Durch
Nathan Auyeung
—
Quasi-experimentelle Designs: Beispiele, Typen und reale Anwendungsfälle
Nathan Auyeung
Senior Accountant bei EY
Abschluss mit einem Bachelor in Rechnungswesen, abgeschlossenes Postgraduate-Diplom in Rechnungswesen
Quasi-experimentelle Designs helfen Forschenden, Ursache und Wirkung zu untersuchen, wenn eine zufällige Zuweisung nicht möglich ist. Anstatt sich auf kontrollierte, zufällige Gruppen zu verlassen, nutzen diese Studien reale Bedingungen wie Schulen, Kliniken, Nachbarschaften oder Regionen.
Das macht sie besonders nützlich im Bildungsbereich, im Gesundheitswesen und in der öffentlichen Politik, wo Forschende oft Antworten benötigen, aber nicht vollständig kontrollieren können, wer eine Intervention erhält.
In diesem Leitfaden betrachten wir die wichtigsten quasi-experimentellen Beispiele, erklären, was das jeweilige Design erfolgreich macht, und zeigen, wie Sie den richtigen Ansatz für Ihre eigene Studie klar und selbstbewusst auswählen und anwenden.
<CTA title="Forschung schneller und besser konzipieren" description="Erstellen Sie strukturierte quasi-experimentelle Designs mit Klarheit und starker Logik in wenigen Minuten." buttonLabel="Jenni kostenlos testen" link="https://app.jenni.ai/register" />
Was ist ein quasi-experimentelles Forschungsdesign?
Ein quasi-experimentelles Forschungsdesign untersucht Ursache und Wirkung ohne zufällige Zuweisung (Randomisierung).
Anstatt zufällige Gruppen zu erstellen, nutzt es natürlich gebildete Gruppen, die bereits in realen Umgebungen existieren, was den Ansatz für die angewandte Forschung realistischer macht. Forschende arbeiten üblicherweise mit bestehenden Schulklassen, Krankenhäusern oder Gemeinden.
Wie in quasi-experimentelles Design erklärt, sind Quasi-Experimente in angewandten Studien weit verbreitet, da sie ein praktisches Gleichgewicht zwischen Machbarkeit und aussagekräftiger kausaler Erkenntnis bieten.
Im Gegensatz zu einem echten Experiment werden die Teilnehmenden den Bedingungen nicht zufällig zugewiesen. Dies kann es schwieriger machen, alternative Erklärungen auszuschließen, da sich die Gruppen bereits vor Beginn der Intervention voneinander unterscheiden können.
Infolgedessen kann die interne Validität bei quasi-experimentellen Designs eine Herausforderung darstellen. Trotz dieser Einschränkungen bleiben quasi-experimentelle Methoden in Disziplinen wie Soziologie, Psychologie und Wirtschaftswissenschaften unverzichtbar.
Unabhängige Variable: die Intervention oder Behandlung
Abhängige Variable: das gemessene Ergebnis
Kontrollgruppe: die Vergleichsgruppe, die keine Behandlung erhält
Behandlungsgruppe: die Gruppe, die die Intervention erhält
<ProTip title="💡 Profi-Tipp:" description="Definieren Sie Variablen immer klar, bevor Sie ein quasi-experimentelles Design auswählen." />
Kerntypen von quasi-experimentellen Designs mit Beispielen
Hier sind die wichtigsten Typen, die Ihnen in der Praxis begegnen werden. Die Erklärungen enthalten einfache Beispiele und zeigen, wo man sie tatsächlich einsetzt.
Versuchsplan mit nicht-äquivalenter Kontrollgruppe
Zwei Gruppen werden verglichen, aber sie wurden nicht zufällig zugewiesen. Sie existierten bereits.
Beispiel: Eine Klasse an einer Schule erhält ein neues Matheprogramm. Eine andere Klasse nutzt die alte Methode. Am Ende des Semesters vergleichen Sie deren Testergebnisse.
