Methoden der Skalierung

Effekte, die zwischen den Gruppen variieren können.

Beispiel: Unterschiedliche Intercepts oder Steigungen für jede Gruppe. Dies ermöglicht es, die Heterogenität zwischen den Gruppen zu berücksichtigen und die Ergebnisse auf eine größere Population zu generalisieren

Modellierung variabler Ausgangspunkte (Intercepte) zwischen Gruppen.

Angenommen, dass die Intercepts, also die Ausgangspunkte (y, wenn x = 0), sich zwischen den Gruppen unterscheiden können. Diese Variabilität wird in der Regressionsgleichung modelliert

Modellierung variabler Steigungen (Slopes) zwischen Gruppen.

Angenommen, dass die Steigungen, also die Stärke des Zusammenhangs zwischen y und x, sich zwischen den Gruppen unterscheiden können. Diese Variabilität wird in der Regressionsgleichung modelliert

Ein Verfahren zur Schätzung der Modellparameter, das die Wahrscheinlichkeit der beobachteten Daten maximiert.

Schrittweise Anpassung der Parameter, bis die Wahrscheinlichkeit der beobachteten Daten am größten ist. Dabei wird iterativ vorgegangen, bis die Schätzung konvergiert

Eine verbesserte Methode zur Schätzung der zufälligen Effekte, die zunächst nur diese Effekte schätzt und danach die festen Effekte.

REML gilt als zuverlässigerer Schätzer für die zufälligen Effekte, ist aber nur für Modellvergleiche geeignet, wenn sich die Modelle nur in den zufälligen Effekten unterscheiden

Maß für die Abweichung des Modells von den Daten (je kleiner, desto besser).

Die Devianz wird durch -2 mal den Log-Likelihood-Wert (-2LL) berechnet. Eine kleinere Devianz deutet auf eine bessere Modellpassung hin. Es wird verwendet, um die Güte eines Modells zu bewerten und Modelle miteinander zu vergleichen

Bewertet die Modellgüte unter Berücksichtigung der Modellkomplexität.

Ähnlich wie AIC, aber stärker bestrafend für komplexere Modelle.

 Ein Modell ohne Prädiktoren, das nur einen Intercept (Achsenabschnitt) enthält.

Es dient als Ausgangspunkt für Modellvergleiche und gibt an, wie gut die abhängige Variable durch den Mittelwert vorhergesagt wird. Beispiel: In einem Modell zur Vorhersage von Arbeitszufriedenheit könnte das Nullmodell nur die durchschnittliche Arbeitszufriedenheit aller Mitarbeiter berücksichtigen

Zentrierung der Prädiktorvariablen am Gesamtmittelwert.

Bei der Grand Mean-Zentrierung wird der Mittelwert der gesamten Stichprobe von jedem Wert der Prädiktorvariablen abgezogen. Dies verbessert die Interpretierbarkeit der Intercepts und kann Multikollinearität reduzieren. Der Intercept repräsentiert dann den erwarteten Wert der abhängigen Variable, wenn die Prädiktoren auf ihren Mittelwerten liegen

Zentrierung der Prädiktorvariablen am Gruppenmittelwert.

Bei der Group Mean-Zentrierung wird der Mittelwert der Gruppe von jedem Wert der Prädiktorvariablen abgezogen. Diese Methode hilft dabei, die Effekte innerhalb der Gruppen (within-group effects) von den Effekten zwischen den Gruppen (between-group effects) zu trennen und ermöglicht eine klarere Interpretation der Koeffizienten

Eine statistische Methode, die die Ergebnisse mehrerer Studien zusammenfasst, um eine Gesamtbewertung der Evidenz zu einem bestimmten Thema zu ermöglichen.

Meta-Analysen integrieren und analysieren die Ergebnisse aus verschiedenen Einzelstudien, um die Konsistenz der Forschungsergebnisse zu bewerten und die Gesamtgröße eines Effekts zu schätzen

Maße, die die Stärke eines Effekts oder den Unterschied zwischen Gruppen in standardisierter Form ausdrücken.

