Empirical Research in Economics and Management - Cheatsheet

Definition und Ziele empirischer Forschung

Definition:

Empirische Forschung: Sammlung und Analyse von Daten zur Überprüfung von Hypothesen und Theorien in der realen Welt.

Details:

• Definition: Empirisch = auf Erfahrung und Beobachtung basierend
• Ziele: Generierung von Wissen, Überprüfung von Theorien, Finden von Gesetzmäßigkeiten
• Methoden: Experimente, Umfragen, Beobachtungen, Sekundärdatenanalyse
• Schritte: Forschungfrage formulieren, Hypothesen erstellen, Daten sammeln, Daten analysieren, Ergebnisse interpretieren
• Wichtig: Replizierbarkeit, Objektivität, Validität

Unterschied zwischen quantitativer und qualitativer Forschung

Definition:

Unterschied zwischen quantitativer und qualitativer Forschung

Details:

• Quantitative Forschung: Nutzung statistischer, numerischer Daten zur Hypothesenüberprüfung mittels mathematischer Modelle, Theorien und Hypothesen.
• Qualitative Forschung: Analyse nicht-numerischer Daten (z.B. Texte, Interviews), um tiefere Einsichten und Verständnis von Phänomenen zu gewinnen; oft explorativ und induktiv.
• Quantitative Methoden: Umfragen, Experimente, sekundäre Datenanalyse.
• Qualitative Methoden: Interviews, Fokusgruppen, Fallstudien, Beobachtungen.
• Analyseansatz:
• Quantitativ: Hypothesenprüfung, mathematische Modelle
• Qualitativ: Kategorisierung, Themenanalyse

Vor- und Nachteile von quantitativen und qualitativen Methoden

Definition:

Vor- und Nachteile von quantitativen und qualitativen Methoden in der empirischen Forschung in Wirtschaft und Management.

Details:

• Quantitative Methoden:
• Vorteile:
• Objektiv, messbar
• Statistische Analyse möglich
• Große Stichproben ermöglichen Generalisierungen
• Nachteile:
• Weniger tiefgehende Einsichten
• Kann Kontext ignorieren
• Erfordert oft umfangreiche Daten
• Qualitative Methoden:
• Vorteile:
• Tieferes Verständnis von Kontext und Prozessen
• Flexibel und anpassungsfähig
• Geeignet für explorative Forschung
• Nachteile:
• Subjektivität kann Ergebnisse beeinflussen
• Schwierig zu generalisieren
• Analyse kann zeitaufwendig sein

Techniken zur Datenerhebung und -analyse

Definition:

Methoden zur Sammlung und Auswertung von Daten in der empirischen Forschung.

Details:

• Datenquellen: Primärdaten (Umfragen, Experimente), Sekundärdaten (bestehende Studien, administrative Daten)
• Erhebungsmethoden: Befragungen, Beobachtungen, Experimente, Sekundärdatenanalyse
• Analysetechniken: Deskriptive Statistik, Inferenzstatistik, Regressionsanalyse, Varianzanalyse (ANOVA)
• Wichtige Konzepte: Stichprobenauswahl, Messskalen, Validität, Reliabilität
• Softwaretools: SPSS, Stata, R, Python
• Relevante Formeln: Mittelwert \( \bar{x} = \frac{1}{n} \sum_{i=1}^n x_i \), Standardabweichung \( s = \sqrt{\frac{1}{n-1} \sum_{i=1}^n (x_i - \bar{x})^2} \), Regression \( y = \beta_0 + \beta_1 x + \epsilon \)

Grundlagen der deskriptiven Statistik

Definition:

Grundlagen der deskriptiven Statistik - wichtige Konzepte und Methoden zur Beschreibung und Analyse von Datensätzen.

Details:

• Unterscheidung zwischen verschiedenen Datenarten (nominal, ordinal, metrisch)
• Lagemaße: Mittelwert (\(\overline{x}\)), Median, Modus
• Streuungsmaße: Varianz (\(s^2\)), Standardabweichung (\(s\)), Spannweite
• Darstellung von Daten durch Diagramme (Histogramm, Boxplot, Streudiagramm)
• Zusammenhänge zwischen Variablen mittels Korrelationsanalyse (\(r\))

Einführung in gängige Statistiksoftware (z.B. SPSS, R, Stata)

Definition:

Kurzüberblick über gebräuchliche Statistiksoftware für die Durchführung empirischer Analysen.

Details:

• SPSS: Benutzerfreundlich, umfangreiche Menüs, gut für Anfänger.
• R: Open-Source, starke Community, hohe Flexibilität, häufig in der Forschung verwendet.
• Stata: Gute Handhabung von Daten, starke statistische Funktionen, intuitive Syntax.
• Datenimport/-export, Datenbereinigung und -transformation, grundlegende statistische Tests und Visualisierungen.
• Lernkurve und Einsatzgebiete variieren je nach Software.

Design von Umfragen und Fragebögen

Definition:

Strategie zur Erstellung effektiver und zuverlässiger Umfragen zur Datenerhebung.

Details:

• Zieldefinition: Klarer Zweck der Umfrage
• Fragetypen: Offene Fragen, geschlossene Fragen (Likert-Skala, Multiple-Choice)
• Frageformulierung: Eindeutig, präzise, vermeidung von Suggestivfragen
• Pretests: Durchführung von Pilotstudien zur Validierung
• Skalenniveaus: Nominal-, Ordinal-, Intervall-, Verhältnisskalen
• Stichprobenauswahl: Zufallsstichprobe, Quotenstichprobe
• Verzerrungen & Fehlerquellen: Vermeidung von Antwortverzerrungen, Berücksichtigung von Non-Response

Stichprobenauswahl und -größe

Definition:

Bestimmung einer repräsentativen Teilmenge aus einer Population für empirische Analysen. Wichtig für die Generalisierbarkeit der Ergebnisse.

Details:

• Stichprobengröße: beeinflusst Präzision der Schätzungen
• Stichprobenfehler: Unterschied zwischen Stichprobe und tatsächlicher Population
• Zufallsstichprobe: jedes Element hat gleiche Chance ausgewählt zu werden
• Formel für Stichprobengröße bei unbekannter Varianz: \[ n = \left( \frac{Z^2 \cdot \sigma^2}{E^2} \right) \]
• Formel für Stichprobengröße bei bekanntem Mittelwert: \[ n = \frac{Z^2 \cdot p(1-p)}{E^2} \]