Das thematische Spektrum umfasste (in der Reihe der Vorträge)

• eine Untersuchung zum Kölner Klüngel (Politikwissenschaft),
• die sportwissenschaftliche Frage, ob Crunches oder Lachen die Bauchmuskeln effektiver trainiert,
• einen von Physikern entwickelten Bluttest (u.a. zum Nachweis von Muskelschwund),
• die Erhebung von Karpfen im Aralsee sowie
• eine geschichtswissenschaftliche Analyse zum Gründungsmythos/zur Identitätsfindung der Niederlande (oder so ähnlich…).

Der Gewinner des Abends war der Physiker André Lampe, dem es mit Verweis auf die Lebensgewohnheiten des “Hodenknackerfisches” gelang, das Prinzip des von ihm entwickelten Bluttests zu illustrieren. Die Welt Online hat sich etwas ausführlicher dazu ausgelassen: Hodenknackerfische mögen Lollis.

Neben den unterhaltsamen Darbietungen der Wissenschaftler/innen hat mir auch die Einbindung des Publikums zugesagt. Da jedem Juror/in wiederum zehn Zuhörer/innen zugeordnet waren, hat sich nach jedem Vortrag eine (zumeist) lebhafte Diskussion über die Qualität des Vortrags und die endgültige Bewertung entwickelt. Insgesamt diskutierten nach jedem Vortrag also  ca. 100 Personen (10 + 90).

Auffällig war, dass die 10 Gruppen (zumindest nach den ersten beiden Vorträgen) zu recht ähnlichen Bewertungen kamen — zumindest nach meiner Einschätzung. Ab dem dritten Vortrag (von André Lampe) habe ich dann die einzelnen Bewertungen protokolliert. Von den ersten beiden Vorträgen habe ich leider nur die Gesamtsumme der vergebenen Punkte sowie den Range. Ich habe damit versucht, eine mögliche Punkteverteilung nachzubilden.

Die erste Abbildung beschreibt die Verteilung der vergebenen Punkte nach Teilnehmer/in getrennt. Ganz rechts finden sich die Punkte des Siegers (“andre”). Die Verteilungen für frank, uli und andre sind recht schmal und belegen, dass die Bewertungen über alle zehn Juroren/innen ähnlich ausgefallen sind. Breiter hingegen fallen die Graphen für romina und mathias aus, d.h. hier gab es weniger Übereinstimmungen.

Noch deutlicher zeigt sich dieses Muster in einem sogenannten Box-and-Whisker-Plot. Die weißen Kästchen repräsentieren 50% der vergebenen Punkte und je breiter (höher) das jeweilige Kästchen, desto uneiniger die Juroren/innen.

Daten und R-Code finden sich in dieser Datei…

Folgender tweet von sewenz erregte jüngst meine Aufmerksamkeit:

Es ist wirklich Zeit, kluge Soziologen zu Wort kommen zu lassen; das folgende Radiokolleg hilft da wohl nicht: http://tinyurl.com/yd5k6ok.

Stellt sich (mir) die Frage:

Was genau sind nochmal “kluge Soziologen”?

Antwort swenz:

@berndweiss Nach der sog. “Mannheimer Ungleichung” gilt: Kluge Soziologen != Feuilletonsoziologen

Zustimmung meinerseits:

Zu wahr! RT @sewenz: Nach der sog. “Mannheimer Ungleichung” gilt: Kluge Soziologen != Feuilletonsoziologen.

Soziologie als gebrochene Wissenschaft

Das Interesse der Soziologie gilt menschlichem (sozialem) Handeln. Max Weber hat Soziologie und soziales Handeln wie folgt aufeinander bezogen:

“Soziologie soll heißen: eine Wissenschaft, welche soziales Handeln deutend verstehen und dadurch in seinem Ablauf und seinen Wirkungen ursächlich erklären will. ‚Handeln‘ soll dabei ein menschliches Verhalten […] heißen, wenn und insofern als der oder die Handelnden mit ihm einen subjektiven Sinn verbinden. ‚Soziales‘ Handeln aber soll ein solches Handeln heißen, welches seinem von dem oder den Handelnden gemeinten Sinn nach auf das Verhalten anderer bezogen wird und daran in seinem Ablauf orientiert ist “.

