7. Hypthesenprüfende Untersuchungsformen Flashcards

1
Q

Hypotheseprüfende Untersuchungen

A

überprüfen Annahmen über Zusammenhänge, Unterschiede oder Veränderungen von Merkmalen bei spezifischen Populationen

Variablenbeziehungen, prognostische oder erklärende Annahmen

nicht nur Stichproben, auch Einzelfälle

kausale Variablenbeziehungen (nicht in korrelativen Studien möglich)

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

Annahmen und Erkenntnisse sind nötig um Hypothesen zu formulieren

A
  1. begründet (Untersuchungsaufwand)
  2. nachvollziehbar (Notwendigkeit der Untersuchung)
  3. präzise (zweifelsfreie Entscheidung)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Forschungshypothese

A

Die fragen dir abgeleitet aus Beobachtungen, Voruntersuchungen oder Theorien bezüglich eines Untersuchungsgegenstands formuliert werden

Allgemeine

operationale

Statistische

Gerichtete vs. ungerichtete

Spezifische vs. unspezifische

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

Allgemeine Forschungshypothesen

A

Zusammenhangs-, Unterschieds- und Veränderungshypothesen

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

Operationale Hypothese

A

empirische Vorhersage bz.w. Prognose zum Ausgang der Untersuchung

sind Forschungshypothesen nachgeordnet

UV und AV sind festgelegt

müssen besonders präzise formuliert sein

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Statistische Hypothese

A

Null- und Alternativhypothese

sind durch den jeweiligen Signifikanztest definiert und nehmen BEzug auf ddie Populationsparameter

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Gerichtete vs. ungerichtete Hypothese

A

Differenzierung statistischer Hypothesen

ungerichtet = wenn keine Richtung für einen Zusammenhang oder Unterschied angegeben wird

gerichtet = wenn Vorzeichen die Richtung angiebt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Zusammengesetzte vs. Punkt- einfache Hypothesen

A

zusammengesetzte Hypothesen p< 0

Punkt- oder einfacher Hypothese p=0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Spezifische vs. unspezifische Hypothesen

A

Differenzierung statistischer Hypothesen

spezifische Hypothese = Mindestbetrag oder Mindestgröße (Effektgröße) wird spezifiziert die erreicht werden muss (zumeist mit gerichteter Hypothese kombiniert) mü1>mü2+x

unspezifische Hypothese = wenn Höhe oder Betrag ungenannt bleiben

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

Signifikanztests

A

werden eingesetzt, wenn die Populationsparameter unbekannt sind

vor Untersuchung Hypotheseart und alpha Nivau festlegen (im Nachhinein unzulässig, inhaltliche nicht statistische Überlegungen)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Alpha-Fehler

A

Fehler 1. Art : Ablehnung der Nullhypothese, obwohl diese wahr ist

Konventionell festgelegt (Signifikanzniveau 5% oder 1%)

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

Beta-Fehler

A

Fehler 2. Art: Annahme der Nullhypothese obwohl die Alternativhypothese wahr ist.

wird nur bei spezifischer Hypothese festgelegt

konventionelle Grenzwerte nicht festgelegt obwohl besser wäre

Entscheidung bei welchem Fehler die Konsequenzen verhängnisvoller wären schwierig

Praktisch schwierig zu betimmen, weil man dazu die H1-Verteilung kennen müsste. In zusammengesetzten Hypothesen einfacher, weil mehrere Parameterausprägungen möglich sind (Mindestwerte, Effektgrößen)

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

Univariate Zusammenhangshypothesen (schlussfolgernd aus Interdependenzhypothesen)

A

Cross-Sectional-Designs

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

AV Intervall - Bivariate Zusammenhangshypothesen

A

UVIntervall: Pearson r

UVOrdinal: Spearman rho, Kendalls tau b und c

UVKünstlich dichotom: Biseriale Korrelation

UVNatürlich dichotom: Punktbiserieale Korrelation

UV: Nominal: Eta, Kontingenzkoeffizient

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

AV Ordinal - bivariate Zusammenhangshypothesen

A

UVOrdinal: Kendalls Tau b und c, Gamma, Somers D

UVKünstlich dichotom: Biseriale Rangkorrelation

UVNatürlich dichotom: Biseriale Rangkorrelation

UVnominal: Kontingenzkoeffizient

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

AV künstlich dichotom - bivariate Zusammenhangshypothese

A

UV künstlich dichotom: Tetrachorische Korrelation

UV Natürlich dichotom: Phi-Koeffizient, Lambda, Unsicherheitskoeffizient

UV nominal: Kontingenzkoeffizient, Lambda, Unsicherheitskoeffizient

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

AV Nominalskala - bivariate Zusammenhangshypothese

A

UV Nominalskala: Kontingenzkoeffizient, Cramers V, Lambda, Unsicherheitskoeffizient

