Volltext herunterladen
(externe Quelle)
Zitationshinweis
Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgenden Persistent Identifier (PID):
https://nbn-resolving.org/urn:nbn:de:bsz:93-opus-ds-108913
Export für Ihre Literaturverwaltung
Machine Learning basierte Response Style Identifikation: eine simulations-statistische Pilotstudie
Machine Learning based response style identification: a simulation-statistical pilot study
[Arbeitspapier]
Körperschaftlicher Herausgeber
Universität Stuttgart, Fak. 10 Wirtschafts- und Sozialwissenschaften, Institut für Sozialwissenschaften
Abstract Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie s... mehr
Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie soll der Frage nachgegangen werden, ob sich über Machine Learning Verfahren ein empirisch basierter Ansatz zu einheitlichen Identifikation von den gängigsten Response Style Mustern konstruieren lässt. Dies soll aufwändige Kontrollverfahren, welche jeweils nur einzelne Muster finden können oder mit erheblichem Mehraufwand verbunden sind, ersetzen und somit eine universellere und praxistauglichere Option zu bisherigen Ansätzen darstellen. Der hier dargelegte Ansatz basiert auf der Kalibrierung des ML-Verfahrens anhand von synthetisierten Daten, welche der formalen Definition von Response Styles (RS) entsprechen und einem Anteil von empirischen Daten (European Social Survey), welche nicht von RS betroffen sind. Das hierauf trainierte Modell kann auf empirisch erhobene Daten angewendet werden, um RS-Muster in Survey-Daten zuverlässig entdecken und bearbeiten zu können. Die Ergebnisse der Studie legen mit Fehlerklassifikationsraten von 0.3 bis 3.5 % den ML-Ansatz als eine vielversprechende Alternative zu bisherigen Verfahren nahe.... weniger
Thesaurusschlagwörter
Umfrageforschung; Methode; Daten; European Social Survey; Datenqualität; Antwortverhalten; Datenaufbereitung
Klassifikation
Erhebungstechniken und Analysetechniken der Sozialwissenschaften
Freie Schlagwörter
Response Style; Response Set; Machine Learning; Random Forest; Survey
Sprache Dokument
Deutsch
Publikationsjahr
2020
Erscheinungsort
Stuttgart
Seitenangabe
27 S.
Schriftenreihe
Schriftenreihe des Instituts für Sozialwissenschaften der Universität Stuttgart -SISS-, 47
DOI
https://doi.org/10.18419/opus-10874
ISSN
2199-7780
Status
Veröffentlichungsversion; begutachtet
Lizenz
Deposit Licence - Keine Weiterverbreitung, keine Bearbeitung