Advertisement

Die Schätzung von kausalen Effekten: Überlegungen zu Methoden der Kausalanalyse anhand von Kontexteffekten in der Schule

  • Joscha LegewieEmail author
Abhandlungen

Zusammenfassung

Im Vordergrund eines Großteils quantitativer Sozialforschung steht die Schätzung von kausalen Effekten. Um ein besseres Verständnis des Problems der kausalen Inferenz zu entwickeln, wird in diesem Beitrag das Kausalitätsproblem anhand einer klassischen Frage der Bildungssoziologie veranschaulicht: Dem Effekt der sozialen Zusammensetzung der Mitschüler auf die Leistungen von Schülern. Dabei werden nach einer Einführung in die Frage von Peer-Effekten in der Schule derkontrafaktische Ansatz zur Kausalität sowie das fundamentale Problem der Kausalanalyse anhand dieses Beispiels verdeutlicht und anschließend sowohl Experimente als auch eine Reihe von statistischen Verfahren zur Lösung des Selektionsproblems diskutiert. Im Einzelnen behandelt der Beitrag neben der Kontrolle nach Kovariaten durch die heute gängigen Regressionsmodelle, Matchingverfahren (etwa Propensity Score Matching), Fixed-Effekt und Difference-in-Difference-Modelle sowie instrumentelle Variablen und das Regression Discontinuity Design. Das Augenmerk der Einführung liegt nicht auf dem mathematischen Hintergrund oder den Schätzverfahren sondern vielmehr auf der generellen Logik der Ansätze sowie den impliziten Annahmen. Abschließend wird der adäquate Umgang mit möglichen Selektionsprozessen anhand einer beispielhaften Analyse zu Kontexteffekten in der Schule veranschaulicht.

Schlüsselwörter

Kausalanalyse Kontexteffekte Experimente Regressionsanalyse Matching Fixed-Effekt Modelle Difference-in-Difference Ansatz Instrumentelle Variablen Regression Discontinuity Design Bildungssoziologie 

The estimation of causal effectss: an introduction to methods of causal inference based on peer effects in education

Abstract

This article discusses the problem of causal inference based on contextual peer effects in education. For this purpose, I first introduce the counterfactual approach to causality and the fundamental problem of causal inference. Subsequently, experiments and a number of statistical methods are discussed as possible approaches to estimate causal effects. In particular, conditioning on observables using common linear regression models as well as matching procedures (such as propensity score matching), fixed-effects models, the difference-in-difference approach, instrumental variables, and the regression discontinuity design are discussed. The introduction of these methods is neither focused on the mathematical background nor on the estimation procedure but rather on the general logic and the assumptions connected with a causal interpretation of the estimated effects. The paper closes with an analysis of compositional peer effects in German elementary schools to illustrate the adequate treatment of selection processes.

Keywords

Causal inference Experiment Regression models Fixed-effect Difference-in-difference Regression discontinuity design Sociology of education Peer effects 

Notes

Danksagung

Ich danke Tom DiPrete, Martin Ehlert, Anette Fasang, Nicolas Legewie und Merlin Schaeffer für hilfreiche Kommentare.