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

Kappa-Koeffizient

A

Interrater-Reliailität

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

Relative Risiko

A

Maß zur Messung des Zusammenhangs zwischen dem Eintreten eines Ereignisses und dem Vorligen eines Sachverhalts

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

Unterschieds- und Zusammenhangshypothesen

A

sind grundsätzlich ineinander überführbar

bivariate Zusammenhangshypothesen: wenn es für die Skalenkombination keinen geeigneten Test gibt > Transformation oder multivariate Zusammenhangshypothese (in linearen Zusammenhängen, wenn nicht dann exponentiell, log. log-linear, sigmoid)

repräsentative Stichproben sind nötig: bei einzelnem Merkmalsausschnitt Unterschätzung, bei Extremwerten Überschätzung

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

Multivariate Zusammenhangshypothesen

A

Partialkorrelation, multiple Korrelation, multiple Regressionsanalyse, kanonische Korrelation, Faktorenanalyse

Überprüfung von Abhängigkeit von Faktoren: zusätzliche konfirmatorische Faktorenanalyse und Strukturgleichungsmodelle

nominale Merkmale: Dummykodierung

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

Partialkorrelationen - Multivariate Zusammenhangshypothesen

A

Zusammenhang zweier intervallskalierter Merkmale wird durch mit en beiden korrelierte Drittvariable erklärt

Gemeinsamkeiten in Drittvariable rauspartialisiert

ohne Drittvariable = Korr. nullter Ordnung

mit einer Korr. = Korr. erster Ordnung

etc.

Semi-Partialkorrelationen (Partkorrelationen): Einfluss von Drittvariable wird nur aus einer Hauptvariable rauspartialisiert

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

multiple Zusammenhänge - Multivariate Zusammenhangshypothesen

A

multiple Korrelation und multiple Regression

mehrere Prädiktoren (nominal oder intervall) und ein Kriterium (intervall)

nominal: Prädiktoren werden in Indikatorvariablen transformiert

Dummykodierung: 0 Referenz , 1 Merkmal(k-1 Dummyvariablen) b0 ist Durchschnitt, b1 ist Abweichung

Effektkodierung: - 1 Referenz, b0 ist Gesamtmittelwert der AV und b1 Abweichungen Gruppewerte von Gesamtmittelwert (Treatmenteffekte)

Kontrastkodierung: Summe muss 0 ergeben, b0 ist Gesamtmittelwert der AV und b1 der Indikatorvariablen Funktion der Kontrastkoeffizienten die den jeweiligen Kontrast kodieren (Summe der Indikatorvariable ist 0)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

kanonische Korrelation - Multivariate Zusammenhangshypothesen

A

wenn es mehrere Prädiktor- und mehrere Kriteriumsvariablen gibt

ähnelt Hauptkomponentenanalyse

Prädiktor- und Kriteriumsvariablen getrennt faktorisiert und rotiert

aus beiden Variablensätzen jeweils der Faktor extrahiert die am besten korrelieren der Rest wird auch zusammengelegt Paare orthogonal. Solang rotiert bis erschöpft

Determinationskoeffizient und Redundanzmaße

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Faktorenanalyse - Multivariate Zusammenhangshypothesen
faktorielle Zusammenhänge: Merkmale (bzw. Items) könnten in weniger Faktoren oder Dimensionen zusammenschließen lassen Zugehörigkeit der einzelnen Items wird durch Faktorladungen ausgedrückt (Korrelation zwischen Item und Faktoren)
26
interne Validität - Korrelationen
Korrelationen haben Problem interner Validität, keine Kausalität nicht-signifikante Korrelationen können Kausalmodelle falsifizieren Längsschnittstudien (Cross-lagged Panel Design) können konkurrierende Kausalmodelle einschränken und durch Pfadanalysen (unter Berücksichtigung manifester Variablen) sowie Strukturgleichungsmodelle (mit manifesten und latenten Variablen) verglichen werden empirische Validierung nur über Replikation Aus metaanalytischem Vergleich von Ergebnissen vergleicharere Untersuchungen Stärke der Kausaleffekte und Übertragbarkeit abschätzen
27
Pfadanalysen - Multivariate Zusammenhangshypothesen
Kausale Annahmen widerlegen sich aber lassen sich nicht eindeutig bestätigen vor der Überprüfung müssen spezifische Modelle über Ürsache-Wirkungs-Sequenzen vorliegen dient der Bestätigung ob ein spezifiziertes Modell mit den empirischen Daten überein
28
Strukturgleichungsmodelle - Multivariate Zusammenhangsanalysen
Kausale Annahmen widerlegen sich aber lassen sich nicht eindeutig bestätigen gehen im vergl. zu Pfadanalysen über den schritt wechselseitiger Beziehungen hinaus, Annahmen über latente Merkmale (mit Beziehungen untereinander und anderen Merkmalen) vor der Überprüfung müssen spezifische Modelle über Ürsache-Wirkungs-Sequenzen vorliegen dient der Bestätigung ob ein spezifiziertes Modell mit den empirischen Daten überein
29
randomisierte Zwei-Gruppen-Pläne - Unterschiedshypothesen für zwei Gruppen
Treatment und Kontrollgruppe nur ranomisierte Zuweisung Erfolge nur in experimentellem Setting richtig zu interpretieren t-test für unabhängige Stichproben oder matched Samples t-test für abhängige Stichproben oder nicht-parametrischer Test Extremgruppenvergleich: nur äußerste Probanden - besitzt UV Erklärungswert von AV (Überschätzung der UV häufig, Vorraussetzung nicht erfüllt d.h. non-paramentrische
30
Mehr-Gruppen-Pläne - Unterschiedshypothesen für mehr als zwei Gruppen
Unterscheidet sich im Vorgehen nicht von zwei-Gruppen-Plan Varianzanalyse, Post-Hoc, Kontrasttests Kontraste (A priori): allein wenn vorher Einzelvergleichshypothesen formuliert wurden. Treatments zusammenfassen und mit anderen zu vergleichen. Trendtests: lineare, quadratische, kubische etc. Post-Hoc (a posteriori): im Nachheinein feststellen welche Treatments sich signifikant unterscheiden
31
Mehrfaktorielle Pläne - Unterschiedshypothesen für mehr als zwei Gruppen
neben Haupteffekten werden auch Interaktionen überprüft damit sich Gruppen nicht wesentlich unterscheiden (interne Validität): Parallelisierung, Matching, Konstanthaltung
32
Interaktionen und Haupteffekte - Mehrfaktorielle Pläne - Unterscheidungshypothesen für mehr als zwei Gruppen
ordinale Interaktion = Graphen verlaufen gleichsinnig, Haupteffekte bleiben interpretierbar hybride Interaktion = Graphen verlaufen im einen gleichsinnig und im anderen nicht, nur einer der Haupteffekte bleibt interpretierbar disordinale Interaktion = Graphen verlaufen nicht gleichsinnig, kein Haupteffekt ist interpretiertbar, Interpretation geht nur auf Basis einzelner Zellen Interpretation solang deskriptiv wenn keine spez. Hypothese formuliert wurde
33
kovarianzanalytische Auswertung - Merkfaktorielle Pläne
Kontrollvariable wird erfasst und bei Auswertung möglicher Einfluss entfernt ähnlich der Partialkorrelation Ziel ist auch Fehlervarianz der AV zu reduzieren Auch nominalskalierte Kontrollvaraiblen können als Dummy-Variablen kovarianzanalytisch ausgewertet werden
34
multivariate Pläne
wenn mehr als eine abhängige Variable vorliegt gehen faktiorielle in multivariate Pläne über hiermit können auch wechselseitige Beziehungen zwischen mehreren abhängigen Variablen aufgedeckt werden für komplexe Konstrukte - mehrere Indikatorvaraiblen (steigerung der externen Validität)
35
Veränderungshypothesen
Fragen aus Grundlagen- Interventions- und Evaluationsforschung Treatment bewirkt Veränderung einer AV Pretest-Posttest-Design zwei Gruppen-Design
36
Pretest-Posttest-Design - Veränderungshypothesen
Prätest-Posttest-Differenz auf der AV multiple oder multivariate Varianzanalysen für Messwiederholungen setzt gleichförmige Korrelationen zwischen allen Messwiederholungen voraus
37
Problematik Pretest-Posttest-Design
bei kleinem n Pretests um personenbedingte Störvariablen zu kontrollieren Sequenzeffekte kontrollieren: verschiedene Abfolge je einer Zufallsstichprobe zuweisen Positionseffekte: entstehen, wenn durch Messwiederholungen gleichartige Veränderungen (z.B. Ermüdung, Gewöhnung etc. ausgelöst werden) bei quasi-experimentellen Untersuchungen zur Steigerung der internen Validität sollten mehr als zwei Messzeitpunkte vorgesehen werden (Anfang und Ende konzentrierter)
38
Streuung der Differenzwerte- Problematik Pretest-Posttest-Design
Indikator für Reliabilität von Differenzmaßen je geringer die Streuung desto geringer die Reliabilität Bei mehr als zwei Messungen keine Differenz sonder Regression
39
Reliabilität der Messungen - Problematik Pretest-Posttest-Design
Mit zunehmendem Messfehler der Messwerte sinkt die Reliabilität der Differenzwerte kann auch an heterogenen Veränderungsraten liegen nicht zwangsläufig niedrige Reliabilität der Differenzen
40
Verteilung der Anzahl der Messzeitpunkte - Problematik Pretest-Posttest-Design
gleichabstädnig verteilte Messzeitpunkte über gesamte Erhebungsspanne besser Anfangs und Ende engere Zeitabstände
41
Regressionseffekt - Regression zu Mitte
extreme Pretestwerte tendieren bei einer Wiederholung zur Mitte Besonders kritisch bei der Überprüfung differentieller Wirkungen von Treatments an Personengruppen mit extremen Merkmalsausprägungen - kann nur durch Zufallsstichproben aus vergl. Populationen gelöst werden
42
Solomon-Vier-Gruppen-Plan
dient dazu mögliche Pretest-Effekte aus Vortests zu kontrollieren vier randomisierte Gruppen 1. Pretest - Treatment - Posttest 2. Kontrolle: Prestest - Posttest 3. One-Shot-Case-Design: Treatment - Posttest 4. Posttest Kontrolle von Treatment-Effekten (1+3), Pretesteffekte (1+2), Zeiteffekte (1+2+3+4)
43
Quasi-experimentelle Untersuchungen bei Veränderungshypothesen
Problematisch wenn Unterschiede zwischen Gruppen in der AV auf andere unkontrollierte Abweichungen zwischen Gruppen zurückgeführt werden können konfundierte Merkmale ermitteln mehrere abhängige Variablen wiederholte Treatmentphasen Parallelisierung der Gruppen wenn Matching durch stabile Merkmale erzielt wrden kann \> beachte Regressionseffekte
44
Zeiteffekte - Veränderungshypothesen über Zeit
neurophysiologische Reifungsprozesse gekoppelt am Verhalten Gedächtnis, Wahrnehmung, Denken **Querschnitt:** Epochale und Generationsunterschiede konstanthalten, Abhängigkeit der Validität des Messinstruments von Alter **Längsschnitt:** Generation variieren, epochale Effekte konstanthalten, Ausfall von Probanden, Übungseffekte, Veränderung der Validität der Messinstrumente Cohort-Sequential-Method Time-Sequential-Method
45
Epochale Effekte - Veränderungshypothese über Zeit
Verhaltensbesonderheiten in verschiedenen Zeitabschnitten gekoppelt an spezifische gesellschaftliche Erscheinungen **Querschnitt:** Alter konstanthalten (vernachlässigen), Generation variieren **Längsschnit**t: Alter variieren, Generation konstanthalten Tim-Sequential-Method Cross-Sequential Method
46
Generations- und Kohorteneffekte - Veränderungshypothese über Zeit
bedingt durch Geburtszeitpunkt Vorkriegs- vs. Nachkriegsgeneration **Querschnitt**: konstanthaltung Epoche **Längsschnitt:** Konstanthaltung Alter Cohort-Sequential-Method Cross-Sequential-Method
47
Cohort-Sequential-Method
Messwiederholungsdesign versch. Generationen werden mit versch. Altersstufen untersucht versch. Erhebungszeitpunkte Epochale konstant, vernachlässigt, ignoriert
48
Time-Sequential-Method
Messwiederholungsdesign verschiedene Epochen und Alter systematisch variiert in jeder Faktorstufenkombination wird eine andere Zufallsstichprobe gezogen Generations konstant, vernachlässigt
49
Cross-Sequential-Method
Messwiederholungsdesign Epochen- und Generationsfaktor wird variiert Alterseffekt konstant, ignoriert, vernachlässigt
50
Zeitreihenanalyse (z.B. ARIMA-Modelle) - Veränderungshypothesen für Zeitreihen
