Causal inference in multilevel designs [Elektronische Ressource] / von Benjamin Nagengast

Sujets

• Psychologie
• Mathematics

Informations

• Publié par: friedrich-schiller-universitat_jena
• Publié le: 01 janvier 2009
• Nombre de lectures: 37
• Langue: English
• Poids de l'ouvrage: 1 Mo

Extrait

Friedrich-Schiller-Universitat¨ Jena
Fakultat¨ fur¨ Sozial- und Verhaltenswissenschaften
Institut fur¨ Psychologie
Dissertation
Causal Inference in Multilevel
Designs
Dissertation
zur Erlangung des akademischen Grades
doctor philosophiae (Dr. phil.)
vorgelegt dem Rat der Fakultat¨ fur¨ Sozial- und Verhaltenswissenschaften
der Friedrich-Schiller-Universitat¨ Jena
von Dipl.-Psych. Benjamin Nagengast
geboren am 14.05.1979 in Mainz.
Gutachter:
1. Prof. Dr. Rolf Steyer (Friedrich-Schiller-Universitat¨ Jena)
2. Prof. Dr. Johannes Hartig (Universitat¨ Erfurt)
Tag des Kolloquiums: 11. Juni 2009Acknowledgments
Many persons supported me during the writing of this thesis, the following list and the
mentioned accomplishments are by no means complete and the support often exceeded
the areas explicitly included here:
My heartfelt thanks go to Prof. Dr. Rolf Steyer who not only supervised this thesis
and stimulated my thinking about causal eects and multilevel designs, in special, and
about psychological methodology, in general, but who — at crucial points — encour-
aged me to pursue a scientific career and supported me in every imaginable way. Special
thanks go to Prof. Dr. Johannes Hartig for agreeing to act as external reviewer of this
thesis and for the skiing colloquium 2008 on research methods in empirical educational
research – I greatly profited from the exchanges and discussions at this meeting.
My parents Silvia and Hans-Joachim Nagengast supported me before, throughout
and after my studies, without their love and support, I would not have become the
person I am. My brother Arne spurned my ambition to finish this thesis quickly and in
time: Thanks for this extra source of motivation! You can do it too!
I am indebted to Ulf Krohne¨ whose superior programming skills – at least in my
humble eyes – allowed me to pursue the sometimes unduly complex simulation studies
in this thesis. Moreover, the cigarette breaks on the balcony were often a source of in-
spiration and sometimes desperately needed for emotion regulation during the last three
years. Christiane Fiege and Norman Rose took upon the burden of reading and com-
menting on earlier versions of this thesis, spotted many inconsistencies and more than
one typo. Their comments improved this thesis significantly, the remaining mistakes
are solely my responsibility. My colleagues Tim Lossnitzer, Ste Pohl, Jan Marten
Ihme and Hendryk Bohme¨ provided an intellectually stimulating and supportive en-
vironment during the last three years. The administrative and organizational skills of
Katrin Schaller and Marcel Bauer made my professional life much easier, as did the in-
dispensable work of my student research assistants Andrea Schubert, Marie-Ann Milde
and Remo Kamm.
iiiii
The Deutsche Bahn AG provided a mobile oce in the ICs from Weimar to Essen
and vice versa for a very reasonable price and did not cancel the late-night connection
on sundays.
My friends Aneka Flamm, Florian Kutzner, Hannes Horn and Henri Weise encour-
aged me to carry on with this thesis at many dierent occasions.
Last, but in no way least, Anne gave me the love, strength, support and the reason
to finish this thesis quickly: The prospects of finally living together again was a major
source of motivation to finish it in time and already puts a smile upon my face!
Benjamin Nagengast
Jena, February 2009Zusammenfassung
In dieser Arbeit wird die allgemeine Theorie kausaler Eekte (Steyer, Partchev, Krohne,¨
Nagengast, & Fiege, 2009) auf Mehrebenendesigns zum Vergleich der Wirksamkeit
verschiedener Behandlungen angewendet und die Bedingungen fur¨ kausale Schlusse¨
in diesen Designs untersucht. In werden Behandlungseekte an
Beobachtungseinheiten (z.B. Schulern¨ oder Patienten) untersucht, die selbst wiederum
in hohere¨ Einheiten (den sogenannten Clustern, z.B. Klassen, Schulen oder Kranken-
hausern)¨ geschachtelt sind. Beispiele fur¨ solche Designs finden sich in der empirischen
Bildungsforschung, der Evaluation von Gruppeninterventionen, z.B. in der Psycho-
therapieforschung, in der Soziologie, z.B. bei der Untersuchung von Interventionen,
die auf der Ebene von Stadtvierteln ansetzen, und in der medizischen Wirksamkeits-
forschung, wenn die Eekte einer Behandlung in mehr als einem Krankenhaus unter-
sucht werden.
Konzeptuell lassen sich zwei prototypische Klassen von Mehrebenendesigns un-