Grob gesagt: Soziologen/innen interessieren sich für gesellschaftliche Prozesse. Wenngleich der übergreifende Forschungsgegenstand von Soziologie (relativ) klar ist (“Gesellschaft”, “soziales Handeln”), ist Soziologie gleichwohl weit davon entfernt, eine Wissenschaft zu sein, die sich durch eine wie auch immer geartete Einigkeit auszeichnet — weder in theoretischer noch methodologischer Hinsicht. Diese “Brüche” lassen sich auf verschiedenen Dimensionen verorten. Ein oben angesprochener Bruch ist also “Feuilletonsoziologie” vs. “…”. Tja, was denn eigentlich? Ich bitte um Geduld, die Antwort verzögert sich noch etwas.

Feuilletonsoziologie als Bruchstück

Erst einmal gilt es zu klären, was “Feuilletonsoziologie” (für mich) ist. Einen ersten Eindruck, was das sein könnte, liefert Jürgen Kaube mit “Der Soziologe im Feuilleton” im Deutschlandradio:

“Zur Erbschaft der Frankfurter Schule, der die Bundesrepublik so viel verdankt, gehört eine Soziologie, die der Universität entwachsen ist und sich frei in den Medien, vor allem im Feuilleton äußert. Adorno machte es vor; Zeitungsartikel und Radiovorträge bilden einen selbstverständlichen Teil seines Oeuvres. Der Soziologe engagierte sich wie selbstverständlich bei der Journaille, wie seine orthodox akademischen Kollegen verächtlich sagten.

Dem Feuilleton bringt der Soziologe erhebliche Vorteile ein. Vor allem vermehren sich die Themen ins Unermessliche. Statt den engen Vorgaben des Bildungskanons zu folgen und nur über das Theater und die Musik, über die Ölmalerei, die Vers- und Erzählkunst zu sinnieren, darf der Soziologe im Feuilleton Fußball und Computerspiele und Popmusik bearbeiten und dazu noch ihre Anschlussfähigkeit zu Hölderlin und dem späten Beethoven und der neuesten französischen Theorie prüfen.”

Rudolf Walther schreibt in der taz über “Die Bindestrichgesellschafter” [1]:

In der Feuilletonsoziologie verhält es sich genau umgekehrt: Man verleimt hier Wörter, um im Handstreich Plausibilität zu erobern. “Autogesellschaft”, das versteht sogar der, der keines hat, aber schöne Bilder vom Stau gesehen hat am Fernsehgerät.

Offensichtlich ist der Begriff “Feuilletonsoziologie” kein nett gemeinter Begriff, sondern es geht (häufig) um die Deutungshoheit sozialer Phänomene unbelastet von empirischer (qualitativer oder quantitativer) Evidenz. Da sich die “Feuilletonsoziologie” häufig über konkrete soziale Sachverhalte auslässt, ist sie eine Variante der “angewandten Soziologie” (besser: möchte es sein). Was setzten “kluge Soziologen/innen”, die “kluge [angewandte] Soziologie” betreiben, dagegen? Daten. Empirische Belege jenseits des Fabulierens. In der Einleitung zu “Angewandte Soziologie” (Festschrift anlässlich der Emeritierung von Jürgen Friedrichs) wird (in meinem Sinne kluge) “angewandte Soziologie” folgendermaßen gedeutet:

“Angewandte Soziologie ist der Versuch, allgemeine Theorien systematisch auf konkrete soziale Sachverhalte zu übertragen und diese zu erklären. Damit erfordert sie die Auseinandersetzung mit Themen der allgemeinen Soziologie, die theoretisch angeleitete empirische Analyse sozialer Sachverhalte und die Entwicklung eines sicheren methodologischen Standpunkts” (Kecskes et al. 2004: 9).

