Seminar Experimental Economics - Exam

Aufgabe 1)

Kognitive Verzerrungen beeinflussen unsere Entscheidungsfindung und führen zu systematischen Abweichungen von rationalem Verhalten. Beispiele für solche Verzerrungen sind der Anker-Effekt, die Verfügbarkeitsheuristik und der Bestätigungsfehler. Diese Verzerrungen führen oft zu ineffizienten Märkten und irrationalen Entscheidungen. In der Verhaltensökonomie werden solche Phänomene durch Experimente untersucht. Eine gängige Formel, die durch Biases häufig verletzt wird, ist die Erwartungsnutzentheorie. Kognitive Verzerrungen haben einen erheblichen Einfluss auf Konsumverhalten, Investitionsentscheidungen und die Preisgestaltung.

a)

• Der Anker-Effekt: Erläutere anhand eines Beispiels, wie der Anker-Effekt die Preisgestaltung beeinflussen kann. Nutze dabei die Erwartungsnutzentheorie und erkläre, warum dieser Effekt zu irrationalen Entscheidungen führt.

Lösung:

Der Anker-Effekt: Der Anker-Effekt beschreibt die Tendenz, bei der Menschen sich bei ihren Entscheidungen stark an einer ersten Information, die sie erhalten (dem sogenannten 'Anker'), orientieren. Dies kann die Preisgestaltung erheblich beeinflussen.

Ein Beispiel hierfür ist die Preisgestaltung eines Produktes:

• Angenommen, ein Kunde betritt einen Laden und sieht, dass ein hochwertiges Laptop-Modell für 1500 Euro angeboten wird. Dies stellt den Anker dar.
• Daraufhin sieht er ein anderes Laptop-Modell, das ähnliche Funktionen bietet, aber nur 1000 Euro kostet. Aufgrund des Ankers von 1500 Euro erscheint der zweite Laptop dem Kunden als ein Schnäppchen, obwohl er unter rationalen Gesichtspunkten vielleicht immer noch teuer ist.

Um dies im Kontext der Erwartungsnutzentheorie zu erklären, nehmen wir an:

• Die Erwartungsnutzentheorie (Expected Utility Theory) besagt, dass Individuen Entscheidungen treffen, indem sie den erwarteten Nutzen maximieren. Der erwartete Nutzen ist eine Funktion des Wertes (z.B. Preis) und der Wahrscheinlichkeit eines Ereignisses (z.B. die Zufriedenheit mit dem gekauften Produkt).
• Ohne den Anker würde der Kunde den Kaufpreis und den erwarteten Nutzen des Laptops rational abwägen und entscheiden, ob der Laptop seinen Preis wert ist.

Der Anker-Effekt führt jedoch dazu, dass der Kunde den Ankerpreis (1500 Euro) im Kopf behält und somit den zweiten Preis (1000 Euro) als relativ günstig empfindet. Diese Verzerrung führt dazu, dass der Kunde den erwarteten Nutzen des zweiten Laptops überbewertet und möglicherweise eine irrational hohe Zahlungsbereitschaft entwickelt.

Dies zeigt sich darin, dass der Kunde den Laptop für 1000 Euro kauft, obwohl der tatsächliche Nutzen diesen Preis möglicherweise nicht rechtfertigt. Der Anker-Effekt hat somit dazu geführt, dass der Kunde eine irrationale Entscheidung trifft und dem Ladenbesitzer ermöglicht, einen höheren Preis durchzusetzen, als es in einem rationalen Markt der Fall wäre.

b)

• Verfügbarkeitsheuristik: Beschreibe, wie die Verfügbarkeitsheuristik das Konsumverhalten eines Individuums in einem experimentellen Setup beeinflussen kann. Formuliere ein Experiment und zeige, wie man die Ergebnisse auswerten könnte. Verwende mathematische Formeln zur Unterstützung Deiner Auswertung.

Lösung:

Verfügbarkeitsheuristik: Die Verfügbarkeitsheuristik bezeichnet die Tendenz von Menschen, die Wahrscheinlichkeit von Ereignissen basierend auf der Leichtigkeit, mit der Beispiele in den Sinn kommen, zu bewerten. Diese kognitive Verzerrung kann das Konsumverhalten erheblich beeinflussen.

Um dies in einem experimentellen Setup zu untersuchen, könnten wir folgendes Experiment durchführen:

• Experiment: Teilnehmer werden in zwei Gruppen aufgeteilt. Beide Gruppen wird eine Liste von Produkten gezeigt, die sie möglicherweise kaufen könnten. Die erste Gruppe (Gruppe A) erhält eine Liste mit häufig beworbenen Produkten, die in den Medien präsent sind. Die zweite Gruppe (Gruppe B) erhält eine Liste mit weniger beworbenen, jedoch gleichwertigen Produkten.
• Nach dem Zeigen der Listen werden beide Gruppen gebeten, das Produkt auszuwählen, das sie höchstwahrscheinlich kaufen würden.

Hypothese: Gruppe A wird eher die häufig beworbenen Produkte auswählen, da diese aufgrund der Verfügbarkeitsheuristik in ihren Köpfen präsenter sind.

