quasi experiment kontrollgruppe

Have a language expert improve your writing

Run a free plagiarism check in 10 minutes, generate accurate citations for free.

• Knowledge Base

Methodology

• Quasi-Experimental Design | Definition, Types & Examples

Quasi-Experimental Design | Definition, Types & Examples

Published on July 31, 2020 by Lauren Thomas . Revised on January 22, 2024.

Like a true experiment , a quasi-experimental design aims to establish a cause-and-effect relationship between an independent and dependent variable .

However, unlike a true experiment, a quasi-experiment does not rely on random assignment . Instead, subjects are assigned to groups based on non-random criteria.

Quasi-experimental design is a useful tool in situations where true experiments cannot be used for ethical or practical reasons.

Table of contents

Differences between quasi-experiments and true experiments, types of quasi-experimental designs, when to use quasi-experimental design, advantages and disadvantages, other interesting articles, frequently asked questions about quasi-experimental designs.

There are several common differences between true and quasi-experimental designs.

Example of a true experiment vs a quasi-experiment

However, for ethical reasons, the directors of the mental health clinic may not give you permission to randomly assign their patients to treatments. In this case, you cannot run a true experiment.

Instead, you can use a quasi-experimental design.

You can use these pre-existing groups to study the symptom progression of the patients treated with the new therapy versus those receiving the standard course of treatment.

Prevent plagiarism. Run a free check.

Many types of quasi-experimental designs exist. Here we explain three of the most common types: nonequivalent groups design, regression discontinuity, and natural experiments.

Nonequivalent groups design

In nonequivalent group design, the researcher chooses existing groups that appear similar, but where only one of the groups experiences the treatment.

In a true experiment with random assignment , the control and treatment groups are considered equivalent in every way other than the treatment. But in a quasi-experiment where the groups are not random, they may differ in other ways—they are nonequivalent groups .

When using this kind of design, researchers try to account for any confounding variables by controlling for them in their analysis or by choosing groups that are as similar as possible.

This is the most common type of quasi-experimental design.

Regression discontinuity

Many potential treatments that researchers wish to study are designed around an essentially arbitrary cutoff, where those above the threshold receive the treatment and those below it do not.

Near this threshold, the differences between the two groups are often so minimal as to be nearly nonexistent. Therefore, researchers can use individuals just below the threshold as a control group and those just above as a treatment group.

However, since the exact cutoff score is arbitrary, the students near the threshold—those who just barely pass the exam and those who fail by a very small margin—tend to be very similar, with the small differences in their scores mostly due to random chance. You can therefore conclude that any outcome differences must come from the school they attended.

Natural experiments

In both laboratory and field experiments, researchers normally control which group the subjects are assigned to. In a natural experiment, an external event or situation (“nature”) results in the random or random-like assignment of subjects to the treatment group.

Even though some use random assignments, natural experiments are not considered to be true experiments because they are observational in nature.

Although the researchers have no control over the independent variable , they can exploit this event after the fact to study the effect of the treatment.

However, as they could not afford to cover everyone who they deemed eligible for the program, they instead allocated spots in the program based on a random lottery.

Although true experiments have higher internal validity , you might choose to use a quasi-experimental design for ethical or practical reasons.

Sometimes it would be unethical to provide or withhold a treatment on a random basis, so a true experiment is not feasible. In this case, a quasi-experiment can allow you to study the same causal relationship without the ethical issues.

The Oregon Health Study is a good example. It would be unethical to randomly provide some people with health insurance but purposely prevent others from receiving it solely for the purposes of research.

However, since the Oregon government faced financial constraints and decided to provide health insurance via lottery, studying this event after the fact is a much more ethical approach to studying the same problem.

True experimental design may be infeasible to implement or simply too expensive, particularly for researchers without access to large funding streams.

At other times, too much work is involved in recruiting and properly designing an experimental intervention for an adequate number of subjects to justify a true experiment.

In either case, quasi-experimental designs allow you to study the question by taking advantage of data that has previously been paid for or collected by others (often the government).

Quasi-experimental designs have various pros and cons compared to other types of studies.

• Higher external validity than most true experiments, because they often involve real-world interventions instead of artificial laboratory settings.
• Higher internal validity than other non-experimental types of research, because they allow you to better control for confounding variables than other types of studies do.
• Lower internal validity than true experiments—without randomization, it can be difficult to verify that all confounding variables have been accounted for.
• The use of retrospective data that has already been collected for other purposes can be inaccurate, incomplete or difficult to access.

Here's why students love Scribbr's proofreading services

Discover proofreading & editing

If you want to know more about statistics , methodology , or research bias , make sure to check out some of our other articles with explanations and examples.

• Normal distribution
• Degrees of freedom
• Null hypothesis
• Discourse analysis
• Control groups
• Mixed methods research
• Non-probability sampling
• Quantitative research
• Ecological validity

Research bias

• Rosenthal effect
• Implicit bias
• Cognitive bias
• Selection bias
• Negativity bias
• Status quo bias

A quasi-experiment is a type of research design that attempts to establish a cause-and-effect relationship. The main difference with a true experiment is that the groups are not randomly assigned.

In experimental research, random assignment is a way of placing participants from your sample into different groups using randomization. With this method, every member of the sample has a known or equal chance of being placed in a control group or an experimental group.

Quasi-experimental design is most useful in situations where it would be unethical or impractical to run a true experiment .

Quasi-experiments have lower internal validity than true experiments, but they often have higher external validity  as they can use real-world interventions instead of artificial laboratory settings.

Cite this Scribbr article

If you want to cite this source, you can copy and paste the citation or click the “Cite this Scribbr article” button to automatically add the citation to our free Citation Generator.

Thomas, L. (2024, January 22). Quasi-Experimental Design | Definition, Types & Examples. Scribbr. Retrieved June 26, 2024, from https://www.scribbr.com/methodology/quasi-experimental-design/

Is this article helpful?

Lauren Thomas

Other students also liked, guide to experimental design | overview, steps, & examples, random assignment in experiments | introduction & examples, control variables | what are they & why do they matter, "i thought ai proofreading was useless but..".

I've been using Scribbr for years now and I know it's a service that won't disappoint. It does a good job spotting mistakes”

• Skip to secondary menu
• Skip to main content
• Skip to primary sidebar

Statistics By Jim

Making statistics intuitive

Quasi Experimental Design Overview & Examples

By Jim Frost Leave a Comment

What is a Quasi Experimental Design?

A quasi experimental design is a method for identifying causal relationships that does not randomly assign participants to the experimental groups. Instead, researchers use a non-random process. For example, they might use an eligibility cutoff score or preexisting groups to determine who receives the treatment.

Quasi-experimental research is a design that closely resembles experimental research but is different. The term “quasi” means “resembling,” so you can think of it as a cousin to actual experiments. In these studies, researchers can manipulate an independent variable — that is, they change one factor to see what effect it has. However, unlike true experimental research, participants are not randomly assigned to different groups.

Learn more about Experimental Designs: Definition & Types .

When to Use Quasi-Experimental Design

Researchers typically use a quasi-experimental design because they can’t randomize due to practical or ethical concerns. For example:

• Practical Constraints : A school interested in testing a new teaching method can only implement it in preexisting classes and cannot randomly assign students.
• Ethical Concerns : A medical study might not be able to randomly assign participants to a treatment group for an experimental medication when they are already taking a proven drug.

Quasi-experimental designs also come in handy when researchers want to study the effects of naturally occurring events, like policy changes or environmental shifts, where they can’t control who is exposed to the treatment.

Quasi-experimental designs occupy a unique position in the spectrum of research methodologies, sitting between observational studies and true experiments. This middle ground offers a blend of both worlds, addressing some limitations of purely observational studies while navigating the constraints often accompanying true experiments.

A significant advantage of quasi-experimental research over purely observational studies and correlational research is that it addresses the issue of directionality, determining which variable is the cause and which is the effect. In quasi-experiments, an intervention typically occurs during the investigation, and the researchers record outcomes before and after it, increasing the confidence that it causes the observed changes.

However, it’s crucial to recognize its limitations as well. Controlling confounding variables is a larger concern for a quasi-experimental design than a true experiment because it lacks random assignment.

In sum, quasi-experimental designs offer a valuable research approach when random assignment is not feasible, providing a more structured and controlled framework than observational studies while acknowledging and attempting to address potential confounders.

Types of Quasi-Experimental Designs and Examples

Quasi-experimental studies use various methods, depending on the scenario.

Natural Experiments

This design uses naturally occurring events or changes to create the treatment and control groups. Researchers compare outcomes between those whom the event affected and those it did not affect. Analysts use statistical controls to account for confounders that the researchers must also measure.

Natural experiments are related to observational studies, but they allow for a clearer causality inference because the external event or policy change provides both a form of quasi-random group assignment and a definite start date for the intervention.

For example, in a natural experiment utilizing a quasi-experimental design, researchers study the impact of a significant economic policy change on small business growth. The policy is implemented in one state but not in neighboring states. This scenario creates an unplanned experimental setup, where the state with the new policy serves as the treatment group, and the neighboring states act as the control group.

Researchers are primarily interested in small business growth rates but need to record various confounders that can impact growth rates. Hence, they record state economic indicators, investment levels, and employment figures. By recording these metrics across the states, they can include them in the model as covariates and control them statistically. This method allows researchers to estimate differences in small business growth due to the policy itself, separate from the various confounders.

Nonequivalent Groups Design

This method involves matching existing groups that are similar but not identical. Researchers attempt to find groups that are as equivalent as possible, particularly for factors likely to affect the outcome.

For instance, researchers use a nonequivalent groups quasi-experimental design to evaluate the effectiveness of a new teaching method in improving students’ mathematics performance. A school district considering the teaching method is planning the study. Students are already divided into schools, preventing random assignment.

The researchers matched two schools with similar demographics, baseline academic performance, and resources. The school using the traditional methodology is the control, while the other uses the new approach. Researchers are evaluating differences in educational outcomes between the two methods.

They perform a pretest to identify differences between the schools that might affect the outcome and include them as covariates to control for confounding. They also record outcomes before and after the intervention to have a larger context for the changes they observe.

Regression Discontinuity

This process assigns subjects to a treatment or control group based on a predetermined cutoff point (e.g., a test score). The analysis primarily focuses on participants near the cutoff point, as they are likely similar except for the treatment received. By comparing participants just above and below the cutoff, the design controls for confounders that vary smoothly around the cutoff.

For example, in a regression discontinuity quasi-experimental design focusing on a new medical treatment for depression, researchers use depression scores as the cutoff point. Individuals with depression scores just above a certain threshold are assigned to receive the latest treatment, while those just below the threshold do not receive it. This method creates two closely matched groups: one that barely qualifies for treatment and one that barely misses out.

By comparing the mental health outcomes of these two groups over time, researchers can assess the effectiveness of the new treatment. The assumption is that the only significant difference between the groups is whether they received the treatment, thereby isolating its impact on depression outcomes.

Controlling Confounders in a Quasi-Experimental Design

Accounting for confounding variables is a challenging but essential task for a quasi-experimental design.

In a true experiment, the random assignment process equalizes confounders across the groups to nullify their overall effect. It’s the gold standard because it works on all confounders, known and unknown.

Unfortunately, the lack of random assignment can allow differences between the groups to exist before the intervention. These confounding factors might ultimately explain the results rather than the intervention.

Consequently, researchers must use other methods to equalize the groups roughly using matching and cutoff values or statistically adjust for preexisting differences they measure to reduce the impact of confounders.

A key strength of quasi-experiments is their frequent use of “pre-post testing.” This approach involves conducting initial tests before collecting data to check for preexisting differences between groups that could impact the study’s outcome. By identifying these variables early on and including them as covariates, researchers can more effectively control potential confounders in their statistical analysis.

Additionally, researchers frequently track outcomes before and after the intervention to better understand the context for changes they observe.

Statisticians consider these methods to be less effective than randomization. Hence, quasi-experiments fall somewhere in the middle when it comes to internal validity , or how well the study can identify causal relationships versus mere correlation . They’re more conclusive than correlational studies but not as solid as true experiments.

In conclusion, quasi-experimental designs offer researchers a versatile and practical approach when random assignment is not feasible. This methodology bridges the gap between controlled experiments and observational studies, providing a valuable tool for investigating cause-and-effect relationships in real-world settings. Researchers can address ethical and logistical constraints by understanding and leveraging the different types of quasi-experimental designs while still obtaining insightful and meaningful results.

Cook, T. D., & Campbell, D. T. (1979).  Quasi-experimentation: Design & analysis issues in field settings . Boston, MA: Houghton Mifflin

Share this:

Reader Interactions

Comments and questions cancel reply.

An official website of the United States government

The .gov means it’s official. Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

The site is secure. The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

• Publications
• Account settings

Preview improvements coming to the PMC website in October 2024. Learn More or Try it out now .

• Advanced Search
• Journal List
• J Am Med Inform Assoc
• v.13(1); Jan-Feb 2006

The Use and Interpretation of Quasi-Experimental Studies in Medical Informatics

Associated data.

Quasi-experimental study designs, often described as nonrandomized, pre-post intervention studies, are common in the medical informatics literature. Yet little has been written about the benefits and limitations of the quasi-experimental approach as applied to informatics studies. This paper outlines a relative hierarchy and nomenclature of quasi-experimental study designs that is applicable to medical informatics intervention studies. In addition, the authors performed a systematic review of two medical informatics journals, the Journal of the American Medical Informatics Association (JAMIA) and the International Journal of Medical Informatics (IJMI), to determine the number of quasi-experimental studies published and how the studies are classified on the above-mentioned relative hierarchy. They hope that future medical informatics studies will implement higher level quasi-experimental study designs that yield more convincing evidence for causal links between medical informatics interventions and outcomes.

Quasi-experimental studies encompass a broad range of nonrandomized intervention studies. These designs are frequently used when it is not logistically feasible or ethical to conduct a randomized controlled trial. Examples of quasi-experimental studies follow. As one example of a quasi-experimental study, a hospital introduces a new order-entry system and wishes to study the impact of this intervention on the number of medication-related adverse events before and after the intervention. As another example, an informatics technology group is introducing a pharmacy order-entry system aimed at decreasing pharmacy costs. The intervention is implemented and pharmacy costs before and after the intervention are measured.

In medical informatics, the quasi-experimental, sometimes called the pre-post intervention, design often is used to evaluate the benefits of specific interventions. The increasing capacity of health care institutions to collect routine clinical data has led to the growing use of quasi-experimental study designs in the field of medical informatics as well as in other medical disciplines. However, little is written about these study designs in the medical literature or in traditional epidemiology textbooks. 1 , 2 , 3 In contrast, the social sciences literature is replete with examples of ways to implement and improve quasi-experimental studies. 4 , 5 , 6

In this paper, we review the different pretest-posttest quasi-experimental study designs, their nomenclature, and the relative hierarchy of these designs with respect to their ability to establish causal associations between an intervention and an outcome. The example of a pharmacy order-entry system aimed at decreasing pharmacy costs will be used throughout this article to illustrate the different quasi-experimental designs. We discuss limitations of quasi-experimental designs and offer methods to improve them. We also perform a systematic review of four years of publications from two informatics journals to determine the number of quasi-experimental studies, classify these studies into their application domains, determine whether the potential limitations of quasi-experimental studies were acknowledged by the authors, and place these studies into the above-mentioned relative hierarchy.

The authors reviewed articles and book chapters on the design of quasi-experimental studies. 4 , 5 , 6 , 7 , 8 , 9 , 10 Most of the reviewed articles referenced two textbooks that were then reviewed in depth. 4 , 6

Key advantages and disadvantages of quasi-experimental studies, as they pertain to the study of medical informatics, were identified. The potential methodological flaws of quasi-experimental medical informatics studies, which have the potential to introduce bias, were also identified. In addition, a summary table outlining a relative hierarchy and nomenclature of quasi-experimental study designs is described. In general, the higher the design is in the hierarchy, the greater the internal validity that the study traditionally possesses because the evidence of the potential causation between the intervention and the outcome is strengthened. 4

We then performed a systematic review of four years of publications from two informatics journals. First, we determined the number of quasi-experimental studies. We then classified these studies on the above-mentioned hierarchy. We also classified the quasi-experimental studies according to their application domain. The categories of application domains employed were based on categorization used by Yearbooks of Medical Informatics 1992–2005 and were similar to the categories of application domains employed by Annual Symposiums of the American Medical Informatics Association. 11 The categories were (1) health and clinical management; (2) patient records; (3) health information systems; (4) medical signal processing and biomedical imaging; (5) decision support, knowledge representation, and management; (6) education and consumer informatics; and (7) bioinformatics. Because the quasi-experimental study design has recognized limitations, we sought to determine whether authors acknowledged the potential limitations of this design. Examples of acknowledgment included mention of lack of randomization, the potential for regression to the mean, the presence of temporal confounders and the mention of another design that would have more internal validity.

All original scientific manuscripts published between January 2000 and December 2003 in the Journal of the American Medical Informatics Association (JAMIA) and the International Journal of Medical Informatics (IJMI) were reviewed. One author (ADH) reviewed all the papers to identify the number of quasi-experimental studies. Other authors (ADH, JCM, JF) then independently reviewed all the studies identified as quasi-experimental. The three authors then convened as a group to resolve any disagreements in study classification, application domain, and acknowledgment of limitations.

Results and Discussion

What is a quasi-experiment.

Quasi-experiments are studies that aim to evaluate interventions but that do not use randomization. Similar to randomized trials, quasi-experiments aim to demonstrate causality between an intervention and an outcome. Quasi-experimental studies can use both preintervention and postintervention measurements as well as nonrandomly selected control groups.

Using this basic definition, it is evident that many published studies in medical informatics utilize the quasi-experimental design. Although the randomized controlled trial is generally considered to have the highest level of credibility with regard to assessing causality, in medical informatics, researchers often choose not to randomize the intervention for one or more reasons: (1) ethical considerations, (2) difficulty of randomizing subjects, (3) difficulty to randomize by locations (e.g., by wards), (4) small available sample size. Each of these reasons is discussed below.

Ethical considerations typically will not allow random withholding of an intervention with known efficacy. Thus, if the efficacy of an intervention has not been established, a randomized controlled trial is the design of choice to determine efficacy. But if the intervention under study incorporates an accepted, well-established therapeutic intervention, or if the intervention has either questionable efficacy or safety based on previously conducted studies, then the ethical issues of randomizing patients are sometimes raised. In the area of medical informatics, it is often believed prior to an implementation that an informatics intervention will likely be beneficial and thus medical informaticians and hospital administrators are often reluctant to randomize medical informatics interventions. In addition, there is often pressure to implement the intervention quickly because of its believed efficacy, thus not allowing researchers sufficient time to plan a randomized trial.

For medical informatics interventions, it is often difficult to randomize the intervention to individual patients or to individual informatics users. So while this randomization is technically possible, it is underused and thus compromises the eventual strength of concluding that an informatics intervention resulted in an outcome. For example, randomly allowing only half of medical residents to use pharmacy order-entry software at a tertiary care hospital is a scenario that hospital administrators and informatics users may not agree to for numerous reasons.

Similarly, informatics interventions often cannot be randomized to individual locations. Using the pharmacy order-entry system example, it may be difficult to randomize use of the system to only certain locations in a hospital or portions of certain locations. For example, if the pharmacy order-entry system involves an educational component, then people may apply the knowledge learned to nonintervention wards, thereby potentially masking the true effect of the intervention. When a design using randomized locations is employed successfully, the locations may be different in other respects (confounding variables), and this further complicates the analysis and interpretation.

In situations where it is known that only a small sample size will be available to test the efficacy of an intervention, randomization may not be a viable option. Randomization is beneficial because on average it tends to evenly distribute both known and unknown confounding variables between the intervention and control group. However, when the sample size is small, randomization may not adequately accomplish this balance. Thus, alternative design and analytical methods are often used in place of randomization when only small sample sizes are available.

What Are the Threats to Establishing Causality When Using Quasi-experimental Designs in Medical Informatics?

The lack of random assignment is the major weakness of the quasi-experimental study design. Associations identified in quasi-experiments meet one important requirement of causality since the intervention precedes the measurement of the outcome. Another requirement is that the outcome can be demonstrated to vary statistically with the intervention. Unfortunately, statistical association does not imply causality, especially if the study is poorly designed. Thus, in many quasi-experiments, one is most often left with the question: “Are there alternative explanations for the apparent causal association?” If these alternative explanations are credible, then the evidence of causation is less convincing. These rival hypotheses, or alternative explanations, arise from principles of epidemiologic study design.

Shadish et al. 4 outline nine threats to internal validity that are outlined in ▶ . Internal validity is defined as the degree to which observed changes in outcomes can be correctly inferred to be caused by an exposure or an intervention. In quasi-experimental studies of medical informatics, we believe that the methodological principles that most often result in alternative explanations for the apparent causal effect include (a) difficulty in measuring or controlling for important confounding variables, particularly unmeasured confounding variables, which can be viewed as a subset of the selection threat in ▶ ; (b) results being explained by the statistical principle of regression to the mean . Each of these latter two principles is discussed in turn.

Threats to Internal Validity

Adapted from Shadish et al. 4

An inability to sufficiently control for important confounding variables arises from the lack of randomization. A variable is a confounding variable if it is associated with the exposure of interest and is also associated with the outcome of interest; the confounding variable leads to a situation where a causal association between a given exposure and an outcome is observed as a result of the influence of the confounding variable. For example, in a study aiming to demonstrate that the introduction of a pharmacy order-entry system led to lower pharmacy costs, there are a number of important potential confounding variables (e.g., severity of illness of the patients, knowledge and experience of the software users, other changes in hospital policy) that may have differed in the preintervention and postintervention time periods ( ▶ ). In a multivariable regression, the first confounding variable could be addressed with severity of illness measures, but the second confounding variable would be difficult if not nearly impossible to measure and control. In addition, potential confounding variables that are unmeasured or immeasurable cannot be controlled for in nonrandomized quasi-experimental study designs and can only be properly controlled by the randomization process in randomized controlled trials.

Example of confounding. To get the true effect of the intervention of interest, we need to control for the confounding variable.

Another important threat to establishing causality is regression to the mean. 12 , 13 , 14 This widespread statistical phenomenon can result in wrongly concluding that an effect is due to the intervention when in reality it is due to chance. The phenomenon was first described in 1886 by Francis Galton who measured the adult height of children and their parents. He noted that when the average height of the parents was greater than the mean of the population, the children tended to be shorter than their parents, and conversely, when the average height of the parents was shorter than the population mean, the children tended to be taller than their parents.

In medical informatics, what often triggers the development and implementation of an intervention is a rise in the rate above the mean or norm. For example, increasing pharmacy costs and adverse events may prompt hospital informatics personnel to design and implement pharmacy order-entry systems. If this rise in costs or adverse events is really just an extreme observation that is still within the normal range of the hospital's pharmaceutical costs (i.e., the mean pharmaceutical cost for the hospital has not shifted), then the statistical principle of regression to the mean predicts that these elevated rates will tend to decline even without intervention. However, often informatics personnel and hospital administrators cannot wait passively for this decline to occur. Therefore, hospital personnel often implement one or more interventions, and if a decline in the rate occurs, they may mistakenly conclude that the decline is causally related to the intervention. In fact, an alternative explanation for the finding could be regression to the mean.

What Are the Different Quasi-experimental Study Designs?

In the social sciences literature, quasi-experimental studies are divided into four study design groups 4 , 6 :

• Quasi-experimental designs without control groups
• Quasi-experimental designs that use control groups but no pretest
• Quasi-experimental designs that use control groups and pretests
• Interrupted time-series designs

There is a relative hierarchy within these categories of study designs, with category D studies being sounder than categories C, B, or A in terms of establishing causality. Thus, if feasible from a design and implementation point of view, investigators should aim to design studies that fall in to the higher rated categories. Shadish et al. 4 discuss 17 possible designs, with seven designs falling into category A, three designs in category B, and six designs in category C, and one major design in category D. In our review, we determined that most medical informatics quasi-experiments could be characterized by 11 of 17 designs, with six study designs in category A, one in category B, three designs in category C, and one design in category D because the other study designs were not used or feasible in the medical informatics literature. Thus, for simplicity, we have summarized the 11 study designs most relevant to medical informatics research in ▶ .

Relative Hierarchy of Quasi-experimental Designs

O = Observational Measurement; X = Intervention Under Study. Time moves from left to right.

The nomenclature and relative hierarchy were used in the systematic review of four years of JAMIA and the IJMI. Similar to the relative hierarchy that exists in the evidence-based literature that assigns a hierarchy to randomized controlled trials, cohort studies, case-control studies, and case series, the hierarchy in ▶ is not absolute in that in some cases, it may be infeasible to perform a higher level study. For example, there may be instances where an A6 design established stronger causality than a B1 design. 15 , 16 , 17

Quasi-experimental Designs without Control Groups

Here, X is the intervention and O is the outcome variable (this notation is continued throughout the article). In this study design, an intervention (X) is implemented and a posttest observation (O1) is taken. For example, X could be the introduction of a pharmacy order-entry intervention and O1 could be the pharmacy costs following the intervention. This design is the weakest of the quasi-experimental designs that are discussed in this article. Without any pretest observations or a control group, there are multiple threats to internal validity. Unfortunately, this study design is often used in medical informatics when new software is introduced since it may be difficult to have pretest measurements due to time, technical, or cost constraints.

This is a commonly used study design. A single pretest measurement is taken (O1), an intervention (X) is implemented, and a posttest measurement is taken (O2). In this instance, period O1 frequently serves as the “control” period. For example, O1 could be pharmacy costs prior to the intervention, X could be the introduction of a pharmacy order-entry system, and O2 could be the pharmacy costs following the intervention. Including a pretest provides some information about what the pharmacy costs would have been had the intervention not occurred.

The advantage of this study design over A2 is that adding a second pretest prior to the intervention helps provide evidence that can be used to refute the phenomenon of regression to the mean and confounding as alternative explanations for any observed association between the intervention and the posttest outcome. For example, in a study where a pharmacy order-entry system led to lower pharmacy costs (O3 < O2 and O1), if one had two preintervention measurements of pharmacy costs (O1 and O2) and they were both elevated, this would suggest that there was a decreased likelihood that O3 is lower due to confounding and regression to the mean. Similarly, extending this study design by increasing the number of measurements postintervention could also help to provide evidence against confounding and regression to the mean as alternate explanations for observed associations.

This design involves the inclusion of a nonequivalent dependent variable ( b ) in addition to the primary dependent variable ( a ). Variables a and b should assess similar constructs; that is, the two measures should be affected by similar factors and confounding variables except for the effect of the intervention. Variable a is expected to change because of the intervention X, whereas variable b is not. Taking our example, variable a could be pharmacy costs and variable b could be the length of stay of patients. If our informatics intervention is aimed at decreasing pharmacy costs, we would expect to observe a decrease in pharmacy costs but not in the average length of stay of patients. However, a number of important confounding variables, such as severity of illness and knowledge of software users, might affect both outcome measures. Thus, if the average length of stay did not change following the intervention but pharmacy costs did, then the data are more convincing than if just pharmacy costs were measured.

The Removed-Treatment Design

This design adds a third posttest measurement (O3) to the one-group pretest-posttest design and then removes the intervention before a final measure (O4) is made. The advantage of this design is that it allows one to test hypotheses about the outcome in the presence of the intervention and in the absence of the intervention. Thus, if one predicts a decrease in the outcome between O1 and O2 (after implementation of the intervention), then one would predict an increase in the outcome between O3 and O4 (after removal of the intervention). One caveat is that if the intervention is thought to have persistent effects, then O4 needs to be measured after these effects are likely to have disappeared. For example, a study would be more convincing if it demonstrated that pharmacy costs decreased after pharmacy order-entry system introduction (O2 and O3 less than O1) and that when the order-entry system was removed or disabled, the costs increased (O4 greater than O2 and O3 and closer to O1). In addition, there are often ethical issues in this design in terms of removing an intervention that may be providing benefit.

The Repeated-Treatment Design

The advantage of this design is that it demonstrates reproducibility of the association between the intervention and the outcome. For example, the association is more likely to be causal if one demonstrates that a pharmacy order-entry system results in decreased pharmacy costs when it is first introduced and again when it is reintroduced following an interruption of the intervention. As for design A5, the assumption must be made that the effect of the intervention is transient, which is most often applicable to medical informatics interventions. Because in this design, subjects may serve as their own controls, this may yield greater statistical efficiency with fewer numbers of subjects.

Quasi-experimental Designs That Use a Control Group but No Pretest

An intervention X is implemented for one group and compared to a second group. The use of a comparison group helps prevent certain threats to validity including the ability to statistically adjust for confounding variables. Because in this study design, the two groups may not be equivalent (assignment to the groups is not by randomization), confounding may exist. For example, suppose that a pharmacy order-entry intervention was instituted in the medical intensive care unit (MICU) and not the surgical intensive care unit (SICU). O1 would be pharmacy costs in the MICU after the intervention and O2 would be pharmacy costs in the SICU after the intervention. The absence of a pretest makes it difficult to know whether a change has occurred in the MICU. Also, the absence of pretest measurements comparing the SICU to the MICU makes it difficult to know whether differences in O1 and O2 are due to the intervention or due to other differences in the two units (confounding variables).

Quasi-experimental Designs That Use Control Groups and Pretests

The reader should note that with all the studies in this category, the intervention is not randomized. The control groups chosen are comparison groups. Obtaining pretest measurements on both the intervention and control groups allows one to assess the initial comparability of the groups. The assumption is that if the intervention and the control groups are similar at the pretest, the smaller the likelihood there is of important confounding variables differing between the two groups.

The use of both a pretest and a comparison group makes it easier to avoid certain threats to validity. However, because the two groups are nonequivalent (assignment to the groups is not by randomization), selection bias may exist. Selection bias exists when selection results in differences in unit characteristics between conditions that may be related to outcome differences. For example, suppose that a pharmacy order-entry intervention was instituted in the MICU and not the SICU. If preintervention pharmacy costs in the MICU (O1a) and SICU (O1b) are similar, it suggests that it is less likely that there are differences in the important confounding variables between the two units. If MICU postintervention costs (O2a) are less than preintervention MICU costs (O1a), but SICU costs (O1b) and (O2b) are similar, this suggests that the observed outcome may be causally related to the intervention.

In this design, the pretests are administered at two different times. The main advantage of this design is that it controls for potentially different time-varying confounding effects in the intervention group and the comparison group. In our example, measuring points O1 and O2 would allow for the assessment of time-dependent changes in pharmacy costs, e.g., due to differences in experience of residents, preintervention between the intervention and control group, and whether these changes were similar or different.

With this study design, the researcher administers an intervention at a later time to a group that initially served as a nonintervention control. The advantage of this design over design C2 is that it demonstrates reproducibility in two different settings. This study design is not limited to two groups; in fact, the study results have greater validity if the intervention effect is replicated in different groups at multiple times. In the example of a pharmacy order-entry system, one could implement or intervene in the MICU and then at a later time, intervene in the SICU. This latter design is often very applicable to medical informatics where new technology and new software is often introduced or made available gradually.

Interrupted Time-Series Designs

An interrupted time-series design is one in which a string of consecutive observations equally spaced in time is interrupted by the imposition of a treatment or intervention. The advantage of this design is that with multiple measurements both pre- and postintervention, it is easier to address and control for confounding and regression to the mean. In addition, statistically, there is a more robust analytic capability, and there is the ability to detect changes in the slope or intercept as a result of the intervention in addition to a change in the mean values. 18 A change in intercept could represent an immediate effect while a change in slope could represent a gradual effect of the intervention on the outcome. In the example of a pharmacy order-entry system, O1 through O5 could represent monthly pharmacy costs preintervention and O6 through O10 monthly pharmacy costs post the introduction of the pharmacy order-entry system. Interrupted time-series designs also can be further strengthened by incorporating many of the design features previously mentioned in other categories (such as removal of the treatment, inclusion of a nondependent outcome variable, or the addition of a control group).

Systematic Review Results

The results of the systematic review are in ▶ . In the four-year period of JAMIA publications that the authors reviewed, 25 quasi-experimental studies among 22 articles were published. Of these 25, 15 studies were of category A, five studies were of category B, two studies were of category C, and no studies were of category D. Although there were no studies of category D (interrupted time-series analyses), three of the studies classified as category A had data collected that could have been analyzed as an interrupted time-series analysis. Nine of the 25 studies (36%) mentioned at least one of the potential limitations of the quasi-experimental study design. In the four-year period of IJMI publications reviewed by the authors, nine quasi-experimental studies among eight manuscripts were published. Of these nine, five studies were of category A, one of category B, one of category C, and two of category D. Two of the nine studies (22%) mentioned at least one of the potential limitations of the quasi-experimental study design.

Systematic Review of Four Years of Quasi-designs in JAMIA

JAMIA = Journal of the American Medical Informatics Association; IJMI = International Journal of Medical Informatics.

In addition, three studies from JAMIA were based on a counterbalanced design. A counterbalanced design is a higher order study design than other studies in category A. The counterbalanced design is sometimes referred to as a Latin-square arrangement. In this design, all subjects receive all the different interventions but the order of intervention assignment is not random. 19 This design can only be used when the intervention is compared against some existing standard, for example, if a new PDA-based order entry system is to be compared to a computer terminal–based order entry system. In this design, all subjects receive the new PDA-based order entry system and the old computer terminal-based order entry system. The counterbalanced design is a within-participants design, where the order of the intervention is varied (e.g., one group is given software A followed by software B and another group is given software B followed by software A). The counterbalanced design is typically used when the available sample size is small, thus preventing the use of randomization. This design also allows investigators to study the potential effect of ordering of the informatics intervention.

Although quasi-experimental study designs are ubiquitous in the medical informatics literature, as evidenced by 34 studies in the past four years of the two informatics journals, little has been written about the benefits and limitations of the quasi-experimental approach. As we have outlined in this paper, a relative hierarchy and nomenclature of quasi-experimental study designs exist, with some designs being more likely than others to permit causal interpretations of observed associations. Strengths and limitations of a particular study design should be discussed when presenting data collected in the setting of a quasi-experimental study. Future medical informatics investigators should choose the strongest design that is feasible given the particular circumstances.

Supplementary Material

Dr. Harris was supported by NIH grants K23 AI01752-01A1 and R01 AI60859-01A1. Dr. Perencevich was supported by a VA Health Services Research and Development Service (HSR&D) Research Career Development Award (RCD-02026-1). Dr. Finkelstein was supported by NIH grant RO1 HL71690.

Last updated 27/06/24: Online ordering is currently unavailable due to technical issues. We apologise for any delays responding to customers while we resolve this. For further updates please visit our website: https://www.cambridge.org/news-and-insights/technical-incident

We use cookies to distinguish you from other users and to provide you with a better experience on our websites. Close this message to accept cookies or find out how to manage your cookie settings .

Login Alert

• > The Cambridge Handbook of Research Methods and Statistics for the Social and Behavioral Sciences
• > Quasi-Experimental Research

Book contents

• The Cambridge Handbook of Research Methods and Statistics for the Social and Behavioral Sciences
• Cambridge Handbooks in Psychology
• Copyright page
• Contributors
• Part I From Idea to Reality: The Basics of Research
• Part II The Building Blocks of a Study
• Part III Data Collection
• 13 Cross-Sectional Studies
• 14 Quasi-Experimental Research
• 15 Non-equivalent Control Group Pretest–Posttest Design in Social and Behavioral Research
• 16 Experimental Methods
• 17 Longitudinal Research: A World to Explore
• 18 Online Research Methods
• 19 Archival Data
• 20 Qualitative Research Design
• Part IV Statistical Approaches
• Part V Tips for a Successful Research Career

14 - Quasi-Experimental Research

from Part III - Data Collection

Published online by Cambridge University Press:  25 May 2023

In this chapter, we discuss the logic and practice of quasi-experimentation. Specifically, we describe four quasi-experimental designs – one-group pretest–posttest designs, non-equivalent group designs, regression discontinuity designs, and interrupted time-series designs – and their statistical analyses in detail. Both simple quasi-experimental designs and embellishments of these simple designs are presented. Potential threats to internal validity are illustrated along with means of addressing their potentially biasing effects so that these effects can be minimized. In contrast to quasi-experiments, randomized experiments are often thought to be the gold standard when estimating the effects of treatment interventions. However, circumstances frequently arise where quasi-experiments can usefully supplement randomized experiments or when quasi-experiments can fruitfully be used in place of randomized experiments. Researchers need to appreciate the relative strengths and weaknesses of the various quasi-experiments so they can choose among pre-specified designs or craft their own unique quasi-experiments.

Access options

Save book to kindle.

To save this book to your Kindle, first ensure [email protected] is added to your Approved Personal Document E-mail List under your Personal Document Settings on the Manage Your Content and Devices page of your Amazon account. Then enter the ‘name’ part of your Kindle email address below. Find out more about saving to your Kindle .

Note you can select to save to either the @free.kindle.com or @kindle.com variations. ‘@free.kindle.com’ emails are free but can only be saved to your device when it is connected to wi-fi. ‘@kindle.com’ emails can be delivered even when you are not connected to wi-fi, but note that service fees apply.

Find out more about the Kindle Personal Document Service .

• Quasi-Experimental Research
• By Charles S. Reichardt , Daniel Storage , Damon Abraham
• Edited by Austin Lee Nichols , Central European University, Vienna , John Edlund , Rochester Institute of Technology, New York
• Book: The Cambridge Handbook of Research Methods and Statistics for the Social and Behavioral Sciences
• Online publication: 25 May 2023
• Chapter DOI: https://doi.org/10.1017/9781009010054.015

Save book to Dropbox

To save content items to your account, please confirm that you agree to abide by our usage policies. If this is the first time you use this feature, you will be asked to authorise Cambridge Core to connect with your account. Find out more about saving content to Dropbox .

Save book to Google Drive

To save content items to your account, please confirm that you agree to abide by our usage policies. If this is the first time you use this feature, you will be asked to authorise Cambridge Core to connect with your account. Find out more about saving content to Google Drive .

• Privacy Policy

Home » Quasi-Experimental Research Design – Types, Methods

Quasi-Experimental Research Design – Types, Methods

Table of Contents

Quasi-Experimental Design

Quasi-experimental design is a research method that seeks to evaluate the causal relationships between variables, but without the full control over the independent variable(s) that is available in a true experimental design.

In a quasi-experimental design, the researcher uses an existing group of participants that is not randomly assigned to the experimental and control groups. Instead, the groups are selected based on pre-existing characteristics or conditions, such as age, gender, or the presence of a certain medical condition.

Types of Quasi-Experimental Design

There are several types of quasi-experimental designs that researchers use to study causal relationships between variables. Here are some of the most common types:

Non-Equivalent Control Group Design

This design involves selecting two groups of participants that are similar in every way except for the independent variable(s) that the researcher is testing. One group receives the treatment or intervention being studied, while the other group does not. The two groups are then compared to see if there are any significant differences in the outcomes.

Interrupted Time-Series Design

This design involves collecting data on the dependent variable(s) over a period of time, both before and after an intervention or event. The researcher can then determine whether there was a significant change in the dependent variable(s) following the intervention or event.

Pretest-Posttest Design

This design involves measuring the dependent variable(s) before and after an intervention or event, but without a control group. This design can be useful for determining whether the intervention or event had an effect, but it does not allow for control over other factors that may have influenced the outcomes.

Regression Discontinuity Design

This design involves selecting participants based on a specific cutoff point on a continuous variable, such as a test score. Participants on either side of the cutoff point are then compared to determine whether the intervention or event had an effect.

Natural Experiments

This design involves studying the effects of an intervention or event that occurs naturally, without the researcher’s intervention. For example, a researcher might study the effects of a new law or policy that affects certain groups of people. This design is useful when true experiments are not feasible or ethical.

Data Analysis Methods

Here are some data analysis methods that are commonly used in quasi-experimental designs:

Descriptive Statistics

This method involves summarizing the data collected during a study using measures such as mean, median, mode, range, and standard deviation. Descriptive statistics can help researchers identify trends or patterns in the data, and can also be useful for identifying outliers or anomalies.

Inferential Statistics

This method involves using statistical tests to determine whether the results of a study are statistically significant. Inferential statistics can help researchers make generalizations about a population based on the sample data collected during the study. Common statistical tests used in quasi-experimental designs include t-tests, ANOVA, and regression analysis.

Propensity Score Matching

This method is used to reduce bias in quasi-experimental designs by matching participants in the intervention group with participants in the control group who have similar characteristics. This can help to reduce the impact of confounding variables that may affect the study’s results.

Difference-in-differences Analysis

This method is used to compare the difference in outcomes between two groups over time. Researchers can use this method to determine whether a particular intervention has had an impact on the target population over time.

Interrupted Time Series Analysis

This method is used to examine the impact of an intervention or treatment over time by comparing data collected before and after the intervention or treatment. This method can help researchers determine whether an intervention had a significant impact on the target population.

Regression Discontinuity Analysis

This method is used to compare the outcomes of participants who fall on either side of a predetermined cutoff point. This method can help researchers determine whether an intervention had a significant impact on the target population.

Steps in Quasi-Experimental Design

Here are the general steps involved in conducting a quasi-experimental design:

• Identify the research question: Determine the research question and the variables that will be investigated.
• Choose the design: Choose the appropriate quasi-experimental design to address the research question. Examples include the pretest-posttest design, non-equivalent control group design, regression discontinuity design, and interrupted time series design.
• Select the participants: Select the participants who will be included in the study. Participants should be selected based on specific criteria relevant to the research question.
• Measure the variables: Measure the variables that are relevant to the research question. This may involve using surveys, questionnaires, tests, or other measures.
• Implement the intervention or treatment: Implement the intervention or treatment to the participants in the intervention group. This may involve training, education, counseling, or other interventions.
• Collect data: Collect data on the dependent variable(s) before and after the intervention. Data collection may also include collecting data on other variables that may impact the dependent variable(s).
• Analyze the data: Analyze the data collected to determine whether the intervention had a significant impact on the dependent variable(s).
• Draw conclusions: Draw conclusions about the relationship between the independent and dependent variables. If the results suggest a causal relationship, then appropriate recommendations may be made based on the findings.

Quasi-Experimental Design Examples

Here are some examples of real-time quasi-experimental designs:

• Evaluating the impact of a new teaching method: In this study, a group of students are taught using a new teaching method, while another group is taught using the traditional method. The test scores of both groups are compared before and after the intervention to determine whether the new teaching method had a significant impact on student performance.
• Assessing the effectiveness of a public health campaign: In this study, a public health campaign is launched to promote healthy eating habits among a targeted population. The behavior of the population is compared before and after the campaign to determine whether the intervention had a significant impact on the target behavior.
• Examining the impact of a new medication: In this study, a group of patients is given a new medication, while another group is given a placebo. The outcomes of both groups are compared to determine whether the new medication had a significant impact on the targeted health condition.
• Evaluating the effectiveness of a job training program : In this study, a group of unemployed individuals is enrolled in a job training program, while another group is not enrolled in any program. The employment rates of both groups are compared before and after the intervention to determine whether the training program had a significant impact on the employment rates of the participants.
• Assessing the impact of a new policy : In this study, a new policy is implemented in a particular area, while another area does not have the new policy. The outcomes of both areas are compared before and after the intervention to determine whether the new policy had a significant impact on the targeted behavior or outcome.

Applications of Quasi-Experimental Design

Here are some applications of quasi-experimental design:

• Educational research: Quasi-experimental designs are used to evaluate the effectiveness of educational interventions, such as new teaching methods, technology-based learning, or educational policies.
• Health research: Quasi-experimental designs are used to evaluate the effectiveness of health interventions, such as new medications, public health campaigns, or health policies.
• Social science research: Quasi-experimental designs are used to investigate the impact of social interventions, such as job training programs, welfare policies, or criminal justice programs.
• Business research: Quasi-experimental designs are used to evaluate the impact of business interventions, such as marketing campaigns, new products, or pricing strategies.
• Environmental research: Quasi-experimental designs are used to evaluate the impact of environmental interventions, such as conservation programs, pollution control policies, or renewable energy initiatives.

When to use Quasi-Experimental Design

Here are some situations where quasi-experimental designs may be appropriate:

• When the research question involves investigating the effectiveness of an intervention, policy, or program : In situations where it is not feasible or ethical to randomly assign participants to intervention and control groups, quasi-experimental designs can be used to evaluate the impact of the intervention on the targeted outcome.
• When the sample size is small: In situations where the sample size is small, it may be difficult to randomly assign participants to intervention and control groups. Quasi-experimental designs can be used to investigate the impact of an intervention without requiring a large sample size.
• When the research question involves investigating a naturally occurring event : In some situations, researchers may be interested in investigating the impact of a naturally occurring event, such as a natural disaster or a major policy change. Quasi-experimental designs can be used to evaluate the impact of the event on the targeted outcome.
• When the research question involves investigating a long-term intervention: In situations where the intervention or program is long-term, it may be difficult to randomly assign participants to intervention and control groups for the entire duration of the intervention. Quasi-experimental designs can be used to evaluate the impact of the intervention over time.
• When the research question involves investigating the impact of a variable that cannot be manipulated : In some situations, it may not be possible or ethical to manipulate a variable of interest. Quasi-experimental designs can be used to investigate the relationship between the variable and the targeted outcome.

Purpose of Quasi-Experimental Design

The purpose of quasi-experimental design is to investigate the causal relationship between two or more variables when it is not feasible or ethical to conduct a randomized controlled trial (RCT). Quasi-experimental designs attempt to emulate the randomized control trial by mimicking the control group and the intervention group as much as possible.

The key purpose of quasi-experimental design is to evaluate the impact of an intervention, policy, or program on a targeted outcome while controlling for potential confounding factors that may affect the outcome. Quasi-experimental designs aim to answer questions such as: Did the intervention cause the change in the outcome? Would the outcome have changed without the intervention? And was the intervention effective in achieving its intended goals?

Quasi-experimental designs are useful in situations where randomized controlled trials are not feasible or ethical. They provide researchers with an alternative method to evaluate the effectiveness of interventions, policies, and programs in real-life settings. Quasi-experimental designs can also help inform policy and practice by providing valuable insights into the causal relationships between variables.

Overall, the purpose of quasi-experimental design is to provide a rigorous method for evaluating the impact of interventions, policies, and programs while controlling for potential confounding factors that may affect the outcome.

Advantages of Quasi-Experimental Design

Quasi-experimental designs have several advantages over other research designs, such as:

• Greater external validity : Quasi-experimental designs are more likely to have greater external validity than laboratory experiments because they are conducted in naturalistic settings. This means that the results are more likely to generalize to real-world situations.
• Ethical considerations: Quasi-experimental designs often involve naturally occurring events, such as natural disasters or policy changes. This means that researchers do not need to manipulate variables, which can raise ethical concerns.
• More practical: Quasi-experimental designs are often more practical than experimental designs because they are less expensive and easier to conduct. They can also be used to evaluate programs or policies that have already been implemented, which can save time and resources.
• No random assignment: Quasi-experimental designs do not require random assignment, which can be difficult or impossible in some cases, such as when studying the effects of a natural disaster. This means that researchers can still make causal inferences, although they must use statistical techniques to control for potential confounding variables.
• Greater generalizability : Quasi-experimental designs are often more generalizable than experimental designs because they include a wider range of participants and conditions. This can make the results more applicable to different populations and settings.

Limitations of Quasi-Experimental Design

There are several limitations associated with quasi-experimental designs, which include:

• Lack of Randomization: Quasi-experimental designs do not involve randomization of participants into groups, which means that the groups being studied may differ in important ways that could affect the outcome of the study. This can lead to problems with internal validity and limit the ability to make causal inferences.
• Selection Bias: Quasi-experimental designs may suffer from selection bias because participants are not randomly assigned to groups. Participants may self-select into groups or be assigned based on pre-existing characteristics, which may introduce bias into the study.
• History and Maturation: Quasi-experimental designs are susceptible to history and maturation effects, where the passage of time or other events may influence the outcome of the study.
• Lack of Control: Quasi-experimental designs may lack control over extraneous variables that could influence the outcome of the study. This can limit the ability to draw causal inferences from the study.
• Limited Generalizability: Quasi-experimental designs may have limited generalizability because the results may only apply to the specific population and context being studied.

About the author

Muhammad Hassan

Researcher, Academic Writer, Web developer

You may also like

Quantitative Research – Methods, Types and...

Focus Groups – Steps, Examples and Guide

Explanatory Research – Types, Methods, Guide

Case Study – Methods, Examples and Guide

One-to-One Interview – Methods and Guide

Applied Research – Types, Methods and Examples

Quasi-Experiment

Quasi-Experimente sind eine Art von empirischen Interventionsstudien, die in Bereichen wie Sozialwissenschaften, Gesundheitswesen und Politikanalyse von entscheidender Bedeutung sind. Sie ähneln herkömmlichen randomisierten kontrollierten Studien, wobei jedoch keine zufällige Zuordnung zu Behandlungs- oder Kontrollgruppen erfolgt. Stattdessen basiert die Zuweisung zur Behandlungsbedingung in Quasi-Experimenten auf anderen Kriterien als der zufälligen Auswahl, wie z. B. Eignungsgrenzwerten (DiNardo, 2008).

Die Stärke von Quasi-Experimenten liegt in ihrer praktischen Anwendbarkeit, insbesondere wenn eine zufällige Zuweisung nicht durchführbar oder unethisch ist. Allerdings ist es schwierig, die interne Validität zu gewährleisten, da der nicht-randomisierte Ablauf zu Ausgangsunterschieden zwischen Behandlungs- und Kontrollgruppen führen kann. Dies kann zu Störvariablen führen, die sich auf das Ergebnis auswirken können, wodurch es schwierig wird, einen kausalen Zusammenhang zwischen der Maßnahme und den beobachteten Ergebnissen herzustellen (Rossi, Lipsey, & Freeman, 2004).

Bei Quasi-Experimenten wird die unabhängige Variable ( die Variable, die manipuliert wird) oft als quasi- unabhängige Variable bezeichnet, während das Ergebnis von Interesse die abhängige Variable ist. Diese Designs sind besonders nützlich bei der Analyse von Zeitreihen, bei denen Veränderungen der abhängigen Variable im Laufe der Zeit beobachtet werden (Gribbons & Herman, 1997).

Es gibt verschiedene quasi-experimentelle Designs, darunter Fall-Kontroll-Studie, Differenz-von-Differenzen-Ansatz, Nicht-äquivalente Kontrolldesigns, Regressions-Diskontinuitäts-Analyse und Zeitreihen. Von diesen ist die Regressions-Diskontinuitäts-Analyse aufgrund seiner Ähnlichkeit mit randomisierten Experimenten erwähnenswert, da es unverzerrte Schätzungen der Behandlungseffekte liefern kann, obwohl es eine große Anzahl von Teilnehmern und eine präzise Modellierung erfordert (Shadish, Cook, & Cambell, 2002).

Trotz ihrer Einschränkungen können Quasi-Experimente wertvolle Erkenntnisse liefern, insbesondere in der angewandten Forschung. Sie bieten ein gutes Mittelmaß zwischen interner und externer Validität, insbesondere in Situationen, in denen traditionelle Experimente nicht durchführbar sind. Techniken wie Kovarianzanalysen, Regressionsmodelle und Propensity-Score-Matching können helfen, Störvariablen zu kontrollieren, was die Gültigkeit der Ergebnisse von Quasi-Experimenten erhöhen kann (Morgan, 2000; Armstrong & Patnaik, 2009).

Aus ethischer Sicht sind Quasi-Experimente oft vorzuziehen, wenn eine Randomisierung unpraktisch oder unethisch ist, wie z. B. bei Studien mit Kindern oder kontroversen Themen. Sie ermöglichen die Untersuchung natürlicher Variationen und Ergebnisse, wenn auch mit Einschränkungen bei der Feststellung der Kausalität aufgrund des Fehlens einer Zufallszuweisung (DeRue, 2012).

Literaturverzeichnis

• Armstrong, J. S., & Patnaik, S. (2009). Using Quasi-Experimental Data To Develop Empirical Generalizations For Persuasive Advertising. Journal of Advertising Research , 49 (2), 170–175. DOI:10. 2501/ s0021849909090230.
• DeRue, S. (2012). A Quasi Experimental Study of After-Event Reviews. Journal of Applied Psychology , 97 (5), 997–1015. DOI:10. 1037/ a0028244.
• DiNardo, J. (2008). Natural experiments and quasi-natural experiments . In The New Palgrave Dictionary of Economics (pp. 856-859). ISBN 978-0-333-78676-5.
• Gribbons, B., & Herman, J. (1997). True and quasi-experimental designs. Practical Assessment, Research & Evaluation , 5 (14).
• Morgan, G. A. (2000). Quasi-Experimental Designs. Journal of the American Academy of Child & Adolescent Psychiatry , 39 (6), 794–796. DOI:10. 1097/ 00004583- 200006000- 00020.
• Rossi, P. H., Lipsey, M. W., & Freeman, H. E. (2004). Evaluation: A Systematic Approach (7th ed.). SAGE. ISBN 978-0-7619-0894-4.
• Shadish, W., Cook, T., & Cambell, D. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin . ISBN 0-395-61556-9.

Diesen Eintrag zitieren

Statistikguru durchsuchen.

Kontrollgruppe: Die Schlüsselelemente der experimentellen Forschung

den Aufbau und die Interpretation von Kontrollgruppen in Forschungsexperimenten verstehen, um aussagekräftige Schlussfolgerungen zu erhalten

Die Kontrollgruppe stellt eine Vergleichsgrundlage dar, die es den Forschern ermöglicht, die tatsächlichen Auswirkungen unabhängiger Variablen zu beurteilen. Durch den Vergleich der Ergebnisse von Versuchsgruppen mit denen von Kontrollgruppen können Forscher die Auswirkungen unabhängiger Variablen effektiv bewerten und Kausalität von Korrelation unterscheiden. In diesem Artikel werden die Bedeutung und die Durchführung von Kontrollgruppen in Forschungsexperimenten beleuchtet und ihre Rolle bei der Gewährleistung einer wissenschaftlichen Methodik und zuverlässiger Ergebnisse erläutert. Wir werden die grundlegenden Prinzipien von Kontrollgruppen erkunden, ihre Arten untersuchen und ihre Bedeutung für die Minimierung von Verzerrungen und Störfaktoren diskutieren.

Was ist eine Kontrollgruppe?

Eine Kontrollgruppe ist ein grundlegender Bestandteil wissenschaftlicher Experimente, mit denen die Auswirkungen einer Maßnahme oder Behandlung verglichen und bewertet werden sollen. Sie dient als Ausgangsbasis, an der die Versuchsgruppe gemessen wird. Die Kontrollgruppe besteht aus Personen oder Probanden, die nicht die experimentelle Behandlung erhalten, aber ansonsten den gleichen Bedingungen und Verfahren wie die Versuchsgruppe unterworfen sind. Bei der Arbeit mit einer Kontrollgruppe können die Forscher die spezifischen Auswirkungen der Intervention bewerten, indem sie die Ergebnisse zwischen der Versuchs- und der Kontrollgruppe vergleichen.

Ähnlicher Artikel: Die Rolle von Versuchsgruppen in der Forschung

Die Rolle einer Kontrollgruppe in wissenschaftlichen Experimenten

Eine Kontrollgruppe spielt in wissenschaftlichen Experimenten eine entscheidende Rolle, da sie es den Forschern ermöglicht, eine gültige Ursache-Wirkungs-Beziehung zwischen der experimentellen Behandlung und den beobachteten Ergebnissen herzustellen. Durch den Vergleich der Ergebnisse der Versuchsgruppe mit denen der Kontrollgruppe können die Forscher feststellen, ob die beobachteten Effekte auf die Behandlung oder andere Faktoren zurückzuführen sind. Die Kontrollgruppe dient als Vergleichsmaßstab und hilft dabei, den spezifischen Einfluss der getesteten Intervention zu isolieren. Sie bietet eine Grundlage, anhand derer die Ergebnisse der Versuchsgruppe bewertet werden können, und ermöglicht es den Forschern, genaue Schlussfolgerungen über die Wirksamkeit der Behandlung oder die Auswirkungen anderer untersuchter Variablen zu ziehen.

Warum ist eine Kontrollgruppe notwendig?

Die Einbeziehung einer Kontrollgruppe in wissenschaftliche Experimente ist unerlässlich, um die Zuverlässigkeit und Gültigkeit der Ergebnisse zu gewährleisten. Ohne eine Kontrollgruppe ist es schwierig festzustellen, ob die beobachteten Veränderungen oder Wirkungen tatsächlich auf die Intervention zurückzuführen sind oder ob es sich lediglich um einen Zufall oder andere Faktoren handelt. Die Kontrollgruppe ermöglicht es den Forschern, zwischen den Auswirkungen der experimentellen Behandlung und Hintergrundrauschen oder Störvariablen zu unterscheiden, da sie einen Bezugspunkt bietet. Eine gut konzipierte Kontrollgruppe ist von entscheidender Bedeutung, um zuverlässige und aussagekräftige Ergebnisse zu erzielen, die wissenschaftliche Strenge der Studie zu verstärken und eine evidenzbasierte Entscheidungsfindung in verschiedenen Forschungsbereichen zu unterstützen.

Arten von Kontrollgruppen

In wissenschaftlichen Experimenten werden verschiedene Arten von Kontrollgruppen verwendet, um genaue und aussagekräftige Ergebnisse zu gewährleisten. Diese Kontrollgruppen helfen den Forschern, die Auswirkungen einer Intervention oder Behandlung mit einem Referenzpunkt zu vergleichen. Vier gängige Arten von Kontrollgruppen sind Negativkontrollen, Positivkontrollen, Placebokontrollen und randomisierte Kontrollgruppen.

Negativ-Kontrollen

Negativkontrollen sind ein wesentlicher Bestandteil wissenschaftlicher Experimente und dienen als Referenz, um das Fehlen einer bestimmten Wirkung nachzuweisen. In diesen Kontrollgruppen wird keine Behandlung verabreicht, so dass die Forscher die Ergebnisse mit der Versuchsgruppe vergleichen können. Durch die Einbeziehung von Negativkontrollgruppen können Forscher Störvariablen und Hintergrundeffekte, die die Ergebnisse beeinflussen könnten, identifizieren und berücksichtigen. Dies gewährleistet die Spezifität der Behandlung und erhöht die Validität der Studie. Negativkontrollen können je nach Forschungsfrage verschiedene Formen annehmen, z. B. Placebos oder Kontrollgruppen, die keine Behandlung erhalten.

Positive Kontrollen

Positivkontrollen sind Referenzen, um die Zuverlässigkeit und Empfindlichkeit des Versuchsaufbaus zu überprüfen. In diesen Kontrollgruppen wird eine bekannte Behandlung oder Bedingung angewendet, um eine erwartete Reaktion oder ein erwartetes Ergebnis zu erzeugen. Durch die Einbeziehung von Positivkontrollen können Forscher beurteilen, ob die Versuchsbedingungen und die Methodik geeignet sind, die gewünschte Wirkung zu ermitteln. Positivkontrollen dienen als Benchmark und liefern den Nachweis, dass das Versuchssystem ordnungsgemäß funktioniert und die erwarteten Ergebnisse liefert. Dies hilft den Forschern, die Gültigkeit und Genauigkeit ihrer Ergebnisse sicherzustellen, indem sie bestätigen, dass die Versuchsbedingungen geeignet sind, die beabsichtigte Reaktion zu erfassen.

Placebo-Kontrollen

Placebokontrollen spielen in der medizinischen und klinischen Forschung eine wichtige Rolle, da sie eine Vergleichsgrundlage bieten und die Wirksamkeit einer neuen Behandlung oder Intervention bewerten. In einer Placebo-Kontrollgruppe erhalten die Teilnehmer eine inaktive Substanz oder ein Scheinverfahren, das von der getesteten aktiven Behandlung nicht zu unterscheiden ist. Der Zweck der Placebo-Kontrolle besteht darin, die spezifischen Wirkungen der Behandlung zu bewerten, indem sie mit den in der Placebo-Gruppe beobachteten Wirkungen verglichen werden. Durch die Verabreichung eines Placebos können die Forscher die psychologischen und physiologischen Reaktionen berücksichtigen, die allein aufgrund des Glaubens der Teilnehmer an die Behandlung auftreten können. Auf diese Weise lässt sich die tatsächliche Wirksamkeit der aktiven Behandlung ermitteln, da alle beobachteten Verbesserungen in der Behandlungsgruppe auf die Behandlung selbst und nicht auf den Placebo-Effekt zurückgeführt werden können. Placebo-Kontrollen sind in klinischen Prüfungen und anderen Studien unerlässlich, um Verzerrungen zu minimieren, den tatsächlichen therapeutischen Nutzen der Behandlung zu ermitteln und die Zuverlässigkeit der Ergebnisse zu gewährleisten.

Randomisierte Kontrollgruppe

Randomisierte Kontrollgruppen sind ein wesentlicher Bestandteil von Forschungsstudien, da sie die Kontrollfaktoren unvorhersehbar machen. Indem die Teilnehmer nach dem Zufallsprinzip entweder der Kontroll- oder der Behandlungsgruppe zugewiesen werden, stellen die Forscher sicher, dass die nicht speziell getesteten Variablen gleichmäßig verteilt sind. Diese Randomisierung trägt dazu bei, Verzerrungen auszuschließen und ermöglicht eine genaue Analyse der unabhängigen Variablen. Durch die Verwendung von randomisierten Kontrollgruppen können die Forscher zuverlässige Schlussfolgerungen über die Auswirkungen der untersuchten Variablen ziehen. 

Quasi-Experimentelle Designs und ihre Rolle in sozialpolitischen Studien

Quasi-experimentelle Entwürfe In sozialpolitischen Studien werden häufig Kontrollgruppen eingesetzt, um die Auswirkungen von Maßnahmen oder Politiken auf eine Zielpopulation zu bewerten. Bei diesen Studien werden die Teilnehmer zwar nicht nach dem Zufallsprinzip in Gruppen eingeteilt, aber sie enthalten dennoch eine Kontrollgruppe, um eine Ausgangsbasis für den Vergleich zu schaffen. Die Kontrollgruppe besteht aus Personen, die nicht an der untersuchten Intervention oder Maßnahme teilnehmen, so dass die Forscher die Auswirkungen der Intervention durch den Vergleich der Ergebnisse zwischen der Behandlungsgruppe und der Kontrollgruppe bewerten können. Dies hilft bei der Kontrolle von Störvariablen und gibt Aufschluss über eine kausale Beziehung zwischen der Intervention und den beobachteten Ergebnissen. 

