Methodenlehre

UV: Vom Experimentator aktiv variiert in mindestens 2 Ausprägungen

• meist vom Versuchsleiter manipuliert

AV: Reaktion auf die Bedingungen der UV

• Klasse der Reaktionsmaße ist sehr breit!

SV: mit UV korrelierende Variable, die vermutlich auch die AV beeinflussen könnte, so dass man nicht weiß, ob sie und/oder die UV für die Effekte in der AV verantwortlich ist

Bei bloßer Behauptung eines Zusammenhangs zwischen zwei Variablen besteht keine eindeutige UV-/AV-Zuordnung (Korrelationsstudien)!

• Verschiedene Ziele: Prüfexperiment, Erkundungsexperiment, Vorexperiment
• Anzahl UVn: uni-/multifaktorielles Experiment
• Anzahl AVn: uni-/multivariates Experiment
• Labor- vs. Feldexperiment (Feld: geringere Kontrolle von SV)
• Echtes Experiment (mit Randomisierung) vs. Quasiexperiment (keine Randomisierung möglich)

• es werden zwei (oder mehr) Variablen erhoben, und es wird nach Zusammenhängen geschaut
• typischerweise werden hier Personengruppen zufällig auf zwei Bedingungen (UV) aufgeteilt, und die Wirkung (AV) der Bedingungen zwischen den Gruppen verglichen

Definition Störvariablen:

• hängen mit UV zusammen (Konfundierung)
• potentiell für Änderungen in der AV verantwortlich (Plausibilität)
• nicht alles, was stört, ist Störvariable!

• Experimente erlauben nicht stets die Ursachen eines Phänomens aufzudecken

• Beschreibungen (Sammlung von Tatsachenwissen/Beschreibungen)
• Erklärungen (Verweis auf Gesetze und/oder Theorien)
• Vorhersagen (Verweis auf gestze)

• Beschreibungen
• Gesetzmäßigkeiten (als "Effekte" bekannt)
• Theoretische Erklärungen (oft metaphorische "Deutung" von Gesetzen)

= der Prüfung zu unterziehende Sätze / mögliche Antworten auf Forschungsfragen

• implizite Bestandteile: Variablen und deren Ausprägungen (sollten sich analysieren lassen)

Formulierungsvarianten

1. als Variablenzusammenhang (Zusammenhangshypothese)
2. als Gruppenunterschied (Unterschiedshypothese)
3. als Wenn-Dann-Satz (Konditionalsatz)

3 Klassen von Variablen in der Psychologie

• Input: Stimulusvariablen
• Throughput: Organismusvariablen, mentale/neuronale Aktivität
• Output: Reaktionsvariablen

-> Beziehungen zwischen diesen Variablen als Ziel experimenteller Untersuchungen

Existenzsätze (Existentielle Hypothesen)

• "Es gibt mind. Etwas, für das gilt..."
• sind verifizierbar (wenn man ein Etwas gefunden hat)
• sind nicht falsifizierbar, wenn man nicht alle Exemplare untersuchen kann
• eher selten in der Psychologie (eher bei Patientenstudien oder Widerlegung einer Theorie)

Allsätze (universelle Hypothesen)

• am häufigsten in der Psychologie (aber in einem merkwürdigem Sinne)
• sind falsifizierbar
• sind nicht verifizierbar, wenn man nichtv alle Exemplare überprüfen kann - daher nur "Bewährung von Hypothesen"
• je öfter eine Hypothese sich bewährt, desto höher ihr Bewährungsgrad

Hypothesen über Anteile

• in Psychologie seltener
• sind weder verifizierbar noch falsifizierbar, wenn nicht alle Exemplare untersucht werden können
• können sich unter verwendung statistischer Methoden bewähren

qualitative Variablen (Nominalskalenniveau)

• z.B. Geschlecht, Emotionstyp, Wählertyp
• die Begriffe „mehr“ oder „weniger“ machen hier keinen Sinn

quantitative Variablen

• z.B. Größe, Gewicht, Angstintensität, Intelligenz, Platzierung bei Wettbewerben 
• die Begriffe „mehr“ oder „weniger“ machen Sinn
• diskrete vs. stetige Variablen (Personenanzahl vs. Körpergewicht)

beobachtungsnahe (manifeste) Variablen

• („isst Suppe“/„isst keine Suppe“)

beobachtungsferne Variablen (heißen manchmal auch: „Konstrukte“ oder „latente Variablen“)

• z.B. Intelligenz
• bedürfen einer Operationalisierung 

Moderator: beeinflusst die Richtung/Stärke des Zusammenhangs zwischen UV und AV

Mediator: „Zwischenglied“, bezieht sich auf ein zwischen UV und AV liegendes Kausalglied 

Empirischer Gehalt 

• Hypothesen sollten nicht schon analytisch wahr sein

• logisch widerspruchsfrei 

Falsifizierbarkeit (Kritisierbarkeit)