Literatur

  1. Allison, Paul D. 1994. Using panel data to estimate the effects of events.Sociological Methods & Research 23:174–199.CrossRefGoogle Scholar
  2. Allison, Paul D. 2009.Fixed effects regression models. Thousand Oaks: Sage.Google Scholar
  3. Ammermueller, Andreas, und Jörn-Steffen Pischke. 2009. Peer effects in European primary schools: Evidence from the progress in international reading literacy study.Journal of Labor Economics 27:315–348.CrossRefGoogle Scholar
  4. Angrist, Joshua, und Alan B. Krueger. 2001. Instrumental variables and the search for identification: From supply and demand to natural experiments.Journal of Economic Perspectives 15:69–85.CrossRefGoogle Scholar
  5. Angrist, Joshua D., und Jörn-Steffen Pischke. 2008.Mostly harmless econometrics: An empiricist’s companion. Princeton: Princeton University Press.Google Scholar
  6. Baumert, Jürgen, Petra Stanat und Rainer Watermann. 2006. Schulstruktur und die Entstehung differenzieller Lern- und Entwicklungsmilieus. InHerkunftsbedingte Disparitäten im Bildungswesen: Differenzielle Bildungsprozesse und Probleme der Verteilungsgerechtigkeit: Vertiefende Analysen im Rahmen von PISA 2000, Hrsg. Jürgen Baumert, Petra Stanat und Rainer Watermann, 99–185. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  7. Boozer, Michael A., und Stephen E. Cacciola. 2001.Inside theBlack Box of Project STAR: Estimation of peer effects using experimental data. New Haven: Yale University.Google Scholar
  8. Budig, Michelle J., und Paula England. 2001. The wage penalty for motherhood.American Sociological Review 66:204–225.CrossRefGoogle Scholar
  9. Card, David, und Alan B. Krueger. 1994. Minimum wages and employment: A case study of the fast-food industry in New Jersey and Pennsylvania.The American Economic Review 84:772–793.Google Scholar
  10. Card, David, und Alan B. Krueger. 2000. Minimum wages and employment: A case study of the fast-food industry in New Jersey and Pennsylvania: Reply.American Economic Review 90:1397–1420.CrossRefGoogle Scholar
  11. Coleman, James. 1966.Equality of educational opportunity. Washington: U.S. Dept. of Health, Education, and Welfare, Office of Education.Google Scholar
  12. Cook, Thomas D., und Vivian C. Wong. 2008. Empirical tests of the validity of the regression discontinuity design.Annales d’Economie et de Statistique 91:127–150.Google Scholar
  13. Crosnoe, Robert. 2009. Low-income students and the socioeconomic composition of public high schools.American Sociological Review 74:709–730.CrossRefGoogle Scholar
  14. Diekmann, Andreas. 2008. Soziologie und Ökonomie: Der Beitrag experimenteller Wirtschaftsforschung zur Sozialtheorie.Kölner Zeitschrift für Soziologie und Sozialpsychologie 60:528–550.CrossRefGoogle Scholar
  15. DiPrete, Thomas A., und Markus Gangl. 2004. Assessing bias in the estimation of causal effects: Rosenbaum bounds on matching estimators and instrumental variables estimation with imperfect instruments.Sociological Methodology 34:271–310.CrossRefGoogle Scholar
  16. Finn, Jeremy D., und Charles M. Achilles. 1990. Answers and questions about class size: A statewide experiment.American Educational Research Journal 27:557–577.Google Scholar
  17. Gangl, Markus. 2010. Causal inference in sociological research.Annual Review of Sociology 36:21–47.CrossRefGoogle Scholar
  18. Gangl, Markus, und Thomas A. DiPrete. 2004. Kausalanalyse durch Matchingverfahren. InKölner Zeitschrift für Soziologie und Sozialpsychologie: Methoden der Sozialforschung, Hrsg. Andreas Diekmann, 396–420. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  19. Gelman, Andrew, und Jennifer Hill. 2007.Data analysis using regression and multilevel/hierarchical models. Cambridge: Cambridge University Press.Google Scholar
  20. Halaby, Charles N. 2004. Panel models in sociological research: Theory into practice.Annual Review of Sociology 30:507–544.CrossRefGoogle Scholar
  21. Hedström, Peter. 2005.Dissecting the social: On the principles of analytical sociology. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  22. Hedström, Peter, und Peter Bearman. 2009.The Oxford handbook of analytical sociology. Oxford: Oxford University Press.Google Scholar
  23. Helbig, Marcel. 2010. Sind Lehrerinnen für den geringeren Schulerfolg von Jungen verantwortlich?Kölner Zeitschrift für Soziologie und Sozialpsychologie 62:93–111.CrossRefGoogle Scholar