Wo es angewendet wird: Dies ist in der Bildungsforschung allgegenwärtig. Da die Gruppen zu Beginn nicht gleichgestellt waren, müssen Forschende statistische Verfahren (wie die ANCOVA) nutzen, um zu versuchen, die anfänglichen Unterschiede herauszurechnen. Die große Herausforderung besteht im Umgang mit Variablen, die nicht berücksichtigt wurden.
Eingruppen-Pretest-Posttest-Design
Sie messen eine einzelne Gruppe, führen eine Veränderung ein und messen sie dann erneut. Es gibt keine separate Kontrollgruppe.
Beispiel: Eine Fabrik erfasst sechs Monate lang, wie viele Unfälle passieren. Dann führt sie ein Sicherheitstraining durch. Danach werden die Unfälle für weitere sechs Monate erfasst, um zu sehen, ob die Zahl gesunken ist.
Warum es schwach ist: Der Rückgang der Unfälle könnte am Training liegen. Oder er könnte an etwas anderem liegen, das zur gleichen Zeit passierte, wie etwa einer saisonalen Verlangsamung der Produktion. Es ist schwer, sich sicher zu sein, was die Veränderung verursacht hat.
Der Kompromiss: Es ist sehr einfach und kostengünstig durchzuführen, weshalb es in Unternehmens- und Arbeitsplatzstudien häufig vorkommt. Es liefert jedoch die schwächste Evidenz für Ursache und Wirkung.
Pretest-Posttest-Design mit nicht-äquivalenter Kontrollgruppe
Dies ist eine stärkere Variante. Sie haben zwei bestehende Gruppen und messen beide vor und nach der Einführung einer Änderung bei nur einer der Gruppen.
Beispiel: Eine Klinik startet ein neues Programm zur Raucherentwöhnung. Eine andere, ähnliche Klinik tut dies nicht. Sie befragen Rauchende in beiden Kliniken zu ihren Gewohnheiten. Nach einem Jahr Programmlaufzeit in der ersten Klinik befragen Sie alle erneut.
Warum es besser ist: Wenn die Klinik mit dem Programm einen deutlich größeren Rückgang des Rauchens zeigt als die andere Klinik, können Sie sicherer sein, dass das Programm tatsächlich gewirkt hat. Es hilft, die Möglichkeit auszuschließen, dass ein externer Faktor (wie eine neue öffentliche Gesundheitskampagne) alle zur gleichen Zeit beeinflusst hat.
So schneiden diese ersten drei Designs im Vergleich ab:
Designtyp | Kontrollgruppe? | Pretest? | Beweiskraft |
Eingruppen-Pretest-Posttest | Nein | Ja | Niedrig |
Nicht-äquivalente Kontrollgruppe | Ja | Optional | Mittel |
Pretest-Posttest mit Kontrollgruppe | Ja | Ja | Höher |
Unterbrochenes Zeitreihendesign (Interrupted Time Series Design)
Anstatt nur einer „Vorher“- und einer „Nachher“-Messung erheben Sie Daten zu vielen Zeitpunkten über einen langen Zeitraum. Sie suchen nach einer Verschiebung des Trends nach einem bestimmten Ereignis.
Beispiel: Ein Land führt eine Steuer auf zuckerhaltige Getränke ein. Forschende analysieren die landesweiten Limonadenabsatzzahlen Monat für Monat über Jahre vor der Steuer und Jahre danach. Sie prüfen, ob der langfristige Trend der Verkäufe genau zu Beginn der Steuer deutlich einbricht oder sich verändert.
Warum es nützlich ist: Es ist ein mächtiges Instrument zur Bewertung von Richtlinien und Gesetzen. Eine Veränderung in einem langfristigen Muster zu sehen, ist überzeugender als eine Veränderung zwischen zwei einzelnen Zeitpunkten. Eine detaillierte praxisbezogene Diskussion finden Sie unter Unterbrochenes Zeitreihendesign in praxisnahen Studien, wo gezeigt wird, wie zeitbasierte Designs in der realen Gesundheitsforschung eingesetzt werden.