Effektgrößen ermöglichen den Vergleich von Ergebnissen über Studien hinweg, unabhängig von der Skala der ursprünglichen Messungen. Wichtige Effektgrößen sind Cohen’s d, Hedges’ g, und die Odds Ratio

Ein standardisierter Mittelwertsunterschied, der die gepoolte Varianz berücksichtigt und die Stichprobengrößen einbezieht.

Hedges’ g wird empfohlen, wenn die Gruppengrößen ungleich sind. Es kann jeden Wert annehmen, wobei 0 keinen Effekt, 0.2 einen kleinen, 0.5 einen mittleren und 0.8 einen großen Effekt bedeutet

Ein Maß für die Stärke des Zusammenhangs zwischen zwei Ereignissen oder Merkmalen.

Die Odds Ratio (OR) gibt das Verhältnis der Chancen für das Eintreten eines Ereignisses in der Experimentalgruppe zu den Chancen in der Kontrollgruppe an. Ein OR von 1 bedeutet keinen Effekt, ein Wert größer als 1 zeigt eine positive Beziehung, und ein Wert kleiner als 1 zeigt eine negative Beziehung

Ein Modell, das davon ausgeht, dass alle integrierten Studien sich auf die gleiche Population beziehen und die Variabilität allein durch Stichprobenfehler zustande kommt.

Fixed-Effects Modelle sind angemessen, wenn die Befunde homogen sind und erlauben einen geringen Generalisierungsgrad der Ergebnisse

Ein Modell, das davon ausgeht, dass Einzelstudien unterschiedliche Populationseffekte schätzen und die Variabilität der Ergebnisse durch Stichprobenfehler und zusätzliche Varianzquellen zustande kommt.

Random-Effects Modelle sind besonders geeignet bei Heterogenität der Befunde und erlauben einen hohen Generalisierungsgrad der Ergebnisse. Sie berücksichtigen sowohl die Variabilität innerhalb als auch zwischen den Studien

Eine grafische Darstellung, die die Effektstärken der Studien gegen ihre Präzision (z.B. Stichprobengröße) aufträgt.

Ein symmetrischer Funnel Plot deutet auf keine Publikationsverzerrungen hin, während eine Asymmetrie auf solche Verzerrungen hindeuten kann

Eine Methode zur Korrektur von Publikationsverzerrungen, indem fehlende Studien ergänzt und die mittlere Effektstärke neu berechnet wird.

Diese Methode kann die Symmetrie des Funnel Plots wiederherstellen und eine weniger verzerrte Schätzung der Effektgröße liefern

Ein statistischer Test, der die Asymmetrie des Funnel Plots quantifiziert.

Ein signifikanter Egger's Test weist auf das Vorhandensein von Publikationsverzerrungen hin

Eine Methode, die berechnet, wie viele nicht veröffentlichte Studien mit null Effekt notwendig wären, um das Ergebnis der Meta-Analyse zu ändern.

Eine hohe Zahl deutet darauf hin, dass die Ergebnisse robust gegenüber Publikationsverzerrungen sind

Eine Analyse zur Bewertung der Variabilität von Effektstärken zwischen Studien.

Die Homogenitätsanalyse untersucht, ob die Variabilität der Effektstärken durch Stichprobenfehler oder durch zusätzliche Varianzquellen erklärt werden kann. Verschiedene Integrationsmethoden haben spezifische Formeln für diese Analyse

Dieses Problem entsteht, wenn in einer Meta-Analyse sehr unterschiedliche Studien zusammengefasst werden, die nicht direkt vergleichbar sind.

Heterogene Fragestellungen, Definitionen, Stichproben, Manipulationen und Messinstrumente können die Ergebnisse verfälschen. Unterschiedliche methodische Zugänge und konkurrierende Definitionen von Begriffen und Konstrukten bei fachübergreifenden Fragestellungen tragen ebenfalls zu diesem Problem bei

Die Qualität der Meta-Analyse hängt stark von der Qualität der eingeschlossenen Primärstudien ab. Schlechte Primärstudien können die Gesamtergebnisse verzerren.