Zurückrudern und Schluss

Ausgangspunkt dieses kurzen Postings ist das Zitat von sewenz und ein (meinerseits noch weitgehend unreflektiertes) Unwohlsein über bestimmte Auswüchse von Soziologie. Mein Verständnis von Soziologie wurde von der sogenannten “Kölner Schule” geprägt und das obige Zitat von Kecskes et al. (2004: 9) beschreibt zentrale Linien meines soziologischen Forschens. Es gibt, wie oben angedeutet, andere Sichtweisen auf Soziologie und andere Ansätze, Soziologie zu betreiben. Natürlich habe ich auch keine Einwände, wenn soziologische Erkenntnisse jenseits akademischer Debatten in das Feuilleton gelangen und soziologische Erkennntnisse einem breiteren Öffentlichkeit zugänglich gemacht werden (, die sie in den meisten Fällen auch bezahlt und damit ein Recht auf Aufklärung hat). Und natürlich ist es überspitzt, eine Dichotomie von “Feuilletonsoziologie” und “kluge Soziologie” zu beschwören. Doch die theorie-[2] und empirielose Deutung gesellschaftlicher Prozesse in der Form eines (manchmal ideologisch verbrämten) “Ad-hoc-Vermutens” ist lästig und schadet der Disziplin.

Was diesem Beitrag leider fehlt, sind gute Beispiele von “Feuilletonsoziologie”. Ich nehme gerne Vorschläge entgegen.

[1] Eine etwas ältere Liste von Bindestrichsoziologien: Soziologie des Taxis, Soziologie des Twitterns, Soziologie des Shoppings, Soziologie des Ingenieurberufs, Soziologie des Busens, Soziologie des Usenet, Soziologie des Abenteuer- und Risikosports, Soziologie des Fahrstuhlfahrens, Soziologie des Vampirismus, Soziologie des schlechten Geschmacks, Soziologie des Weintrinkens, Soziologie des Lassens, Soziologie des maximal Fremden, Soziologie des Schenkens und der Gabe, Soziologie des Irrenwitzes, …

[2] Ohne soziologische Theorie geht es auch nicht, denn dann wären wir bei einer “Variablensoziologie”.

Im nachfolgenden Text versuche ich relativ einfach und nicht auf Fachartikel-Niveau die für mich relevanten Punkte der statistischen Datenanalyse darzulegen. Die Idee zu einem solchen Blogbeitrag besteht schon länger und es gab auch schon Textfragmente. Die Motivation, den Artikel fertig zu stellen, habe ich durch den Beitrag “Ich plotte – also bin ich” auf dem Blog “Hinterm Mond gleich links” erhalten. Die dort sowohl im Artikel als auch in den Kommentaren vorgebrachten Einstellungen provozieren den Puristen in mir. Konkret ging es um das Nachbearbeiten einer Grafik, das heißt der Visualisierung von Daten. Dort ist dann von “nachträglich im Bild [d.h. der Grafik, BW] rumzupfuschen” oder “Diagramme meistens in Corel Draw” nachbauen die Rede. Der Pragmatiker (das ist der Gegenspieler des Puristen, s.o) in mir weiß natürlich auch, dass es Situationen geben kann, wo es zu einem solchen Vorgehen keine Alternative gibt (1 Stunde vor einer deadline o.ä.). Insofern wird nachfolgend ein idealisiertes Vorgehen beschrieben, dem auch ich nicht immer vollständig entsprechen kann und das natürlich über meine Kritik an “Ich plotte – also bin ich” weit hinausgeht.

(Übrigens: Weitere Überlegungen zu meinen Arbeitsabläufen finden sich in einem Artikel mit dem Titel “Denkwerk braucht Werkzeug“.)

Eine (zu) knappe Antwort auf die Frage “Woher kommen die Daten?”

