Explaining nonresponse and countering nonresponse bias in self-administered panel surveys (ENCONOBS)

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. Das Projekt 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.