Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Versuchsplanung > 12. Treatmentimplementierung/Attrition > Flashcards

12. Treatmentimplementierung/Attrition Flashcards

1
Q

Warum muss die Treatmentrealisierung hinterfragt werden?

A

zur Absicherung der Validitaet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Fragestellungen zur Treatmentrealisierung: Grundlagenforschung

A
  • werden die Reizmaterialien korrekt dargeboten?
  • ist das Treatment von der Laborsituation abhaengig?
  • werden Anweisungen gefolgt?
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Fragestellungen zur Treatmentrealisierung:

A&O Psychologie

A
  • neuer Entlohnungssysteme ergibt Erfolg fuer ALLE Mitarbeiter?
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Fragestellungen zur Treatmentrealisierung:

paedagogische Psychologie

A
  • wird die neue Unterrichtsform wirklich in allen Faechern verwendet?
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Fragestellungen zur Treatmentrealisierung: Beispiel

A

KLINISCHE FORSCHUNG

  • nehmen die Patienten die Medikamente korrekt ein?
  • Werden Frageboegen zur richtigen Zeit beantwortet?
  • wird der mit dem Therapeuten abgesprochenen Tagesablauf eingehalten?
  • gibt es sprachliche Hindernisse?
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Nenne die drei Stufen der Treatmentrealisierung

A
  1. Bereitstellung des Treatments
  2. Entgegennhame des Treatments
  3. Einhaltung des Treatments
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q
  1. Beretstellung des Treatments
A

Medikament wird bereitgestellt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q
  1. Entgegennahme des Treatments
A

Medikament wird uebergeben

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q
  1. Einhaltung des Treatments
A

Medikament wird nach Anweisung eingenommen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Wie wird die Bereitstellung des Treatments kontrolliert?

A
  • Anleitungen
  • Training der Versuchsleiter
  • Standardisierung der Treatmentgabe (oft schwierig)
  • Supervision
  • Austausch unter verschiedenen Versuchsleitern
  • genuegend Zeit?
  • muendlich/schriftlich
  • Motivation (vorsichtig: Uebermotivation koennte gefaehrlich fuer die Validitaet sein)
  • Ueberpruefung des ermittelten Wissens durch Wissenstest/Beobachtung/Befragung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Wie wird die Einhaltung des Treatments kontrolliert?

A

z.B

Erhebung von Blutparametern (Ueberpruefung von Medikamenteneinnahme)

Analyse von Koerperschweiss (Drogenabstinenz)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Wie wird die Einhaltung des Treatments kontrolliert? (in der experimentellen Forschung)

A

z.B
sind die Reaktionszeiten ueberhaupt realistisch?
(<100ms wahrscheinlich zufaellig)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Treatmentrealisierung: Haeufige Fehler

A

a) fanden noch zusaetzliche Interventionen statt?
b) haben die KG Faelle nicht DOCH eine Form des Treatments erhalten?
c) Fanden unvorhergesehene Dinge statt?

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Haeufige Fehler: a) fanden noch zusaetzliche Interventionen statt?

A

Patienten nehmen an mehreren Experimenten teil

grosse Gefahr bei Studien ueber laengere Zeitraeume

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Haeufige Fehler: b) haben die KG Faelle nicht DOCH eine Form des Treatments erhalten?

A

es kann nicht immr davon ausgegangen dass bei der KG “nichts” passiert ist

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Haeufige Fehler: c) Fanden unvorhergesehene Dinge statt?

A

Therapeuten erweitern “kreativ” das Experiment, weil sie durch die Studie auf neue Ideen kommen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Treatmentimplementierung: 3 Probleme

A

1) Treatment ist nicht vollstaendig kontinuierlich
2) Treatment wird ausversehen in unterschiedlicher Staerke gegeben
3) Zuordnung zu EG und KG ist mit einem Bias belastet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Treatment nicht vollstaendige kontinuierlich: Loesung

A

Intent-To-Treat-Analysis

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Treatment in unterschiedliche Staerken: Loesung

A

stat. Analysen unter Beruecksichtigung der Treatmentstaerke

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Zuordnung zu EG und KG mit Bias: Loesung

A

instrumental variable Analyse (IV-Analysen)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Intent-to-Treat-Analyse: wann wird es eingesetzt?

