Outputorientierte Evaluierung
Outputorientierte Evaluierung
Outputorientierte Evaluierung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Output‐orientierte <strong>Evaluierung</strong> öffentlich geförderter FTI‐Programme<br />
Rubin Causal Model ableiten lässt: „Thus, at best the effect can only be estimated with confidence,<br />
but never measured with certainty.“ (Schmidt 1999:4).<br />
Die Antwort auf dieses Problem mangelnder Beobachtbarkeit der kontrafaktischen Situation ist die<br />
Suche nach sogenannten Identifikationsstrategien. Darunter versteht man Annahmen (!), welche<br />
eine Konstruktion (!) einer kontrafaktischen Situation ermöglichen. Das bedeutet, man sucht nach<br />
verschiedenen Möglichkeiten, die unbeobachtbare Situation durch eine alternative beobachtbare<br />
Situation anzunähern. Ein grundlegendes Problem dabei ist die Tatsache, dass sich geförderte von<br />
nicht‐geförderten Unternehmen in verschiedenen Merkmalen unterschieden. Dieses sogenannte<br />
Sample‐Selection Problem wird in diesem Unterkapitel ausführlich diskutiert. Vereinfacht<br />
gesprochen sollte ein Vergleich von geförderten Unternehmen mit nicht‐geförderten<br />
Unternehmen keinen Vergleich von „Äpfeln mit Birnen“ darstellen. Entweder es werden<br />
tatsächlich vergleichbare Äpfel gefunden oder es muss eine Anpassung der Birnen an die Äpfel<br />
konstruiert (!) werden, so dass diese doch wieder mit den Äpfeln verglichen werden können.<br />
Es gibt eine Reihe unterschiedlicher Identifikationsstrategien, die sich jeweils in ihren sogenannten<br />
Identifikationsannahmen unterscheiden. Diese Annahmen explizieren die Bedingungen unter<br />
denen die jeweilige Identifikationsstrategie eine valide Strategie zur Messung durchschnittlicher<br />
Maßnahmeneffekte auf die Maßnahmenteilnehmer (MTT) darstellt. Eine in diesem<br />
Zusammenhang weitere fundamentale Erkenntnis ist, dass sich die Frage, ob die getroffenen<br />
Annahmen zutreffen oder nicht einer formalen, statistischen Überprüfung entziehen. Deswegen ist<br />
a priori „keine Identifikationsannahme besser oder schlechter als eine andere“ (Bauer et al.<br />
2009:146). Hier liegt auch der tiefere Grund, warum auch streng formalisierte, mathematisch‐<br />
statistische Modelle auch völlig falsche Ergebnisse liefern können. Es ist dann aber nicht das<br />
Modell an sich falsch, sondern es sind die kritischen Annahmen nicht erfüllt. Daher sind ein Wissen<br />
und eine Sensibilität über die Bedeutung der getroffenen Annahmen für die Nutzer von<br />
ökonometrischen Ergebnissen von entscheidender Bedeutung.<br />
Im Folgenden werden zunächst die einfachsten und grundlegendsten Identifikationsstrategien<br />
dargestellt. Diese sind der Querschnittsvergleich, der Vorher‐Nachher‐Vergleich, und der Differenz‐<br />
von‐Differenzen‐Ansatz. Schließlich wird auch die in Österreich bei FTI‐<strong>Evaluierung</strong>en übliche<br />
Methode der direkten Frage nach kausalen Effekten beim Maßnahmenteilnehmer erörtert.<br />
Im Kontext des hier aufgespannten konzeptionellen Denkrahmens wird deutlich, welche<br />
grundlegenden Probleme und letztlich mangelnde methodische Fundierung hier vorliegt.<br />
Die Erörterung der Identifikationsstrategien und ihrer jeweiligen Probleme sollte klar machen, dass<br />
es letztlich komplexerer Methoden bedarf, um das Evaluationsproblem adäquat zu adressieren.<br />
Diese werden exemplarisch im darauf folgenden Abschnitt 5.2.4 dargestellt.<br />
Querschnittsvergleich und Sample Selection Bias<br />
Die erste hier zu besprechende Identifikationsstrategie ist der Querschnittsvergleich. Dieser beruht<br />
auf der Idee, dass die kontrafaktische Situation durch die Ergebnisgröße der Nichtteilnehmer<br />
ersetzt werden kann, um den MTT zu schätzen. Die Identifikationsannahme lautet also, dass sich<br />
105