STATISTIK-FORUM.de

[Jenstatistik]

Hallo ihr Lieben,

ich arbeite an einem großen Datensatz der sowohl Mitarbeiterbefragungsdaten als auch Unternehmensdaten enthält und kombiniert.
Da es ein unbalanced pannel ist (3 wellen mit verschiedenen employees) möchte ich mittels Propensity Score Matching untersuchen, wie sich Heimarbeit auf die Mitarbeiterzufriedenheit auswirkt.

Ich weiß, dass laut propensity theorem als covariate nur solche variablen verwendet werden sollen, die die Wahrscheinlichkeit des treatments (sprich heimarbeit=1(ja) / heimarbeit=0(nein) ) beeinflussen.

Meine Frage ist nun, welche Variablen / Covariaten würdet ihr dort verwenden?? Ich hatte an sowas wie Kinder im Haushalt(ja/nein) oder auch partner lebt im haushalt (ja/nein) gedacht.

Machen jedoch auf variablen sinn wie zum beispiel auf betriebsebene: angebot der heimarbeit (Ja/nein) ?

[Holgonaut]

Hi,

du musst darüber nachdenken, welche confounder es gibt, die den Zusammenhang zwischen Heimarbeit und Zufriedenheit verzerren. Ein confounder ist eine Variable, die sowohl Heimarbeit als auch Arbeitszufriedenheit beeinflusst. Das ist im Grunde die selbe Abwägung wie sie bei der Identifikation nötiger Kontrollvariablen erfolgen sollte. Hier solltest du das paper von Steiner et al. (s.u. mal anschauen).

Ich kenn mich mit propensity score matching allerdings nicht sonderlich aus und hab nie verstanden, wo der vorteil gegenüber normaler statistischer Kontrolle ist. Wenn du da ein paar Gründe weißt, würde ich mich freuen.

Hier--falls du die nicht eh schon kennst, ein paar paper:

Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46(3), 399-424. doi:10.1080/00273171.2011.568786

Blakely, T., Lynch, J., Simons, K., Bentley, R., & Rose, S. (2019). Reflection on modern methods: when worlds collide—prediction, machine learning and causal inference. International Journal of Epidemiology. doi:10.1093/ije/dyz132

King, G., & Nielsen, R. (2019). Why propensity scores should not be used for matching. Political Analysis, 378.

Li, M. (2012). Using the propensity score method to estimate causal effects: A review and practical guide. Organizational Research Methods, 16(2), 188-226. doi:10.1177/1094428112447816

Linden, A., & Adams, J. L. (2010). Using propensity score-based weighting in the evaluation of health management programme effectiveness. Journal of Evaluation in Clinical Practice, 16(1), 175-179. doi:10.1111/j.1365-2753.2009.01219.x

Luellen, J. K., Shadish, W. R., & Clark, M. H. (2005). Propensity scores: An introduction and experimental test. Evaluation Review, 29(6), 530-558. doi:10.1177/0193841X05275596

Steiner, P. M., Kim, Y., Hall, C. E., & Su, D. (2015). Graphical models for quasi-experimental designs. Sociological Methods & Research, 46(2), 155-188. doi:10.1177/0049124115582272

[Jenstatistik]

Hi!

Lieben Dank für deine Antwort und die nützlichen Links.

Mein Betreuer meint, der Vorteil des PSM gegenüber der normalen OLS Regression sei lediglich, dass man den Einfluss von Heimarbeit auf möglichst gleiche Individuen (auf Basis der Covariates die man für das PSM auswählt) untersucht und somit näher an eine kausale Interpretation kommt, vor allem wenn die Gruppen im orginal Datensatz so unterschiedlich und auch unterschiedlich groß sind (bei mir sind es ca 3000 leute die von zu hause arbeiten vs 14000 die es nicht tun).