A
  • Einsatz bei randomisiert kontrollierte Studien

- klinischer Kontext

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Intent-to-Treat-Analyse: Berechnung

A

Berechnung nach “urspruenglicher Absicht, wie man behandelt werden wollte”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Erfasse

Intent-to-Treat-Analyse

A
  • Patienten werden in der Gruppe analysiert der sie zu Studienbeginn zugeteilt wurde
  • —-> unabhaengig davon, ob die Patienten eine andere Behandlung erhielten als geplant war
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Intent-to-Treat-Analyse: Vorteile

A
  • Uebertragbarkeit in die Praxis ist sicher gestellt
  • erfasst Verhaeltnisse
  • ein Medikamentwechsel/schlechte Compliance kann z.B durch das Treatment bedingt sein
  • kausale Bewertung vom Einfluss der Zuordnung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Loesungsansatz: Analysen unter Beruecksichtigung der Treatmentstaerken

A

erfasst wird:

  • –> ob ein treatment erhalten wurde (J/N)
  • –> wie stark das Treatment war
  • Probanden haben die Wahl
  • Zugehoerigkeit zu einer Analysegruppe
  • Kovariate in die Statistische Auswertung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Analysen unter Beruecksichtigung der Treatmentstaerken: Vorteile

A
  • Treatment nicht “auferzwungen”

- “geeignete Teilnehmer” suchen sich das Experiment aus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Analysen unter Beruecksichtigung der Treatmentstaerken: Nachteile

A
  • kausale Zusammenhaenge sind schwer zu interpretieren
  • —> wegen Selbstselektion
  • Messfehler
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

IV-Analyse: Anwendung, Primaeres Einsatzgebiet

A

ANWENDUNG:
- falls Randomisierung nicht moeglich ist (z.B aus ethischen Gruenden)

PRIMAERES EINSATZGEBIET: Wirtschaftswissenschaft

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Erfasse die IV-Analyse

A

Neben dem Kriterium Y und dem Praediktor D, wird eine weitere Randomisierte Variable Z hinzugefuegt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

IV-Analyse: Beispiel

A

ANREIZ-DESIGN
Fragestellung: wie beeinflusst das Verhalten D (Schulbesuch (J/N)) das Kriterium Y (Einkommen mit 30 Jahren)?

PROBLEME:

  • Schulbesuch nicht randomisierbar (aus ethischen Gruenden)
  • deswegen werden sich die Gruppen auch in Hinsicht anderer Variablen signifikant unterscheiden

Loesungsansatz: IV-Analyse

  • randomisierte Zuteilung eines Anreizes Z (Subvention des Schulbesuchs) [instrumental Variable]
  • D soll hierdurch auf Y besser erfasst werden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Anreiz-Design: wenn es jedoch einen Bias gibt…

A

kann der Bias durch eine KORRELATION zwischen Praediktor und Vorhersagefehler erfasst werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Instruentalvariabln: Voraussetzungen

A

KKKK

  • Korrelation mit dem Praediktor
  • KEINE “direkte” Korrelation zwischen Instrument Variable und Kriterium
  • KEINE Korrelation mit dem Vorhersagefehler
  • KEIN Bestandteil der eigentlichen Regressionsgleichung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Was ist Attrition?

A

Schwund an Probanden

34
Q

Attrition: Vermeidung

A
  • gute Pflege um VPN “bei Laune” zu halten
  • Aktualisierung der Datenbank mit den Kontaktdetaillen
  • Beachtung vn Datenschutz –> nicht “Detektiv” spielen, Nachbarn fragen
  • Differenzierung zwischen VPN “erinnern” und VPN “belaestigen”
  • Keine Drohungen
  • Ermittlung eines “Zwischenberichts” um die Interesse der Probanden einzubehalten
35
Q

Attrition kann wie unterteilt werden?

