Effekte und Effektgrößen Flashcards

1
Q

Übersicht nach Kirk (2006)

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

Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen

A

generelles Prinzip: Mittelwertsunterschied an der Streuung innerhalb der Gruppen
relativieren:

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

Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen - generelles Maß & allgemeine Form

A

generelles Maß: Cohens d

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

Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen - Streuung Variante 1

A

gemittelte (gepoolte) Streuung der Stichprobendaten der beiden Gruppen
verwenden

–>diese Effektgröße würde sich nur auf die Stichprobe selbst beziehen

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

Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen - Streuung Variante 2

A

gemittelte (gepoolte) geschätzte Populations-Streuung der beiden Gruppen
verwenden

–>dabei wird bei der Berechnung der Streuungen durch N-1 statt durch N geteilt
–>liefert eine Schätzung der Effektgröße in der Population!
–>manchmal als Hedges g bezeichnet

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

Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen - Streuung Variante 3

A

nur die Populations-Streuung von einer Gruppe (meist Kontrollgruppe)
verwenden

–>meist in klinischen Studien, wenn die Vermutung besteht, dass sich das Treatment
auf die Streuung auswirken könnte

–>manchmal als Glass’Δ (Delta) bezeichnet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q
A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Effektgrößen für Mittelwertsunterschiede bei abhängigen Messungen - generelles Prinzip

A

Mittelwert aller Messwerteunterschiede an der Streuung der
Messwerteunterschiede pro Person relativieren:

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

Effektgrößen für Mittelwertsunterschiede bei abhängigen Messungen - Variante 1

A

Streuung der Stichprobendaten verwenden

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

Effektgrößen für Mittelwertsunterschiede bei abhängigen Messungen - Variante 2

A

geschätzte Streuung in der Population verwenden

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

Effektgrößen für Unterschiede – mehr als 2 Messungen: Effektgröße Eta-Quadrat η2

A

Verhältnis zweier Streuungen
bestimmt, nämlich zwischen der Streuung der Mittelwerte und der Gesamtstreuung

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

Effektgröße Eta-Quadrat η2: Maß für Streuung

A

als Maß für die Streuung wird hier nicht die Varianz selbst verwendet, sondern ihre Vorstufe, die Quadratsummen (QS)

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

Effektgrößen für Mittelwertsunterschiede bei (un)abhängigen Messungen (mehr als 2)

A

–>Eta-Quadrat gibt die aufgeklärte Varianz wieder

–>kann also zwischen 0 und 1 liegen

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

Effektgrößen für Zusammenhänge: Korrelationen

A

Korrelationskoeffizienten sind bereits Effektgrößen, weil der Effekt hier bereits an der
Streuung relativiert ist:

–>alle Korrelationskoeffizienten (r, Rho ρ, Tau τ, Phi φ) sind Effektgrößen
–>die unstandardisierte Form ist die Kovarianz (selten verwendet)

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

Effektgrößen für Zusammenhänge: Lineare Regression

A

hier sollte das unstandardierte b immer interpretiert werden, optional zusätzlich das standardisierte β

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

Effektgrößen für Zusammenhänge: Logistische Regression

A

der Effekt wird immer durch das Odds Ratio ausgedrückt – eine Standardisierung entfällt, weil das Kriterium nur zwei Ausprägungen hat

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

Absolute Risiko-Reduktion (ARR)

A

Eine positive ARR weist auf die Überlegenheit des Treatments hin

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

Number Needed to Treat (NNT)

A
  • sie gibt die Anzahl von Personen an, die zusätzlich „behandelt“ werden müssen, damit eine weitere Person einen Nutzen hat
  • da es um Personen geht, wird die NNT immer aufgerundet
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Beispiel NNT

A

NNT= 1/ARR –>1/0,4

3 Personen müssten mehr in die VL kommen, damit insgesamt eine Person mehr die Prüfung besteht

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

Effektgrößen Zusammenfassung

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

Effektgrößen Berechnungsmöglichkeiten

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

Effektinterpretation: bei konfirmatorischen Studien

A

Bei konfirmatorischen Studien (es gibt eine Theorie mit einer präzisen Punktprognose)
- Vergleich des empirischen Effekts mit der Prognose – stimmen die beiden im Rahmen des Messfehlers miteinander überein?
- falls ja, gilt die Theorie als bestätigt / falls nein, muss sie überarbeitet werden

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

Effektinterpretation: bei explorativen Studien

A

bei explorativen Studien (es gibt keine präzise Erwartung)
- Interpretation der theoretischen/praktischen Bedeutsamkeit des unstandardisierten Effekts – das verlangt eine gute Kenntnis des Forschungsgebietes, inhaltliche Überzeugungskraft sowie eine angemessene Diskussion der Ungenauigkeit von Effekten (siehe Vorlesung Vertrauenswürdigkeit)
- bei latenten Merkmalen: eventuell zusätzlich Effektgrößen verwenden um die relative Größe des Effektes zu verdeutlichen

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

Cohens Konventionen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q
A
25
Q

Was sind Effekte in psychologischen Studien?

A

Effekte quantifizieren Unterschiede oder Zusammenhänge und liefern die direkte Antwort auf die Forschungsfrage. Sie liegen meist zunächst in unstandardisierter Form vor, z. B. als Mittelwertsunterschiede, Kovarianzen oder Regressionskoeffizienten.

26
Q

Welche Probleme können bei unstandardisierten Effekten auftreten?

A

Zwei Probleme sind: 1) fehlende eindeutige Skalierung bei latenten Merkmalen, was die Interpretation erschwert; 2) Vergleichbarkeit von Effekten aus unterschiedlichen Studien mit verschiedenen Skalen.

27
Q

Welche Vorteile bietet die Standardisierung von Effekten?

A

Sie macht die relative Bedeutsamkeit des Effektes deutlich und ermöglicht den Vergleich und die einheitliche Interpretation von Effekten aus verschiedenen Studien.

28
Q

Was sind standardisierte Effekte?

A

Standardisierte Effekte, auch Effektgrößen genannt, beschreiben die standardisierte Größe von Mittelwertsunterschieden oder Zusammenhängen und machen Effekte skalierungsunabhängig und vergleichbar.

29
Q

Was ist Cohens d und wann wird es verwendet?

A

Cohens d ist eine Effektgröße für Mittelwertsunterschiede bei unabhängigen Messungen. Es relativiert den Mittelwertsunterschied an der Streuung innerhalb der Gruppen.

30
Q
A
31
Q

Welche Varianten von Cohens d gibt es und wann werden sie verwendet?

A

Varianten von Cohens d umfassen: 1) gepoolte Streuung der Stichproben (auf Stichprobe bezogen); 2) gepoolte geschätzte Populations-Streuung (Schätzung für die Population, manchmal Hedges g genannt); 3) Populations-Streuung einer Gruppe (meist in klinischen Studien, als Glass’ Δ bezeichnet).

32
Q

Wie wird die Effektgröße bei Mittelwertsunterschieden bei abhängigen Messungen berechnet?

A

Der Mittelwert aller Messwerteunterschiede wird an der Streuung der Messwerteunterschiede pro Person relativiert, entweder anhand der Stichprobendaten oder geschätzter Populations-Streuung.

33
Q

Was ist Eta-Quadrat (η²) und wann wird es verwendet?

A

Eta-Quadrat ist eine Effektgröße für Mittelwertsunterschiede bei mehr als zwei Messungen. Es gibt das Verhältnis der Streuung der Mittelwerte zur Gesamtstreuung wieder und beschreibt die aufgeklärte Varianz.

34
Q

Welche Korrelationskoeffizienten gelten als Effektgrößen für Zusammenhänge?

A

Korrelationskoeffizienten wie r, Rho (ρ), Tau (τ), und Phi (φ) sind Effektgrößen, da sie den Effekt bereits an der Streuung relativieren. Die unstandardisierte Form ist die Kovarianz.

35
Q

Was ist die Number Needed to Treat (NNT) und wie wird sie berechnet?

A

NNT gibt die Anzahl von Personen an, die zusätzlich behandelt werden müssen, damit eine weitere Person einen Nutzen hat. Sie wird aus der Absoluten Risiko-Reduktion (ARR) berechnet und immer aufgerundet.

36
Q

Wie werden Effekte in konfirmatorischen und explorativen Studien interpretiert?

A

In konfirmatorischen Studien wird der empirische Effekt mit der Prognose verglichen. In explorativen Studien wird die theoretische und praktische Bedeutsamkeit des Effekts interpretiert, oft unter Verwendung von Effektgrößen, wenn die Interpretation schwierig ist.

37
Q

Was ist der Unterschied zwischen Effekten und Effektgrößen?

A

Effekte sind unstandardisierte Messergebnisse, die direkt die Forschungsfrage beantworten. Effektgrößen sind standardisierte Maße, die relative Vergleiche ermöglichen und über verschiedene Studien hinweg vergleichbar sind.

38
Q
A
39
Q

Wann ist eine Standardisierung von Effekten nicht nötig?

A

Eine Standardisierung ist nicht nötig, wenn die Skala eindeutig ist, z. B. bei Messungen von Alter in Jahren, da die Interpretation der Bedeutsamkeit des Effektes unproblematisch ist.

40
Q

Warum kann die Interpretation eines unstandardisierten Effektes schwierig sein, wenn die Skala nicht eindeutig ist?

