prov. Fragekatalog 76 - 90 Flashcards
- Was hat Signifikanztesten mit der Elimination alternativer Erklärungen zu tun?
Signifikanztests können eine Alternativerklärung, nämlich die des Zufalls, eliminieren. Alle anderen
potenziellen Alternativerklärungen bleiben jedoch bestehen. Mit einem Signfikanztest wird eine H0
verworfen, die besagt, dass es keinen Effekt in der Population gibt. Damit ist aber noch nicht bestätigt, dass
der Effekt auf eine bestimmte Ursache zurückgeht bzw. durch eine bestimmte Theorie erklärt werden kann.
-> z.B.: Wenn wir feststellen, dass eine Person das Wetter signifikant voraussagen kann, wissen wir nicht, ob
das daran liegt, dass sie hellseherische Kräfte oder sehr fundierte meteorologische Fähigkeiten hat. Das
einzige, was wir wissen, ist, dass sie nicht geraten hat.
- Was sind Fall-Kontrollstudien? Was sind die Probleme dieses Designs?
Bei Fall-Kontrollstudien (Case Control Studies) handelt es sich um ein nicht-experimentelles, eine
bestehende Situation beobachtende, retrospektive Design, welches verwendet wird, um Hypothesen für
Kausalursachen zu finden. Dabei wird gefragt, wie sich die Vorgeschichte von Menschen mit einer
bestimmten Eigenschaft von solchen ohne unterscheidet (z.B. Lungenkrebs und Rauchen, Hirntumore
und Handystrahlung, Psychosen und Psychosen bei den Eltern). Fall-Kontrollstudien wollen von einem
Effekt (Wirkung) auf dessen Ursache schließen – im Gegensatz zu vielen anderen Forschungsdesigns, bei
denen man durch eine Ursache (Behandlung) eine Wirkung (Effekt) nachweisen will. Fall-Kontrollstudien
sind meist ethisch vorteilhafter als RCTs, insbesondere bei Ursachen für Schädigungen (auch billiger
und einfacher durchzuführen). Probleme/Schwierigkeiten des Designs sind:
- …dass „Ursachen“ mit anderen Variablen konfundiert sind
- …dass die Untersuchung an entsprechenden Aufzeichnungen bzw. Erinnerungen (wie viel wurde telefoniert?) hängt
- …dass Erinnern (oder Falsch-Erinnern) mit einem Symptom in Zusammenhang stehen kann („hab ja doch viel telefoniert…“), „rumination bias“ (erkrankte Person denkt viel über mögliche Gründe nach)
- …dass es Klarheit (bzw. Einigkeit) braucht, was genau als Symptom zählt und was nicht
- …dass sich Diagnosen mit der Zeit verändern können
- …Pubikationsbias und selektive Wahrnehmung: ein bestätigter Verdacht fällt eher auf als das Gegenteil bzw. wird leichter zu publizieren sein („da sieht man es ja schon wieder“ vs. „also ich hab’s in meinen Daten nicht gefunden…“)
- …dass die Diagnosewahrscheinlichkeit nicht für jede Person/Region gleich ist (Diagnosemethoden; Verfügbarkeitsheuristik)
- …die Abhängigkeit von der Stichprobengröße: ist sie zu klein, wird nichts signifikant; ist sie zu groß wird alles signifikant (allgemeines Problem)
- …die Repräsentativität der Kontrollgruppe : Problem beim Parallelisieren: ist parallelisiertes Merkmal nicht eigentlich schon ein Symptom? (z.B. Einkommensunterschied beim Geschlecht: soll man nach Vollzeit/Teilzeit parallelisieren – oder ist Teilzeit nicht bereits eine Folge des Geschlechts?)
- Wie sieht ein cross-over-design aus? Wozu dient es?
Ein Cross-over-Design dient dem Ausschließen von falschen Effekten bei klinischen Studien (meist in
der Medizin). Die Teilnehmer werden durch Randomisierung zwei Gruppen zugeteilt. Dabei bekommt die
- Gruppe Präparat/Therapie A zuerst und danach Präparat/Therapie B. Bei der 2. Gruppe ist die Reihenfolge genau umgekehrt.
Das Cross-over design verhindert, dass ein Langzeiteffekt von Präparat/Therapie A mit dem Effekt
von Präparat/Therapie B verwechselt wird.
- Was versteht man unter Einzelfallanalyse?
Die Einzelfallanalyse hat Tradition in der qualitativen Forschung. In der quantitativen Forschung meint
man damit meist die Betrachtung von Zeitreihen. Dabei liegt der Schwerpunkt auf individuellen
Fallbetrachtungen und ihren individuellen Kombinationen von Merkmalsausprägungen. Bei Zeitreihen
beobachtet man eine Variable über die Zeit hinweg (z.B. Therapieverläufe).
- Was muss man bei der Auswertung einer zeitlichen Abfolge beachten?