A

Vermeidbaren Ursachen z.B kein Interesse vom Probanden

Nicht-vermeidbaren Ursachen z.B Todesfall

36
Q

Erklaere eine moegliche Loesung fuer das ewige “Erinnern” fuer Termine

A

zu Beginn der Studie:

- erklaerung der Relevanz von vollstaendigen daten

37
Q

Welche VPN Daten sollen erhoben werden?

A
  • Name, Addresse, Telefonnummer, E-Mail, Arbeitsplatz, Umzugsplaene
  • Daten von verwandten Personen/Freunde
  • Daten von Arzten, Sozialarbeiter etc. (auch zur Ueberpruefung der Richtigkeit der Daten)
38
Q

Methoden um VPN-Kontakt langfristig zu erhalten?

A
  • Bitte um Mitteilung von adressaenderungen
  • erste Rueckfragen schon 2/3 Wochen nach dem ersten Kontakt
  • Rueckfragen immer zu aehnlichen Zeiten
  • Kontaktadresse ausgeben
  • Fahrtkosten bezahlen fuer Interviews
  • geburtstagsglueckwuensche (kommt die Post an?)
39
Q

Wenn VPN nicht mehr erreichbar sind: Loesungsansaetze?

A

NACHFRAGEN

  • Nachfragen bei Verwandten/Freunde
  • Nachfragen bei der Post, ob es eine Adressaenderung gab
  • Nachfragen beim Telefonanbieter
40
Q

Vor dem experimentellen Termin…

A
  • VPN extra errinern

- besonders die die in der Vergangenheit schon mehrere Erinnerungshilfen brauchten

41
Q

erfasse Fehlende werte

A

wenn Angaben im Datenschutz fehlen obwohl die entsprechende Merkmalsauspraegungen empirische vorliegen

42
Q

Fehlende Werte: Probleme

A
  1. Verringerte Effizienz und Power

2. Verzerrung bei der Identifikation der vorliegende Strukturen

43
Q

Fehlende Werte: Probleme
—-> VERRINGERTE EFFIZIENZ UND POWER
wie kommt es dazu?

A
  • Faelle mt fehlende Werte werden komplett ausgeschlossen

- Reduktion der Stichprobengroesse

44
Q

Fehlende Werte: Probleme
—-> VERRINGERTE EFFIZIENZ UND POWER
wie kommt es dazu?

A
  • Faelle mt fehlende Werte werden komplett ausgeschlossen

- Reduktion der Stichprobengroesse

45
Q

Fehlende Werte: Probleme
—-> VERZERRUNG
wie kommt es dazu?

A
  • NUR eine Subgroup fuehrt die Untersuchung bis zum Ende durch
  • Verfaelschung der Ergebnisse in Richtung der Subgruppe
46
Q

Missing-Data-Diagnose: Erklaeren Sie den Vorgang

A
  1. Festlegung der Anzahl der fehlenden Werte.
    - Je Variable
    - Je Person / subject
  2. Ausschluss einzelner Personen oder Variablen.

—–> Unterschiede EG und KG?

47
Q

Was ist der Missing-Data-Prozess?

A

Die Suche nach “Ursachen” des Fehlens von Daten

48
Q

Missing-Data-prozess: Problem?

A

teilweise nur eine Annahme

49
Q

Nenne die drei Typen von fehlenden Werten?

A

Missing Completely at Random (MCAR)
Missing at Random (MAR)
Not Missing at Random (NMAR )

50
Q

MCAR

A

Missing Completely at Random

51
Q

Wann tritt MCAR auf?

A
  • wenn fehlenden Werte über alle
    Beobachtungen hinweg zufällig verteilt sind
  • Fälle mit fehlenden Werten unterscheiden sich nicht von Fällen ohne fehlende Werte.
  • Das Fehlen kann nicht vorhergesagt werden
52
Q

MCAR/MAR: Loesungsmoeglichkeiten?

A
  • multiple imputation

- maximum likelihood.

53
Q

MAR

A

Missing at Random

54
Q

Wann tritt MAR auf?

