Nonresponse stellt eine große Herausforderung an die

Qualität von Befragungsdaten dar. Insbesondere für Panel-Befragungen ist die im

Panelverlauf immer weiter sinkende Teilnehmerzahl und der damit einhergehende

mögliche Nonresponse Bias ein großes Problem.

DasProjekt besteht aus den zwei Teilen „Nonresponse

verstehen“ und „Nonresponse Bias entgegenwirken“.  

Im ersten Teil wird anhand des GESIS Panels untersucht,

inwieweit Eigenschaften der Person und der Befragung die Teilnahme in der

Folgewelle beeinflussen. Insbesondere wird analysiert, inwieweit zu

verschiedenen Zeitpunkten im Panelverlauf unterschiedliche Merkmale eine Rolle spielen,

sich die Rollen verändern und ob die Einflussfaktoren voneinander abhängen. Die

Modellierung erfolgt aufgrund der großen Menge an (potenziell abhängigen)

Merkmalen mittels Methoden des maschinellen Lernens. Der Einsatz von Double

Machine Learning verfahren erlaubt die unverzerrte Schätzung kausaler

Zusammenhänge, die Effekte werden als dynamisch und heterogen geschätzt.

Geeignete Verfahren werden (weiter)entwickelt und in Form von R- und Python- Paketen

veröffentlicht. Es wird geprüft, inwieweit sich die Ergebnisse aus dem GESIS

Panel auf das German Internet Panel übertragen lassen.

Im zweiten Teil des Projekts wird getestet, inwieweit verschiedene Interventionen (beispielsweise ein zusätzliches monetäres

Incentive, zusätzliches Dankesschreiben per E-Mail zwischen den Wellen,

Zusendenden von Studienergebnissen zwischen den Wellen per E-Mail) geeignet

sind, das Teilnahmeverhalten zu beeinflussen. Es soll ein targeted design

entwickelt werden, das die Interventionen den Befragten so zuteilt, dass die Unterschiede

im Teilnahmeverhalten möglichst gering werden.