Prekäre Beschäftigungsverhältnisse, Partnerschaftsqualität und der aktuelle Kinderwunsch

Mitte März (18./19.3.) wird ein Beitrag von uns (zusammen mit Ina Berninger und Michael Wagner) auf dem Bib-Workshop “Lebensformen in Krisenzeiten” präsentiert, der sich mit “Prekäre Beschäftigungsverhältnisse, Partnerschaftsqualität und der aktuelle Kinderwunsch” befasst.

Nachfolgend ein Auszug aus dem Vortragsabstract:

Im Beitrag wird untersucht, ob prekäre Beschäftigungsverhältnisse in Form von niedrigem Einkommen oder subjektiver Unzufriedenheit mit der Arbeitsplatzsicherheit, den aktuellen Kinderwunsch beeinflussen. Während das Einkommen von Männern als Haupternährer der Familie einen positiven Effekt auf die Fertilitätsentscheidung haben sollte, führt ein hohes Einkommen bei Frauen zu Opportunitätskosten, welche den aktuellen Kinderwunsch negativ beeinflussen sollten. Die Unzufriedenheit mit der Arbeitsplatzsicherheit resultiert möglicherweise nur bei schlecht ausgebildeten Frauen in einen verstärkten Kinderwunsch. Diese Frauen streben die Mutterschaft an, da sie nicht die Mittel haben, ihre unsichere Beschäftigungssituation zu verbessern.

Des Weiteren wird im Beitrag nicht nur der direkte Effekt der beruflichen Situation auf eine Fertilitätsentscheidung betrachtet, sondern ferner die indirekte, vermittelnde Auswirkung der Partnerschaftsqualität bestimmt. Hierbei wird angenommen, dass ein prekäres Beschäftigungsverhältnis als externer Stressfaktor die Konflikthäufigkeit in Partnerschaften erhöht und das Konfliktverhalten der Partner verschlechtert. Dies führt im Weiteren zu einer niedrigeren Partnerschaftsqualität, was wiederum den aktuellen Kinderwunsch negativ beeinflussen sollte.

Die Analysen basieren auf einer Teilstichprobe des  deutschen  Generations and Gender Surveys. Es werden kinderlose Paare betrachtet, bei denen  der weibliche Partner zwischen 18 und 45 Jahren alt ist.

Erste Analyseergebnisse zeigen, dass der aktuelle Kinderwunsch nur schwach mit der Einkommenssituation und der Zufriedenheit mit der Arbeitsplatzsicherheit assoziiert ist. Sehr deutlich zeigt sich hingegen, dass ein Kinderwunsch umso wahrscheinlicher wird, je besser die Qualität der Partnerschaft ist. Die Konflikthäufigkeit und das Konfliktverhalten vermitteln den Zusammenhang zwischen der Beschäftigungssituation und der Qualität der Partnerschaft. Bei Frauen ist in dieser Hinsicht die Einkommenssituation bedeutsam, für Männer die Zufriedenheit mit der Arbeits-
platzsicherheit. Diese Ergebnisse lassen vermuten, dass ein weiterer Anstieg prekärer Beschäftigungsverhältnisse den Kinderwunsch negativ beeinflusst und damit die Fertilität reduziert.

Wir werden unsere Befunde auch noch auf der Frühjahrstagung der Sektionen “Soziale Ungleichheit und Sozialstrukturanalyse” und “Familiensoziologie” in der Deutschen Gesellschaft für Soziologie mit dem Titel “(Re-)Produktion von Ungleichheit durch Arbeit und Familie. Veränderungen in den 20 Jahren seit der Wende” vom 15.-16. April 2010 vorstellen.

Using a Combination of Individual and Aggregate Participant Data in Meta-Analysis: A Case Study on the Determinants of Unexcused School Absenteeism

Ende März geht es dann nach Dortmund auf die DAGStat 2010. Dort werde ich folgendes Paper vorstellen: “Using a Combination of Individual and Aggregate Participant Data in Meta-Analysis: A Case Study on the Determinants of Unexcused School Absenteeism“.

