Advertisement

Methodische Herausforderungen in der Karriere- und Laufbahnforschung

Living reference work entry
  • 462 Downloads
Part of the Springer Reference Psychologie book series (SRP)

Zusammenfassung

In der Karriere- und Laufbahnforschung stehen Forscher oftmals vor besonderen methodischen Herausforderungen. Dazu zählen vor allem der Umgang mit nominalen Beschäftigungsdaten und die Notwendigkeit, Daten aus relativ langen Zeiträumen zu erheben. Für viele Forschungsfragen sind nicht nur einzelne berufliche Stationen, sondern die gesamte berufliche Laufbahn oder Karriere von Interesse. Neben Analysemethoden für intervallskalierte oder metrische Daten sind vor allem Methoden zur Auswertung nominalskalierter Daten wichtig, da Informationen zu hierarchischen Positionen oder Stationen in der beruflichen Laufbahn am häufigsten in Kategorien erfasst werden. In diesem Kapitel stellen wir deshalb insbesondere Untersuchungsdesigns und Analyseverfahren näher vor, die speziell im Forschungsbereich zu Karrieren und beruflichen Laufbahnen Verwendung finden.

Zunächst gehen wir auf mögliche Untersuchungsdesigns ein und erläutern einige Möglichkeiten, längsschnittliche Daten zu generieren, wie zum Beispiel retrospektive Interviews oder den Zugriff auf bestehende Panelstudien. Danach wird kurz die Verwendung qualitativer Methoden in der Karriere- und Laufbahnforschung diskutiert. Bei diesen gibt es jedoch wenige Unterschiede zu anderen Forschungsbereichen. Die größte Herausforderung liegt in der Analyse quantitativer Laufbahndaten. Eine Möglichkeit ist die Anwendung von Markov-Ketten, mit welchen einfache Karriere- und Laufbahnentwicklungen erfasst werden können. Mit diesen lassen sich jedoch jeweils nur Übergangswahrscheinlichkeiten abbilden, beispielsweise zwischen verschiedenen hierarchischen Positionen oder beruflichen Status.

Anschließend gehen wir näher auf die Optimal Matching Analyse als wichtigstes Verfahren zur Sequenzdatenanalyse in der Laufbahnforschung ein. Mit dieser Methode kann man Sequenzen analysieren, welche aus räumlich oder zeitlich aneinandergereihten, nominalen Elementen bestehen. Ein Beispiel hierfür wäre eine Aneinanderreihung beruflicher oder hierarchischer Positionen über einen Zeitraum von fünfzehn Jahren. Bei dieser Analysemethode werden Laufbahnsequenzen als Ganzes betrachtet und analysiert, und nicht nur Positionen zu einzelnen Zeitpunkten. Hat man bestimmte Karrieremuster oder Beschäftigungsmuster in beruflichen Laufbahnen ermittelt, können in einem nächsten Schritt Zusammenhänge zwischen der Zugehörigkeit zu einem Laufbahn- oder Beschäftigungsmuster und Faktoren wie Karriereerfolg, Bildungsgrad oder Alter erforscht werden.

Schlüsselwörter

Sequenzanalyse Optimal Matching Analyse Panel Markov-Kette Laufbahn Karriere 

Literatur

  1. Aassve, A., Billari, F. C., & Piccarreta, R. (2007). Strings of adulthood: A sequence analysis of young British women’s work-family trajectories. European Journal of Population, 23(3–4), 369–388.CrossRefGoogle Scholar
  2. Abbott, A., & Hrycak, A. (1990). Measuring resemblance in sequence data: An optimal matching analysis of musicians’ careers. American Journal of Sociology, 96(1), 144–185.CrossRefGoogle Scholar
  3. Abbott, A., & Tsay, A. (2000). Sequence analysis and optimal matching methods in sociology: Review and prospect. Sociological Methods & Research, 29(1), 3–33.CrossRefGoogle Scholar
  4. Aisenbrey, S., & Fasang, A. E. (2010). New life for old ideas: The „second wave“ of sequence analysis bringing the „course“ back into the life course. Sociological Methods & Research, 38(3), 420–462.CrossRefGoogle Scholar
  5. Andreß, H. J., Golsch, K., & Schmidt, A. W. (2013). Applied panel data analysis for economic and social surveys. Springer.Google Scholar
  6. Anyadike-Danes, M., & McVicar, D. (2005). You’ll never walk alone: Childhood influences and male career path clusters. Labour Economics, 12(4), 511–530.CrossRefGoogle Scholar
  7. Arthur, M. B., & Rousseau, D. M. (1996). The boundaryless career as a new employment principle. In M. B. Arthur & D. M. Rousseau (Hrsg.), The boundaryless career (S. 3–20). New York: Oxford University Press.Google Scholar
  8. Axinn, W. G., Pearce, L. D., & Ghimire, D. (1999). Innovations in life history calendar applications. Social Science Research, 28(3), 243–264.CrossRefGoogle Scholar
  9. Bernard, H. R., Killworth, P., Kronenfeld, D., & Sailer, L. (1984). The problem of informant accuracy: The validity of retrospective data. Annual Review of Anthropology, 13, 495–517.CrossRefGoogle Scholar
  10. Biemann, T., & Datta, D. (2014). Analyzing sequence data: Optimal matching in management research. Organizational Research Methods, 17(1), 51–76.CrossRefGoogle Scholar
  11. Biemann, T., & Wolf, J. (2009). Career patterns of top management team members in five countries: An optimal matching analysis. The International Journal of Human Resource Management, 20(5), 975–991.CrossRefGoogle Scholar
  12. Biemann, T., Zacher, H., & Feldman, D. C. (2012). Career patterns: A twenty-year panel study. Journal of Vocational Behavior, 81(2), 159–170.CrossRefGoogle Scholar
  13. Bollen, K. A., & Curran, P. J. (2006). Latent curve models. A structural equation perspective. Hoboken: Wiley.Google Scholar
  14. Brzinsky-Fay, C. (2007). Lost in transition? Labour market entry sequences of school leavers in Europe. European Sociological Review, 23(4), 409–422.CrossRefGoogle Scholar
  15. Brzinsky-Fay, C., Kohler, U., & Luniak, M. (2006). Sequence analysis with Stata. Stata Journal, 6(4), 435–460.Google Scholar
  16. Dlouhy, K., & Biemann, T. (2015). Optimal matching analysis in career research: A review and some best-practice recommendations. Journal of Vocational Behavior, 90, 163–173.CrossRefGoogle Scholar
  17. Engel, U., & Reinecke, J. (1994). Panelanalyse: Grundlagen, Techniken, Beispiele. Walter de Gruyter.Google Scholar
  18. Fouad, N. A., Kantamneni, N., Smothers, M. K., Chen, Y. L., Fitzpatrick, M., & Terry, S. (2008). Asian American career development: A qualitative analysis. Journal of Vocational Behavior, 72(1), 43–59.CrossRefGoogle Scholar
  19. Gabadinho, A., Ritschard, G., Müller, N. S., & Studer, M. (2011). Analyzing and visualizing state sequences in R with TraMineR. Journal of Statistical Software, 40(4), 1–37.CrossRefGoogle Scholar
  20. Giesselmann, M., & Windzio, M. (2013). Regressionsmodelle zur Analyse von Paneldaten (Bd. 1). Springer.Google Scholar
  21. Ghosh, R., & Reio, T. G. (2013). Career benefits associated with mentoring for mentors: A meta-analysis. Journal of Vocational Behavior, 83(1), 106–116.CrossRefGoogle Scholar
  22. Griffin, L. J. (1993). Narrative, event-structure analysis, and causal interpretation in historical sociology. American Journal of Sociology, 98(5), 1094–1133.CrossRefGoogle Scholar
  23. Hall, D. T. (1996). Protean careers of the 21st century. Academy of Management Executive, 10, 8–16.Google Scholar
  24. Hall, D. T. (2004). The protean career: A quarter-century journey. Journal of Vocational Behavior, 65, 1–13.CrossRefGoogle Scholar