(Angewandte) Soziologie befasst sich unter anderem mit der empirischen Prüfung von Theorien. Empirisch bedeutet hier, dass theoretische Überlegungen mit Daten kontrastiert werden. Sofern Theorien passende Annahmen über menschliches Handeln bereit halten, sollten sich diese Annahmen anhand des Datenmaterials belegen lassen. Grob lassen sich zwei Arten von Daten unterscheiden, qualitative und quantitative/statistische Daten. Quantitative Daten sind etwa das Ergebnis von standardisierten (Personen-)Befragungen. Zentrales Merkmal dieses Befragungstyps ist, dass den Befragten nur die Möglichkeit gegeben wird, zwischen bestimmten Antwortmöglichkeiten zu entscheiden. In einer solchen Befragungssituation darf die Frage “Wie häufig kommt es in Ihrer Partnerschaft bei dem Thema „Aufteilung der Hausarbeit“ zu Konflikten? ” etwa nur mit “nie”, “sehr selten”, “gelegentlich”, “häufig”, “sehr häufig” beantwortet werden. Antworten wie “Lassen Sie mich mal überlegen… Also letzte Woche hatten wir einen recht heftigen Streit. Es ging um meine Schwiegermutter. Weiß nicht, insgesamt ein paar Mal” lassen sich (a) nur schwer mit den Antworten anderer Befragten vergleichen und (b) nur schwer in eindeutige Zahlencodes überführen. Gerade aber das ist Gegenstand der quantitativen Soziologie, menschliches Handeln und menschliche Einstellungen zu messen, indem standardisierte Befragungen durchgeführt werden und die erfassten Antworten der Befragten in Zahlenkolonnen überführt werden, die dann wiederum mathematischen/statistischen Verfahren zugänglich sind.

Statistische Datenanalyse ist ein Handwerk

Wenn man die Daten einmal gesammelt hat (diesen Schritt nennt man Datenerhebung) und sicher ist, dass keine Fehler mehr in den Befragungsdaten enthalten sind (Datenbereinigung), dann kann man sich an die statistische Auswertung der Daten machen. Statistische Datenanalyse ist manchmal eine Kunst, in den meisten Fällen jedoch ein erlernbares Handwerk, das bestimmten Regeln (oder Prinzipien) folgt. Im Laufe der letzten Jahre habe ich für mich deren drei erschlossen: Transparenz und Nachvollziehbarkeit, Modularität und Lesbarkeit. Grundlage dieser drei Prinzipien ist eine ‘Philosophie’, die von den Autoren des “Emacs Speaks Statistics”-Mode als “The source code is real” umschrieben wird.

Es gibt keine Geheimnisse (Transparenz)

In Köln werden Studierende der Soziologie früher oder später mit einem der gängigen Statistikprogramme konfrontiert, früher war das SPSS, inzwischen verstärkt Stata (und wenn sie es mir zu tun bekommen, dann auch noch R). Solche Programme (zumindest SPSS und größtenteils auch Stata) lassen sich auf zweierlei Weisen bedienen: (1) Über eine graphische Benutzeroberfläche (Graphical User Interface = GUI) klickt man sich die Befehle zusammen, sinngemäß etwa “Berechne den Mittelwert”, “Erstelle eine Kreuztabelle”, “Zeichne ein Säulendiagramm”. (2) SPSS, Stata wie auch R lassen sich aber auch durch eigene, selbstgeschriebene Programme steuern. Ja, das heißt, dass man etwas Programmieren muss, wobei man sich (meistens) auf wenige Programmbefehle beschränken kann.