Auswertung: Wir werten die Ergebnisse quantitativ aus, indem wir die Anzahl der ausgewählten Produkte aus jeder Gruppe zählen und vergleichen. Wir können folgende Formel nutzen, um die Unterschiedlichkeit der Auswahlmuster zwischen den beiden Gruppen zu bewerten:

• Bezeichnen wir die Wahrscheinlichkeit, dass ein Teilnehmer aus Gruppe A ein häufig beworbenes Produkt auswählt, mit P(A) und die Wahrscheinlichkeit, dass ein Teilnehmer aus Gruppe B ein solches Produkt auswählt, mit P(B).

Die relativen Häufigkeiten können folgendermaßen berechnet werden:

P(A) = \frac{n_A}{N_A}

wobei n_A die Anzahl der Teilnehmer in Gruppe A ist, die ein häufig beworbenes Produkt ausgewählt haben, und N_A die Gesamtanzahl der Teilnehmer in Gruppe A.

Entsprechend:

P(B) = \frac{n_B}{N_B}

Um den Unterschied statistisch zu testen, können wir den Chi-Quadrat-Test (\(\chi^2\)) verwenden. Die Teststatistik wird berechnet als:

\(\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}\)

wobei O_i die beobachteten Häufigkeiten und E_i die erwarteten Häufigkeiten sind.

Durch den Vergleich von P(A) und P(B) mithilfe des Chi-Quadrat-Tests können wir feststellen, ob es einen signifikanten Unterschied in den Auswahlmustern gibt und somit bestätigen, ob die Verfügbarkeitsheuristik das Konsumverhalten in diesem experimentellen Setup beeinflusst hat.

c)

• Bestätigungsfehler: Entwickle ein Szenario, in dem der Bestätigungsfehler Investitionsentscheidungen innerhalb eines Marktes beeinflusst. Erkläre, wie Du diesen Fehler durch ein Experiment nachweisen würdest und welche Maßnahmen zur Minderung dieses Fehlers führen könnten. Formuliere die Entscheidungsregel mathematisch.

Lösung:

Bestätigungsfehler: Der Bestätigungsfehler (Confirmation Bias) ist die Tendenz dazu, Informationen so auszuwählen und zu interpretieren, dass sie die eigenen Vorurteile oder Hypothesen bestätigen. Er beeinflusst Investitionsentscheidungen, da Investoren dazu neigen, nur die Informationen zu beachten, die ihre Überzeugungen stützen, und gegenteilige Informationen zu ignorieren.

Hier ist ein Szenario, in dem der Bestätigungsfehler Investitionsentscheidungen innerhalb eines Marktes beeinflussen kann:

• Stell Dir vor, ein Investor, nennen wir ihn Alex, ist der festen Überzeugung, dass die Aktie eines bestimmten Tech-Unternehmens in naher Zukunft stark an Wert gewinnen wird. Diese Überzeugung basiert auf einigen erfolgreichen Projekten des Unternehmens in der Vergangenheit.
• Alex liest regelmäßig Finanznachrichten und Aktienanalysen. Er fokussiert sich jedoch hauptsächlich auf Berichte, die seine Überzeugung stützen, und ignoriert kritische Berichte oder negative Marktprognosen, die auf einen möglichen Kurssturz hinweisen.
• Infolgedessen trifft Alex möglicherweise eine übermäßig optimistische Entscheidung, weiterhin große Summen in die Aktie zu investieren, auch wenn objektive Daten darauf hindeuten, dass das Unternehmen vor erheblichen Herausforderungen steht und ein Kursrückgang wahrscheinlich ist.

Experiment zum Nachweis des Bestätigungsfehlers:

• Wir teilen die Teilnehmer (Investoren) in zwei Gruppen auf. Beide Gruppen erhalten identische Informationen über ein Set von Aktien, jedoch in unterschiedlicher Reihenfolge.
• Gruppe A erhält zuerst positive Berichte über eine bestimmte Aktie, gefolgt von negativen Berichten. Gruppe B erhält zuerst die negativen Berichte und dann die positiven Berichte.
• Wir messen die Investitionsentscheidungen der Teilnehmer in beiden Gruppen nach der Präsentation der Informationen.

Hypothese: Teilnehmer aus Gruppe A werden aufgrund des Bestätigungsfehlers eher geneigt sein, in die Aktie zu investieren, da die ersten positiven Berichte ihre anfängliche Überzeugung stärker prägen.

Auswertung: Wir vergleichen die durchschnittlichen Investitionsbeträge der beiden Gruppen:

• Sei I_A die durchschnittliche Investitionshöhe der Gruppe A und I_B die durchschnittliche Investitionshöhe der Gruppe B.
• Wir verwenden einen t-Test, um die Signifikanz des Unterschieds zwischen I_A und I_B zu bewerten.

Die Formel für den t-Test lautet:

\[ t = \frac{\overline{I_A} - \overline{I_B}}{\sqrt{\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}}} \]

wobei \( \overline{I_A} \) und \( \overline{I_B} \) die Mittelwerte darstellen, \( s_A \) und \( s_B \) die Standardabweichungen der Investitionen und \( n_A \) und \( n_B \) die Anzahl der Teilnehmer in den jeweiligen Gruppen.

