Outputorientierte Evaluierung
Outputorientierte Evaluierung
Outputorientierte Evaluierung
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