PWA

keine Lern- oder Ermüdungseffekte

keine Effekte der Reihenfolge

keine carry-over Effekte

größere Anzahl an Versuchspersonen

geringere Power durch höhere Fehlervarianz

potentielle Unterschiede zwischen den Personen in unterschiedlichen Gruppen

Ökonomischer, da man weniger Fälle benötigt

höhere Power

bessere Vergleichbarkeit 

nicht immer anwendbar

Lerneffekte

potentielle Unterschiede

Anfallsstichprobe / Convenience Sampling

Zufallsstichprobe

Clusterstichprobe / Klumpenstichprobe

Strafizierte Stichprobe / geschichtete Stichprobe

Quotenstichprobe

völlig zufällig - MCAR

zufällig - MAR

nicht zufällig - MNAR

Die Wahrscheinlichkeit, dass Daten fehlen, hängen weder von beobachteten noch von nicht beobachteten Daten ab.

Die Wahrscheinlichkeit, dass Daten fehlen, hängen von beobachteten (und im statistischen Modell berücksichtigen), nicht aber von nicht beobachteten Daten ab.

Die Wahrscheinlichkeit, dass Daten fehlen, hängen (auch) von nicht beobachteten (=nicht im statistischen Modell) Daten ab.

In diesem Fall sind die Ergebnisse der Inferenzstatistischen Analyse verzerrt.

verwendet nur vollständige Datensätze

ersetzt fehlende Werte durch Schätzungen aus den vorhandenen Werten (Imputation):

- LOCF

- Mittelwerte

- Regressionsmodell

Statistische Modelle, die alle vorhandenen Daten nutzen, aber fehlende Daten nicht ersetzen (Maxumu - Likelihood - Schätzungen)

Das Vorgehen ist nur bei MCAR Daten korrekt. Jedoch kommt es dabei zu einer Reduktion der statistischen Power durch Reduktion der Stichprobengröße.

In Zeitreihen werden fehlende Werte durch den letzten zuvor gemessenen Messwert erstzt.

Diese Methode führt bei allen Arten von Prozessen von fehlenden Werten zu Verzerrungen, wenn man davon ausgehen muss, dass es zu zeitlichen Veränderungen kommt.

Diese Variante wird meist verwendet wenn einzelne Items einer Skala nicht ausgefüllt werden.

Berechnet den Skalenwert aus dem Mittelwert der vorhandenen Items.

In Zeitreihen wird fehlende Wert (wenn möglich) durch den Mittelwert der vorangegangenen und nachherigen Messung ersetzt.

Hierbei wird anhand des Datensatzes für jede Variable das beste Regressionsmodell zur Schätzung der fehlenden Variablen ermittelt.

Darf davon ausgehen, dass das Vorgehen bei MCAR und MAR Daten keine systematischen Verzerrungen bewirkt.

pro fehlendem Werte nicht nur ein Schätzwert, sondern mehrere berechnet werden, sodass zahlreiche Datensätze resultieren. Die statistische Analyse erfolgt dann an allen Datensätzen und die resultierenden p-Werte werden gemittelt.

erklären (Ursache  → Wirkung)

hypothesenprüfung

numerische Ergebnisse

erklären und prüfen von Hypothesen

lineares vorgehen

deduktives schließen

Kodierung und Kategorisierung

narrative und hermeneutische Verfahren

konversations- und Diskursanalyse

Definition des Forschungsgegenstandes

Formulierung der Hypothesen

Konstruktion des Erhebungsintruments

Wahl der Stichprobe

(Pilotprojekt)

Fallzahlplanung

Datenerhebung

Datenanalyse

Berichterstellung

Abbildung:

über Einzelfall hinaus

aus forschungsleitenden Annahmen abgeleitet

Aussagen müssen anhand erhobener Daten geprüft werden

Hypothesenprüfung durch statistische Tests

Forschungshypothese

Operationale Hypothesen

Statistische Hypothesen

allgemein formuliert, aber präzise Fragestellung

werden abgeleitet aus: Literatur, empirische Studien und eigenem oder fremden Erfahrungsschatz

legen Untersuchungsdesign fest

sind auf die konkrete Untersuchung hin formuliert

z.B. die Sensitivität der Methode A ist höher als die Sensitivität der Methode B

sind auf die statistischen Parameter hin formuliert

beziehen sich auf die Population

Basis der statistischen Hypothesenprüfung

unterscheidet zwischen H0 und H1

Nullhypothese = Unterschied größer gleich einem zuvor festgelegten Wert → daher einseitige Fragestellung

signifikantes Ergebnis = beobachteter Unterschied nachweisbar geringer als der relevante und die Methoden daher als gleichwertig anzusehen sind

H0 verwerfen, obwohl sie gilt.

H0 beibehalten, obwohl sie nicht gilt.

Der relevante Effekt ist der Unterschied, der zwischen zwei Populationen bestehen muss, um von einem (klinisch) bedeutsamen Unterschied sprechen zu können.

Gibt die Wahrscheinlichkeit eines statistisch signifikanten Ergebnisses an, vorausgesetzt der interessierende Effekt existiert tatsächlich.

Je größer die Power einer Studie sein soll, desto größer muss die Stichprobe sein.