Maßnahmen zur Minderung dieses Fehlers:

• Förderung von kritischem Denken und Schulungen, um kognitive Verzerrungen zu erkennen und zu vermeiden.
• Ermutigung zur Einholung vielfältiger Meinungen und zum regelmäßigen Überprüfen der eigenen Überzeugungen.
• Etablierung formalisierter Entscheidungsregeln, die den Einfluss von persönlichen Vorurteilen minimieren.

Mathematische Formulierung der Entscheidungsregel:

Eine mögliche Entscheidungsregel könnte wie folgt lauten:

Investiere nur, wenn der gewichtete Durchschnitt der Bewertungen aus verschiedenen Quellen über einem bestimmten Schwellenwert liegt:

\[ E(I) = \frac{\sum_{i=1}^{n} w_i \cdot r_i}{\sum_{i=1}^{n} w_i} > \text{Schwellenwert} \]

wobei \( r_i \) die Bewertungen der einzelnen Informationen und \( w_i \) die Gewichte basierend auf der Verlässlichkeit der Informationsquellen sind.

Aufgabe 2)

Nudging und Verhaltensinterventionen: Techniken zur Beeinflussung von Entscheidungen ohne ökonomische Anreize oder Zwang.

• Ziel: Verbesserung des individuellen und kollektiven Wohlergehens durch sanfte Lenkung.
• Beispiele: Opt-out-Regelungen, Standardoptionen, Informationskampagnen.
• Kritik: Manipulationsvorwürfe, ethische Bedenken.
• Theorie basiert auf: Verhaltensökonomie und Erkenntnissen aus der Psychologie.
• Umsetzung: oft in Politik, Gesundheits- und Finanzwesen.

a)

Erkläre den Begriff „Nudging“ und beschreibe ein konkretes Beispiel aus dem Gesundheitswesen, das zeigt, wie Nudging eingesetzt wird, um das Verhalten der Menschen zu ändern. Diskutiere sowohl die möglichen positiven Auswirkungen als auch die Kritikpunkte dieses Beispiels.

Lösung:

• Erklärung des Begriffs „Nudging“: Nudging ist eine Technik, die darauf abzielt, das Verhalten von Menschen durch subtile Anreize und Hinweise zu beeinflussen, ohne dabei auf ökonomische Anreize oder Zwang zurückzugreifen. Es geht darum, die Entscheidungsumgebung so zu gestalten, dass es wahrscheinlicher wird, dass Menschen eine bestimmte gewünschte Entscheidung treffen, während sie weiterhin die volle Freiheit haben, sich anders zu entscheiden.
• Konkretes Beispiel aus dem Gesundheitswesen: Ein konkretes Beispiel für Nudging im Gesundheitswesen ist die Platzierung von gesunden Lebensmitteln auf Augenhöhe in Schulkantinen, während weniger gesunde Optionen weiter unten oder außerhalb der unmittelbaren Sichtweite platziert werden. Dies erleichtert den Schülern die gesunde Wahl, ohne dass ihnen die ungesunden Optionen explizit verboten werden.
• Positive Auswirkungen:
  • Verbesserte Gesundheit: Durch die Förderung gesünderer Lebensmittelentscheidungen kann Nudging dazu beitragen, die Ernährungsgewohnheiten der Schüler zu verbessern und langfristig gesundheitliche Vorteile zu erzielen.
  • Reduzierung von Fettleibigkeit: Eine gesündere Ernährung kann dazu beitragen, das Risiko von Übergewicht und damit verbundenen gesundheitlichen Problemen zu verringern.
  • Kosteneinsparungen: Langfristig könnten durch eine verbesserte Gesundheit Kosteneinsparungen im Gesundheitswesen erzielt werden.
• Kritikpunkte:
  • Manipulationsvorwürfe: Einige Kritiker argumentieren, dass Nudging eine Form der Manipulation darstellt, da es versucht, das Verhalten der Menschen zu lenken, ohne dass diese sich dessen bewusst sind.
  • Ethik: Die Frage der ethischen Angemessenheit stellt sich, insbesondere wenn die Wünsche und Präferenzen der Individuen nicht ausreichend berücksichtigt werden.
  • Potenzielle Ineffektivität: Nudging kann weniger effektiv sein, wenn es nicht richtig implementiert wird oder wenn die Zielgruppe die Maßnahme durchschaut und sich absichtlich dagegen entscheidet.

c)

Analysiere die ethischen Bedenken, die beim Einsatz von Nudging-Interventionen auftreten könnten. Ziehe dabei mindestens zwei verschiedene philosophische Perspektiven heran und witere diese umfassend. Wie könnten diese Bedenken bei der Implementierung von Nudging-Strategien berücksichtigt werden?