A
  • wenn das Fehlen eines Wertes vollständig durch andere Variablen erklärt werden kann
  • Fälle mit fehlenden Werten unterscheiden sich von Fällen ohne fehlende Werte.
  • Das Fehlen kann aber nicht der Variablen selbst begründet sein
55
Q

MAR: Beispiel

A

Frauen geben ihr Gewicht nicht an

56
Q

NMAR/NRM

A

Not Missing at Random

Nonrandom Missing

57
Q

wass erfasst NMAR?

A

Ob ein fehlender Wert in der abhängigen Variablen Y

auftritt, steht nur in Zusammenhang mit der Variablen Y selbst

58
Q

NMAR: Beispiel

A
  • Personen mit hoeherem Gewicht geben dies nicht gerne an

- im Datensatz gibt es jedoch keine Variablen zur Vorhersage dieses Fehlens

59
Q

NMAR: Problem

A

Ersetzung ist schwierig

60
Q

NMAR: Loesungsansaetze

A
  • selection models

- pattern mixture

61
Q

Nenne die klassischen Verfahren zum Umgang mit fehlenden Daten

A
  • listwise deletion
  • pairwise deletion
  • Mittelwertsersetzung
62
Q

Listwise Deletion

A

Person faellt aus der Berechnung aller Kennwerte heraus

63
Q

Pairwise Deletion

A
  • Person hat fehlende werte in einer Variablen

- wird nur in der Auswertung dieser Variablen nicht beruecksichtigt

64
Q

Mittelwertsersetzung

A
  • Fehlende Werte werden durch Mittelwert aus der Variable ersetzt
65
Q

Wozu fuehrt die Strategie der Mittelwertsersetzung?

A

Varianzvernichtung

66
Q

regression imputation

A
  • Ermittlung einer Regressionsgeraden (bei vollstaendige Daten) —–> Vorhersage der fehlenden Werte (bei unvollstaendige Daten)
67
Q

Regression Imputation —> Problem?

A

Zusammenhangsueberschaetzung

68
Q

EM-Algorithmus

A

Expectation-Maximization-Algorithmus

69
Q

Erfasse die Funktion des EM-Algorithmus

A

Modell erfasst:

  • Beziehung zwischen vorhandenen daten und fehlenden Werten
  • Zufallsvariablitaet der Daten
70
Q

EM-Algorithmus: Voraussetzung

A

intervallskalierte Variablen

71
Q

EM-Algorithmus: Software

A

Norm von Schaefer

72
Q

Multiple Imputation

A

Mehrfache Ersetzung von fehlenden

Werten durch m > 1 plausible Werte

73
Q

Imputation =

A

Ersetzung

74
Q

Welches ist die beste Methode um mit fehlenden Daten umzugehen?

A

Multiple Imputation

75
Q

Multiple Imputation: Vorteile

A
    • Nutzung der verfügbaren Infos
    • Komfortable Auswertung von vollständigen Datensätzen möglich
    • universeller Einsatz
    • Berücksichtigung der Unsicherheit aufgrund von fehlenden Werten
76
Q

wie wird MAR systematisch erzeugt?

A
  • planung der Datenerhebung

- es sollen aufschlussreiche Kovariaten berücksichtigt werden

77
Q

Wie sollen Fehlende Werte analysiert werden?

A
  • Kodierung unterschiedlicher Arten von Missings (erhebungsproblem, Antwortverweigerung, keine logische Antwort moeglich)
  • mehr als 5% Missings bei einer Variable –> MD-Diagnostik
  • Eliminierung –> Verzerrung
  • Indexbildung, verwendung alternativer, hochkorrelierter aber vollstaendiger Daten
78
Q

Wann soll eine MD-Diagnostik durchgefuehrt werden?

A

wenn mehr als 5% Missings bei einer Varibale vorkommen

79
Q

MD-Gruppe soll als…

A

uV aufgenommen werden

80
Q

Drop-Out Analyse

A

Charakterisierung von MD im Kontrast zu Respondern

wichtig

Versuchsplanung (17 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions