10.08.2012 Aufrufe

Outputorientierte Evaluierung

Outputorientierte Evaluierung

Outputorientierte Evaluierung

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Output‐orientierte <strong>Evaluierung</strong> öffentlich geförderter FTI‐Programme<br />

Im Folgenden werden zwei derartige Einteilungen präsentiert, die wichtige Informationen über die<br />

Unterschiede zwischen den Methoden geben.<br />

Zunächst einmal kann nach dem „Theoriegehalt“ einer Methode unterschieden werden (Blundell/<br />

Costa Dias 2008). Abbildung 29 zeigt diesbezüglich das Methodenspektrum entlang eines<br />

Kontinuums zunehmender Theorieintensität. Auf der linken Seite dieses Spektrums befindet sich<br />

das soziale Experiment. Der Mechanismus der Randomisierung macht alle weiteren theoretischen<br />

Annahmen überflüssig. So ist etwa die Suche nach Kontrollvariablen bei einer hinreichend großen<br />

Fallzahl erst gar nicht notwendig. Auch ist kein theoretisches Wissen über die konkreten<br />

Wirkungsmechanismen notwendig. Diese müssen nicht modelliert werden. Allerdings muss dafür<br />

der Ablauf des Experiments einige wichtige Annahmen erfüllen, deren Einhaltung in der<br />

<strong>Evaluierung</strong>spraxis keineswegs selbstverständlich ist. Auf der anderen Seite des Spektrums finden<br />

sich Studien die Kontrollfunktionsansätze anwenden. Hierbei wird versucht, den Teilnahmeprozess<br />

als mikroökonomisches Entscheidungskalkül darzustellen. Eine explizite ökonometrische<br />

Modellierung von solchen Entscheidungssituationen und deren Interdependenzen ist Teil des<br />

sogenannten „Structural Econometric Approach“ (Cameron/ Trivedi 2005). Dabei müssen<br />

zahlreiche, aus der mikroökonomischen Theorie abgeleitete Annahmen getroffen werden. Es wird<br />

also wesentlich mehr Wissen „über die Welt“ vorausgesetzt, als dies bei einem Experiment der Fall<br />

ist. Die geringere Notwendigkeit zum Treffen zahlreicher, nicht testbarer Annahmen bei sozialen<br />

Experimenten macht diese zur glaubwürdigsten Methode für Kausalanalysen.<br />

Abbildung 29: Klassifikation mikroökonometrischer Methoden nach der Notwendigkeit zur<br />

theoriegeleiteten Modellierung<br />

Wenig theoretische Annahmen Viele theoretische Annahmen<br />

Soziales Experiment<br />

Eigene Darstellung<br />

Natürliche Experimente<br />

Diskontinuitäten Design<br />

Matching‐Verfahren<br />

Instrumentenvaribalenansatz<br />

Kontrollfunktionsansätze<br />

Eine weitere für die Methodenselektion wichtige Differenzierung erfolgt nach dem<br />

Selektionsmechanismus (Assignment Mechanism), der bei der angewandten Methodik vorliegen<br />

muss, damit diese valide Schätzungen der Maßnahmeneffekte ermöglicht. Tabelle 18 stellt die<br />

entsprechende Klassifikation der Methoden dar. Dabei wird zwischen drei unterschiedlichen<br />

Selektions‐ oder Zuweisungsprozessen differenziert. Der vorhergehende Abschnitt hat deutlich<br />

gemacht, dass dem Selektionsmechanismus überragende Bedeutung bei der Anwendung<br />

mikroökonometrischer Methoden zukommt weil dieser den alles entscheidenden Selection Bias<br />

zwischen Teilnehmern und Nichtteilnehmern produziert. Entsprechend merken Blundell und Coast<br />

Dias (2008:2) an „Unless there is a convincing case for the reliability of the assignment mechanism<br />

being used, the results of the evaluation are unlikely to convince the thoughful skeptic.” Aufgrund<br />

dieser zentralen Rolle des Selektionsprozesses liegt einer der Schlüssel für eine Verbesserung von<br />

<strong>Evaluierung</strong>sergebnissen in einer Berücksichtigung der Evaluation bereits beim Selektionsprozess.<br />

125

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!