Lösung:

• Ethik des Nudging: Beim Einsatz von Nudging-Interventionen tauchen oft ethische Bedenken auf, die aus verschiedenen philosophischen Perspektiven betrachtet werden können. Hier sind zwei solcher Perspektiven: der Utilitarismus und der Kantianismus.
• 1. Utilitaristische Perspektive:
  • Grundprinzip: Der Utilitarismus bewertet Handlungen anhand ihrer Konsequenzen und geht davon aus, dass diejenige Handlung moralisch richtig ist, die das größte Glück für die größte Anzahl von Menschen bringt.
  • Anwendung auf Nudging: Aus utilitaristischer Sicht könnte Nudging ethisch gerechtfertigt sein, wenn es das Wohl der Mehrheit verbessert. Zum Beispiel könnte eine Opt-out-Regelung bei Organspenden als moralisch richtig betrachtet werden, wenn sie zu mehr verfügbaren Organen und damit zu mehr geretteten Leben führt.
  • Ethische Bedenken: Ein utilitaristischer Ansatz könnte jedoch potenziell negative Auswirkungen ignorieren oder nicht ausreichend bewerten. Wenn ein Nudge das Wohl einer kleinen Gruppe stark beeinträchtigt, könnte dies als ethisch problematisch angesehen werden, selbst wenn der Gesamtnutzen für die Mehrheit groß ist.
• 2. Kantianische Perspektive:
  • Grundprinzip: Der Kantianismus betont die Wichtigkeit der Autonomie und der moralischen Pflichten. Handlungen sind moralisch richtig, wenn sie auf universalisierbaren Prinzipien beruhen und die Autonomie der Individuen respektieren.
  • Anwendung auf Nudging: Aus kantianischer Sicht könnte Nudging als problematisch angesehen werden, weil es die Autonomie der Individuen untergraben könnte. Wenn eine Person nicht vollständig informiert wird oder subtil manipuliert wird, könnte dies als eine Verletzung ihrer rationalen Autonomie betrachtet werden.
  • Ethische Bedenken: Ein kantianischer Ansatz könnte darauf hinweisen, dass Nudging manipulativen Charakter haben kann, selbst wenn es gut gemeint ist. Nur wenn die Menschen über die Nudge-Strategien vollständig informiert sind und diesen zustimmen, könnte der Einsatz von Nudges als ethisch vertretbar angesehen werden.
• Konsiderationen bei der Implementierung von Nudging-Strategien:
  • Transparenz und Information: Eine Möglichkeit, ethische Bedenken zu adressieren, besteht darin, die betroffenen Personen umfangreich und klar über die Nudging-Strategien zu informieren. Dies würde helfen, die Autonomie der Individuen zu wahren und könnte die Akzeptanz der Maßnahmen erhöhen.
  • Partizipatives Design: Die Einbindung der Zielgruppen in die Entwicklung und Implementierung der Nudging-Strategien könnte sicherstellen, dass ihre Bedürfnisse und Präferenzen berücksichtigt werden. Dies könnte helfen, das Gefühl der Manipulation zu vermindern und die Legitimität der Maßnahmen zu erhöhen.
  • Rechenschaftspflicht: Es sollten Mechanismen zur Rechenschaftspflicht eingeführt werden, um sicherzustellen, dass die Nudging-Maßnahmen fair und gerecht angewendet werden. Dazu gehören regelmäßige Evaluationen und die Bereitschaft, die Strategien anzupassen oder abzuschaffen, wenn sie unerwünschte negative Folgen haben.
• Zusammenfassung: Die Analyse der ethischen Bedenken aus verschiedenen philosophischen Perspektiven zeigt, dass Nudging sowohl Potenzial für das Gemeinwohl hat, als auch Risiken für die individuelle Autonomie und Gerechtigkeit birgt. Durch transparente Information, partizipatives Design und Rechenschaftspflicht können diese Bedenken bei der Implementierung von Nudging-Strategien weitgehend berücksichtigt werden.

d)

Betrachte eine Informationskampagne als eine Form von Nudging. Angenommen, es gibt zwei Gruppen von Menschen (A und B), wobei Gruppe A anfälliger für die Informationen ist als Gruppe B. Modelliere diesen Unterschied mathematisch und zeige, wie die Gesamtwirkung der Kampagne auf die Entscheidungen beider Gruppen unterschiedlich sein könnte. Berücksichtige dabei die Verhältnisse der Anfälligkeit für die Informationen als Faktoren in Deiner Modellierung.

Lösung:

• Modellierung einer Informationskampagne als Form von Nudging: Angenommen, es gibt zwei Gruppen von Menschen, Gruppe A und Gruppe B, wobei Gruppe A anfälliger für die Informationen ist als Gruppe B. Um den Unterschied mathematisch zu modellieren und die Gesamtwirkung der Kampagne auf die Entscheidungen beider Gruppen zu zeigen, verwenden wir die Konzepte der Wahrscheinlichkeit und der Entscheidungsfindung.
• Definition der Variablen:
  • P_A: Wahrscheinlichkeit, dass ein Individuum aus Gruppe A durch die Informationskampagne beeinflusst wird.
  • P_B: Wahrscheinlichkeit, dass ein Individuum aus Gruppe B durch die Informationskampagne beeinflusst wird.
  • \beta_A: Anfälligkeitsfaktor für Gruppe A.
  • \beta_B: Anfälligkeitsfaktor für Gruppe B.
  • \rho_A: Anteil der Gesamtbevölkerung, der zu Gruppe A gehört.
  • \rho_B: Anteil der Gesamtbevölkerung, der zu Gruppe B gehört.
  • I: Intensität der Informationskampagne.
• Modellannahmen: Die Wahrscheinlichkeit, dass Individuen in den Gruppen durch die Kampagne beeinflusst werden, ist proportional zu den Anfälligkeitsfaktoren:
• P_A = \beta_A \times I
• P_B = \beta_B \times I
• Gesamtwirkung auf die Entscheidungen: Die Gesamtwirkung der Kampagne ergibt sich aus der Summe der Wirkungen auf beide Gruppen:
• \begin{equation} W_{ges} = \rho_A \times P_A + \rho_B \times P_B \rightarrow (1) \end{equation}
• Setzen wir die Wahrscheinlichkeiten \(P_A\) und \(P_B\) in (1) ein, erhalten wir:
• \begin{equation} W_{ges} = \rho_A \times (\beta_A \times I) + \rho_B \times (\beta_B \times I) \rightarrow (2) \end{equation}
• \begin{equation} W_{ges}= I (\rho_A \times \beta_A + \rho_B \times \beta_B) \end{equation}
Gleichung (2) zeigt die Gesamtwirkung der Informationskampagne, die von der Intensität \(I\) sowie den Anteilen und Anfälligkeitsfaktoren der Gruppen abhängt.
• Unterschiedliche Anfälligkeiten berücksichtigen:
  • \begin{equation} W_A = \rho_A \times P_A = \rho_A \times (\beta_A \times I) = \rho_A \times \beta_A \times I \rightarrow (3) \end{equation}
  • \begin{equation} W_B= \rho_B \times P_B = \rho_B \times (\beta_B \times I)= \rho_B \times \beta_B \times I \rightarrow (4) \end{equation}
• Interpretation und Zusammenfassung: Die Gesamtwirkung der Informationskampagne variiert je nach Anfälligkeitsfaktor und Anteil der jeweiligen Gruppe in der Gesamtbevölkerung. Gruppe A, die anfälliger für die Informationen ist, zeigt eine stärkere Reaktion auf die Kampagne als Gruppe B, selbst wenn die Intensität der Informationskampagne \(I\) gleich bleibt. Mathematisch kann dies durch die hohe Produktterm \(\rho_A \times \beta_A \times I\) im Vergleich zu \(\rho_B \times \beta_B \times I\) erklärt werden, wenn \(\beta_A > \beta_B\) gilt.Dies bedeutet, dass gezielte Informationskampagnen, die auf die unterschiedliche Anfälligkeit der Zielgruppen abgestimmt sind, effektiver sein können, wenn man die spezifischen Bedürfnisse und Merkmale der Zielgruppen berücksichtigt.

Aufgabe 3)

Aufbau und Struktur von LaborexperimentenIn der Experimentalökonomie werden Verhaltensweisen unter kontrollierten Bedingungen systematisch beobachtet und analysiert. Die Laborumgebung kontrolliert externe Variablen, um verlässliche Ergebnisse zu gewährleisten. Typischerweise bestehen diese Experimente aus mehreren Phasen: Rekrutierung, Instruktion, Durchführung und Nachbefragung. Monetäre Anreize werden eingesetzt, um die Teilnahme zu incentivieren. Um systematische Fehler zu vermeiden, wird Randomisierung angewandt, und die gesammelten Daten werden mit statistischen Methoden analysiert.

a)

Erläutere die Bedeutung der Randomisierung in einem Laborexperiment und wie sie zur Vermeidung systematischer Fehler beiträgt. Warum ist dies besonders in ökonomischen Experimenten von Relevanz?

Lösung:

Die Bedeutung der Randomisierung in einem Laborexperiment und ihre Rolle bei der Vermeidung systematischer Fehler

• Definition der Randomisierung: Randomisierung bezieht sich auf die zufällige Zuweisung von Teilnehmern zu verschiedenen Gruppen oder Bedingungen in einem Experiment. Dies stellt sicher, dass jede Gruppe eine repräsentative Stichprobe der Gesamtpopulation ist und dass alle Teilnehmer die gleiche Wahrscheinlichkeit haben, einer bestimmten Bedingung zugeordnet zu werden.
• Vermeidung systematischer Fehler:
  • Gleichverteilung von Störvariablen: Durch die zufällige Zuweisung werden alle möglichen Störvariablen (z.B. Alter, Geschlecht, Bildungsstand) gleichmäßig auf die verschiedenen Gruppen verteilt. Dadurch wird das Risiko minimiert, dass bestimmte Merkmale oder Präferenzen der Teilnehmer die Ergebnisse verzerren.
  • Vermeidung von Selektionsbias: Ohne Randomisierung könnten Forscher unbewusst oder bewusst Teilnehmer auswählen, die den Ergebnissen in eine bestimmte Richtung beeinflussen. Durch die Randomisierung wird der Einfluss solcher Biases reduziert.
• Besondere Relevanz in ökonomischen Experimenten:
  • Heterogenität der Teilnehmer: Wirtschaftliche Entscheidungen und Verhaltensweisen sind oft stark von individuellen Eigenschaften und Präferenzen abhängig. Randomisierung hilft, diese Heterogenität zu kontrollieren, sodass die beobachteten Effekte tatsächlich auf die experimentellen Manipulationen und nicht auf individuelle Unterschiede zurückzuführen sind.
  • Extern valide Ergebnisse: Ökonomische Experimente sollen oft allgemeine Prinzipien oder Theorien testen. Randomisierung stellt sicher, dass die Ergebnisse auf eine breitere Population anwendbar sind, da sie systematische Verzerrungen vermeidet.
  • Glaubwürdigkeit und Replizierbarkeit: Experimente, die gut randomisiert sind, genießen in der wissenschaftlichen Gemeinschaft höhere Glaubwürdigkeit. Sie sind leichter replizierbar, da andere Forscher in der Lage sein werden, ähnliche Bedingungen zu reproduzieren und zu ähnlichen Ergebnissen zu kommen.