Zu berücksichtigen sind Art des Effekts, Dauer und Verzögerung (manche Effekte treten erst nach längerer
Latenzzeit ein -> „Sleeper effect“), sowie externe Einflüsse. Zu beachten ist außerdem, dass die statistische
Auswertung komplizierter ist als beim Gruppenvergleich, weil die Werte oft autokorreliert sind, und
dass die vielverwendeten ARIMA-Modelle lange Messwertreihen (>100) brauchen um ein Modell zu
schätzen.
- Das Validitätsproblem, wenn man Effekte auf eine Zeitreihe untersucht. Wie kann man damit umgehen?
Das Hauptproblem sind zeitgleiche Einflüsse anderer Variablen als der zu untersuchende Effekt (z.B.
politische Interventionen wie etwa Gesetzesänderungen – was passiert noch alles in dieser Zeit?). Auch
Brüche in der Zeitreihe sind problematisch (die Erfassung ändert sich, Umstellung der Erhebung,
veränderte Definitionen [z.B. Diagnosen], verändertes Bewusstsein [z.B. mehr häusliche Gewalt: passiert
mehr oder wird nur mehr gemeldet?]). Oder es verändert sich die Selektion bzw. Population.
Erweiterungen der Analyse, um damit umzugehen:
- Non-äquivalente no-treatment group (z.B. Helmpflicht für Kleinmotorräder sollte nur Schäden in dieser Fahrzugkategorie vermindern, nicht aber für größere Motorräder)
- Non-äquivalente abhängige Variable (z.B. Öffnungszeiten von Pubs und Alkoholunfälle – stärkster Effekt am Wochenende)
- Treatment wieder entfernen
- Treatment in Vergleichsgruppe zu späterem Zeitpunkt (z.B. Anstieg der Kriminalität mit Einführung des Fernsehens, in verschiedenen Orten zu verschiedenen Zeiten)
- Wiederholtes Setzen/Fortnehmen der Behandlung
- Multiple Pre- und Posttests
-> All das betrifft die interne Validität.
- Was muss man tun, um kausale Effekte innerhalb einer Zeitreihe zu untersuchen? Welche Möglichkeiten gibt es, um das zu erreichen?
Zeitreihen einfach miteinander zu korrelieren führt zu Scheinkorrelationen (alles was zeitlichen Trend
hat, korreliert miteinander). Um kausale Effekte zu untersuchen, muss man Zeitreihen zuerst stationär
(„Stationarität“ = Konstanz über Zeit; Scheinkorrelationen können durch jede Nicht-Stationarität entstehen)
machen (z.B. Trends bereinigen, etwa mittels ARIMA-Modellen).
Der erste (und oft wichtigste) Schritt dabei ist es, Differenzen (zwischen einem Wert und seinem
Vorgänger) für beide Zeitreihen zu bilden.
Verzerrungen der Parameterschätzungen von kausalen Effekten können minimiert werden, zum einen
durch Randomisierung, durch non-responder-Analysen, sowie durch partielle Korrelationen mit sog.
instrumental variables.
- Was ist Stationarität einer Zeitreihe? Wofür ist sie wichtig?
Die Stationarität einer Zeitreihe ist ihre Konstanz über die Zeit. Sie ist wichtig, um Zeitreihen miteinander
korrelieren zu können. Alles, was einen zeitlichen Trend hat, korreliert miteinander. Versucht man also,
zwei Zeitreihen miteinander zu korrelieren, ohne sie des zeitlichen Trends zu bereinigen, bekommt
man Scheinkorrelationen („spurious correlations“).
Stationarität bedeutet, dass Mittelwert, Varianz und Autokorrelationen (laufende Werte korrelieren mit
den unmittelbaren Vorgängern; „Trend“ = Autokorrelation mit lag 1) einer Zeitreihe über die Zeit gleich
bleiben.
Stationarität ist im Zusammenhang mit der Parameterschätzung sehr wichtig. Wenn die Stationarität
eines Prozesses nicht mehr gegeben ist, da der Erwartungswert bspw. von der Zeit t abhängt und nicht
mehr konstant ist, resultieren völlig unbrauchbare Werte.
- V: Sie möchten feststellen, ob sich die Wirtschaftskrise auf das Wohlbefinden der Österreicher ausgewirkt hat, indem Sie die zeitliche Entwicklung des BIP mit jener des Wohlbefindens vergleichen. Wie müssen Sie dabei vorgehen?
Zuerst muss die Stationarität der beiden Zeitreihen hergestellt werden (Bereinigung von zeitlichen
Trends, z.B. mittels ARIMA-Modellen). Anschließend können die Zeitreihen miteinander korreliert und
korrelative Aussagen getätigt werden – jedoch streng genommen keine kausalen.
Zusätzlich könnte man eine non-äquivalente no-treatment Gruppe einführen – z.B. könnte man sich das
Wohlbefinden in Ländern ansehen, in denen der BIP zur gleichen Zeit nicht sank bzw. sich früher wieder
erholte. Beziehungsweise ließe sich auch untersuchen, ob sich das Wohlbefinden in anderen Ländern
ebenfalls mit dem Schwanken des BIP veränderte (non-äquivalente abhängige Variable).
