Vorhersagebasierte adaptive Designs für Panelstudien

Fragestellung/Ziel: 

Adaptive Befragungsdesigns bieten umfassende Möglichkeiten, Stichprobenausfälle und Verzerrungen durch systematische Nichtteilnahme in Panelstudien zu reduzieren. Die Forschung zum effektiven Einsatz solcher Designs ist in zwei zentralen Bereichen bislang unzureichend: (1) Hinsichtlich der Vorhersagemethoden, die zum Identifizieren von Stichprobenausfällen angewendet werden und (2) in Hinblick auf die Interventionen, die in adaptiven Designs für Gruppen mit hohem erwarteten Ausfallrisiko zur Anwendung kommen. Dieses Forschungsprojekt kombiniert die Implementierung und Erprobung innovativer Vorhersagemethoden aus dem Bereich des maschinellen Lernens mit innovativen Interventionen, die bei den Panelteilnehmern mit hohem vorhergesagten Ausfallrisiko angewendet werden können. Die Vorhersagemodelle werden explizit längsschnittlich trainiert und evaluiert, um möglichst effektiv Panelteilnehmer identifizieren zu können, bei denen ein erhöhtes Ausfallrisiko in neuen Panelwellen besteht. Auf Basis der vom besten Modell vorhergesagten Ausfallwahrscheinlichkeiten wird in einem nächsten Schritt die Wirksamkeit verschiedener Interventionen getestet. Dabei werden neben erhöhten monetären Anreizen insbesondere innovative Interventionen erprobt, die darauf abzielen, das Befragungserlebnis zu verbessern. Das Testen dieser Strategien kann zur Beantwortung der Frage beitragen, welcher Ansatz die Teilnahmebereitschaft und das Engagement von Befragten am besten erhöht. Die Interventionen werden auch unter Berücksichtigung anderer, potenziell unbeabsichtigter Auswirkungen auf die Datenqualität verglichen und bewertet. Darüber hinaus prüft das Projektteam die Übertragbarkeit der entwickelten Methodik auf andere Panelstudien.

Arbeitsstand: 

Im ersten Jahr des Projekts wurden Vorhersagemodelle für das adaptive Design des GESIS-Panels entwickelt und implementiert. Ein Fokus lag dabei auf dem Vergleich von Standardverfahren des maschinellen Lernens und Vorhersagetechniken, die die längsschnittliche Struktur von Paneldaten berücksichtigen. Ein Manuskript. welches diese Modellvergleiche vorstellt, wurde zur Veröffentlichung eingereicht und ist derzeit in Begutachtung.

Fact sheet

Finanzierung: 
DFG
Laufzeit: 
2022 bis 2025
Status: 
laufend
Datenart: 
Panel survey data
Geographischer Raum: 
Germany

Veröffentlichungen