<ProTip title="📊 Erinnerung:" description="Nutzen Sie mindestens 12 Messpunkte vor und nach dem Ereignis für eine aussagekräftige ITS-Analyse." />
Regressions-Diskontinitäts-Analyse (Regression Discontinuity Design)
Personen werden einer Behandlungsgruppe basierend darauf zugewiesen, ob sie über- oder unterhalb eines bestimmten Grenzwertes auf einer Skala liegen.
Beispiel: Eine Universität vergibt Nachhilfestipendien an Studierende, deren Familieneinkommen unter 50.000 $ liegt. Forschende vergleichen dann die Abschlussquoten von Studierenden, die sich gerade so qualifiziert haben (z. B. Einkommen von 49.500 $), mit denen, die es knapp verpasst haben (z. B. Einkommen von 50.500 $).
Die Logik: Die Idee ist, dass diese beiden Gruppen von Studierenden in fast jeder Hinsicht identisch sind – außer bei diesem winzigen Einkommensunterschied und dem Stipendium, das sie erhalten haben. Jeder große Unterschied in ihren Ergebnissen kann so sicherer auf das Stipendium zurückgeführt werden. Ökonomen und Politikberatende schätzen dieses Design wegen seiner cleveren Logik.
Matching- und Propensity-Score-Designs
Da Sie nicht randomisieren können, versuchen Sie, dies statistisch zu simulieren. Sie suchen Personen in der Behandlungsgruppe und „matchen“ (paaren) sie mit nahezu identischen Personen aus einer Nicht-Behandlungsgruppe.
Beispiel: Sie untersuchen Online- versus Präsenzkurse an einer Hochschule. Sie nehmen jeden Online-Studierenden und suchen einen Präsenz-Studierenden mit demselben Notendurchschnitt der Schule, demselben Alter und demselben Hauptfach. Anschließend vergleichen Sie die Noten dieser Paare.
Der Haken: Sie können Personen nur basierend auf Faktoren paaren, die Sie tatsächlich messen können und für die Ihnen Daten vorliegen. Verborgene Unterschiede, wie die Motivation eines Studierenden oder der Zugang zu einem ruhigen Lernort, können damit nicht berücksichtigt werden. Es verringert Verzerrungen (Bias), beseitigt sie aber nicht.
<ProTip title="⚙️ Profi-Tipp:" description="Überprüfen Sie nach dem Matching immer die Balance der Gruppen, um Ihr quasi-experimentelles Design zu validieren." />
Praxisnahe Beispiele für quasi-experimentelle Designs nach Bereichen
Man sieht diese Methoden überall. Hier ist ein Überblick, wie sie in einigen wichtigen Bereichen in der Praxis aussehen.
Bildung
Schulen können Kinder für ein Experiment meist nicht willkürlich neu aufteilen. Also arbeiten sie mit den Gruppen, die sie haben.
Wie es aussieht: Ein Schulbezirk beschließt, ein neues Online-Nachhilfeprogramm zu testen. Sie stellen es allen Schülern der Lincoln High School zur Verfügung. Die Schüler der Jefferson High School nutzen unterdessen das alte System der betreuten Lernzeit weiter. Am Ende des Semesters vergleichen Forschende die Abschlussprüfungsnoten beider Schulen.
Warum es genutzt wird: Es ist ein standardisierter, praktischer Weg, um neue Lehrmittel oder Programme zu testen, wenn eine echte Randomisierung keine Option ist.
Gesundheitswesen
Krankenhäuser und Kliniken nutzen bestehende Patientengruppen, um neue Verfahren oder Systeme zu untersuchen.