- Warum benötigt man Fallzahlplanungen?
Vor der Durchführung einer quantitativen Studie, einer Umfrage oder eines Experiments, kann durch
eine Fallzahlplanung die benötigte Stichprobengröße ermittelt werden. Ist die benötigte Fallzahl vor der
Durchführung der Studie nicht bekannt, so kann es sein, dass zu wenige Daten erhoben werden, um die
Forschungsfrage mit den Ergebnissen beantworten zu können.Werden mehr Fälle erhoben als eigentlich
für die Beantwortung der Fragestellung notwendig gewesen wäre, wurde unnötig viel Zeit und Geld
eingesetzt. In Interventionsstudien wurden zudem mehr Patienten als notwendig mit der unterlegenen
Methode behandelt, was aus ethischen Gründen nicht vertretbar ist. In vielen professionellen
Untersuchungen ist die Fallzahlplanung ein Standard und wird manchmal auch von Gutachtern eingefordert.
- Was genau sind Konfidenzintervalle? Wie steigt eine Präzision der Schätzung in Abhängigkeit von der Stichprobengröße?
Ein Konfidenzintervall enthält den „wahren“ Wert (Populationswert) mit z.B. 95%iger Sicherheit
(Konfidenz). Je schmäler mein Konfidenzintervall, desto präziser ist meine Schätzung. Die Breite des
Konfidenzintervalls hängt von der Stichprobengröße n ab (je größer, desto enger).
Das Konfidenzintervall für eine Wahrscheinlichkeit (bei einfacher Zufallsauswahl) ergibt sich aus: p1,2 =
𝑟 ± 1.96 √[r(1-r)/n]
Es hängt also ab von der Punktschätzung r und fällt mit der Wurzel von n.
Richtwerte für die Abschätzungen für Häufigkeiten:
- n=100 => ±10%
- n=1000 => ±3%
- n=10000 => ±1%
Allgemein gilt: Um den Fehler auf die Hälfte zu drücken, brauche ich die 4-fache Stichprobengröße (wegen der Wurzel aus der Formel) – bzw. k2 mal die Stichprobengröße um den Fehler um einen Faktor
k kleiner zu machen.
- Was ist der Standardfehler?
Der Standardfehler ist die Standardabweichung des Schätzwerts (sampling distribution). Die sampling distribution ist die Verteilung, die man erhält, wenn man unendlich oft einen bestimmten Parameter (z.B. den Mittewert) schätzen würde. Der Standardfehler ist abhängig von der Stichprobengröße und der Varianz in der Population. Er ist unbekannt und wird anhand der Varianz in der Stichprobe
geschätzt.
- Mittelwert-Standardfehler: 𝑆𝐸 = σ/√n
- Für Wahrscheinlichkeiten/Proportionen: √p*(1-p)/n
Je größer n ist, desto geringer ist der Standardfehler und umso präziser ist die Schätzung (z.B. des Mittelwerts). Je kleiner die Varianz ist, desto kleiner ist der Standardfehler.
- V: Berechnen Sie ein Konfidenzintervall für den Populationsanteil, wenn Sie anhand einer Stichprobe von 500 Personen eine Häufigkeit von 30% (also 0.3) beobachten. (gesuchte Zahl: [0.26;0.34])
- V: Eine Umfrage versucht den derzeitigen Wähleranteil einer der österreichischen Parteien zu schätzen. Mit welcher Genauigkeit ist bei n=800 zu rechnen? (Hängt das von der konkreten Partei ab?) (gesuchte Zahl: ± 3.5% bei 95% Sicherheit und 50% beobachtetem Wähleranteil, bei anderen Anteilen noch genauer => 50%-Annahme dient als obere Abschätzung)
- Wie nimmt man eine Fallzahlplanung vor?
Man kann die Fallzahlplanung mittels Konfidenzintervallen bzw. mit der Formel für den
Standardfehler vornehmen. Dabei wählt man n so groß, dass der Standardfehler so klein wie gewünscht
wird (die anderen Größen in den Formeln schätzt man aus Erfahrung oder über den Daumen [z.B.
Varianzen]; bei Häufigkeiten ist p=0.5 der ungünstigste Fall). Für gegebene Präzision ±D ergibt sich n
aus der Umformung: (siehe Bild)
Beispiel: bei einer angenommenen Prävalent von 10% soll der relative Fehler 20% nicht überschreiten.
Die Poweranalyse (z.B. mit G*Power) kann verwendet werden, um die benötigte Fallzahl zum Erreichen
der gewünschten Macht auszurechnen (oft richten sich Fallzahlplanungen auf den Nachweis von Effekten
relevanter Größe aus, z.B. 2 Punkte auf einer 10-Punkte-visual analog scale, oder es gibt bereits
Erfahrungen über die Größe der zu erwartenden Effekte). Dafür muss man α, die Testmacht und die
Effektstärke kennen.
