Methodenlehre SS23
Definitionen
Definitionen
Set of flashcards Details
Flashcards | 157 |
---|---|
Language | Deutsch |
Category | Psychology |
Level | University |
Created / Updated | 20.06.2023 / 13.07.2023 |
Weblink |
https://card2brain.ch/box/20230620_methodenlehre_ss23
|
Embed |
<iframe src="https://card2brain.ch/box/20230620_methodenlehre_ss23/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Interpretation der Odds Ratio bei ordinalen und metrischen Prädiktoren:
OR von 1,05 bedeutet, dass...
...für den Anstieg der Prädiktorvariable um eine Einheit, die Odds, dass das Ereignis eintritt, auf 1,05 ansteigen, also um 5%
Interpretation der Odds Ratio bei kategorialen Prädiktoren:
Eine OR von 1,12 bedeutet, dass...
...für SPD-Wähler im Vergleich zu CDU-Wählern die Odds, dass das Ereignis eintritt, auf 1,12 steigt (um 12%)
--> kategoriale Prädiktorvariable wird in dichotome Variablen bzgl. einer Refenrenzkategorie zerlegt (SPD vs CUD, Linke vs CDU, Grüne vs CDU)
Interpretation der Odds Ratio bei multinomialer Kriterumsvariable:
Eine OR von 1,15 im Modell CDU vs. Grüne bedeutet...
...dass bei Erhöhung der Prädiktorvariable um eine Einheit (Einkommen), sich die Odds, CDU (vs Grüne) zu wählen um 15% erhöhen (auf 1,15)
---> alle Ausprägungen werden mit einer Referenzkategorie verglichen und entsprechend viele Modelle gerechnet
Ausgangspunkt der MEM
die meisten anderen Verfahren setzen Unabhängigkeit der Daten bzw. der Residuen voraus --> dem ist nicht immer so
Kontextuelle Variablen erhöhen die Dependenz zwischen Residuen (=Abweichungen der einzelnen Werte vim Mittelwert)
MEM
besondere Art von linearen Regressionen, die bei hierarchischen Daten (geschachtelt/genestet) eingesetzt werden können, um Abhängigkeit von Residuen zu berücksichtigen
Synonyme MEM
- Lineare gemischte Modelle
- Multilevel-Modelle
- Hierarchische lineare Modelle
Intraclass Correlation Coefficient (ICC)
Varianz auf Level 2 / Gesamtvarianz
gibt an, wie ähnlich sich die Werte aus der gleichen Level 2-Einheit sind
ab .1 mittlere Intraclass-Korrelation, ab .2 hohe
Vorteile MEM
Weniger Anforderungen:
- Abhängigkeiten durch höhere Levels kann modelliert werden
- Sphärizität bei repeated measures kann modelliert werden
Umgang mit Missing Data
- Dropt out bei Interventionsstudien
- ungleiche Zellenbesetzungen
- keine ganzen Fälle bei fehlenden Werten ausschließen und keine Interpolation der fehlenden Werte nötig
Flexibel und mächtig
- Prädiktoren verschiedener Skalenniveaus, ebeneso deren Interaktion
Voraussetzungen MEM
- min. intervallskalierte AV
- Unabhängigkeit (abgesehen von den angenommenen Abhängigkeiten)
- linearer Zusammenhang
- große Stichprobe (20 Ausprägungen der Level 2 Variablen bei Interaktion zwischen den Levels)
- NV Residuen
- Outlier anschauen und entfernen
- keine Multikollinearität (Zentrierung hilft)
Fixed coefficients in einer Regressionsanalyse
Intercept und Slope sind für alle Personen bzw. Level 1-Daten gleich
Random coefficients in einer Regressionsanalyse
Koeffizienten können je nach Level2-Kontext variieren
- random intercepts: Ausgangspunklte (wenn Prädiktoren 0 sind) können sich je nach Level2-Gruppe unterscheiden
- random slope: Stärke des Zusammenhangs Prädiktor und Kriterium kann je nach Level2-Gruppe unterschiedlich sein
Was machen MEM?
- schätzen die Regressionsparameter
- UND deren Variabilität: Wie variabel ist der Intercept und wie variabel ist der Slope?
- --> Variabilität von Intercept und Slope wird in der Regressionsgleichung modelliert
Level 1 Modellgleichung
was gilt für Personen innerhalb einer Gruppe?
Varianz zB individueller Mitarbeiter in einer Firma
Level 2 Modellgleichung
wie variieren Firmen um Gesamtmittel?