Es ist verständlich, dass man sich im Angesicht des Neuen (neue, häufig wenig intuitive Statistiksoftware) und Ungeliebten (Statistik) die eigene Arbeit so einfach wie möglich machen möchte. Im Fall der statistischen Datenanalyse bedeutet das, der graphischen Benutzeroberfläche den Vorzug zu geben und sich die Analyse ‘zusammenzuklicken’. Ein solches Vorgehen hat mehrere Nachteile. Zentrale Schwäche ist jedoch, dass sich damit die Datenanalyse der Überprüfbarkeit durch Dritte entzieht — oder anders formuliert: sie ist nicht transparent. Sofern der Programmcode vorliegt, lässt sich detailliert nachvollziehen, wie die Analyse durchgeführt wurde. Welche Variablen wurden verändert? Bezogen sich die Analysen vielleicht nur auf einen Teildatensatz? Wurden während der Analysen Gewichtungsfaktoren berücksichtigt? Man sollte immer damit rechnen, dass Fragen zu den eigenen Analysen kommen — und zumindest im wissenschaftlichen Kontext wäre es eine grobe Verletzung von Wissenschaftlichkeit, wenn nicht mehr belegt werden kann, wie bestimmte Ergebnisse erstellt wurden. Beispielhaft ist diesbezüglich das Vorgehen von Ulrich Kohler, der für sämtliche seiner Publikationen den entsprechenden Stataprogrammcode öffentlich verfügbar hält, so das es interessierten Wissenschaftlern jederzeit möglich ist, seine Analysen zu replizieren.

Teile und herrsche (Modularität)

Statistische Analysen können sehr schnell sehr komplex werden. Dieser Umstand bezieht sich gar nicht einmal (nur) auf die eingesetzten Verfahren, sondern allein auf die Menge an Programmcode. Für die Analysen im Rahmen meiner Dissertation wurden sicherlich mehr als 5000 Zeilen Programmcode erstellt. Dieser lässt sich (am einfachsten) danach unterscheiden, ob er der Datenaufbereitung (Daten einlesen, neue Variablen erstellen, vorhandene Variablen ändern etc.) oder der Datenanalyse dient. Dementsprechend verwende ich immer mindestens zwei verschiedene Dateien, nämlich initXXX.X (etwa initMeta.R, initGGS.do, initPairfam.sps etc.) und anaXXX.X. Die initXXX.X-Dateien enthalten sämtlichen Code, um Daten für die späteren Analysen aufzubereiten. Folglich enthalten anaXXX.X-Dateien den eigentlichen Analysecode. Ab und an gibt es auch noch funcXXX.X-Dateien, in denen eigene Funktionen definiert werden. Am Anfang der anaXXX.X-Datei wird die initXXX.X-Datei aufgerufen, wenn vorhanden, auch die funcXXX.X-Date. Mit anderen Worten: Vor jedem Analyselauf werden die Daten erneut aufbereitet und so etwas wie ein Analysedatensatz in Form einer einzigen Datei existiert bei mir nicht. So ein Vorgehen ist natürlich nur möglich, wenn der Durchlauf der initXXX.X-Datei nicht mehr als 10 Minuten dauert. Hat aber den Vorteil, dass man ganz sicher immer mit der aktuellen (laut initXXX.X) Datei arbeitet.

Lesbarkeit durch Kommentare

Sofern man nicht mit einem photographischen Gedächtnis gesegnet ist, hat man spätestens in einem halben Jahr vergessen, was etwa die folgende Befehlssequenz bewirken sollte (ich habe das auch schon früher vergessen):

replace f030100m = 0 if (missing(f030100m))
generate zuziehdat = ((f030100j - 1900)*12) + f030100m
generate zuswohn = intdatum - zuziehdat
replace zuswohn = 2 if (zuswohn == 0 | zuswohn == 1)

Deshalb sollte dort ein (oder mehrere Kommentare) Kommentar eingefügt werden, der mindestens erläutert, was die Variablen f030100m und f030100j inhaltlich bedeuten und welche Transformationen zu welchem Zweck vorgenommen werden. Dass diese Kommentare (die sind echt, nicht didaktisch aufbereitet) nicht immer den grammatikalischen Gepflogenheiten der deutschen Sprache genügen, ist eine andere Sache (in Stata können Kommentare u.a. durch “//” eingeleitet werden).

