Inferentielle Datenanalyse I Flashcards
Beurteilung der Bedeutsamkeit der Ergebnisse: Relativ: Effektgrößen
Beurteilung der Bedeutsamkeit von Ergebnissen: Absolut: Theoretischer Erkenntnisgewinn (evtl. Bayesianischer Ansatz)
Beurteilung der Bedeutsamkeit von Ergebnissen: Absolut: Praktischer Nutzen (im Kontext)
Beurteilung der Bedeutsamkeit von Ergebnissen: Absolut: Größe und Richtung des Effekts (auch relativ zur Skala)
Inferentielle Datenanalyse: Prozess der Datenanalyse
INFERENTIELLE DATENANALYSE
Ergebnisse von Stichproben
auf die Population
verallgemeinern
Welche Aspekte sollten bei der Beurteilung der Vertrauenswürdigkeit von Daten beachtet werden?
Operationsalisierung: Wie gut passt das Design zur Forschungsfrage?
Design: Kontrolliert? Randomisiert? Sinnvolles Setting?
Stichprobengröße: „Hinreichend“ groß?
Qualität von Daten: Fehlende Werte? Dropouts?
Qualität von Messinstrumenten: Objektiv? Standardisiert? Reliabel?
Keine Tests oder Grenzwerte, Beurteilung durch Forscher/in, abhängig vom Kontext.
Wie wird die Bedeutsamkeit von Studienergebnissen beurteilt?
Absolut: Größe und Richtung des Effekts (auch relativ zur Skala), praktischer Nutzen im Kontext, theoretischer Erkenntnisgewinn.
Relativ: Effektgrößen.
Effekte können deskriptiv oder inferentiell interpretiert werden, abhängig von der Prüfung theoretischer Vorhersagen.
Generalisierbarkeit (Inferenz)
Ähnlichkeit zwischen Stichprobe und Zielgruppe.
Repräsentative Stichproben sind ideal, aber oft unrealistisch.
Unterschiede zwischen Stichprobe und Population müssen von Forschenden beurteilt werden.
Rücklaufquote und Dropouts sind ebenfalls relevant.
Welche Stichprobenarten werden in der Psychologie verwendet?
1.Echte Zufallsstichprobe (sehr selten).
2.Cluster-Stichprobe (häufig verwendet) – zufällige Ziehung von Clustern, Analyse auf Clusterebene.
3.Willkürliche Stichprobe / Convenience Sample (sehr häufig) – leicht zugängliche Gruppen, nicht repräsentativ.
Warum ist die Definition der Population wichtig für die externe Validität?
Ein gültiger Schluss ist nur möglich, wenn eine repräsentative Stichprobe der interessierenden Population/Zielgruppe vorliegt.
Daten aus willkürlichen Stichproben sind nicht repräsentativ und sollten mit Vorsicht interpretiert werden.
Welche Faktoren beeinflussen die Verlässlichkeit der Schätzung eines Populations-Parameters?
Angemessenes Design, ausreichende Stichprobengröße, hohe Qualität der Daten und Messinstrumente.
Qualität der Inferenz abhängig von zufälliger Ziehung und Stichprobenzusammensetzung.
Was lernen wir aus der Verteilung von Stichprobenmittelwerten?
1.Einzelne Studienergebnisse weichen vom wahren Mittelwert ab.
2.Studiendaten haben eine Bandbreite, die die Genauigkeit der Schätzung beeinflusst.
3.Ergebnisse schwanken zufällig um den wahren Wert.
4.Die Verteilung nähert sich einer Normalverteilung an.
Wie wird eine theoretische Stichprobenverteilung bestimmt?
Notwendig sind Informationen über die Form der Verteilung, den Mittelwert und die Streuung der Verteilung.
Sie entsteht hypothetisch aus der Annahme, eine Studie unendlich oft zu wiederholen.
Warum ist die Größe einer Stichprobe für die inferenzielle Datenanalyse wichtig?
Eine „hinreichend“ große Stichprobe erhöht die Wahrscheinlichkeit, dass die Ergebnisse auf die Population verallgemeinert werden können.
Kleine Stichproben können zu unzuverlässigen und verzerrten Ergebnissen führen.
Die Beurteilung, ob die Stichprobengröße angemessen ist, hängt von der spezifischen Studie und dem Kontext ab.
Wie beeinflussen Dropouts und fehlende Werte die Qualität der Daten?
Dropouts und fehlende Werte können zu Verzerrungen führen, wenn sie systematisch auftreten.
Die Analyse muss gegebenenfalls angepasst werden, um diesen Verlust von Daten zu berücksichtigen.
Die Qualität der Schlussfolgerungen hängt davon ab, wie gut diese Herausforderungen bewältigt werden.
Was ist das Ziel der frequentistischen Inferenzstatistik?
Die Schätzung von Populationsparametern basierend auf Stichproben, um zu beurteilen, ob das Ergebnis stabil und verallgemeinerbar ist.
Theoretische Stichprobenverteilungen werden verwendet, um Unsicherheiten in der Schätzung zu quantifizieren.
Wann eignet sich der Bayes’sche Ansatz in der Inferenzstatistik?
Bei konkurrierenden Theorien oder Hypothesen, wo eine Vorhersage geprüft werden soll.
Der Bayes’sche Ansatz berücksichtigt sowohl die empirischen Daten als auch die a priori Wahrscheinlichkeiten und liefert eine aktualisierte Wahrscheinlichkeit für eine Hypothese.
Wie beeinflussen Repräsentativität und Rücklaufquote die Qualität einer Studie?
Eine repräsentative Stichprobe ist entscheidend, um die Ergebnisse auf die Population verallgemeinern zu können.
Eine niedrige Rücklaufquote kann die Repräsentativität und damit die Generalisierbarkeit der Ergebnisse beeinträchtigen.
Was zeigt ein Gedankenexperiment zur Stichprobenverteilung?
Es illustriert, dass einzelne Studienergebnisse zufällig um den wahren Populationswert schwanken.
Es verdeutlicht, dass bei vielen Wiederholungen einer Studie eine Verteilung der Schätzwerte entsteht, die sich einer Normalverteilung annähert.
Warum kann man die „Nähe“ des empirischen Kennwerts zum wahren Populationsparameter nicht direkt quantifizieren?
Die Unsicherheit in der Schätzung ergibt sich aus der zufälligen Variation der Stichprobenergebnisse.
Während man das durchschnittliche Ausmaß der Unsicherheit bestimmen kann, bleibt die genaue „Nähe“ des Kennwerts zum wahren Wert unbestimmt.
Wann sind Convenience Samples legitim und sinnvoll?
Bei unbekannten oder schwer zugänglichen Populationen, z. B. Missbrauchsopfer, als erster Einstieg in die Forschung.
Obwohl sie nicht repräsentativ sind, können sie erste Hinweise liefern und die Basis für weiterführende Studien legen.
Wie wird die theoretische Stichprobenverteilung in der Praxis verwendet?
Sie wird genutzt, um die Unsicherheit von Schätzungen zu quantifizieren, indem man hypothetisch viele Studienergebnisse betrachtet.
Sie hilft, die Stabilität und Verlässlichkeit der Studienergebnisse einzuschätzen, auch wenn nur eine einzige Studie vorliegt.
Was besagt das Gesetz der großen Zahl in Bezug auf die Inferenzstatistik?
Es besagt, dass die Ergebnisse bei vielen Studienwiederholungen tendenziell näher am wahren Populationswert liegen.
Dies erklärt, warum größere Stichproben tendenziell verlässlichere Schätzungen liefern.