Nachfolgend die Zusammenfassung des Vortrags:

Meta-analysis of individual participant data (IPD) are known to be considerably less biased than those based on aggregate participant data (APD). In contrast to many other disciplines, German social scientists are in the comfortable situation of having direct access to most individual participant datasets via the GESIS Data Archive for the Social Sciences. However, some social scientists do not share their datasets but publish their findings in journals or books. So, being interested in conducting a meta-analysis using \emph{all} available evidence, we have to deal with a mixture of APD and IPD. \citet{sutton:2008} introduced a new approach which allows synthesizing both individual level and aggregate level binary outcome data while exploring the effects of binary covariates. These are also available through a combination of individual participant and aggregate level data. This approach is based on a Bayesian framework and BUGS language is used to implement the models.

Based on 11 individual participant datasets, \citet{weiss:2008} conducted a meta-analysis on the determinants of unexcused school absenteeism. In particular, the analysis focused on the interaction between attending the Hauptschule and having a migrational background for the risk of playing truant.This recently developed meta-analytical approach was tested in this case-study. 5 out of 11 datasets (approx. $48.000$ pupils) were artificially aggregated while the other 6 datasets (approx. $9.000$ pupils) remained unchanged. Having a mixture of APD and IPD one could compare the findings of a completely IPD based meta-analysis (11 studies), a reduced IPD meta-analysis (6 studies) as well as a fully APD based meta-analysis with this new approach. Given that a completely IPD based meta-analysis represents the best estimator, this newly developed method rendered the second best. Furthermore the analysis of the reduced IPD dataset resulted in the third-best estimator and completely biased results were obtained by an only APD based meta-analysis.

Finding Thetas in Europe – Applied Bayesian Statistics and MCMC Methods in the Social Sciences

Anfang April (8./9. April 2010) findet die initiale Konferenz “Finding Thetas in Europe – Applied Bayesian Statistics and MCMC Methods in the Social Science” in Mannheim statt, die ich zusammen mit Kölner und Mannheimer Kollegen organisiere — die meiste Arbeit dürften aber die Mannheimer Kollegen haben. Meines Wissens nach ist dies die erste (auf deutschem Boden) organisierte Zusammenkunft von Sozialwissenschaftler/innen, die Interesse an Bayesianischen & MCMC Methoden haben. Ich bin bereits sehr gespannt…

We aim to provide a platform for exchanging expertise on Bayesian methods and to build up a network for European scholars who share common methodological interests.

The conference is based on a workshop-format. Each participant has a 30 minute slot available at his/her disposal to present and discuss his/her research paper. This provides the framework for constructive feedback in a friendly and inspiring atmosphere. Please note that we do not expect you to submit polished papers, but we really welcome work in
progress!

Please register by 28th February 2010 at bayes(at)uni-mannheim.de. The participation fee is 15 Euros for workshop materials and snacks. Funding for accommodation can be provided upon approval of a pending grant application.

More information can be found here: http://www.fis.uni-koeln.de/findingthetas.html

We hope to welcome you all in Mannheim in spring 2010!

Best, the Bayes Conference Team

Konkreter Anlass für die nachfolgenden Notizen ist ein Artikel (s.u.) im Economist, den ich erst fast überlesen hätte und der mich dann doch länger beschäftigt hat als ich dachte. Über kritische Anmerkungen oder auftretende Verständnisfragen würde ich mich freuen.

Klimamodelle, Soziologie und Unsicherheit

Die Diskussion um Anwendungen/Probleme/Vorteile Bayesianischer Statistik findet sich inzwischen auch in Magazinen wie The Economist wieder. Der mit Gambling on tomorrow überschriebene Artikel erläutert die “Schwierigkeiten”, die sich aus einer Bayesianischen Perspektive mit der Modellierung des Klimas ergeben [1]. Die Autoren heben vor allem auf den “problematischen” Umgang mit so genannten Prior-Informationen ab und den Konsequenzen, die sich für die Vorhersagen von Klimaphänomenen ergeben. In verschiedenen Simulationsläufen lassen sich diese Prior-Annahmen variieren:

“But models are not given single runs. Since the future is uncertain, they are run thousands of times, with different values for the parameters, to produce a range of possible outcomes. The outcomes are assumed to cluster around the most probable version of the future. [...] The particular range of values chosen for a parameter is an example of a Bayesian prior assumption, since it is derived from actual experience of how the climate behaves—and may thus be modified in the light of experience. But the way you pick the individual values to plug into the model can cause trouble.”[2]

Die Vorhersage von Prozessen/Ereignissen setzt natürlich das Verstehen der kausalen Mechanismen voraus. Vorhersagen werden in der Soziologie nur selten vorgenommen, meist ist man mit dem Verstehen der sozialer Prozesse ausreichend beschäftigt. Implizit wird mit dem häufig praktizierten Schluss von der Stichprobe auf die Grundgesamtheit natürlich auch eine (Art von) Vorhersage getroffen. Was der oben zitierte Artikel insgesamt etwas randständig behandelt, ist eines der zentralen Motive angemessen zu betonen, sich mit bayesianischen Methoden zu befassen, nämlich dem angemessenen Umgang mit Unsicherheit. Jede Vorhersage (“Since the future is uncertain”), jede soziologische Inferenz ist mit Unsicherheit behaftet.

Kritische Anmerkungen zur gängigen Praxis

Bislang gründet sich die empirische Soziologie auf einem frequentistischen Konzept von (Inferenz)Statistik. Die frequentistische Statistik definiert Wahrscheinlichkeit als die relative Häufigkeit (“frequentistisch”) einer großen Zahl von Zufallsexperimenten. Je mehr Stichproben aus ein und derselben Grundgesamtheit gezogen werden können, desto besser (mit einer größeren Wahrscheinlichkeit) lässt sich der gesuchte Populationsparameter schätzen. Diese Situation ist hypothetisch, da zumeist nur eine einzige Stichprobe gezogen werden kann. Auf Grundlage aller (hypothetisch unendlich vielen) Stichprobenziehungen lässt sich eine (hypothetisch exakte) Schätzung des wahren/unveränderlichen/fixen Populationsparameters vornehmen. Doch wie sicher können wir auf Grundlage unserer Modellannahmen eigentlich sein, den “Entstehungsprozess” des Parameters angemessen beschrieben zu haben? Wäre nicht ein Ansatz fairer/transparenter, der ausdrücklich solche (subjektiven, von mir aus auch theortisch fundierten) Modellannahmen bei seinen Parameterschätzungen und vor allem bei den Maßen zur Reliabilität dieser Schätzungen (Fehlervarianz) berücksichtigt?

In der Bayesianischen Statistik wird dem Parameter vorab eine Prior-Wahrscheinlichkeit [3] zugewiesen. Der gesamte Modellierungsprozess setzt also, zumindest konzeptionell, bereits vor dem Vorliegen von Daten an, indem a priori Informationen über den Parameter bestimmt werden müssen. Formuliert (beziehungsweise formalisiert) werden diese so genannten Prior-Informationen in Form einer Wahrscheinlichkeitsverteilung. Prior-Informationen können als zusätzliche Datenpunkte interpretiert werden. Was sind die Konsequenzen? Liegt wenig empirisches Datenmaterial vor, dann beeinflussen Prior-Informationen die Parameterschätzungen stark. Ihr Einfluss sinkt mit zunehmenden Fallzahlen.

Wird einem Parameter aber eine Prior-Wahrscheinlichkeit zugewiesen, dann ist die Annahme schwierig, es gäbe eine unbekannte Konstante, die (mit Aufwand zwar) beliebig genau geschätzt werden kann. Mit dem Zuweisen eines Wahrscheinlichkeitsmodell wird die (subjektive) Ungewissheit über den “wahren” Wert zum Ausdruck gebracht. Beide Ansätze unterscheiden sich jedoch letztlich nicht darin, einen einzigen, festen Parameter anzunehmen.[4]

Wenn der Gedanke, eine Prior-Wahrscheinlichkeit zu formulieren, erst einmal akzeptabel erscheint, eröffnen sich die Vorzüge dieses Ansatzes: Einer der Vorteile Bayesianischen Denkens in der Statistik ist die Tatsache, dass sich konkrete Wahrscheinlichkeitsaussagen über die Zuverlässigkeit der Parameterschätzungen treffen lassen. Diese Wahrscheinlichkeit wird als Posterior-Wahrscheinlichkeit bezeichnet. Nach einigen mentalen Verrenkungen, das Wesen der statistischen Signifikanz und die Frage nach der H0 vs. H1 im Innersten erfassen zu können, habe ich diesen Umstand schätzen gelernt. Außerdem werden die Schätzungen en passant noch für die oben beschriebene Unsicherheit korrigiert.