Wie es aussieht: Ein Krankenhaus führt ein neues digitales System für Pflegekräfte ein, um die Vitalwerte von Patienten zu überwachen. Sie betrachten die durchschnittliche Genesungszeit für Patienten, die in den sechs Monaten vor Einführung des Systems aufgenommen wurden, und vergleichen sie mit der Genesungszeit von Patienten in den sechs Monaten danach.
Warum es genutzt wird: Man kann Patienten nicht zufällig einer schlechteren Pflege zuweisen. Dieser Ansatz ermöglicht es Gesundheitsforschenden, reale Verbesserungen auf kontrollierte Weise zu untersuchen.
Öffentliche Politik (Public Policy)
Wenn ein neues Gesetz oder eine neue Steuer eingeführt wird, betrifft dies alle. Forschende untersuchen die Auswirkungen, indem sie Daten im Zeitverlauf betrachten.
Wie es aussieht: Ein Bundesland erhöht das Mindestalter für den Tabakkauf von 18 auf 21 Jahre. Behörden des öffentlichen Gesundheitswesens verfolgen daraufhin die landesweiten Raucherquoten unter Jugendlichen über mehrere Jahre vor und nach der Gesetzesänderung, um nach einem Knick in der Trendlinie zu suchen.
Warum es genutzt wird: Dies ist oft ein unterbrochenes Zeitreihendesign. Es ist der Hauptweg, um herauszufinden, ob eine großflächige politische Maßnahme tatsächlich die erhoffte Veränderung bewirkt hat.
Wirtschaft und Marketing
Unternehmen testen neue Ideen an einer Untergruppe von Kunden vor der vollständigen Einführung, oft weil ein echter A/B-Test nicht möglich ist.
Wie es aussieht: Eine Social-Media-App entwickelt eine neue Videofunktion. Sie schalten diese zunächst nur für alle Nutzer in Kanada frei. Drei Monate lang verfolgen sie, wie oft kanadische Nutzer Videos ansehen, und vergleichen dies mit Nutzern in ähnlichen Märkten wie Großbritannien und Australien, die die Funktion noch nicht haben.
Warum es genutzt wird: Analysten nennen dies auch eine „gestaffelte Einführung“ (staggered rollout). Es ermöglicht einem Unternehmen, die reale Nutzung zu beobachten und Probleme vor einem weltweiten Start zu erkennen, während gleichzeitig Vergleichsdaten gesammelt werden.
Diese Art von Studie bewegt sich oft an der Schnittstelle zwischen qualitativen Erkenntnissen und quantitativen Messungen. Wenn Sie sich unsicher sind, wie sich diese Ansätze unterscheiden, erklärt qualitative vs. quantitative Forschung, wie die jeweilige Methode zu Entscheidungen im Forschungsdesign beiträgt.
Vor- und Nachteile des quasi-experimentellen Designs
Zu wissen, worin diese Methoden gut sind und wo ihre Schwächen liegen, ist entscheidend, um Studien zu beurteilen, die sie nutzen.
Vorteile
Die größte Stärke ist, dass sie es Ihnen ermöglichen, Dinge zu untersuchen, wenn ein echtes Experiment nicht möglich oder ethisch nicht vertretbar ist.
Praxisrelevanz: Sie können Programme, Richtlinien und Behandlungen untersuchen, wie sie tatsächlich in Schulen, Krankenhäusern oder Städten stattfinden. Sie schaffen keine künstliche Laborumgebung.
Ethische Machbarkeit: Oft kann man jemandem eine potenziell hilfreiche Behandlung nicht zufällig vorenthalten. Die National Institutes of Health weisen darauf hin, dass viele klinische Studien genau aus diesem Grund auf nicht-randomisierte Designs zurückgreifen müssen.
Effizienz: Forschende können häufig bereits vorhandene Daten nutzen, wie Schulstatistiken oder Krankenhausakten. Das macht Studien schneller und kostengünstiger in der Durchführung.