// Dauer des Zusammenlebens = Erhebungszeitpunkt - Zeitpunkt des Zusammenzugs
replace f030100m = 0 if (missing(f030100m))
generate zuziehdat = ((f030100j - 1900)*12) + f030100m
generate zuswohn = intdatum - zuziehdat
// Problem: wenn Interview später intdatum durchgeführt wurde,
//kann zuswohn < 0 sein, deshalb min auf 2 Monate festlegen:
replace zuswohn = 2 if (zuswohn == 0 | zuswohn == 1)

Kommentare können auch dazu dienen, umfassenderen Analysecode zu strukturieren, ihn in einzelne Kapitel zu unterteilen (etwa: deskriptive, psychometrische und multivariate Analysen).

The source code is real

Hinter dem zuvor geschriebenen verbirgt sich ein “The source code is real”-Ansatz. Ausgehend von den ursprünglichen Daten sollte für sämtliche Analyseschritte der entsprechende Programmcode vorhanden sein. Ein kurzer Hinweis auf diese Prinzip findet sich in Folien von Sven Hartenstein; ich bin im Rahmen des ESS-Projektes (Emacs Speaks Statistics) darauf gestoßen. In Abschnitt “6.4 Philosophies for using ESS[S]” heißt es

“The source code is real. The objects are realizations of the source code. Source for EVERY user modified object is placed in a particular directory or directories, for later editing and retrieval.”

Die beiden Abbildungen unten zeigen die Verteilung des Bildungsmerkmals, definiert als “[a] combination of the percent of total population with a Bachelors degree or higher, taken from the US Census, and the student – teacher ratio and the per student expenditure of schools in that zip code, derived from the US Department of Education.”

Das linke Bild zeigt die niedrigen Ausprägungen der Bildungsvariablen im Vergleich zum nationalen Mittel, während die rechte Abbildung die hohen Ausprägungen veranschaulicht. Die beiden Abbildungen sind komplementär zu einander und zeigen deutlich, dass Boston bezüglich des Bildungsniveau überdurchschnittlich gut dasteht (unterdurchschnittlich niedriges Bildungsniveau, aber überdurchschnittlich hohe Werte) — was nicht verwunderlich ist.

Das Projekt wurde mit processing realisiert, “[...] an open source programming language and environment for people who want to program images, animation, and interactions.”

Ich selbst bin mit zwei Beiträgen vertreten. In “Wer schwänzt wie häufig die Schule? Eine vergleichende Sekundäranalyse auf Grundlage von 12 deutschen Studien” wird erstmalig der Versuch unternommen, die (sehr) heterogene Befundlage zur Prävalenz des Schulschwänzens in Deutschland zu beschreiben. Darüber hinaus wurde untersucht, ob sich bezüglich Geschlecht, Schulform, Klassenstufe, Migrationshintergrund sowie Klassenwiederholung als (möglichen) Prädiktoren des Schulschwänzens Zusammenhangsmuster über die einzelnen Studien hinweg erkennen lassen.

Der zweite Text “Ganztägiger Schulabsentismus an Kölner Hauptschulen. Ergebnisse einer im Jahr 2003 an drei Stichtagen durchgeführten Lehrerbefragung” erläutert einige Befunde dieser Erhebung. Analysiert wurden sowohl der entschuldigte wie auch unentschuldigte tageweise Schulabsentismus. Ich zitiere mich mal selbst (S. 81):

“Sowohl die bivariaten als auch die multivariaten Analysen belegen, dass beide Formen des Schulabsentismus mit unterschiedlichen Bedingungsfaktoren verknüpft sind. Das entschuldigte Fehlen betrifft vor allem Mädchen und Schüler ohne Migrationshintergrund. Für Schüler, die bereits einmal eine Klasse wiederholt haben, zeigen sich nur im Panelmodell [...] statistisch signifikante Effekte. Außerdem gibt es einen moderaten Anstieg der Fehlquoten bis zur 8. Klasse, danach sinken die Quoten wieder. Der Vergleich der drei Stichtage zeigt keine Unterschiede. Für das unentschuldigte Fehlen offenbaren sich hingegen deutliche Effekte des Wochentages. Der Anteil der schwänzenden Schüler liegt am Freitag um über einen Prozentpunkt höher als an den übrigen Stichtagen. Auch der ?-förmige Verlauf der Fehlquoten über die Klassenstufen ist wesentlich ausgeprägter als beim entschuldigten Fehlen. Betrachtet man die individuellen Merkmalsausprägungen der Schüler, so gehören vor allem solche Schüler zu den Schulschwänzern, die schon einmal eine Klasse wiederholt haben.”

