Kausale Inferenz in quasi-experimentellen Designs unter Verwendung von propensity score-Methoden

Abstract

Die Verwendung von Propensity Score-Methoden in Observational Studies ermöglicht sowohl die Identifikation als auch die konsistente Schätzung des interessierenden Effektes, der von einem applizierten Treatment ausgeht und sich im Verhältnis zu einer Kontrollbedinung, in der dieses Treatment nicht appliziert wird, einstellt.

Damit ist es unter Anwendung der Propensity Score-Methoden möglich, auch in Designs, in denen keine randomisierte Selektion der Versuchspersonen vorgenommen werden kann und in denen per se unterstellt werden muss, dass erhobene Kovariablen einerseits die Wahrscheinlichkeiten für die Selektion in das Treatment, andererseits die Response-Werte bedingen, den damit durch diese Kovariablen konfundierten Treatment-Effekt konsistent und ohne mögliche Störeinflüße der Kovariablen zu schätzen.

In vorliegender Arbeit werden zunächst anhand von mehreren Simulationsstudien empirisch erfassbare Unterschiede der Propensity Score-Methoden hinsichtlich der Güte der Schätzung des Treatment-Effektes untersucht. Des weiteren wird in den selben Simulationsszenarien empirisch aufgewiesen, dass eine konsistente und mit dem Propensity Score adjustierte Schätzung des Treatment-Effektes insbesondere an eine korrekte Spezifikation des Propensity Score-Modells, wenn parametrisch geschätzt, gebunden ist, so dass eine Robustheit der vorgeschlagenen Propensity Score-Verfahren hinsichtlich möglicher Fehlspezifikationen systematisch untersucht wird.

Ausgehend von diesen Befunden wird ein non-parametrisches Schätzverfahren für den in praxi unbekannten Propensity Score vorgeschlagen, das für die spezielle Klasse der stetigen Kovariablen mit log-konkaver Dichtefunktion anwendbar ist und vollständig datenadapativ den unbekannten Propensity Score schätzt. Anhand mehrerer Simulationsszenarien wird dieser Vorschlag hinsichtlich der Schätzung des interessierenden Treatment-Effektes untersucht und Szenarien, in denen die Annahmen, die diesem Schätzer zu Grunde liegen, verletzt sind, simuliert, um damit empirisch Rückschlüsse über die Robustheit des vorgeschlagenen Verfahrens ziehen zu können.

Die letzte Untersuchung der vorliegenden Dissertation richtet sich insbesondere nach der für die psychologische Forschung interessante Problemstellung der latenten Variablen, die in Observational Studies als mögliche Störvariablen wirken und sich nur messfehlerbelastet durch manifeste Indikatorvariablen erfassen lassen: Es wird zunächst theoretisch gezeigt, dass eine Adjustierung mit den Indikatorvariablen, insofern die Messfehler nicht konstant gehalten werden, zu einer Verzerrung bei der Schätzung des Treatment-Effektes führt (Attenuation Bias). Diesem Problem folgend liegt in dieser Dissertation ein Vorschlag zur Schätzung des Propensity Scores vor, der sich in dem Szenario anwenden lässt, in dem latente und nur messfehlerbelastet erhebare Kovariablen als Störvariablen wirken. Anhand mehrerer Simulationsstudien wird die Güte dieses Vorschlags hinsichtlich einer adjustierten Schätzung des Treatment-Effektes untersucht.