelle Unterschiede kontrollieren und so die kausale Inferenz stärken, aber ungemessene Störfaktoren bleiben eine Bedrohung. Für eindeutige kausale Aussagen sind experimentelle oder quasi-experimentelle Designs erforderlich.
Verwandte Methoden
Quellen
Fowler, F. J. (2014). Survey Research Methods (5th ed.). Sage Publications.
ISBN: 978-1452259000Kopiert.Dillman, D. A., Smyth, J. D., & Christian, L. M. (2014). Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method (4th ed.). Wiley.
ISBN: 978-1118456149Kopiert.