Zusammenfassend lässt sich sagen, dass die Randomisierung ein unverzichtbares Element in der Experimentalökonomie ist, um die Genauigkeit und Zuverlässigkeit der Forschungsergebnisse zu gewährleisten. Sie hilft dabei, systematische Fehler zu vermeiden und stellt sicher, dass die Ergebnisse sowohl intern als auch extern valide sind.

b)

Angenommen, Du planst ein Laborexperiment zur Untersuchung von Entscheidungsverhalten unter Unsicherheit. Beschreibe detailliert die einzelnen Phasen von der Rekrutierung bis zur Nachbefragung. Welche Schritte würdest Du unternehmen, um sicherzustellen, dass externe Variablen kontrolliert werden?

Lösung:

Phasen eines Laborexperiments zur Untersuchung von Entscheidungsverhalten unter Unsicherheit

• Rekrutierung:
  • Teilnehmerauswahl: Die Teilnehmer sollten zufällig aus der Zielpopulation ausgewählt werden, um eine repräsentative Stichprobe zu gewährleisten.
  • Werbemaßnahmen: Werbung durch soziale Medien, Universitätsplattformen, E-Mails und Flyer kann helfen, eine ausreichende Anzahl von Teilnehmern zu erreichen.
  • Teilnahmekriterien: Festlegung von Kriterien (z.B. Mindest- und Höchstalter, spezifische demografische Merkmale), um sicherzustellen, dass die Teilnehmer zur Untersuchungsfrage passen.
  • Anreize: Monetäre Anreize oder Gutscheine können angeboten werden, um die Teilnahme zu motivieren.
• Instruktion:
  • Erklärung des Experiments: Eine klare, schriftliche oder mündliche Erklärung des Experiments, die das Ziel und den Ablauf erläutert.
  • Schulung: Falls notwendig, Schulung der Teilnehmer zur Nutzung von Tools oder Software, die im Experiment verwendet werden.
  • Fragen und Klarstellungen: Möglichkeit bieten, Fragen zu stellen und Unklarheiten zu beseitigen, um sicherzustellen, dass alle Teilnehmer dieselben Informationen haben.
  • Anweisungen zur Randomisierung: Einteilung der Teilnehmer in verschiedene Gruppen oder Bedingungen unter Nutzung eines randomisierten Verfahrens.
• Durchführung:
  • Kontrolle der Umgebung: Externe Störfaktoren minimieren, z.B. durch eine ruhige und ununterbrochene Laborumgebung.
  • Standardisierte Abläufe: Sicherstellen, dass alle Experimente nach einem standardisierten Protokoll durchgeführt werden, um Variabilität zu minimieren.
  • Einhaltung ethischer Richtlinien: Beachtung von ethischen Richtlinien, z.B. Anonymität und Freiwilligkeit der Teilnahme.
  • Datenerhebung: Systematische Erfassung der Daten durch Fragebögen, Verhaltensbeobachtungen oder Software-Tools.
  • Überwachung: Präsenz eines Versuchsleiters, um bei technischen Problemen zu helfen und die Einhaltung von Protokollen sicherzustellen.
• Nachbefragung:
  • Feedback: Einholen von Feedback von den Teilnehmern hinsichtlich ihres Erlebens und Verständnisses des Experiments.
  • Deklaration von Unsicherheiten: Teilnehmer befragen, ob und wo sie Unsicherheiten im Entscheidungsverfahren empfunden haben.
  • Nachträgliche Aufklärung: Klärung von eventuellen Missverständnissen und Bereitstellung zusätzlicher Informationen zu den Forschungshintergründen.
  • Belohnung und Verabschiedung: Ausgabe der vereinbarten Aufwandsentschädigung und offizielle Verabschiedung.

• Standardisierte Anweisungen: Verwendung von identischen schriftlichen oder mündlichen Instruktionen für alle Teilnehmer.
• Gleiche Startbedingungen: Sicherstellen, dass alle Teilnehmer unter den gleichen physischen und zeitlichen Bedingungen starten (z.B. gleiche Raumtemperatur, gleiche Tageszeit).
• Kontrolle der technischen Ausstattung: Verwendung identischer Hardware und Software für alle Teilnehmer, um technische Variabilitäten zu vermeiden.
• Dokumentation: Detailgenaue Protokollierung aller Abläufe und eventueller Abweichungen, um diese später analysieren und berücksichtigen zu können.