Vorhersagemodelle - wiederauftretende Regelmäßigkeiten Interventionsmodelle - Veränderungen in Zeitreihen durch spezifische Ereignisse Transferfunktionsmodelle - Veränderungen in Zeitreihen durch andere Zeitreihen
51
indirekte Veränderungsmessungen
mehr als zwei Messungen um da Ausmaß von Veränderungen und deren Stabilität abzuschätzen Veränderungen können sein: Zufallseffekte (Merkmalsoszillationen) statistische Effekte (Regressionseffekte) Folge eines Treatments oder Intervention
52
Reliabilität Differenzen
Paradoxon: Reliabilität der Differenzen ist umso geringer, je höher die Reliabilität der Einzeltestungen ist Eignet sich nicht für Interpretation bei Einzelfällen Probleme: Regression zur Mitte Ausgangswertgesetz: Die Höhe des Anfangswertes ist negativ mit dem Zuwachs korreliert Physikalismus - Subjektivismus - Dilemma: Numerisch gleiche Differenzen stehen nicht selbstverständlich für gleiche Merkmalsveränderungen (Noten)
53
festgelegter Stichprobenumfang - Power
wenn n groß genug, kann jede Nullhypothese verworfen werden Weil alpha-Fehler nach Cohen viermal so schwer wie beta (s. Kapitel 8. nur für Wissenschaftler nicht Diagnostiker) kann alpa 5% und beta 2% sein bei Effektgrößen beachten: beta-fehler \< alpha-fehler für n, erwartete Differenzen müssen zusätzlich an Streuung relativiert sein. 1. verwendeter stat. Test 2. Angabe alpha-Fehler 5% 3. Angabe Teststärke 80% bis 95% 4. Angabe Effektstärke 5. Art der Testung einseitig kleines n zweiseitig großes n zwei Tests mit gleicher H1 vergleichen (paramterische BEdingungen) = relative Effizienz, Asymptotische relative Effizienz (nicht von alpha und Effektgröße abhängig)
54
Effektgrößen
vor der Untersuchung und nach der Untersuchung (ex-post Bestimmung) wenn keine sicheren Größen festliegen - Klassifikationstabellen von Effektgrößen (klein, mittel, stark)
55
Effektgrößen - Standardisierte Differenzen
**Unkorrigiert**: **Glass g' oder Delta**: relativiert Mittelwertdifferenz auf Standardabweichung einer Kontrollgruppe, positivitätsbias **Cohens d**: typisch bei t-Tests für unabhängige Stichproben, gepoolte Standardabweichung beider Gruppen, positivitätsbias, kann in R2 rückkonvertiert werden **Korrigiert:** **Thomsons korrigiertes d\***: Effekgrößen können zur Verhinderung des Positivitäsbias um den Stichprobenfehler korrigiert werden.
56
Effektgrößen - Indizes für Varianzaufklärung
wenn Mittelwerte nicht von Interesse sind, sondern Variabilität von Werten besonders im nicht-experimentellen Setting **Unkorrigiert**: **R2**: Regressionsanalysen, Explaind Quadratsumme ** eta2 (n2)**: Varianzanalysen, Between Quadratsumme **Korrigiert**: Kelleys epsilon2: gleich wie omega2, andere Berechnung, äquivalent zu Eta2 Hays omega2: bei fixed effect models, nominalvariable ICC: bei random effects, einzelne Kategorien in Zufallsstichprobe Adjustiertes R2
57
Power
abhängig vom statistischen Test abhängig von der Stichprobengröße - großes n= große Power abhängig vom Ausmaß experimenteller Effekte abhängig vom Ausmaß des Fehlers
58
Metaanalyse
homogene Primäruntersuchungen mit gemeinsamer Thematik anhand statistischer Indikatoren aggregieren und komprimieren wichtig: Effektgröße Zusammenfassung Forschungsergebnisse, Vorbereitung Evaluationsstudien (Kosten-Nutzen) basiert auf einer Gesamtstichprobe die sich additiv aus den Einzelstichproben der Studienergibt Delta: zur vereinheitlichung von Effektgrößen, Schätzung wahrer Merkmalszusammenhänge,
59
Probleme - Metaanalysen
Qualitätskriterien der einzelnen Studien berücksichtigen und anhand objektiver Kriterien nachvollziehbar machen interne Validität lässt sich empirisch methodisch kontrollieren methodisch gute und schlechte Studien anhand von Effektstärken nicht zu erkennen (evtl. Variabilität) transparenz in Darstellung UVs umfassender und abstrakter: homogene Untergruppen bilden AVs Definition strengere Regeln Effektgrößen müssen Homogen sein (chi-Quadrat Homogenitätstest, kleine Power erst bei 4 Studien und n= 50) 75% Regel: Streuung des Delta, 75% der Varianz von Delta muss durch Unterschiedlichkeit der Untersuchungen erklärbar sein (auch kleine Power, alpha-Fehler, trotzdemb esser als Homogenitätstest) bei heterogenen Deltamaßen: Moderatoren, multiple Korrelationen, wenn sig. aufteilung in homogene Gruppen (Clusteranalyse)
60
Metaanalysen vergleich andere Analysen
umfassender und abstrakter besonders UVs