Implementierung von Kontrollgruppen in Versuchsplanung und -analyse

Kontrollgruppen dienen als Bezugspunkt, an dem die Auswirkungen experimenteller Interventionen gemessen werden können. Sie bieten eine Ausgangsbasis, die mit der Behandlungsgruppe verglichen werden kann, so dass die Forscher die tatsächliche Auswirkung der untersuchten Variablen bestimmen können. Dieser Ansatz trägt dazu bei, kausale Beziehungen herzustellen und die interne Validität der Forschung zu erhöhen. 

Randomisierte kontrollierte Experimente (RCTs) für Studien zur öffentlichen Ordnung

Randomisierte kontrollierte Experimente sind in Studien zur öffentlichen Ordnung weit verbreitet. Bei RCTs werden die Teilnehmer nach dem Zufallsprinzip entweder einer Behandlungsgruppe oder einer Kontrollgruppe zugeordnet. Die Behandlungsgruppe erhält die getestete Intervention oder Maßnahme, die Kontrollgruppe nicht. RCTs helfen sicherzustellen, dass die beobachteten Unterschiede zwischen den Gruppen nicht auf bereits vorhandene Faktoren zurückzuführen sind, was die Zuverlässigkeit der Studienergebnisse erhöht. RCTs sind besonders wertvoll, wenn es darum geht, die Auswirkungen von öffentlichen Maßnahmen und Interventionen in großem Maßstab zu bewerten.

Nicht-experimentelle Forschung vs. tatsächliche Experimente

Bei der Festlegung der Vergleichsbasis für die Forschung müssen die Forscher abwägen, ob sie nicht-experimentelle Forschung oder tatsächliche Experimente verwenden. Bei der nicht-experimentellen Forschung werden vorhandene Daten beobachtet und analysiert, ohne dass irgendwelche Variablen manipuliert werden. Dieser Ansatz ist in Situationen hilfreich, in denen die Durchführung eines Experiments nicht möglich oder ethisch nicht vertretbar ist. Bei einem echten Experiment hingegen werden die Variablen aktiv manipuliert und die Gruppen mit und ohne Intervention verglichen. Während tatsächliche Experimente aussagekräftigere Kausalitätsnachweise liefern, kann die nicht-experimentelle Forschung dennoch wertvolle Erkenntnisse liefern, wenn Experimente nicht möglich sind.

Identifizierung von Störvariablen und Faktoren

Störvariablen und -faktoren sind Fremdvariablen, die die Beziehung zwischen den unabhängigen und abhängigen Variablen in einer Studie beeinflussen können. Die Identifizierung und Kontrolle von Störvariablen ist von entscheidender Bedeutung, um genaue und gültige Ergebnisse zu gewährleisten. Forscher setzen verschiedene Techniken ein, um Störvariablen zu berücksichtigen, z. B. die zufällige Zuweisung von Teilnehmern zu Gruppen, den Abgleich von Teilnehmern auf der Grundlage relevanter Merkmale oder statistische Techniken wie die Regressionsanalyse. Durch die Berücksichtigung von Störvariablen können Forscher die interne Validität ihrer Studien stärken und genauere Schlussfolgerungen über die Beziehung zwischen den Variablen ziehen.

Die wichtige Rolle der Kontrollgruppe in der wissenschaftlichen Methodik und Analyse

In experimentellen Studien dient die Kontrollgruppe als Standard, an dem die Auswirkungen einer bestimmten Maßnahme oder Behandlung gemessen werden. Indem alle Variablen außer der untersuchten konstant gehalten werden, können die Forscher die tatsächlichen Auswirkungen der Intervention isolieren. Auf diese Weise lässt sich die Kausalität nachweisen und feststellen, ob die beobachteten Wirkungen tatsächlich auf die Intervention zurückzuführen sind oder einfach durch andere Faktoren bedingt wurden.

Neben experimentellen Studien sind Kontrollgruppen auch in der beobachtenden und epidemiologischen Forschung von wesentlicher Bedeutung. Sie helfen den Forschern, mögliche Verzerrungen und Störfaktoren bei der Analyse der Beziehung zwischen Variablen zu berücksichtigen. Durch den Vergleich einer Gruppe, die einem bestimmten Risikofaktor oder einer bestimmten Bedingung ausgesetzt ist, mit einer ähnlichen Gruppe, die nicht exponiert ist, können Forscher die tatsächliche Auswirkung des Risikofaktors oder der Bedingung auf das interessierende Ergebnis besser verstehen.

Insgesamt dient die Kontrollgruppe als Leitfaden für die wissenschaftliche Methodik und Analyse. Sie ermöglicht es Forschern, gültige und verlässliche Schlussfolgerungen zu ziehen, die interne Validität ihrer Studien zu verbessern und solidere Beweise für die Entscheidungsfindung in verschiedenen Bereichen wie Medizin, Psychologie, Biologie und Sozialwissenschaften zu liefern.

Mind the Graph hat 200+ vorgefertigte schöne Vorlagen für professionelle Infografiken

Mind the Graph ist eine leistungsstarke Plattform, die Wissenschaftlern wertvolle Unterstützung bei ihren Forschungsbemühungen bietet. Mit einer Sammlung von über 200 vorgefertigten Vorlagen ermöglicht Mind the Graph Wissenschaftlern, mühelos professionelle und visuell fesselnde Infografiken zu erstellen. Diese Vorlagen sind die Grundlage, um komplexe wissenschaftliche Konzepte, Daten und Forschungsergebnisse auf visuell ansprechende Weise zu vermitteln. Fachleute können einfach aus einer breiten Palette von visuell ansprechenden Vorlagen wählen und sie mit ihren eigenen Daten, Illustrationen und Texten anpassen, um ihre wissenschaftlichen Entdeckungen effektiv zu vermitteln. Melden Sie sich kostenlos an und beginnen Sie jetzt mit Ihrem ersten Entwurf.

Abonnieren Sie unseren Newsletter

Exklusive, qualitativ hochwertige Inhalte über effektive visuelle Kommunikation in der Wissenschaft.

Content tags

• Für Universitäten
• Für Unternehmen

Die Plagiatsprüfung für deine Abschlussarbeit

Plagiatsprüfung starten

Professionelles Lektorat und Korrekturlesen

Zum Lektorat & Korrekturlesen

Deine Abschlussarbeit online drucken & binden lassen

Jetzt Bindung konfigurieren

• Allgemeines
• Quellenangaben
• Formatierung
• APA-Beispiele
• Sperrvermerk

Inhaltsverzeichnis

• Abbildungsverzeichnis
• Tabellenverzeichnis
• Abkürzungsverzeichnis
• Forschungsfrage
• Theoretischer Rahmen
• Forschungsergebnisse
• Beratungsbericht
• Handlungsempfehlung
• Literaturverzeichnis
• Eidesstattliche Erklärung
• Vorbereitung
• Schreibphase
• Abgabephase
• Englische Grammatik
• Englische Zeitformen
• Bachelorarbeit Formatierung
• Definitionen
• Beispiele der deutschen Zitierweise
• Anfertigen eines Essays
• Arten von Essays
• Anfertigen einer Facharbeit
• Arten von Facharbeiten
• Häufige Fehler
• Gliederung Aufbau Bachelorarbeit
• Beispiele der Harvard-Zitierweise
• Anfertigen einer Hausarbeit
• Arten der Literaturrecherche
• Allgemeine Begrifflichkeiten
• Forschungsarten
• Gütekriterien
• Beobachtung
• Weitere Forschungsmethoden
• Unterrichtsentwurf
• Arten von Motivationsschreiben
• Arten von Plagiaten
• Plagiatsprüfung
• Anfertigen eines Praktikumsberichts
• Anfertigen einer Projektarbeit
• Prüfungsvorbereitung
• Häufige Rechtschreibfehler
• Erstellung eines Referats
• Gendern mit Sonderzeichen
• Gendern ohne Sonderzeichen
• Zitierstile
• Online-Quellen
• Abkürzungen beim Zitieren
• Literatur-Typen
• Zitat-Typen
• Literaturverwaltungsprogramme
• Anfertigen einer Seminararbeit
• Allgemeine Begriffe
• Streuungsmaße
• Zusammenhangsmaße
• Hypothesentest
• Weitere statistische Verfahren
• Studenten-Service
• Wissenschaftliche Arbeiten
• Zeichensetzung
• Alle Stilmittel

Deine 3 Schritte zum Erfolg

Deine professionelle Korrektur

Zum Lektorat

Jetzt konfigurieren

Quasi-Experiment im Überblick – Anwendung am Beispiel

Wie gefällt dir dieser beitrag.

In einem Quasi-Experiment werden Versuchs- und Kontrollgruppen nicht per Zufallsverfahren ermittelt, sondern anhand fester Variablen bestimmt . Das ermöglicht die ressourcenschonende Analyse bestimmter Zielgruppen/Milieus . Wir zeigen dir, wie ein Quasi-Experiment aufgebaut ist und welche Vor- und Nachteile du beachten solltest. Zudem erklären wir dir anhand eines Beispiels die Anwendung eines solchen Experiments.

• 1 Quasi-Experiment „einfach erklärt“
• 2 Definition: Quasi-Experiment
• 3 Das Quasi-Experiment: Die Vor- und Nachteile
• 4 Was ist das Problem der internen Validität?
• 5 Häufig gestellte Fragen

Quasi-Experiment „einfach erklärt“

Ein Quasi-Experiment ist eine Forschungsmethode, bei der die Probanden für die Datenerhebung bewusst ausgesucht werden. Die Probanden werden aufgrund bestimmter Kriterien und nicht randomisiert ausgewählt. Die interne Validität kann nicht lückenlos gewährleistet werden.

Definition: Quasi-Experiment

Ein Quasi-Experiment ist ein wissenschaftliches Experiment, das Probanden gezielt anhand bestimmter Eigenschaften auswählt . Dadurch unterscheidet es sich von einem echten Experiment, das Versuchs- und Kontrollgruppen randomisiert zusammenstellt.

Dennoch ist das Quasi-Experiment eine legitime wissenschaftliche Methode . Es ermöglicht effiziente Datenerhebungen, wenn sich das betroffene Forschungsprojekt auf ein spezifisches Milieu oder eine bestimmte Personengruppe bezieht. Der Nachteil von Quasi-Experimenten liegt in der bedrohten internen Validität . 1

Beispiel eines Quasi-Experiments

Der Vorgang eines Quasi-Experiments wird hier anhand des folgenden Beispiels erklärt:

Ein Forschungsprojekt geht der Frage nach, inwiefern die Hand-Augen-Koordination von Handballspielern effizienter ist als in anderen Bevölkerungsgruppen.

Dazu wird eine Versuchsgruppe aus professionellen Handballspielern und eine Kontrollgruppe aus Menschen zusammengestellt, die entweder keinen Sport beziehungsweise keine Sportarten betreiben und nicht nach einer guten Hand-Augen-Koordination verlangen.

Das Quasi-Experiment prüft die Hand-Augen-Koordination beider Gruppen anhand verschiedener Übungen, die keinen unmittelbaren Bezug zum Handball haben. Darunter Airhockey, computergestützte Reaktionstests, Nähübungen und Zeichenaufgaben. Bei allen Probanden wird aufgezeichnet, wie schnell und mit welcher Fehlerquote sie in der Lage sind, die verschiedenen Aufgaben zu erfüllen.

Das Experiment soll Aufschluss darüber geben, ob Handballer die Aufgaben schneller und mit geringerer Fehlerquote bewältigen können und inwiefern sich die Messdaten innerhalb der unterschiedlichen Übungen unterscheiden.

Dabei räumen die Forscher ein, dass die Hand-Augen-Koordination nicht allein durch Handball und vergleichbare Sportarten verbessert werden kann. Gegebenenfalls verfügen die Probanden über Eigenschaften, die im Versuchsaufbau nicht berücksichtigt wurden. Der qualitative Teil des Experiments widmet sich daher der sekundären Fragestellung, welche auffälligen Eigenschaften bei Probanden vorliegen, die in der Lage sind, die Übungen besonders effizient zu absolvieren. Aus dieser sekundären Fragestellung entwickeln die Forscher gegebenenfalls neue Forschungsfragen, um das Bild zu vervollständigen.