A

Bei Skalen ohne festen Nullpunkt oder klar definierten Skaleneinheiten (z. B. Skalenpunkte) ist die Interpretation schwieriger, weil die Bedeutung eines Unterschieds nicht klar ist. Eine Standardisierung kann hier helfen.

41
Q
A
42
Q

Wie soll der Effekt bei latenten Merkmalen interpretiert werden?

A

Bei latenten Merkmalen, die keine eindeutige Skalierung haben, ist die Interpretation des Effekts schwieriger. Standardisierte Effektgrößen können helfen, die relative Größe des Effekts zu verdeutlichen.

43
Q

Wie können Effekte aus unterschiedlichen Studien vergleichbar gemacht werden?

A

Durch Standardisierung der Effekte werden sie skalierungsunabhängig und damit über verschiedene Studien hinweg vergleichbar und einheitlich interpretierbar.

44
Q

Warum sollten standardisierte Effekte nie allein interpretiert werden?

A

Standardisierte Effekte sollten nie allein interpretiert werden, weil sie den absoluten Effekt und die Streuung kombinieren. Nur unstandardisierte Effekte können die Forschungsfrage direkt beantworten.

45
Q

Unter welchen Bedingungen sind Effektgrößen sinnvoll?

A

Effektgrößen sind sinnvoll ab Intervallskalenniveau, da sie die Standardabweichung zur Standardisierung verwenden, was bei niedrigeren Skalenniveaus nicht anwendbar ist.

46
Q

Welche Varianten der Streuungsbestimmung gibt es für Cohens d?

A

Es gibt drei Varianten: 1) gepoolte Streuung der Stichprobendaten, 2) gepoolte geschätzte Populations-Streuung (Hedges g), 3) Populations-Streuung einer Gruppe (Glass’ Δ).

47
Q
A
48
Q

Welche spezielle Effektgröße wird in klinischen Studien verwendet und warum?

A

Glass’ Δ (Delta) wird verwendet, wenn vermutet wird, dass sich das Treatment auf die Streuung auswirken könnte. Dabei wird die Populations-Streuung nur einer Gruppe verwendet.

49
Q

Wie wird eine Effektgröße bei mehr als zwei Messungen berechnet?

A

In diesem Fall wird das Verhältnis der Streuung der Mittelwerte zur Gesamtstreuung bestimmt. Dieses Streuungsverhältnis wird durch Eta-Quadrat (η²) ausgedrückt und gibt die aufgeklärte Varianz wieder.

49
Q

Welche Effektgrößen werden in der linearen Regression verwendet?

A

In der linearen Regression sollte immer das unstandardisierte b interpretiert werden. Optional kann zusätzlich das standardisierte β verwendet werden.

49
Q

Wie wird der Effekt in der logistischen Regression ausgedrückt?

A

Der Effekt wird durch das Odds Ratio (OR) ausgedrückt. Eine Standardisierung entfällt, da das Kriterium nur zwei Ausprägungen hat.

50
Q

Was ist die Absolute Risiko-Reduktion (ARR) und wie wird sie verwendet?

A

ARR ist die Berechnungsgrundlage für die Number Needed to Treat (NNT). Eine positive ARR weist auf die Überlegenheit des Treatments hin.

51
Q

Wie wird NNT in einem Beispiel berechnet?

A

Wenn 3 Personen mehr an einer Vorlesung teilnehmen, damit eine Person mehr die Prüfung besteht, beträgt die NNT 3. Sie gibt an, wie viele Personen zusätzlich behandelt werden müssen, damit eine weitere Person profitiert.

52
Q

Wie sollten Effektgrößen in explorativen Studien interpretiert werden?

A

Effektgrößen sollten zur Verdeutlichung der relativen Größe des Effekts verwendet werden, insbesondere bei latenten Merkmalen. Zudem kann ein Vergleich mit anderen Effektgrößen aus ähnlichen Bereichen hilfreich sein.

53
Q

Was tun, wenn keine spezifische Theorie zur Interpretation von Effektgrößen vorliegt?

A

Man kann sich an Konventionen für große, mittlere und kleine Effekte orientieren, die jedoch themenfeld-spezifisch sein sollten.

54
Q

Was ist der Hauptunterschied zwischen unstandardisierten und standardisierten Effekten?

A

Unstandardisierte Effekte liefern die direkte Antwort auf die Forschungsfrage, während standardisierte Effekte (Effektgrößen) relative Vergleiche ermöglichen und über Studien hinweg vergleichbar sind.

55
Q

Was fasst die Bedeutung von Effekten und Effektgrößen zusammen?

A

Effekte quantifizieren Unterschiede oder Zusammenhänge; unstandardisierte Effekte beantworten die Forschungsfrage direkt, während standardisierte Effekte über Studien hinweg Vergleiche und Interpretationen erleichtern.

56
Q
A
57
Q
A