Devianz (als Parameter der Modellgüte bei MEM)
= -2LL = -2 * LogLikelihood = -2 * ln (L)
Passung des Modells auf die Daten
AIC
Aikaike Information Criterion
= DEV + 2 * q (q = Anzahl Parameter)
AICC
AIC für kleine Stichproben
CAIC
AIC korrigiert nicht nur für Komplexität sondern auch für Stichprobengröße
BIC
Bayesian Information Criterion
Schwarz-Index
= Dev + q * ln(n) n = Stichprobengrüße, q = Anzahl Parameter
integrative Forschung
systematische Anstrengung, Erkenntnisse aus Primärstudien zu integrieren
auch: Sekundärforschung
Metaanalysen
Spezialfall der integrativen Forschung, bei der man versucht, den wissenschaftlichen Kenntnisstand möglichst systematisch, nachvollziehbar und unter Verwendung statistischer Verfahren zu integrieren
Hintergrund Metanalyse
- explodierende Publikationszahlen
- widersprüchliche Befunde
- Bedarf einer integrativen Zusammenfassung für Praxis, Wissenschaft und Öffentlichkeit
- eingeschränkte Aussagekraft von Primärstudien (Idiosynkrasien)
Ablauf Metaanalyse
- Forschungsfrage/Problemstellung
- Datenerhebung
- Datenstrukturierung und evaluation
- Datenanalyse und Integration
- Datenpräsentation
Fragestellung Metaanalyse: was macht man alles bei diesem Schritt?
Welche Fragestellung soll konkret untersucht werden?
Welche Hypothesen?
Wie definieren wir die Konstrukte? Wovon grenzen wir sie ab?
Nach welchen Kriterien suchen wir nach Primärstudien?
Äpfel und Birnen Problem
Fragestellungen, Definitionen, Manipulationen, Stichproben, Messinstrumente und methodische Qualität der Primärstudien sind sehr heterogen
weil: konkurrierende Definitionen von Begriffen und Konstrukten fächerübergreifend, international, historisch...
weil: unterschiedliche methodische Zugänge
Lösung des Äpfel und Birnen Problems
Finden des kleinsten gemeinsamen Nenners der Operationalisierung in Primärstudien
Festlegung der Fragestellung basierend auf Generalisierungsabsicht
Garbage in garbage out Problem
Qualität der Metaanalyse ist abhängig von der Qualität der eingeschlossenen Primärstudien
Eine Primärstudien mit schlechter Qualität kann die Qualität der ganzen Metaanalyse reduzieren
Lösungen Garbage in garbage out
- Methodische Qualität als Moderator miteinbeziehen
- Für methodische Qualität kontrollieren (gewichten)
- klare Dokumentation und Begründung aller Schritte
- klare Auswahlkrtierien bei den Primärstudien
- Präzise Kodierung der nethodischen Qualität
Auswahlkriterien Metaanalyse
- Inhaltliche Konstrukte: was werten wir als "Vorurteil", was nicht?
- methodische Merkmale
- sonstige: Art der Stichprobe, Sprache, Zeitraum
- wichtig: klar und transparent formulieren
Wo findet man Primärliteratur?
- Literaturdatenbanken
- Kontakt zu einschlägigen Wissenschaftler*innen im Feld
- vorliegende Reiews und Metanalysen
- Literaturverzeichnis vorliegender Studien
- Datenbanken von Review-Organisationen
- Monographien
Herausforderungen Literaturrecherche Metaanalyse
- finden von: alten, fremdsprachigen, von Studierenden verfassten Arbeiten
- publication bias: höhrere Publikationswahrscheinlichkeit hypothesenkonformer Forschungsergebnisse
Lösungen Probleme bei der Literaturrecherche für Metaanalysen
Breitestmöglich einschlägige Wissenschaftler*innen anschreiben
Detaillierter Bericht über die Suchkriterien, Suchbegriffe, die Datenbanken, den Zeitraum und die gefundenen Arbeiten
Kodiermerkmale
- Merkmale der Stichprobe
- Merkmale der Intervention/Manipulation
- methodische Merkmale
- Ergebnisse
Herausforderungen bei der Kodierung
- uneinheitlich verwendete Begriffe und Konstruke
- hohe inhaltliche Variabilität zwischen den Studien
- nicht genug oder fehlende Angaben
- variierende methodische Qualität
Lösungen für die variable methodische Qualität
- Methodische Bewertung der Primärstudien
- Methodischen Mindeststandard für Einschluss festlegen (z.B. nur randomized controlled trials) •
- Untersuchung methodischer Einflussfaktoren (methodische Qualität als Moderator einbeziehen,
- Korrektur oder Gewichtung der Ergebnisse nach methodischer Qualität
Wie kann man methodische Qualität kodieren?
Methodische Globalbewertung z.B. Maryland Scale
Summenscore methodischer Einzelkriterien
Wie kann man Ergebnisse kodieren?
- deskriptive Parameter notieren
- statistische Kennwerte notieren
- einheitliche Effektsärke/Effektgröße berechnen
Effektstärke
Die Effektstärke (oder Effektgröße) gibt die Größe eines statistischen Effekts an und kann die praktische Relevanz verdeutlichen
Effekte können verglichen werden, auch wenn verschiedene Messemethoden genutzt wurden
geradlinig interpretierbar
Effektstärke-Maße
- Cohens d
- Hedges g
- Odds ratio
- r-Index
d-Index / Cohens d
kann alle Werte einnehmen
0.2 klein, 0,5 mittel, 0,8 groß
standardisiertes Mittelwertsunterschied: MW-Unterschied/Gemeinsame Streuung
d=1 --> KG liegt einen SD über MW der EG