  24. Ho, Daniel E., Kosuke Imai, Gary King und Elizabeth A. Stuart. 2007. Matching as nonparametric preprocessing for reducing model dependence in parametric causal inference.Political Analysis 15:199–236.CrossRefGoogle Scholar
  25. Imbens, Guido, und Thomas Lemieux. 2008. Regression discontinuity designs: A guide to practice.Journal of Econometrics 142:615–635.CrossRefGoogle Scholar
  26. Imberman, Scott, Adriana Kugler und Bruce Sacerdote. 2009.Katrina’s children: A natural experiment in peer effects from hurricane evacuees. NBER Working Paper No. 15291.Google Scholar
  27. Legewie, Joscha, und Thomas A. DiPrete. 2011.Gender differences in the effect of peer SES: Evidence from a second quasi-experimental case study. Working paper, Columbia University.Google Scholar
  28. Legewie, Joscha, und Thomas A. DiPrete. 2012. School context and the gender gap in educational achievement.American Sociological Review 77:3.Google Scholar
  29. Lehmann, Rainer, und Jenny Lenkeit. 2008.ELEMENT. Abschlussbericht über die Untersuchungen 2003, 2004 und 2005 an Berliner Grundschulen und grundständigen Gymnasien. Berlin: Humboldt Universität zu Berlin.Google Scholar
  30. Meyer, Bruce D. 1995. Natural und quasi-experiments in economics.Journal of Business & Economic Statistics 13:151–161.CrossRefGoogle Scholar
  31. Morgan, Stephen L., und David J. Harding. 2006. Matching estimators of causal effects: Prospects and pitfalls in theory and practice.Sociological Methods Research 35:3–60.CrossRefGoogle Scholar
  32. Morgan, Stephen L., und Christopher Winship. 2007.Counterfactuals and causal inference: Methods and principles for social research. Cambridge: Cambridge University Press.Google Scholar
  33. Pischke, Jörn-Steffen. 2007. The impact of length of the school year on student performance and earnings: Evidence from the German short school years.The Economic Journal 117:1216–1242.CrossRefGoogle Scholar
  34. Pop-Eleches, Cristian, und Miguel Urquiola. 2008. The consequences of going to a better school. Columbia University.Google Scholar
  35. Rosenbaum, Paul R. 2009.Design of observational studies. New York: Springer.Google Scholar
  36. Rumberger, Russell W., und Gregory J. Palardy. 2005. Does segregation still matter? The impact of student composition on academic achievement in High School.Teachers College Record 107:1999–2045.CrossRefGoogle Scholar
  37. Sacerdote, Bruce. 2011. Peer effects in education: How might they work, how big are they, and how much do we know thus far? InHandbook of Economics of Education, vol. 3, Hrsg. Eric A. Hanushek, Stephen Machin und Ludger Woessmann, 249–277. Amsterdam: North-Holland.Google Scholar
  38. Schulze, Alexander, Felix Wolter und Rainer Unger. 2009. Bildungschancen von Grundschülern: Die Bedeutung des Klassen- und Schulkontextes am Übergang auf die Sekundarstufe I.Kölner Zeitschrift für Soziologie und Sozialpsychologie 61:411–435.CrossRefGoogle Scholar
  39. Shadish, William R., M. H. Clark und Peter M. Steiner. 2008. Can nonrandomized experiments yield accurate Answers? A randomized experiment comparing random and nonrandom assignments.Journal of the American Statistical Association 103:1334–1344.CrossRefGoogle Scholar
  40. Smith, Jeffrey A., und Petra E. Todd. 2005. Does matching overcome LaLonde’s critique of nonexperimental estimators?Journal of Econometrics 125:305–353.CrossRefGoogle Scholar
  41. Sobel, Michael E. 1996. An introduction to causal inference.Sociological Methods Research 24:353–379.CrossRefGoogle Scholar
  42. Sobel, Michael E. 2000. Causal inference in the social sciences.Journal of the American Statistical Association 95:647–651.CrossRefGoogle Scholar
  43. Sørensen, Aage B., und Stephen L. Morgan. 2006. School effects: Theoretical and methodological issues. InHandbook of the Sociology of Education, Hrsg. Maureen T. Hallinan, 137–160. New York: Springer.Google Scholar
  44. Steiner, Peter M., Thomas D. Cook und William R. Shadish. 2011. On the importance of reliable covariate measurement in selection bias adjustments using propensity scores.Journal of Educational and Behavioral Statistics 36:213–236.Google Scholar
  45. Stuart, Elizabeth A. 2010. Matching methods for causal inference: A review and a look forward.Statistical Science: A Review Journal of the Institute of Mathematical Statistics 25:1–21.Google Scholar

Copyright information

© VS Verlag für Sozialwissenschaften 2012

Authors and Affiliations

  1. 1.Department of SociologyColumbia UniversityNew YorkUSA

Personalised recommendations