Tragweite (Skalierbarkeit): Diese Designs können auf große Gruppen oder sogar ganze Bevölkerungen angewendet werden, was notwendig ist, um beispielsweise neue Gesetze oder Gesundheitskampagnen zu evaluieren.
Nachteile
Der größte Kompromiss ist die schwächere Aussagekraft bezüglich Ursache und Wirkung. Sie können sich nicht so sicher sein, ob die untersuchte Behandlung der tatsächliche Grund für eine Veränderung ist.
Das Kernproblem: Ohne zufällige Zuweisung könnten sich die verglichenen Gruppen von Anfang an unterschieden haben. Vielleicht hatten die Schüler im neuen Matheprogramm engagiertere Eltern. Vielleicht waren die Patienten, die eine neue Therapie erhielten, generell gesünder. Diese bereits bestehenden Unterschiede können Ihre Ergebnisse verzerren.
Störvariablen (Confounding Variables): Dies sind die nicht gemessenen Faktoren, die tatsächlich für das Ergebnis verantwortlich sein könnten. Sie sind die ständige Bedrohung bei dieser Art von Forschung.
Selektionsbias (Auswahlverzerrung): Wie Menschen in der einen oder anderen Gruppe landen, ist nicht zufällig. Personen, die sich für ein neues Programm entscheiden, sind möglicherweise motivierter als diejenigen, die dies nicht tun, was an sich schon zu besseren Ergebnissen führen kann.
Unsicherheit: Letztendlich bleibt Ihnen eine starke Korrelation – ähnlich wie bei der Korrelationsforschung –, aber kein endgültiger Beweis für eine Kausalität. Die Belege sind vielversprechend, aber nicht unumstößlich.
Eine tiefergehende Erklärung dieser Herausforderungen und wie Forschende damit umgehen, wird in Validität und kausale Inferenz im quasi-experimentellen Design erörtert.
<ProTip title="⚠️ Hinweis:" description="Berichten Sie Einschränkungen immer klar, um die Glaubwürdigkeit Ihrer Forschung zu stärken." />
Wie man eine quasi-experimentelle Studie Schritt für Schritt plant
Wenn Sie eine solche Studie durchführen müssen, finden Sie hier einen einfachen Fahrplan.
1. Definieren Sie Ihre Forschungsfrage Starten Sie mit einer klaren Frage zu Ursache und Wirkung. Werden Sie konkret.
Schwach: „Funktioniert das Programm?“
Besser: „Zeigen Oberstufenschüler, die das neue Peer-Tutoring-Programm absolvieren, einen stärkeren Zuwachs bei den Noten der Algebra-Abschlussprüfung als diejenigen, die das Programm nicht absolvieren?“
2. Finden Sie Ihre Gruppen Sie erstellen die Gruppen nicht nach dem Zufallsprinzip. Sie nutzen bereits bestehende.
Behandlungsgruppe: Die Personen, Klassen oder Regionen, die die Intervention erhalten (z. B. die drei Unternehmensfilialen, die die neue Software bekommen).
Kontroll-/Vergleichsgruppe: Die Gruppen, die wie gewohnt weitermachen (z. B. die beiden Filialen, die das alte System behalten). Ihr Ziel ist es, diese Gruppen von Anfang an so ähnlich wie möglich zu machen.
3. Wählen Sie das passende Design Ihre Wahl hängt ganz davon ab, was für Ihre Situation praktisch umsetzbar ist.
Wenn Sie nur Zugang zu einer einzigen Gruppe haben, nutzen Sie das Eingruppen-Pretest-Posttest-Design.
Wenn Sie zwei bestehende Gruppen haben und diese vorher und nachher messen können, nutzen Sie das Pretest-Posttest-Design mit nicht-äquivalenter Kontrollgruppe.
Wenn Sie eine politische Änderung untersuchen und Daten über viele Jahre vorliegen haben, ist ein unterbrochenes Zeitreihendesign Ihre beste Option.
Wenn die Zuweisung zur Behandlung durch einen strengen Grenzwert (wie ein Testergebnis oder eine Einkommensgrenze) bestimmt wird, ist die Regressions-Diskontinitäts-Analyse die methodisch stärkste Option.
4. Berücksichtigen Sie andere Variablen Dies ist der wichtigste analytische Schritt. Da Sie keine Randomisierung vorgenommen haben, müssen Sie versuchen, andere Faktoren statistisch zu kontrollieren und möglichst zuverlässige Messverfahren zu nutzen.
Matching: Paaren Sie jede Person der Behandlungsgruppe mit einer Person aus der Kontrollgruppe, die ähnliche Merkmale aufweist (Alter, vorheriges Testergebnis etc.).
Regressionsanalyse: Nutzen Sie diese, um den Effekt Ihrer Behandlung zu isolieren, während andere Variablen mathematisch konstant gehalten werden.
Differenz-von-Differenzen-Ansatz (Difference-in-Differences): Vergleichen Sie die Veränderung in der Behandlungsgruppe mit der Veränderung in der Kontrollgruppe. Dies hilft, allgemeine Trends, die beide Gruppen beeinflussten, herauszurechnen.
Wenn Sie sich noch unschlüssig sind, wie sich diese Methoden in Ihren breiteren Forschungsansatz einfügen, können Forschungsparadigmen helfen zu klären, wie verschiedene Designs mit Ihren Forschungszielen harmonieren.
5. Analysieren und berichten Sie mit Vorsicht Interpretieren Sie Ihre Daten sorgfältig.
Behaupten Sie nicht, Sie hätten „bewiesen“, dass die Intervention die Veränderung verursacht hat. Formulieren Sie stattdessen, dass die Ergebnisse auf einen kausalen Zusammenhang „hindeuten“ oder diesen „stützen“.
Gehen Sie offen mit den Einschränkungen der Studie um. Listen Sie explizit die anderen Variablen auf, die Sie nicht kontrollieren konnten und die die Ergebnisse beeinflusst haben könnten. Diese Ehrlichkeit macht Ihre Forschung wissenschaftlich glaubwürdig.
Beim Berichten von Ergebnissen ist die Klarheit des Zitierstils ebenfalls wichtig für die Glaubwürdigkeit. Wenn Sie an einer akademischen Arbeit schreiben, bietet Et-al-Beispiel APA eine Anleitung zur korrekten Verwendung von Zitaten in wissenschaftlichen Arbeiten.
<ProTip title="🧠 Profi-Tipp:" description="Nutzen Sie den Differenz-von-Differenzen-Ansatz, um Zeittrends in Quasi-Experimenten zu kontrollieren." />
Abschließende Gedanken zum quasi-experimentellen Design
Sie haben wahrscheinlich schon gemerkt, wie knifflig es ist, Ursache und Wirkung nachzuweisen, wenn man nicht alles kontrollieren kann, und wie unsicher oder leicht anfechtbar Ergebnisse wirken können. Das ist frustrierend. Diese Designs helfen Ihnen, unter realen Bedingungen zu arbeiten und dennoch nützliche Antworten zu erhalten – selbst wenn perfekte Laborbedingungen nicht möglich sind.
<CTA title="Verwandeln Sie Ihre Forschungsidee in ein klares Design" description="Planen und strukturieren Sie quasi-experimentelle Studien klar und selbstbewusst mit geführter KI-Unterstützung." buttonLabel="Jenni kostenlos testen" link="https://app.jenni.ai/register" />
Anstatt jede Einschränkung zu zerdenken, konzentrieren Sie sich darauf, eine klare Struktur aufzubauen und Ihre Entscheidungen gut zu begründen. Tools wie Jenni können Ihnen helfen, Ihre Ideen schneller zu strukturieren und Ihren Schreibstil präzise zu halten, sodass Sie weniger Zeit mit Schreibblockaden verbringen und sich stattdessen darauf konzentrieren können, Ihre Forschung voranzubringen.