  25. Heise, D. R. (1991). Event structure analysis: A qualitative model of quantitative research. In Using computers in qualitative research (S. 136–163).Google Scholar
  26. Hox, J. (2010). Multilevel analysis: Techniques and applications. New York: Routledge.Google Scholar
  27. Joseph, D., Boh, W. F., Ang, S., & Slaughter, S. (2012). The career paths less (or more) traveled: A sequence analysis of IT career histories, mobility patterns, and career success. MIS Quarterly, 36(2), 427–452.Google Scholar
  28. Kenny, D. A. (2005). Cross-lagged panel design. Wiley.Google Scholar
  29. Kovalenko, M., & Mortelmans, D. (2014). Does career type matter? Outcomes in traditional and transitional career patterns. Journal of Vocational Behavior, 85(2), 238–249.CrossRefGoogle Scholar
  30. Langer, W. (2004). Mehrebenenanalyse. Eine Einführung für Forschung und Praxis. Wiesbaden: Springer.Google Scholar
  31. MacIndoe, H., & Abbott, A. (2004). Sequence analysis and optimal matching techniques for social science data. In M. Hardy & A. Bryman (Hrsg.), Handbook of data analysis (S. 387–406). London: Sage.Google Scholar
  32. McMahon, M., Watson, M., & Bimrose, J. (2012). Career adaptability: A qualitative understanding from the stories of older women. Journal of Vocational Behavior, 80(3), 762–768.CrossRefGoogle Scholar
  33. Mainiero, L. A., & Sullivan, S. E. (2005). Kaleidoscope careers: An alternative explanation for the „opt-out generation“. Academy of Management Executive, 19, 106–123.CrossRefGoogle Scholar
  34. Manzoni, A., Vermunt, J. K., Luijkx, R., & Muffels, R. (2010). Memory bias in retrospectively collected employment careers: A model-based approach to correct for measurement error. Sociological Methodology, 40(1), 39–73.CrossRefGoogle Scholar
  35. Martin, P., Schoon, I., & Ross, A. (2008). Beyond transitions: Applying optimal matching analysis to life course research. International Journal of Social Research Methodology, 11(3), 179–199.CrossRefGoogle Scholar
  36. Ng, T. W., Eby, L. T., Sorensen, K. L., & Feldman, D. C. (2005). Predictors of objective and subjective career success: A meta-analysis. Personnel Psychology, 58(2), 367–408.CrossRefGoogle Scholar
  37. R Core Team. (2013). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.Google Scholar
  38. Ritchie, J., Lewis, J., Nicholls, C. M., & Ormston, R. (Hrsg.). (2013). Qualitative research practice: A guide for social science students and researchers. Sage.Google Scholar
  39. Rohwer, G., & Pötter, U. (1999). TDA user’s manual. Bochum: Ruhr-Universität Bochum.Google Scholar
  40. Rosenbaum, J. E. (1979). Tournament mobility: Career patterns in a corporation. Administrative Science Quarterly, 24(2), 220–241.CrossRefGoogle Scholar
  41. Savickas, M. L. (2002). Reinvigorating the study of careers. Journal of Vocational Behavior, 61(3), 381–385.CrossRefGoogle Scholar
  42. Seibert, S. E., Kraimer, M. L., & Liden, R. C. (2001). A social capital theory of career success. Academy of Management Journal, 44(2), 219–237.CrossRefGoogle Scholar
  43. Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event occurrence. New York: Oxford University Press.CrossRefGoogle Scholar
  44. Spurk, D., Abele, A. E., & Volmer, J. (2011). The career satisfaction scale: Longitudinal measurement invariance and latent growth analysis. Journal of Occupational and Organizational Psychology, 84(2), 315–326.CrossRefGoogle Scholar
  45. Stead, G. B., Perry, J. C., Munka, L. M., Bonnett, H. R., Shiban, A. P., & Care, E. (2012). Qualitative research in career development: Content analysis from 1990 to 2009. International Journal for Educational and Vocational Guidance, 12(2), 105–122.CrossRefGoogle Scholar
  46. Stovel, K., & Bolan, M. (2004). Residential trajectories using optimal alignment to reveal the structure of residential mobility. Sociological Methods & Research, 32(4), 559–598.CrossRefGoogle Scholar
  47. Sullivan, S. E., & Baruch, Y. (2009). Advances in career theory and research: A critical review and agenda for future exploration. Journal of Management, 35(6), 1542–1571.CrossRefGoogle Scholar
  48. Sydow, J., Schreyögg, G., & Koch, J. (2009). Organizational PD: Opening the black box. Academy of Management Review, 34(4), 689–709.CrossRefGoogle Scholar

Authors and Affiliations

  1. 1.Universität MannheimMannheimDeutschland

Personalised recommendations