Das Quasi-Experiment: Die Vor- und Nachteile

Quasi-Experimente in studentischen Abschlussarbeiten

Quasi-Experimente sind eine praktikable Methode für Forschungsfragen in Abschlussarbeiten .

• geringere Datenmengen
• mit ausreichendem Vorlauf, in relativ kurzer Zeit durchführbar und auswertbar

Herausforderung:

• geeignete Probanden finden Wähle daher Milieus oder Personengruppen, zu denen du bereits Zugang hast oder ihn dir mit wenig Aufwand verschaffen kannst

Es ist wichtig, die Stärken und Schwächen deines Experiments transparent zu machen . Keine wissenschaftliche Methode verfügt über unumstößliche Aussagekraft. Die wissenschaftliche Arbeitsweise setzt vielmehr voraus, wie dass du zuverlässig darüber informierst, was deine Methode kann und was nicht. Dementsprechend ist das Quasi-Experiment gut geeignet, um deinen Umgang mit wissenschaftlichen Gütekriterien unter Beweis zu stellen.

Was ist das Problem der internen Validität?

Die interne Validität bestimmt, inwieweit ein Experiment tatsächlich den Sachverhalt bemisst , der im Rahmen des Forschungsvorhabens untersucht werden soll. Ein Quasi-Experiment  kann die interne Validität nicht lückenlos gewährleisten , da es Probanden anhand vorher festgelegter Variablen auswählt und überprüft. Die so miteinander verglichenen Versuchs- und Kontrollgruppen könnten über weitere Eigenschaften verfügen, die Einfluss auf die Messdaten haben, im Versuchsaufbau aber nicht bedacht wurden. Diese unbeobachteten Faktoren werden als Störvariablen bezeichnet.

Störvariablen können reduziert werden, indem das Experiment mehrere Eigenschaften der Probanden beleuchtet. Selbst wenn die Forschungsfrage auf eine bestimmte Eigenschaft der Probanden ausgerichtet ist, können durch eine ganzheitliche Betrachtung weitere Korrelationen identifiziert werden. Auf diese Weise lassen sich Fehlschlüsse vermeiden. Andersherum werden Aussagen zur Kausalität möglich, wenn das Experiment alternative Korrelationen ausschließen kann. 2

Beispiel: Problem der internen Validität:

Das oben genannte Beispiel räumt das Problem der internen Validität ein. Der Versuchsaufbau suggeriert, Handballspieler verfügen durch ihr Handballspielen über eine gute Hand-Augen-Koordination, wohingegen andere Teile der Bevölkerung diese nicht aufwiesen.

Sowohl Handballspieler als auch nicht-handballspielende Menschen können jedoch auch aus handballunabhängigen Gründen über eine gute oder schlechte Hand-Augen-Koordination verfügen. Die Diversität der Versuchsübungen soll weitere Eigenschaften hervorheben, die sich auf die Hand-Augen-Koordination auswirken. Dennoch kann die interne Validität dadurch nur teilweise hergestellt werden. Die Auswahl einer Gruppe von Probanden anhand spezifischer Eigenschaften impliziert bereits, dass ebendiese Eigenschaften für die Forschungsfrage relevant sind.

Häufig gestellte Fragen

Was ist ein quasi-experiment.

Ein Quasi-Experiment ist eine empirische Forschungsmethode, die im Voraus festlegt, nach welchen Kriterien die Probanden der Versuchs- und Kontrollgruppe auszuwählen sind. Das ermöglicht mit vergleichsweise geringem Aufwand, Aussagen zu prüfen, die diese Gruppen betreffen.

Welchen Nachteil hat ein Quasi-Experiment?

Durch die gezielte Auswahl der Probanden besteht die Gefahr einer mangelhaften internen Validität. Das bedeutet, dass mitschwingende Faktoren, die bei der Auswahl der Probanden eine Rolle spielen, möglicherweise unbeachtet bleiben.

Gehört ein Quasi-Experiment zur qualitativen oder zur quantitativen Forschung?

Ein Quasi-Experiment dient vorrangig dazu, quantifizierbare Daten zu erheben, um statistische Aussagen zu ermöglichen. Es ist jedoch auch als qualitative Forschungsmethode denkbar – zum Beispiel, wenn mehrere spezifische Einzelfälle detailliert miteinander zu vergleichen sind.

Wofür ist ein Quasi-Experiment besonders geeignet?

Wissenschaftliche Fragestellungen, die sich auf ein bestimmtes Milieu beziehen, verlangen nach sehr spezifischen Probanden. Eine randomisierte Auswahl könnte dazu führen, dass Ergebnisse verfälscht werden und das Gros der erhobenen Daten für die eigentliche Forschungsfrage irrelevant bleibt. Ein Quasi-Experiment ermöglicht die zielgerichtete Auswahl von Probanden und ist daher besonders geeignet, um einen streng begrenzten Gegenstandsbereich zu analysieren.

Darf ich ein Quasi-Experiment in meiner Bachelorarbeit verwenden?

Quasi-Experimente sind eine probate Methode für wissenschaftliche Arbeiten im Studium. Durch die gezielte Auswahl der Probanden gelangst du schnell an aussagekräftige Daten. Bedenke jedoch, dass du deinen Forschungsbereich deutlich eingrenzen musst.

1 Bierhoff, Hans Werner/ Rudinger Georg: Quasi-experimentelle Untersuchungsmethoden, in: Universität Mannheim, o.D., [online] https://madoc.bib.uni-mannheim.de/50938/1/HQM04-Quasi-experimentelle-Untersuchungsmethoden.pdf (zuletzt abgerufen am 12.12.22)

2 Kühhirt Michael: Design und Analyse von Quasi-Experimenten, in: Universität zu Köln, 27. Oktober 2015, [online] https://kuehhirt.github.io/pdfs/script_v3.pdf (zuletzt abgerufen am 12.12.22)

* Weitere Hinweise und Fußnoten anzeigen

Wir nutzen Cookies auf unserer Website. Einige von ihnen sind essenziell, während andere uns helfen, diese Website und Ihre Erfahrung zu verbessern.

• Statistiken
• Externe Medien

Ich akzeptiere

Individuelle Datenschutzeinstellungen

Cookie-Details Datenschutzerklärung Impressum

Hier finden Sie eine Übersicht über alle verwendeten Cookies. Sie können Ihre Einwilligung zu ganzen Kategorien geben oder sich weitere Informationen anzeigen lassen und so nur bestimmte Cookies auswählen.

Alle akzeptieren Speichern

Essenzielle Cookies ermöglichen grundlegende Funktionen und sind für die einwandfreie Funktion der Website erforderlich.

Cookie-Informationen anzeigen Cookie-Informationen ausblenden

Statistik Cookies erfassen Informationen anonym. Diese Informationen helfen uns zu verstehen, wie unsere Besucher unsere Website nutzen.

Inhalte von Videoplattformen und Social-Media-Plattformen werden standardmäßig blockiert. Wenn Cookies von externen Medien akzeptiert werden, bedarf der Zugriff auf diese Inhalte keiner manuellen Einwilligung mehr.

Datenschutzerklärung Impressum

• Registrierung für Dozenten

Quasi-experimentelle Studie/nicht-randomisierte kontrollierte Studie

Die quasi-experimentelle Studie/nicht-randomisierte kontrollierte Studie („quasi-experimental study“, „non-randomized study“) greift zur Prüfung einer Kausalhypothese auf Gruppen zurück, die nicht zufällig zusammengestellt, sondern oft einfach vorgefunden oder anderweitig gebildet wurden (keine Randomisierung), behandelt diese jedoch ebenso wie im echten Experiment systematisch unterschiedlich (experimentelle Variation der unabhängigen Variable/n) und misst die in den Experimental- und Kontrollgruppen resultierenden Effekte auf die abhängige/n Variable/n. Man spricht auch von einer nicht-randomisierten kontrollierten Studie („non-randomized controlled trial“, NRCT).

Kostenlose Rechtschreibprüfung

Kostenlose plagiatsprüfung, korrektur deiner abschlussarbeit.

• Wissensdatenbank

Randomisierung – RCT-Studien und ihre Vorteile

Veröffentlicht am 30. März 2022 von Linda Hasselbusch . Aktualisiert am 20. November 2023.

Bei einer randomisierten Studie werden Teilnehmende per Zufallsprinzip der Versuchs- oder der Kontrollgruppe eines Experimentes zugewiesen.

Die Randomisierung soll in wissenschaftlichen Experimenten (siehe auch: experimentelle Studie ) den Einfluss von Variablen ausschließen, die nicht Teil der Studie sind.

Durch die Randomisierung wird die Wahrscheinlichkeit einer systematischen Verzerrung verringert. Systematische Verzerrung bedeutet, dass der gefundene Effekt nicht durch die experimentelle Manipulation zustande kommt, sondern durch ungewollte Unterschiede zwischen den Gruppen.

Scribbrs kostenlose Rechtschreibprüfung

Fehler kostenlos beheben

Inhaltsverzeichnis

So werden experimente randomisiert, warum man randomisieren sollte, verfahren der randomisierung, studien ohne randomisierung, häufig gestellte fragen.

Bei einem Experiment gibt es zwei oder mehr Gruppen, meist eine Kontrollgruppe und mindestens eine Versuchsgruppe. Die Versuchsgruppe erhält die Intervention oder Manipulation, während die Kontrollgruppe konstant gehalten wird.

Randomisierung bedeutet, dass die Studienteilnehmenden zufällig der Kontroll- oder der Versuchsgruppe zugeordnet werden. Wenn dies der Fall ist, spricht man von einer randomisierten kontrollierten Studie (Englisch: RCT, Randomised Controlled Trial).

Kontrollgruppe: Erhält keine Manipulation/wird konstant gehalten (z. B. mit einem Placebo) Versuchsgruppe: Erhält die Manipulation/die Intervention (z. B. ein Medikament oder eine Therapie)

Man spricht von einer randomisierten ,kontrollierten‘ Studie, da die Versuchsgruppe mit einer Kontrollgruppe verglichen wird. Die Kontrollgruppe bekommt beispielsweise einen Placebo als Scheinintervention, oder die zu dem Zeitpunkt übliche Therapie oder Medizin, als Kontrollintervention.

Durch die Randomisierung sind sich die Gruppen so ähnlich wie möglich, also möglichst äquivalent. Unterschiedliche Eigenschaften der Teilnehmenden sollten gleichmäßig auf die Gruppen verteilt sein, damit sie sich nicht auf die Ergebnisse der Studie auswirken können.

So kann der gefundene Effekt tatsächlich auf die Manipulation, nicht auf Unterschiede zwischen den Gruppen zurückgeführt werden.

Studiendesign: Die Studierenden, die an der Studie teilnehmen, werden zufällig der Versuchsgruppe oder der Kontrollgruppe zugeteilt. Beide Gruppen lesen einen Text, zu dem sie später Fragen beantworten müssen.

Versuchsgruppe: liest den Text, während sie über Kopfhörer klassische Musik hört. Kontrollgruppe: liest den Text in einem stillen Raum, ohne dabei Musik zu hören.

Kostenlos auf Plagiate prüfen.

Das Ziel eines Experimentes ist es, einen kausalen Zusammenhang zwischen der unabhängigen und der abhängigen Variable herzustellen.

Oft können Variablen, die nicht Teil des Experimentes sind, trotzdem Einfluss auf die Ergebnisse nehmen. Durch die Randomisierung soll dies verhindert werden. Die Randomisierung trägt somit zur internen Validität der Studie bei. Die interne Validität bedeutet, dass man sich des kausalen Effektes sicherer sein kann.

Folgendes kann durch Randomisierung verringert werden:

• Einfluss von Störvariablen
• Wahrscheinlichkeit der systematischen Verzerrung

Störvariable: Eine Störvariable ist eine Variable, die unbeabsichtigt Einfluss auf die abhängige Variable nimmt. Ohne Randomisierung ist die Chance höher, dass eine Störvariable die Ergebnisse beeinflusst.

Störvariablen können zwar nicht eliminiert werden, jedoch sorgt die Randomisierung dafür, dass die Variablen gleichmäßig in beide Gruppen auftreten. Wenn dies nicht der Fall ist, können die Störvariablen zu einer systematischen Verzerrung führen.

Systematische Verzerrung: Systematische Verzerrung bedeutet, dass der gefundene Effekt in Wirklichkeit auf Unterschieden zwischen den Gruppen beruht. Durch Randomisierung wird die Wahrscheinlichkeit einer systematischen Verzerrung verringert, da die Versuchs- und die Kontrollgruppe keine systematischen Unterschiede aufweisen sollten.

