Adaptive Befragungsdesigns bieten

umfassende Möglichkeiten, Stichprobenausfälle und Verzerrungen durch systematische

Nichtteilnahme in Panelstudien zu reduzieren. Die Forschung zum effektiven

Einsatz solcher Designs ist in zwei zentralen Bereichen bislang unzureichend:

(1) Hinsichtlich der Vorhersagemethoden, die zum Identifizieren von

Stichprobenausfällen angewendet werden, und (2) in Hinblick auf die

Interventionen, die in adaptiven Designs für Gruppen mit hohem erwarteten

Ausfallrisiko zur Anwendung kommen. Dieses Forschungsprojekt kombiniert die

Implementierung und Erprobung innovativer Vorhersagemethoden aus dem Bereich

des maschinellen Lernens mit innovativen Interventionen, die den

Panelteilnehmern mit hohem vorhergesagten Ausfallrisiko zugeordnet werden

können. Die Vorhersagemodelle werden explizit längsschnittlich trainiert und

evaluiert, um möglichst effektiv Panelteilnehmer identifizieren zu können, bei

denen ein erhöhtes Ausfallrisiko in neuen Panelwellen besteht. Auf Basis der

vorhergesagten Ausfallwahrscheinlichkeiten des besten Modells wird in einem

nächsten Schritt die Wirksamkeit verschiedener Interventionen getestet. Dabei

wird neben erhöhten monetären Anreizen insbesondere der Einsatz innovativer

Interventionen untersucht, die darauf abzielen, das Befragungserlebnis zu

verbessern. Das Testen dieser Strategien kann zur Beantwortung der Frage beitragen,

welcher Ansatz am besten zu Erhöhung der Teilnahmebereitschaft und des

Engagements von Befragten geeignet ist. Die Interventionen werden auch unter

Berücksichtigung anderer, potenziell unbeabsichtigter Auswirkungen auf die

Datenqualität verglichen und bewertet. Darüber hinaus wird die Übertragbarkeit

der entwickelten Methodik auf andere Panelstudien untersucht.