Durch diese sorgfältige Planung und Durchführung aller Phasen eines Laborexperiments kann eine hohe Zuverlässigkeit und Validität der Ergebnisse sichergestellt werden. Die Kontrolle externer Variablen und die Anwendung von Randomisierungsverfahren sind dabei entscheidend, um systematische Fehler zu vermeiden und aussagekräftige, generalisierbare Resultate zu erhalten.

d)

Beschreibe, wie die Datenanalyse in der Experimentalökonomie durchgeführt wird. Welche statistischen Methoden könnten angewandt werden, um die gesammelten Daten zu interpretieren? Gib ein konkretes Beispiel eines statistischen Tests, der in solchen Experimenten verwendet werden könnte.

Lösung:

Datenanalyse in der Experimentalökonomie

• Datenerfassung und Bereinigung: Die ersten Schritte beinhalten die Sammlung und Bereinigung der Rohdaten. Dies umfasst das Entfernen von Ausreißern, die Bearbeitung fehlender Werte und die Überprüfung der Daten auf Eingabefehler.
• Deskriptive Statistik: Berechnung von deskriptiven Statistiken, um einen Überblick über die Daten zu erhalten. Dies umfasst Mittelwerte, Mediane, Standardabweichungen, Häufigkeiten und Prozentsätze. Diese Statistiken helfen, erste Muster und Anomalien in den Daten zu erkennen.
• Hypothesentests: Anwendung von inferenzstatistischen Methoden zur Überprüfung spezifischer Hypothesen. Dies beinhaltet Signifikanztests wie den t-Test, den Chi-Quadrat-Test und andere Verfahren, um zu bestimmen, ob beobachtete Unterschiede oder Zusammenhänge in den Daten statistisch signifikant sind.
• Regressionsanalysen: Regressionsmodelle helfen dabei, die Beziehungen zwischen einer abhängigen Variablen und einer oder mehreren unabhängigen Variablen zu verstehen. Beispiele sind die lineare Regression, die logistische Regression und multiple Regressionsmodelle. Diese Analysen quantifizieren die Effekte verschiedener Einflussfaktoren auf das Verhalten.
• Varianzanalyse (ANOVA): Die ANOVA wird verwendet, um die Mittelwerte zwischen drei oder mehr Gruppen zu vergleichen und festzustellen, ob signifikante Unterschiede bestehen. Diese Methode ist besonders nützlich bei Experimenten mit mehreren Bedingungen oder Behandlungsgruppen.
• Chi-Quadrat-Test: Dieser Test untersucht die Unabhängigkeit zwischen zwei kategorialen Variablen. Er prüft, ob die beobachteten Häufigkeiten in den Kategorien von den erwarteten Häufigkeiten abweichen.

Konkretes Beispiel für einen statistischen Test: der t-Test

Ein t-Test ist nützlich, um den Unterschied zwischen den Mittelwerten von zwei Gruppen zu vergleichen. Angenommen, Du führst ein Experiment durch, um das Entscheidungsverhalten unter Unsicherheit zu untersuchen. In diesem Experiment gibt es zwei Gruppen: eine Gruppe, die einem hohen Risikoszenario ausgesetzt ist (Gruppe A), und eine Gruppe, die einem niedrigen Risikoszenario ausgesetzt ist (Gruppe B). Der t-Test kann verwendet werden, um zu prüfen, ob der Unterschied in den Entscheidungen der beiden Gruppen signifikant ist.

• Schritte zur Durchführung eines t-Tests:
• Berechne die Mittelwerte (\bar{x_1} und \bar{x_2}) und Standardabweichungen (SD_1 und SD_2) für beide Gruppen.
• Nutze die folgende Formel, um den t-Wert zu berechnen:

t = \frac{\bar{x_1} - \bar{x_2}}{\sqrt{\frac{SD_1^2}{n_1} + \frac{SD_2^2}{n_2}}}

Durch die systematische Anwendung solcher statistischen Methoden können Hypothesen des Experiments überprüft und fundierte Schlussfolgerungen aus den erhobenen Daten gezogen werden. Die Wahl der spezifischen Methode hängt von der Art der Daten und der Forschungsfrage ab.

Aufgabe 4)

Eine Forschungsgruppe möchte die Wirkung eines neuen Medikaments auf den Blutdruck untersuchen. Dafür wird eine randomisierte Kontrollstudie (RKS) durchgeführt. Die Teilnehmer werden zufällig in eine Interventionsgruppe, die das neue Medikament erhält, und eine Kontrollgruppe, die ein Placebo erhält, aufgeteilt. Der Blutdruck der Teilnehmer wird sowohl vor dem Experiment als auch danach gemessen.

a)

Erkläre, warum die Zufallszuweisung der Teilnehmer in diesem Experiment wichtig ist und wie sie zur Vermeidung von Bias beiträgt.