Womit ich allerdings nach wie vor Probleme habe ich das Umschlagbild, das den unsäglichen Titel “Der Langschläfer” trägt und damit völlig die komplexen Motivlagen der Jugendlichen verkennt.

1. Eine gelungene Zusammenfassung von Sutton und Higgins zum aktuellen (Methoden)Stand der Meta-Analyse aus (bio/medizin)statistischer Sicht: “Recent developments in meta-analysis“. Wie zu erwarten, werden Meta-Analysen auf Grundlage von individual patient data eine immer gewichtigere Rolle spielen.
2. Die Ankündigung der Tagung “Uneindeutigkeit als Herausforderung. Risiko, amtliche Statistik und Wahrscheinlichkeit” klingt spannend und müsste ich nicht meine Diss zu einem (hoffentlich) guten Ende bringen, hätte es mich in den Süden der Republik verschlagen (ich hätte vor allem gerne die Vorträge von Götz Rohwer, Friedrich Leisch und Thomas Augustin angeschaut). Definitiv ein Thema, dem ich mich nach der Diss widmen werde.
3. Unabhängig von einander und mit unterschiedlicher Stoßrichtung machen sich Gary King sowie Rainer Böhme und Andreas Pfitzmann (via Bamblog) Gedanken über die zukünftige(n) Datengrundlage(n) in den Sozialwissenschaften.
4. R ist in der Version 2.6.0 erschienen. Ich musste lernen, dass die Deinstallation der vorherige Version von R (2.5.1) und das Behalten der alten R-Pakete zu Konflikten führen kann. Aber es gibt wie immer einen Ausweg. Oder sogar noch einen besseren.

[1] Hat nur 108 Minuten gedauert.

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.

Nachtrag: Ich bin mir nicht sicher, ob ich so glücklich darüber bin, dass wir unter der Rubrik “Pädagogik” abgehandelt werden. Die Auswahl des Titelbildes habe ich auch nicht zu verantworten.

Was sind Dyaden? (Partnerschafts)Dyaden zeichnen sich durch drei Eigenheiten aus: (1) Dauerhaftigkeit, (2) Wechselseitige und aufeinander bezogene Handlungsmuster der Partner, (3) Zusammensetzung der beiden Partnerpersönlichkeiten (Thompson/Walker 1982: 890).

Das Problem mit dyadischen Daten ist nun, dass die Angaben der Partner (meistens) durch ihre “Nicht-Unabhängigkeit” gekennzeichnet sind. Zahlreiche statistische Verfahren setzten jedoch die Unabhängigkeit der Erhebungseinheiten voraus. Im Wesentlichen lassen sich zwei Ansätze unterscheiden, mit denen solche Daten angemessen analysiert werden können: (1) Strukturgleichungsmodelle und (2) Mehrebenenmodelle. Letztere werden (unter anderem und in der gebotenen Kürze) auf auf meinen Folien behandelt.

Von den Folien liegen zwei Fassungen vor:

• foilsdyadicdatacourse-08handout.pdf (Druckfassung)
• foilsdyadicdatacourse-08.pdf (Präsentationsfassung)

Wer sich für weitergehende Informationen interessiert, dem/der sei das Buch von Kenny et al. (2006) ans Herz gelegt: http://davidakenny.net/kkc/kkc.htm.

Literatur:

Thompson, Linda, und Alexis J. Walker, 1982: The Dyad as the Unit of Analysis: Conceptual and Methodological Issues. Journal of Marriage and the Family 44: 889–900.