• es müssen Ereignisse denkbar (und genau beschreibbar) sein, die die Hypothese falsifizieren

Non-Trivialität 

• Eine Hypothese ist nicht trivial, wenn auch Einiges für das Gegenteil der Hypothese spricht

Operationalisierbarkeit 

• den Begriffen der Hypothese müssen beobachtbare Daten zugeordnet werden können (Konstrukte müssen eindeutig definiert & messbar sein)

Aufstellung der Hypothese vor der Datensichtung

• keine post-hoc-Rationalisierungen

möglichst hoher Informationsgehalt (leichter falsifizierbar)

• möglichst allgemeiner wenn-Teil der Hypothese

• möglichst spezifischer dann-Teil der Hypothese

möglichst strenge Prüfung (K. Popper)

• neue Operationalisierungen möglichst unterschiedlich zu bisherigen wählen (starkes Falsifikationsbemühen)

Hypothesenbezug?

• Es gibt Versuchsplanung ohne Hypothesenbezug

• Versuchsplanung mit Hypothesenbezug (heute Standard) 

Festlegung relevanter Effektgrößen

• Berücksichtigung von Effektgrößen zur Hypothesenbeurteilung, nicht nur Signifikanzen

Gerichtete vs. ungerichtete Hypothesen

• de facto oft bevorzugte Testung ungerichteter Hypothesen

Empirische Vorhersage (EV)

• konkretisierte Hypothese auf Basis der Operationalisierung, des Versuchsplans, SV-Kontrolle und Stichprobe (s. später)

Statistische Hypothese (SH):

• auf Basis eines statistischen Modells - Berücksichtigung von Messfehlern
• Auswahl eines geeigneten statistischen Verfahrens (Skalenniveau, Verteilungsannahmen ...)
• Formulierung der Null- und Alternativhypothese in Bezug auf Statistiken (Mittelwerte, Varianzen ...)

Versuchsplanung betrifft Vorbereitung, Durchführung, Auswertung von Versuchen

Ziel: Möglichst valide & ökonomische Hypothesenprüfung

• „Valide“ = Minimierung der e- & f-Fehlerwahrscheinlichkeit
• e: fälschliche Beurteilung der Sachhypothese als zutreffend
  - Minimierung von e: höhere „Strenge“
• f: fälschliche Beurteilung der Sachhypothese als nicht zutreffend
  - Minimierung von f: höhere „Fairness“

.

Bestandteile:

• Erhebungsmethode
• Erhebungsinstrumente
• Art der Aufbereitung der Informationen für die weitere Analyse

Das „Ideal“ einer Operationalisierung:

• normierte und standardisierte Messinstrumente zur Weiterverwendung in anderen Untersuchungen 

1. Reliabilität
2. Objektivität 
3. Validität (Konstruktvalidität besonders wichtig!)

Schlechte Operationalisierungen machen die Hypothesenprüfung wertlos!

Inhaltsvalidität

• repräsentiert die Operationalisierung die gesamte Variable

• Ideal: viele maximal unterschiedliche Operationalisierungen (einer latenten Variablen)

Ökologische Validität

• wird das Gemessene so gemessen, dass Schlüsse auf alltägliches Erleben/Verhalten möglich sind?

• oft problematisch bei Laborexperimenten
  -> Problem der Grundlagenforschung: Oft fehlt der Nachweis, dass die erforschten (vermeintlichen) Grundlagen wirklich die Grundlagen des alltäglichen Erlebens und Verhaltens sind

Spezifität vs. Globalität der UV: Sicherung der isolierten Bedingungsvariation durch Spezifität

• Globale UV führt zu Interpretationsschwierigkeiten: Konfundierung vieler Variablen 

• Ist ein Vergleich zweier Bedingungen „eigentlich“ ein Operationalisierungsvergleich?

Sichern der konvergenten/diskriminanten Validität 

• Nachweis, dass das Messinstrument zu ähnlichen Ergebnissen kommt wie andere Tests, die ähnliches messen sollen [konvergent], und zu anderen Ergebnissen als Tests, die anderes messen sollen [diskriminant]
• Ähnlich: Kriteriumsvalidität 

Angemessenheit der AV-Auswahl

• Abhängig von Zielsetzung

AV-Menge

• Erhöhung der AV-Anzahl erhöht Wahrscheinlichkeit des zufälligen Auffindens signifikanter Unterschiede 

= signifikanter Unterschied / Effekt reicht nicht als Rechtfertigung zum diagnostischen Einsatz (für die Sicherung der Konstruktvalidität bedeutend)

Definition Messen: strukturerhaltende Übersetzung eines empirischen in ein numerisches Relativ

1. Repräsentationsproblem

• Ist eine bestimmte empirische Variable messbar (in Zahlen repräsentierbar)?

