7 Stichprobenziehung

Question 1

ideal: zufällige Ziehung aus Zielpopulation (3)

Answer 1

• generelle Repräsentativität garantiert wenn zufällig gezogen
• Stichprobe und Zielpopulation dürfen sich in interessierenden Parametern nicht systematisch unterscheiden
• Repräsentativität nicht für alle Variablen notwendig

Question 2

Ziehung aus Allgemeinbevölkerung (2)

Answer 2

• Einwohnermeldeämter (Zugriff bei öffentlich geförderten Studien)
• Registerdaten (je nach Land, aber Messfehler?)

Question 3

Ziehung aus klinischer Stichprobe

(Name, Unklarheit + Lösungsansatz, 4 Probleme falls Ziel = Allgemeinbev.)

Answer 3

• spezielle Gelegenheitsstichprobe
  > meist unklar: welche Zielpopulation?
  > Lösungsansatz: ähnliche größere Population denken, aber existiert die überhaupt?

falls Zielpopulation = Allgemeinpopulation:
- oft Selektionsbias
- für Prävalenz/Inzidenzschätzung ungeeignet
- oft Komorbidität (erhöht Behandlungssuche) -> oft Überschätzung der Komorbidität
- schwere, vorbehandelte, therapieresistente Fälle und mit familiärer Vorbelastung überrepräsentiert

Question 4

conditioning on a collider

(2 Def + Grund, Bsp, 1)

Answer 4

2 Variablen hängen nur in klinischer Population zusammen

2 Variablen mit vorhandenem Zusammenhang, aber dieser ist in Stichprobe verzerrt (Richtung der Verzerrung hängt von Richtung des Effekts auf X und Y ab)

Grund: Zusammenhang nicht in Allgemeinbevölkerung untersucht, sondern bedingt auf eine gemeinsame Folge von X und Y (oder damit assoziierte Variable), Bsp. Behandlung/Hilfesuche

(Bedingen in Stichprobenziehung ist statistisch ähnlich zu adjustieren)

Question 5

Auswertung (Software, andere, Methode)

Answer 5

Statistiksoftware geht von einfacher Zufallsstichprobe aus (jede Stichprobe von gleichem Umfang N gleichwahrscheinlich)

bei anderer Stichprobenziehung (gewichtet, geclustert): statistische Inferenz anpassen -> z.B. Standardfehler Anpassung

Sandwich-Methode zur Bestimmung der Standardfehler einer Schätzung

Question 6

Erhöhung der Teilnehmerrate (Ziel, 6 Mögl., Belohnung?)

Answer 6

Ziel: geringerer Selektionsbias durch weniger drop-out

• angenehmes Kontaktverhalten
• kleine Aufmerksamkeiten (xmas card bei Längsschnitt)
• ansprechende Anschreiben / Unterlagen
• Studie unterstützt von öffentlicher/angesehener Institution
• kurze Untersuchungsdauer
• wiederholte Kontaktierung, Probanden nachverfolgen (heute eingeschränkt, Datenschutz!)

!!! Wirksamkeit von Belohnungen umstritten -> evtl. nur untypische Verweigerer -> weniger repräsentativ

Question 7

Verweigerungsuntersuchung (3)

Answer 7

• nur bei “Teilnehmern”: wann nimmt jmd. teil?
• bei Verweigerern paar wichtige Variablen (v.a. Outcome Y) erheben (Bsp. Drogenkonsum beendet?)
• Teilnehmer & Verweigerer in Variablen untersuchen: Selektionsbias?

Question 8

Selektionsbias nach Datensammlung verringern (3)

Answer 8

• statistisch gewichten
• Bsp. 2:1 Frauen:Männer -> Männer doppelt gewichten
• praktisch: muss wichtigste Determinanten für Teilnahme & Verteilung in Population kennen

Question 9

Berechnung der Stichprobengröße

(3 praktische Überlegungen, zu groß/klein, Effektstärkeformel und dropout, 2 cases mit benötigter größerer Stichprobe)

Answer 9

• auf Haupthypothese basieren (bei mehreren: für alle ausrechnen, max. verwenden)
• statistische Power absichern: Teststärke = 1 - beta-Fehler (beta-Fehler = Wahrscheinlichkeit, tatsächlich vorhandener Unterschied nicht zu finden)
• in Praxis meist Standardtestformeln verwendet (auch wenn gleiche Varianz unwahrscheinlich)
• Stichprobe zu klein: kann Hypothese nicht nachweisen & Ressourcenverschwendung
• Stichprobe zu groß: Ressourcenverschwendung
• Effektstärke = (m2 - m1) / SD (Cohen’s d)
• Dropout einkalkulieren, aufrunden!
• je kleiner die Effektstärke, umso größer die nötige Stichprobe
• Stichprobengröße hängt von Basisrate (mean in nicht-Interventions-Gruppe) ab -> wenn Basisrate größer, dann höheres N nötig in Stichprobe (Grund: Bernoulli-Verteilung)

Question 10

Allgemeines Phänomen (3, + 4 Gründe fürs Kategorisieren)

Answer 10

• für binäre (kateg.) Y braucht es viel größere Stichprobe als für ein intervallskaliertes Y
• Grund: geringere Variation in Y -> Gruppen statistisch schwerer zu unterscheiden
  -> daher Y nicht unnötig kategorisieren

Gründe für Kategorisieren:
- valide Falldefinition (Y > Wert h -> Fall) durch Dichotomisierung
- Unterschied nur präsent über Schwellwert (selten)
- extrem schiefe Verteilung
- in Praxis oft unsinnige Dichotomisierung, Bsp. 50% Symptomreduktion bei PANAS -> keine Verhältnisskala (range 10-50)!!!