Störvariablen, die zu systematischen Unterschieden führen, könnten zum Beispiel das Alter oder der Bildungsgrad der Teilnehmenden sein.

Die mögliche systematische Verzerrung wird durch Randomisierung in eine unsystematische Verzerrung umgewandelt. Die Unterschiede zwischen den Versuchspersonen werden also gleichmäßig auf beide Gruppen verteilt und beeinflussen die Ergebnisse gleichermaßen. Dadurch wird verhindert, dass die Studienergebnisse auf eine systematische Verzerrung zurückzuführen sind.

Du führst deshalb eine Studie durch, in der Teilnehmende einen Text lesen und später Fragen dazu beantworten müssen.

Versuchsgruppe: liest einen Text, während sie über Kopfhörer klassische Musik hört. Kontrollgruppe: liest einen Text in einem stillen Raum, ohne dabei Musik zu hören.

Natürlich sind einige Teilnehmende intelligenter als andere. Diese Intelligenz könnte die Lernfähigkeit beeinflussen.

Die Intelligenz kann zur Störvariable werden, wenn in einer Gruppe mehr sehr intelligente Teilnehmende sind als in der anderen.

Damit dies nicht zu einer systematischen Verzerrung führt, werden die Gruppen randomisiert zugeteilt und die Intelligenz somit möglichst gleichmäßig auf beide Gruppen verteilt. Intelligente Teilnehmende schneiden möglicherweise trotzdem besser ab, jedoch sind sie auf beide Gruppen verteilt.

Es gibt verschiedene Verfahren, wie eine Randomisierung durchgeführt werden kann:

• Einfache, nicht kontrollierte Randomisierung
• Quasi-Randomisierung
• Blockrandomisierung mit Balancierung
• Adaptive Randomisierung

Meistens wird zur Einteilung in die Versuchs- oder Kontrollgruppe ein Computerprogramm verwendet, um Objektivität zu garantieren.

Einfache, nicht kontrollierte Randomisierung: Die Randomisierung wird vollständig nach dem Zufallsprinzip durchgeführt. Es kann hierbei vorkommen, dass die Gruppen unterschiedlich groß sind.

Quasi-Randomisierung: Das Verfahren ist nicht vollständig zufällig. Nach einem bestimmten Prinzip wird ausgewählt, wer welcher Gruppe zugeteilt wird. Dies könnte zum Beispiel sein, dass Teilnehmende abwechselnd der Versuchsgruppe und der Kontrollgruppe zugeteilt werden.

Blockrandomisierung mit Balancierung: Die Teilnehmenden werden zuerst anhand eines bestimmten Merkmals, wie zum Beispiel ihres Alters, in Blöcke aufgeteilt. Innerhalb dieser Blöcke werden die Teilnehmenden dann den unterschiedlichen Gruppen zugewiesen. Bestenfalls sollten die Blöcke und die daraus entstehenden Gruppen gleich groß sein.

Hierdurch kann sichergestellt werden, dass bestimmte Merkmale gleich häufig in den verschiedenen Gruppen vertreten sind. Dies erhöht also die Äquivalenz der Gruppen und verteilt die Störgrößen gleichmäßig über die Gruppen.

Studiendesign: Um sicherzustellen, dass die Intelligenz der Teilnehmenden nicht die Ergebnisse beeinflusst, soll die durchschnittliche Intelligenz der Versuchsgruppe und der Kontrollgruppe möglichst gleich sein.

Adaptive Randomisierung: Die Zuteilung erfolgt unter Beachtung der vorherigen Gruppenzuteilung. Dies bedeutet, dass die Wahrscheinlichkeit, einer der beiden Gruppen zugeteilt zu werden, von der bisherigen Gruppeneinteilung abhängt.

Oft ist das Ziel, dass die Versuchs- und die Kontrollgruppe gleich groß sind. Es kann jedoch vorkommen, dass die ersten Teilnehmenden zufällig der gleichen Gruppe zugewiesen werden, sodass eine Gruppe größer ist. Durch die adaptive Randomisierung wird dann bei der Zuteilung der nächsten Versuchsperson die Wahrscheinlichkeit größer, der anderen Gruppe zugeteilt zu werden.

In manchen Fällen ist eine Randomisierung nicht möglich. Wenn die Gruppenzuteilung nicht zufällig, sondern basierend auf einem bestimmten Prinzip erfolgt, dann spricht man von einem Quasi-Experiment .

Wenn nicht randomisiert wird, ist es wahrscheinlicher, dass systematische Verzerrung auftritt oder dass Störvariablen Einfluss auf die Ergebnisse haben.

Bei der Randomisierung werden die Teilnehmenden per Zufallsprinzip den Gruppen des Experimentes zugewiesen. Somit wird versucht, alternative Erklärungen für die Ergebnisse auszuschließen.

Oft verwendete Randomisierungsverfahren sind:

Die Randomisierung erhöht die interne Validität. Die Wahrscheinlichkeit, dass eine systematische Verzerrung auftritt oder dass Störvariablen Einfluss auf die Ergebnisse haben, wird verringert.

Diesen Scribbr-Artikel zitieren

Wenn du diese Quelle zitieren möchtest, kannst du die Quellenangabe kopieren und einfügen oder auf die Schaltfläche „Diesen Artikel zitieren“ klicken, um die Quellenangabe automatisch zu unserem kostenlosen Zitier-Generator hinzuzufügen.

Hasselbusch, L. (2023, 20. November). Randomisierung – RCT-Studien und ihre Vorteile. Scribbr. Abgerufen am 24. Juni 2024, von https://www.scribbr.de/methodik/randomisierung/

War dieser Artikel hilfreich?

Linda Hasselbusch

Das hat anderen studierenden noch gefallen, stichprobe – repräsentativ, geschichtet, unabhängig etc., ein experiment in deiner abschlussarbeit durchführen, was du über das quasi-experiment wissen musst – mit beispiel, aus versehen plagiiert finde kostenlos heraus.

• Quasi-Experiment - Definition, Typen & Beispiele

Quasi-Experiment - Definition, Typen & Beispiele

Arten Quasi-experimenteller Versuchspläne

Beispiel für ein quasi-experiment, wo liegen die vorteile bei einem quasi-experiment, was sind die nachteile bei einem quasi-experiment, was ist ein experimentelles design, was gehört zum forschungsdesign.

• Quasi-experimentelle Versuchspläne ohne Kontrollgruppe
• Quasi-experimentelle Versuchspläne mit Kontrollgruppe
• Ist nur das Alter der Versuchs- und Kontrollgruppe ausschlaggebend oder spielen auch andere mögliche Faktoren eine Rolle? 
• Sind die sich ergebenden Unterschiede nur auf das Alter der Teilnehmenden zurückzuführen oder könnten auch andere Faktoren wie die Bildung der Teilnehmenden eine Rolle spielen?
• Beeinflusst die Einweisung die Ergebnisse, so dass beispielsweise die Versuchsgruppe deutlich besser abschneidet als die Kontrollgruppe?

Das Forschungsdesign – eine quasi-experimentelle Interventionsstudie im Politikunterricht der Sekundarstufe I

• First Online: 01 October 2022

Cite this chapter

• Claudia Forkarth 6  

Part of the book series: Empirische Forschung in den gesellschaftswissenschaftlichen Fachdidaktiken ((EFGF))

1007 Accesses

Zusammenfassung

Bei der Konzeption der empirischen Untersuchung wird auf das Forschungsdesign des Projekts SchriFT II zurückgegriffen. Dieses soll zunächst kurz dargestellt werden, bevor die Teilstudie Politik konkretisiert wird.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

• Get 10 units per month
• Download Article/Chapter or Ebook
• 1 Unit = 1 Article or 1 Chapter
• Cancel anytime
• Available as PDF
• Read on any device
• Instant download
• Own it forever
• Available as EPUB and PDF
• Compact, lightweight edition
• Dispatched in 3 to 5 business days
• Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Pandemiebedingt konnte eine Follow-up Testung nicht an allen Standorten stattfinden, sodass sich lediglich erste Hinweise auf Langzeiteffekte der Intervention ergeben können.

In Gänze wurde das Interventionskonzept inklusive Materialien, Verlaufsplänen und didaktischen Kommentaren von Forkarth und Manzel (2021) veröffentlicht, um eine Implementation in die schulische Praxis anzustoßen und dem Anspruch eines Theorie-Praxis-Transfers gerecht zu werden. Weitere Veröffentlichungen bezüglich Implikationen und Nutzen der Materialien für die Unterrichtspraxis sind bei Manzel und Forkarth (2020) sowie Manzel (2020) zu finden.

Alternativ wurde im Anschluss an eine Diskussion um Bildungsstandards Politik (GPJE, 2004) ein Politikkompetenzmodell entwickelt, welches die vier Dimensionen Fachwissen, politisches Handlungsfähigkeit, politische Urteilsfähigkeit sowie Einstellung und Motivation als Ausgangspunkt für die Entwicklung von Politikkompetenz der Bürger*innen festlegte (Kapitel  3 ; Detjen et al., 2012). Das Kompetenzmodell soll, seinen Ansprüchen folgend, diejenigen Kompetenzdimensionen beschreiben, die Schüler*innen zur erfolgreichen Bewältigung von Aufgaben im Politikunterricht verfügen müssen (Detjen et al., 2012, S. 14).

Unter Umständen zeigen spätere Ergebnisse, dass das gewählte Anforderungsniveau für den Gesamtschulkontext, insbesondere den Fächerverbund GL, mit einem nur geringen Anteil an Politikunterricht, zu hoch ist. Ein Einsatz der Materialien im Politikunterricht an Gymnasien erscheint zur weiteren Überprüfung interessant.

Zu den Herausforderungen der Schulakquise und der Feldforschung allgemein siehe auch Forkarth et al. (2022) aus der Sicht der SchriFT II-Projekts sowie Manzel und Zischke (2021) aus politikdidaktisch, theoretischer Perspektive.

Zur Unterscheidung von Lernzieldimensionen in kognitiv, affektiv und sozial sowie psychometrisch siehe auch die Taxonomie der Lernziele nach Bloom (1972).

Siehe hierzu Frech (2020a), der die Karikaturenanalyse als eine grundlegende Methode für die Einstiegsphase im Politikunterricht präsentiert.

Für die Informations- und Analysephase beschreibt Massing (2020a) die Textanalyse als ein „wichtiger methodischer Teil des Politikunterrichts“ (S. 86–87).

Das 50-seitige Arbeitsmaterial eignet sich ab der 10. Klasse und ist frei verfügbar. Es wurde im Rahmen von CIVES -Praxistest #8 veröffentlicht. Weitere Angebote der CIVES School of Civic Education gibt es hier: https://cives-school.de/?page_id=228 .

Die Abkürzung PKM steht für das Politikkompetenzmodell (Detjen et al., 2012).

Ein Textproduktionsprozess ist durch die Phasen Planen, Formulieren und Revision bestimmt (Schneider et al., 2013).

KoText = Kooperative Schülerrückmeldungen bei der Textüberarbeitung im Deutschunterricht der Grundschule

Cameron (2001) definiert Chunks wie folgt: „In all types of language-using situations, first and second, child and adult, speakers seem to rely on such ‘chunks’ of language that come ready made and can be brought into use with less effort than constructing a fresh phrase or sentence. The ‘formulaic sequences’ or chunks can be learned as wholes, or may be ‘fused’, i.e. they are not encountered as wholes but are made into chunks in the mind of the learner. Chunks are likely to be produced as whole units, and help to avoid long pauses while taking part in talk“ (S. 50).

Author information

Authors and affiliations.

Dortmund, Deutschland

Claudia Forkarth

You can also search for this author in PubMed   Google Scholar

Corresponding author

Correspondence to Claudia Forkarth .

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Forkarth, C. (2022). Das Forschungsdesign – eine quasi-experimentelle Interventionsstudie im Politikunterricht der Sekundarstufe I. In: Schriftliches Urteilen im Politikunterricht der Sekundarstufe I. Empirische Forschung in den gesellschaftswissenschaftlichen Fachdidaktiken. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-39012-9_6

Download citation

DOI : https://doi.org/10.1007/978-3-658-39012-9_6

Published : 01 October 2022

Publisher Name : Springer VS, Wiesbaden

Print ISBN : 978-3-658-39011-2

Online ISBN : 978-3-658-39012-9

eBook Packages : Social Science and Law (German Language)

Share this chapter

Anyone you share the following link with will be able to read this content:

Sorry, a shareable link is not currently available for this article.

Provided by the Springer Nature SharedIt content-sharing initiative

• Publish with us

Policies and ethics

• Find a journal
• Track your research