Year: 2003
Type: preprint
Abstract: In diesem Papier diskutieren wir theoretisch-methodologische Grundlagen zur Analyse so genannter Vollerhebungen,\nalso Datensätze, die Beobachtungen aller Elemente einer Population enthalten. Solche Datensätze\nspielen vor allem in quantitativen Makro-Analysen politischer und sozialer Systeme eine Rolle, und ihre inhärenten\nProbleme führen oft zu methodischer Verwirrung, die wir mit dem vorliegenden Essay verringern\nwollen. Da Vollerhebungen nicht das Resultat einer Zufallsstichprobe sind, ist die Anwendung frequentistischer\nWahrscheinlichkeitskonzeptionen zur Begründung inferentieller statistischer Methoden nicht gegeben;\naußerdem kann die statistische Unabhängigkeit der Beobachtungen voneinander nicht ohne weiteres angenommen\nwerden. Dennoch werden Vollerhebungsdaten durch stochastische Komponenten oder „Fehler“ beeinflusst.\nWir argumentieren, dass die Stochastizität der Daten in die Analyse einbezogen werden muss, etwa\nin Form von Parameter-Varianzen, Signifikanztests, oder Konfidenzintervallen. Wir diskutieren verschiedene\ntheoretische Strategien, mit denen Analysen der Stochastizität begründet werden können, wobei wir vor allem\nfür die Annahme von Superpopulationen oder die Anwendung bayesianischer Ansätze plädieren.\n\nThis paper discusses the theoretical and methodological foundation for the analysis of apparent populations,\ni.e., data sets that include observations of all elements of a population. Such data sets are commonly used in\nquantitative macro studies of political or social systems. Our essay tries to reduce methodological problems\nresulting from the fact that apparent population data are not the result of random sampling designs. First, the\nlack of random sampling prevents the use of the frequentist interpretation of probability commonly employed\nto justify inferential statistical methods. Second, with apparent populations, we cannot assume that observations\nare statistically independent. We argue that apparent population data are subject to a variety of stochastic\nprocesses, or “errors,” that have to be part of the analysis, for example through the investigation of parameter\nvariances, significance tests, or confidence intervals. We discuss several theoretical strategies to justify\nthe analysis of stochastic components of apparent populations, emphasizing in particular the concept of\nsuperpopulations and the usefulness of Bayesian approaches.
Authors: Andreas Broscheid, Thomas Gschwend
Institutions: Max Planck Society, University of California System
Language: German
Subfield: Statistics and Probability
Field: Mathematics
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2133132483