terscheiden: (1) Designs, in denen die Behandlung auf der Ebene der individuellen
Beobachtungseinheit ansetzt und (2) Designs, in denen die Behandlungszuweisung auf
¨der Ebene der Cluster stattfindet. Weiterhin und unabhangig von der vorangehenden Di-
mension, lassen sich Designs mit expliziter Zuweisung von Beobachtungseinheiten zu
Clustern und Designs mit bereits existierenden Clustern unterscheiden. Bisherige Ar-
beiten zur statistischen Analyse von Mehrebenendesigns beschrank¨ en sich weitgehend
auf experimentelle Designs mit randomisierter Zuweisung von
oder Clustern zu den Behandlungsbedingungen und vernachlassigen¨ die Analyse nicht-
randomisierter und quasi-experimenteller Designs. Nur eine kleine Zahl von Studien
befasst sich explizit mit der kausaler Inferenz in Mehrebenendesigns insbesondere auch
in nicht-randomisierten Designs. Die darin vorgestellten theoretischen Ansatze¨ sind je-
doch entweder zu allgemein formuliert, zu wenig formalisiert oder auf die Betrachtung
von Fallstudien beschrankt,¨ und konnen¨ daher nicht als allgemeine Theorie fur¨ kausale
Inferenzen in Mehrebenendesigns dienen. Die vorliegende Arbeit schließt diese Luck¨ e
ivv
und entwickelt aufbauend auf der allgemeinen Theorie kausaler Eekte die Grundlagen
fur¨ kausale Inferenz in Mehrebenendesigns.
Im Vergleich zu einfachen Evaluationsdesigns ergeben sich bei der Identifikation und
empirischen Schatzung¨ von Behandlungseekten in Mehrebenendesigns – neben der
Auswahl der relevanten Kovariaten und der Spezifkation des Adjustierungsmodells –
zusatzliche¨ konzeptuelle wie auch statistische Herausforderungen. Auf der konzep-
tuellen Ebene ist zu berucksichtigen,¨ dass sich Behandlungseekte fur¨ die Beobach-
tungseinheiten unterscheiden konnen,¨ je nachdem, welchem Cluster diese zugeordnet
werden. Das Cluster selber kann die Beziehung zwischen Behandlung und Behand-
lungsergebnis konfundieren. Weiterhin muss berucksichtigt¨ werden, dass stochastische
und regressive Abhangigk¨ eiten zwischen Variablen auf den verschiedenen Ebenen des
Designs unterschiedlich ausfallen konnen.¨ Solche sogenannten Kontexteekte mussen¨
sowohl bei der Definition kausaler Eekte, als auch bei deren statistischer Analyse
¨ ¨gesondert berucksichtigt werden. Weiterhin konnen Interaktionen und Interferenzen
zwischen den Beobachtungseinheiten innerhalb eines Clusters oder zwischen den Be-
handlungsgruppen innerhalb eines Clusters die Interpretation von Behandlungseekten
gefahrden.¨ Bei der Formulierung statistischer Modelle ist zu beachten, dass residuale
Eekte der Clustervariablen zu einer Unterschatzung¨ von Standardfehlern und liberalen
Signifikanztests fuhren¨ konnen.¨
Wie sich zeigt, kann die allgemeine Theorie kausaler Eekte leicht auf Mehrebe-
nendesigns angewendet werden und bietet einen formalisierten Rahmen, um die beson-
deren Probleme dieser Designs zu losen.¨ Durch die Definition von sogenannten wahren
Eektvariablen bedingt auf alle potentiell konfundierenden Variablen konnen¨ konfun-
dierende Eekte der Clustervariablen direkt in der elementaren Definition kausaler Ef-
fekte berucksichtigt¨ werden. Der durchschnittliche kausale Behandlungseekt bleibt
dabei als Erwartungswert der wahren Eektvariablen wohldefiniert. Vorlaufer¨ der all-
gemeinen Theorie kausaler Eekte und deren Anwendung auf Mehrebenendesigns sind
als Spezialfalle¨ in der allgemeinen Theorie enthalten. Die explizite Grundierung der
Theorie in einem Einzelversuch, der das Zufallsexperiment des empirischen Phanomens¨
reprasentiert,¨ auf dass sich alle Inferenzen beziehen, erlaubt es zudem die Relevanz
von Interferenzen zwischen Beobachtungseinheiten fur¨ die Definition kausaler Eekte
in verschiedenen Designtypen studieren. Fur¨ Designs mit Behandlungszuweisung auf
Ebene der Cluster zeigt sich dabei, dass solche Interferenzen nur in Designs mit Zuwei-
sung von Individuen zu Clustern die Validitat¨ von Eektdefinitionen gefahrden¨ konnen,¨vi
aber auch nur dann, wenn diese Interferenzeekte nicht vollstandig¨ durch Kovariaten
erfasst werden. In Designs mit bereits existierenden Clustern sind Interferenzeekte
generell unproblematisch, wenn die Behandlungszuweisung auf der Ebene der Cluster
stattfindet. Auch in Designs mit auf der Ebene der Beobach-
tungseinheiten sind Interferenzen zwischen behandelten und nicht-behandelten Beo-
bachtungseinheiten innerhalb eines Clusters unproblematisch, solange sie als Funktion
der Clustervariable aufgefasst werden konnen.¨ Unabhangig¨ von der Art des Designs
sind valide Schlusse¨ aus Stichproben an die Voraussetzung der Wiederholung kausal-
stabiler Einzelversuche geknupft¨ und die Generalisierbarkeit von Befunden ohne wei-
tere Annahmen auf das durch den Einzelversuch und