Klare Auswahlkriterien und präzise Kodierung der methodischen Qualität aller Studien sind notwendig, um dieses Problem zu minimieren. Methodische Qualität sollte als Moderatorvariable getestet und für diese kontrolliert werden

Ein systematischer Fehler, der auftritt, wenn Studien mit signifikanten Ergebnissen eher veröffentlicht werden als solche mit nicht signifikanten Ergebnissen.

Methoden zur Erkennung von Publikationsverzerrungen umfassen den Funnel Plot, Egger's Test und den Fail-safe N. Eine asymmetrische Verteilung im Funnel Plot kann auf Publikationsverzerrungen hinweisen

Ein Maß für den standardisierten Mittelwertsunterschied zwischen zwei Gruppen.

Cohen's d kann jeden Wert annehmen, wobei 0.0 keinen Effekt, 0.2 einen kleinen, 0.5 einen mittleren und 0.8 einen großen Effekt bedeutet. Es wird oft in Meta-Analysen verwendet, um die Größe eines Effekts zu quantifizieren und vergleichbar zu machen

Die zentralen Kennzahlen, die aus einer Meta-Analyse abgeleitet werden.

Dazu gehören deskriptive Parameter (Mittelwert, Streuung, Anzahl der Probanden), statistische Kennwerte (t-Wert, r-Wert, F-Wert, p-Wert) und Effektstärken (z.B. Cohen’s d, Hedges’ g). Diese Parameter ermöglichen die Beantwortung der zentralen Fragestellung und die Bewertung der Varianz von Effektstärken

Variablen, die die Stärke oder Richtung der Beziehung zwischen unabhängigen und abhängigen Variablen beeinflussen.

Moderatoren können inhaltlicher Natur sein (z.B. Dauer des Treatments) oder methodischer Natur (z.B. zufällige Zuteilung zu Treatment/Kontrolle). Sie klären oft einen großen Anteil der Varianz in Meta-Analysen auf und sind wichtig für die Interpretation der Ergebnisse

Eine Krise, die durch die geringe Replizierbarkeit vieler psychologischer Studien gekennzeichnet ist, was die Glaubwürdigkeit und Robustheit der Forschungsergebnisse infrage stellt.

Diese Krise wird durch mehrere miteinander verbundene Probleme verursacht, darunter Publikationsverzerrungen, p-Hacking, mangelnde Transparenz und fragwürdige Forschungspraktiken.

Die Schwierigkeit, die Ergebnisse einer Studie durch unabhängige Forscher unter denselben Bedingungen zu reproduzieren.

Ein Großteil der psychologischen Studien lässt sich nicht zuverlässig replizieren, was die Zuverlässigkeit und Gültigkeit der ursprünglichen Forschungsergebnisse in Frage stellt

Ein systematischer Fehler, der auftritt, wenn Studien mit signifikanten Ergebnissen eher veröffentlicht werden als solche mit nicht signifikanten Ergebnissen.

Dies führt zu einer verzerrten Darstellung der Forschungslage, da die wissenschaftliche Literatur vor allem signifikante Ergebnisse umfasst, während nicht signifikante Ergebnisse seltener veröffentlicht werden

Die Manipulation von Datenanalysen, um statistisch signifikante Ergebnisse zu erzielen.

Beispiele umfassen selektives Berichten von Ergebnissen, flexibles Anpassen von Analysen und das Durchführen mehrerer Analysemethoden oder Modellvarianten, bis signifikante Ergebnisse gefunden werden. Dies untergräbt die Validität der Forschungsergebnisse

Richtlinien und Prinzipien, die das ethische Verhalten von Psychologen in Forschung und Praxis regeln.

Die Ethikrichtlinien der Deutschen Gesellschaft für Psychologie betonen die Verpflichtung, das Wissen über den Menschen zu vermehren und zum Wohle des Einzelnen und der Gesellschaft einzusetzen, die Würde und Integrität des Individuums zu achten und wissenschaftlich fundiertes Wissen anzuwenden

Regeln und Prinzipien, die in Forschung und Lehre zur Sicherstellung wissenschaftlicher Integrität und Qualität eingehalten werden müssen.

Dazu gehören methodisches Vorgehen, Überprüfbarkeit von Ergebnissen, kontinuierliche Fortbildung und der Verzicht auf fragwürdige Forschungspraktiken