2. Eindeutigkeitsproblem

• Welche Freiheiten habe ich beim Zuordnen von zahlen?
• Auf Basis dieser Überlegung: Unterscheidung verschiedener Skalenniveaus

3. Bedeutsamkeitsproblem

• Welche Schlüsse dürfen auf der Basis der Skalenwerte gezogen werden (was bedeuten die Zahlen)?
• Abhängig vom Skalenniveau
• Praktische Relevanz: Wahl eines statistischen Verfahrens immer abhängig vom Skalenniveau

4. Skalierungsproblem

• Wie werden konkrete Skalen errichtet?

1. Abweichungen von Linearität
2. Ausreißer als Gefahrenpotential
3. Unterbrochene Verteilun
4. Einschränkungen des Wertebereichs
5. Heterogene Unterstichproben

Objektive Verfahren

• bilden verfahrensbedingt eine „Durchschnittspersönlichkeit“ (z.B. die Big-5-Struktur), auf die dann jede einzelne Person zwecks ihrer Beurteilung „projiziert“ wird
  
  Nachteile:

• Modelltest fehlt: Jeder Mensch wird in Struktur eingeordnet, ohne dass die Geeignetheit der Struktur zur Beschreibung der individuellen Person überprüft wird

• „Überstülpen“ eines festgelegten (Durchschnitts-) Dimensionsmusters auf alle Personen, daher suggestiv

• Fälschbarkeit bei self-report-basierten Tests (Probanden können erkennen, worauf es hinausläuft)

• Erfassung unbewusster Motive (durch Befragung) schwierig

Projektive Verfahren

• zB. Thematischer Apperzeptions-Test zur Messung von Leistungsmotivation
  
  Nachteile:
   
• Tests oft nicht valide (messen nicht, was sie behaupten), nicht reliabel(kommt immer etwas anderes raus) und nicht objektiv (z.B. abhängig von konkreter Durchführung und Kontext)

• Auswahl nahestehender Personen verschiedener Lebensbereiche (Spalten)

• systematische Auswahl von je drei Personen (Zeilen)

• Welche 2 der 3 sind ähnlich und bzgl. welcher Eigenschaft bzw. welche Person unterscheidet sich

• Ergebnis: bipolare, verbalisierbare Kernkonstrukte, mit denen eine Person die soziale Umwelt strukturiert, wahrnimmt und antizipiert

Situationismus-Debatte: Vielleicht haben wir zu jeder Bezugsperson bzw. in verschiedenen Situationen unterschiedliche „Persönlichkeiten“

Konstruktivismus: Vielleicht sind Persönlichkeitseigenschaften gar keine Merkmale, die ein Person „hat“, sondern sprachlich-sozial „konstruierte“ (Selbst-)Zuschreibungen 

Frühe Geschichte:

• Personalauswahl und -entwicklung im alten China: mündliche und schriftliche Tests für Beamte

Francis Galton (1869):

• Intelligenz ist quantifizierbar, normalverteilt & durch objektive Tests messbar - Ausmaß der Beziehung von Testergebnissen per Korrelation bestimmbar
• Überlegungen zur Paarung „überlegener Menschen“ (Eugenik)

Alfred Binet (1905):

• Auftrag zur Verbesserung der Effektivitätssteigerung von Lehrmethoden für entwicklungsgestörte Kinder
• nötig: objektiver Test zur Beurteilung der Leistungsfähigkeit (keine Lehrerurteile!)
• Bestimmung des Intelligenzalters

Intelligenzmessung in den USA:

• Anfang des 20. Jhdt. Messung der Leistung von Schulkindern, v.a. Immigrationskindern
• Vor dem 1. Weltkrieg Messung zur Eignung für das Militär - später allgemein üblich in Schule, Universität & Industrie

Intelligenztheorien:

• Spearman (1927): g-factor (g für „general“)
• Cattell (1963): flüssige vs. kristalline Intelligenz
• Guilford (1961): Intelligenzstrukturmodell 
• Gardner (1983): 8 Intelligenzen

Speedtest

• mit Zeitdruck

Power-Test

• ohne Zeitdruck

.

1. bioelektrisch - Herzschlag, Hirnaktivität, muskuläre Systeme (Gesicht, Augenbewegungen)
2. biochemisch - Hautleitfähigkeit, Cortisol
3. weitere - Blutdruck, Atemfrequenz

• Zwillingsstudien (50%)
• Genotypisierung & genomweite Assoziationsstudien: GWAS (Gen-Scanning)

Einzelne Gene für psychologisch relevante Eigenschaften eher nicht relevant!

• Elektroden auf Schädeldecke (10-20-Methode)
• Messbarer elktrischer Stromfluss durch Repolarisation durch Aufnahme positiver/negativer Ionen
• Bescheidene räumliche Auflösung: mehrere cm (zur Messung der Vorgänge im Gehirn eher ungeeignet)
• Hervorragende zeitliche Auflösung: ms-genau

Besonders interessant für die Psychologie: ereigniskorrelierte Potentiale (in Reaktion auf Stimuli)

• diese werden systematisch "getauft": positiv/negativ, Hebungen/ms
• Beispiel: N100