Warum also nicht?

Warum befasst sich die Soziologie nicht mit einem solchen Ansatz? Fabio Rojas hat sich auf orgtheory.net dieser Frage gewidmet — leider nicht der Frage, warum es für die Soziologie Sinn machen sollte, sich mit Bayes zu befassen. Folgende Gründe, ergänzt um eigene Überlegungen lassen sich aufzählen:

1. Mangelnde Ausbildung und damit einhergehende Ignoranz neuen Verfahren gegenüber.
2. Geringe Akzeptanz seitens der peers in den Begutachtungsverfahren. Was natürlich den ersten Punkt verstärkt. Gleichzeitig wird dieser Ausbildungsmangel aber auch keine fähigen Gutachter hervorbringen — ein Teufelskreis.
3. Es gibt (bislang) keine leicht verständliche Software. Verbreitet sind Programme wie WinBUGS oder OpenBUGS, die wenig massenkompatibel sind . In R gibt es inzwischen einige Pakete, die Erleichterungen bringen, aber das setzt natürlich den Umgang mit R voraus. Hinzu kommt, dass die Schätzverfahren (MCMC), die solche Programme üblicherweise verwenden, alles andere als eingängig sind.
4. Fehlendes Marketing der Bayesianer und hier mach Rojas folgenden Vorschlag: “Bayesians simply haven’t packaged it right for mass consumption yet. Suggested motto – ‘Confidence intervals that you can understand!’ I’d buy it”.
5. Im vierten Punkt wird auf die so genannten credibility intervals angespielt, die üblicherweise “breiter” als Konfidenzintervalle sind. Was natürlich auch als “Nachteil” im Sinne fehlender statistischer Bedeutsamkeit und damit geringerer Veröffentlichungswahrscheinlichkeit verstanden werden kann (Stichwort publication bias).

Weiterführende Literatur

• Eines der Standardwerke haben sicherlich Gelman et al. (2003) mit “Bayesian Data Analysis” verfasst. Ist aber keine leichte Lektüre.
• Von Scott M. Lynch ist kürzlich erst eine “Introduction to Applied Bayesian Statistics and Estimation for Social Scientists” erschienen.
• … die Liste wird fortgesetzt.

Fußnoten

[1] Die Autoren haben aber auf jeden Fall Schwierigkeiten, die Begriffe “Wetter” und “Klima” sinnvoll voneinander abzugrenzen. Den Unterschied erklärt zum Beispiel das Max-Planck-Institut für Meteorologie.

[2] Eine Bewertung der Zuverlässigkeit solcher Klimamodelle findet sich in dem gut lesbaren Artikel von Jouni Räisänen (2007) : “How reliable are climate models? “, Tellus A 59 (1), 2–29.

[3] Wie man zu diesen Prior-Annahmenkommt, ist eine eigene Geschichte. In den meisten Fälle werden so genannte nicht-informative Priors benutzt. Im Falle eines Regressionskoeffizienten würde das etwa bedeuten, dass man die Vorabannahme trifft, er sei mit N(0, 1e+06) normalverteilt. Das heißt man unterstellt einen Nulleffekt und eine riesige Streuung (= große Unsicherheit bezüglich des “wahren” Wertes). Andere Anwendungen verwenden uniforme Verteilungen.

[4] Es fehlt sicherlich noch eine genauere Erläuterung, was “subjektiv” heißt. Andrew Gelman spricht in einem seiner Beitrage zu “Bayes and Popper” auch von “objective Bayes” und erklärt das leider nur in wenigen Sätzen. In seinem Beitrag kommt auch die Falsifizierbarkeit von Theorien zur Sprache; hätte ich auch noch ansprechen können.