In der empirischen Forschung gibt es ein klassisches Problem: Die meisten interessanten Daten sind qualitativ, nicht quantitativ. Reden von Politikern, Geschäftsberichte, Social-Media-Posts, Zeitungsartikel oder historische Dokumente enthalten wertvolle Informationen, aber sie lassen sich schwer in Zahlen übersetzen. Genau hier setzt ein neues Forschungsprojekt an, das im Februar 2026 als NBER Working Paper erschienen ist: „GPT as a Measurement Tool“ von Hemanth Asirvatham, Elliott Mokski und Andrei Shleifer. Die Autoren stellen darin eine Software vor, die dieses Problem lösen soll: GABRIEL. Die Grundidee ist überraschend einfach. Large Language Models wie GPT können Texte verstehen, ähnlich wie ein Mensch. Wenn man sie gezielt einsetzt, können sie daher qualitative Informationen systematisch bewerten und quantifizieren. Zum Beispiel: • Wie innovationsfreundlich ist eine politische Rede? • Wie toxisch ist ein Social-Media-Kommentar? • Wie technisch komplex ist eine neue Tec...
Hier finden Sie Begleitmaterial zu dem veröffentlichen Artikel ' Teststärke in verteilungsfreien Hypothesentests ' (nachfolgend Varmaz/Riebe (2019)) aus der Zeitschrift 'Wirtschaftswissenschaftliches Studium - WiSt', Heft 2-3, 2019. Es wird das Vorgehen zur Berechnung der Teststärke in Microsoft Excel™ (nachfolgend: Excel) anhand eines illustrativen Beispiels erläutert; insbesondere jedoch die Bestimmung der Teststärke in verteilungsfreien Hypothesentests basierend auf Resampling-Verfahren. Hinweis: Eine allgemeine Einführung in die theoretischen Grundlagen zur Bestimmung der Teststärke ist nicht Bestandteil dieses Blog-Beitrags.