In der Statistik und in den Wirtschaftswissenschaften spricht man von hierarchisch strukturierten Daten (oder genesteten Daten; ) wenn die Beobachtungen eines Datensatzes sich hierarchisch übergeordneten Einheiten zuordnen lassen. Solche Hierarchie-Zusammenhänge können mehrstufig sein.Ita G. G. Kreft: Multilevel models for hierarchically nested data: Potential applications in substance abuse prevention research, in: NIDA research monograph 142, 1994, S. 140 ff.
Für die Analyse genesteter Daten sind spezielle Verfahren notwendig, die diese Datenstruktur berücksichtigen. Beispiele sind die Paneldatenanalyse und Mehrebenenanalyse.Georg Rudinger: Analyse von Daten aus Längsschnittstudien: Eine Einführung, in: Forschung und Beratung-das Zentrum für Evaluation und Methoden 3, 2009, S. 285.Giorgio A. Tasca/Vanessa Illing/Anthony S. Joyce/John S. Ogrodniczuk: Three-level multilevel growth models for nested change data: A guide for group treatment researchers in: Psychotherapy Research 19(4-5), 2009, S. 453–461. Auch robuste Schätzungen, die diese Datenstruktur berücksichtigen, werden angewandt.
Allgemeines In der Soziologie wird Wert darauf gelegt, dass soziales Handeln nicht nur von individuellen Merkmalen wie Geschlecht, Bildung oder Persönlichkeit abhängt, sondern auch vom sozialen Kontext, in den der Akteur eingebettet ist.Johannes Kopp/Daniel Lois, Sozialwissenschaftliche Datenanalyse, 2012, S. 191 Liegen Kontext-Informationen in sozialwissenschaftlichen Datensätzen vor, handelt es sich um hierarchisch strukturierte Daten. Von einer hierarchischen Datenstruktur wird ausgegangen, wenn sowohl Elemente der Mikroebene (Mikrodaten) jeweils genau einem Element der Makroebene (Makrodaten) zugeordnet sind als auch die Makroebene sich ausschließlich aus Elementen der Mikroebene zusammensetzt.Andreas Herz, Strukturen transnationaler sozialer Unterstützung, 2012, S. 200 Diese hierarchischen Datenstrukturen können mit der Mehrebenenanalyse ausgewertet werden.
Einteilung Je nach Fachgebiet können unter anderem folgende Mikro- und Makroebenen unterschieden werden:
Fachgebiet Mikroebene Makroebene Bildungswesen Schüler Schule Demografie Person Migrant Einwohnerzahl Migration Finanzanalyse Aktienanalyse einer Aktie Kreditanalyse eines Kredits Portfolioanalyse (Aktienmarkt) Analyse eines Kreditportfolios Soziologie Individuum Gruppe Bevölkerung Schicht Wirtschaft Beschäftigter Arbeitsentgelt Güter Arbeitsmarkt Volkseinkommen Gütermarkt, Weltmarkt
Der einzelne Schüler gehört zur Mikroebene, seine Schulklasse zur Mesoebene und die Schule zur Makroebene. Besteht beispielsweise ein Datensatz aus Schülern und enthält Informationen zu den Schulen, so würde eine Schätzung, welche die genestete Struktur der Daten nicht berücksichtigt, die Streuung der Merkmale unterschätzen. Durch Berücksichtigung der genesteten Struktur wird die Schätzungenauigkeit berücksichtigt.Cornelia Gräsel: I Was ist Empirische Bildungsforschung?, in: Empirische Bildungsforschung. Springer Fachmedien, Wiesbaden, 2015, S. 15–30.
Beispiele Hierarchisch strukturierte Daten gibt es in den Sozialwissenschaften sehr häufig.Cornelia Frings, Soziales Vertrauen, 2010, S. 241 So bilden einzelne Schüler die Mikroebene, darüber sind die Schulen als Makroebene angesiedelt. Unter dieser Voraussetzung lässt sich beispielsweise die Schulnote im Schulzeugnis eines einzelnen Schülers (Mikrodaten) zu einer Durchschnittsnote in der gesamten Schule, in einem Bundesland und in Deutschland (Makrodaten) aggregieren. Auf diese Weise ergibt sich beispielsweise der Abiturdurchschnitt,in NRW zählen die Halbjahresnoten aus Grundkursen einfach, Halbjahresnoten aus Leistungskursen doppelt und aus Abiturprüfungen fünffach der für ein Studium an einer Universität von Bedeutung ist.
Die Analyse hierarchisch strukturierter Daten anhand einer einfachen Regression ohne Berücksichtigung der Mehrebenenstruktur ist statistisch und interpretatorisch oft problematisch.Irene Corvacho del Toro, Fachwissen von Grundschullehrkräften: Effekt auf die Rechtschreibleistung von Grundschülern, 2013, S. 189
Siehe auch Hierarchisches Datenbankmodell Gepoolte Daten
Literatur M. K. Anand, S. Bowers, T. McPhillips, B. Ludäscher: Efficient provenance storage over nested data collections. In: Proceedings of the 12th International Conference on Extending Database Technology: Advances in Database Technology. ACM, New York, März 2009, S. 958–969. A. Kawaguchi, D. Lieuwen, I. Mumick, K. Ross: Implementing incremental view maintenance in nested data models. In: Database Programming Languages. Springer, Berlin/Heidelberg, August 1997, S. 202–221. K. F. Widaman: Hierarchically nested covariance structure models for multitrait-multimethod data. In: Applied Psychological Measurement. 9(1), 1985, S. 1–26.
Einzelnachweise
Kategorie:Datenbankmodellierung Kategorie:Soziologie Kategorie:Statistik Kategorie:Stochastik Kategorie:Wirtschaftswissenschaft