Lösung:

Wichtigkeit der Zufallszuweisung in einer Randomisierten Kontrollstudie (RKS)

• Vermeidung von Selektion Bias: Die Zufallszuweisung sorgt dafür, dass die Teilnehmer der Interventions- und Kontrollgruppe statistisch gesehen vergleichbar sind. Dadurch wird verhindert, dass bestimmte Faktoren, die die Ergebnisse beeinflussen könnten, in einer der Gruppen überrepräsentiert sind.
• Homogenisierung der Gruppen: Durch die zufällige Verteilung der Teilnehmer wird sichergestellt, dass beide Gruppen hinsichtlich bekannter und unbekannter Einflussfaktoren ähnlich sind. Dies reduziert die Wahrscheinlichkeit, dass Unterschiede im Blutdruck auf andere Faktoren als das Medikament zurückzuführen sind.
• Erhöhung der Aussagekraft: Eine zufällige Zuweisung erhöht die interne Validität der Studie. Das bedeutet, dass die durchgeführten Vergleiche zwischen den Gruppen aussagekräftiger sind, da systematische Verzerrungen minimiert werden.
• Reduktion von Confounding: Zufällige Zuweisung trägt dazu bei, dass potenzielle Störvariablen (Confounder) gleichmäßig auf beide Gruppen verteilt werden. Somit lässt sich der Effekt des Medikaments isolierter und klarer bestimmen.
• Basis für statistische Signifikanztests: Viele statistische Tests beruhen auf der Annahme, dass die Vergleiche, die man anstellt, zufällig gezogen wurden. Ohne Zufallszuweisung verlieren viele dieser Tests ihre Gültigkeit.

Insgesamt ist die Zufallszuweisung ein entscheidender Schritt, um die Validität und Zuverlässigkeit einer randomisierten Kontrollstudie zu gewährleisten und zu verhindern, dass die Ergebnisse durch systematische Fehler oder Verzerrungen beeinflusst werden.

c)

Diskutiere, wie eine Regressionsanalyse in diesem Kontext verwendet werden könnte, um die Effektgröße des Medikaments zu bestimmen. Welche Variablen würden in das Regressionsmodell aufgenommen und wie würde die Interpretation der Regressionskoeffizienten aussehen?

Lösung:

Verwendung der Regressionsanalyse zur Bestimmung der Effektgröße des Medikaments

Eine Regressionsanalyse kann verwendet werden, um die Effektgröße des Medikaments auf den Blutdruck zu bestimmen. Dies ermöglicht eine präzisere Schätzung des Effekts und die Kontrolle für potenzielle Störvariablen.

Aufbau des Regressionsmodells

Das Regressionsmodell könnte wie folgt aussehen:

 BP_{ij} = \beta_0 + \beta_1 Treat_i + \beta_2 Post_j + \beta_3 (Treat_i * Post_j) + \beta_4 X_ij + \tau \text{ ε}_{ij} 

• BP_{ij}: Der Blutdruck der Person \(i\) zum Zeitpunkt \(j\).
• Treat_i: Eine Dummy-Variable, die 1 ist, wenn die Person \(i\) in der Interventionsgruppe ist, und 0, wenn sie in der Kontrollgruppe ist.
• Post_j: Eine Dummy-Variable, die 1 ist, wenn die Messung nach der Intervention erfolgt, und 0, wenn sie vor der Intervention erfolgt.
• Treat_i * Post_j: Die Interaktionsvariable zwischen der Gruppenzugehörigkeit und dem Zeitpunkt der Messung. Diese Variable ist entscheidend, um den Effekt des Medikaments zu erfassen.
• X_ij: Vektor von Kontrollvariablen (z.B. Alter, Geschlecht, Baseline-Blutdruck), die eventuell Einfluss auf den Blutdruck haben könnten.
• \(ε_{ij}\): Der Fehlerterm.

Interpretation der Regressionskoeffizienten

• \(β_0\): Der durchschnittliche Blutdruck der Kontrollgruppe vor der Intervention.
• \(β_1\): Der Unterschied im durchschnittlichen Blutdruck zwischen der Interventions- und der Kontrollgruppe vor der Intervention.
• \(β_2\): Der Unterschied im durchschnittlichen Blutdruck vor und nach der Intervention für die Kontrollgruppe.
• \(β_3\): Der wichtigste Koeffizient für die Interpretation. Er gibt die Unterschied-in-Unterschieden-Schätzung des Effekts des Medikaments an, d.h. den zusätzlichen Effekt der Behandlung nach der Intervention im Vergleich zur Kontrollgruppe. Ein negativer Wert für \(β_3\) würde signalisieren, dass das Medikament den Blutdruck signifikant senkt.
• \(β_4\): Die Koeffizienten für die Kontrollvariablen. Diese helfen, den Einfluss anderer Faktoren, die den Blutdruck beeinflussen könnten, zu kontrollieren.

Zusammenfassung

Durch die Anwendung der Regressionsanalyse in diesem Kontext können wir eine robustere Schätzung der Effektgröße des Medikaments auf den Blutdruck erhalten und gleichzeitig den Einfluss potenzieller Störgrößen berücksichtigen. Der Koeffizient der Interaktionsvariable \(β_3\) ist dabei von größter Bedeutung, da er den tatsächlichen Effekt der Intervention quantifiziert.