Beschreibung

"Kausalanalysen mit quasi-experimentellem Forschungsdesign bspw. Matching-Verfahren schätzen die Wirkung einer Intervention auf eine Ergebnisvariable. Unverzerrte Schätzungen ergeben sich dabei nur, wenn die Kausalanalyse alle Merkmale mit Einfluss auf die Ergebnisvariable und auf die Selektion in die Intervention berücksichtigt. Wenn nicht sicher ist, ob all diese Merkmale berücksichtigt wurden, helfen Sensitivitätsanalysen, den Einfluss eines nicht beobachteten Merkmals auf die geschätzte Wirkung der Intervention zu bestimmen. Einen der ersten Vorschläge für eine solche Sensitivitätsanalyse lieferten Rosenbaum und Rubin (1983). Danach legen vier Parameter fest, wie das unbeobachtete Merkmal mit der Interventionswahrscheinlichkeit und der Ergebnisvariable (in Interventions-und Kontrollgruppe) zusammenhängt und wie es in der Grundgesamtheit verteilt ist. Einfache tabellarische Darstellungen für den Einfluss des nicht beobachteten Merkmals auf die geschätzte Wirkung für verschiedene Sets dieser vier Parameter stoßen schnell an die Grenze zur Unübersichtlichkeit. Dieses Problem lösen wir mit der interaktiven Web-Anwendung TippingSens. Sie basiert auf Shiny R Studio. TippingSens visualisiert gleichzeitig alle vier Parameter eines unbeobachteten Merkmals und zeigt für unterschiedliche Kombinationen und Ausprägungen dieser Parameter in welchem Ausmaß die Ergebnisse der Kausalanalyse durch das nicht beobachtete Merkmal verändert würden. Wir demonstrieren die Anwendung von TippingSens mit den Ergebnissen aus einer Wirkungsanalyse beruflicher Weiterbildung von Arbeitslosen. Der Web-Anhang zu diesem Artikel enthält eine Anleitung für TippingSens anhand des ursprünglichen Beispiels von Rosenbaum und Rubin" (Autorenreferat, IAB-Doku)