Augäpfel, Murmeltiere und Bayes: Zur Auswertung stochastischer Daten aus Vollerhebungen

In diesem Papier diskutieren wir theoretisch-methodologische Grundlagen zur Analyse so genannter Vollerhebungen, also Datensätze, die Beobachtungen aller Elemente einer Population enthalten. Solche Datensätze spielen vor allem in quantitativen Makro-Analysen politischer und sozialer Systeme eine Rolle, und ihre inhärenten Probleme führen oft zu methodischer Verwirrung, die wir mit dem vorliegenden Essay verringern wollen. Da Vollerhebungen nicht das Resultat einer Zufallsstichprobe sind, ist die Anwendung frequentistischer Wahrscheinlichkeitskonzeptionen zur Begründung inferentieller statistischer Methoden nicht gegeben; außerdem kann die statistische Unabhängigkeit der Beobachtungen voneinander nicht ohne weiteres angenommen werden. Dennoch werden Vollerhebungsdaten durch stochastische Komponenten oder 'Fehler' beeinflusst. Wir argumentieren, dass die Stochastizität der Daten in die Analyse einbezogen werden muss, etwa in Form von Parameter-Varianzen, Signifikanztests, oder Konfidenzintervallen. Wir diskutieren verschiedene theoretische Strategien, mit denen Analysen der Stochastizität begründet werden können, wobei wir vor allem für die Annahme von Superpopulationen oder die Anwendung bayesianischer Ansätze plädieren.