Wissenschaftliches Arbeiten Studiengang Pflegemanagement

Transkript

1 Unterlagen zur Veranstaltung Wissenschaftliches Arbeiten Studiengang Pflegemanagement Die Folien können nicht den Besuch der Veranstaltung ersetzen. Sie sind als Erinnerungs- und Arbeitshilfen für die Veranstaltung gedacht. Zitierhinweis: Reuschenbach, B. (2002). Skript zur Veranstaltung Wissenschaftliches Arbeiten. Frankfurt: Fachhochschule Frankfurt ( 1 1 Wissenschaftstheoretische Unterschiede Unterschied qualitativ versus quantitativ Erhebung Qualitativ - eher beim induktiven Vorgehen (z.b. Hypothesen- und Theoriebildung durch verbale Daten oder Beobachtung) - Datenmaterial: Texte Quantitativ - eher beim deduktiven Vorgehen (z.b. Hypothesenprüfung durch Daten). Quantitative Methoden müssen aber nicht hypothesengeleitet verwendet werden. - Datenmaterial: Zahlen (z.b. aus skalierten Fragebögen oder sonstige Messungen) 2 1

2 1.1 Qualitative Forschung Qualitativ eher induktiv: Versuch aus Beobachtungen generalisierbare Unterschiede herzuleiten Diese münden direkt in die Theorien, andererseits wird versucht, diese direkt in die Praxis umzusetzten Je ähnlicher die Umstände der Untersuchung der wirklichen Welt sind, desto eher scheint die Übertragbarkeit der Untersuchungsergebnisse auf intendierte Anwendungsfelder gegeben zu sein. Theorie Qualitative Daten, z.b. aus Beobachtung und Befragung Praxisfelder/ real life Anwendung 1 Anwendung 2 Anwendung 3 reuschenbach@pflegewissenschaft.org Quantitative Forschung Quantitativ eher deduktiv Es wird kein Versuch gemacht, Versuchsergebnisse direkt anzuwenden. Versuchsergebnisse dienen dazu, Theorien zu bewerten. Wenn diese sich bewähren, kann die Anwendung der Theorie erprobt werden. Empirische Hypothese (z.b. Supervision beeinflusst die Arbeitszufriedenheit) Ergebnis der Untersuchung Theorie Technologische Hypothese Anwendung 1 (z.b. regelmäßige Supervisionen) Anwendung 2 Anwendung 3 4 2

3 5 2 Vorgehen bei quantitativen Erhebungen Vorphase: Entdeckung des Problembereichs Literaturüberprüfung Prüfung der Relevanz Prüfung der Durchführbarkeit Überführung der Forschungsfrage in eine Forschungshypothese: Auswahl der Variablen Stichprobenbildung Hauptphase Durchführung der Erhebung Auswertungsphase Statistische Analyse der Daten 6 3

4 2.1 Vorphase Entstehen der Idee, Entwicklung der Fragestellung Literaturüberprüfung Prüfung der Relevanz Prüfung der Durchführbarkeit Entwicklung der Fragestellung 1) Entwicklung der Fragestellung/Entdeckung des Problembereichs Aus der Praxis heraus : Wie wirkt sich ein Qualitätszirkel auf die Zufriedenheit im Team aus? Wie effektiv sind Eisen und Fönen in der Dekubitusprophylaxe? Kann Vitamin C Erkältungen vermeiden bzw. lindern? Ist die Bezeichnung des Pflegepersonals mit Schwester+Vorname besser als mit Frau+Nachname? Aus Forschungsinteresse: Welche Voruntersuchungen legen welche Theorie/Hypothese nahe. (Stimmt es, dass Druckbelastungen der Haut immer einen Dekubitus verursachen?) Welche Lücken gibt es in der Literatur? Welche Mängel haben die bisherigen Untersuchungen? 8 4

5 2.1.2 Literaturprüfung 2) Literaturüberprüfung: Welche Untersuchungen gibt es schon? Kann man die Voruntersuchungen verallgemeinern? Welche besonderen Konstellationen in der eigenen Einrichtung machen eine erneute Überprüfung notwendig? Beantwortet die gefundene Literatur meine exakte Fragestellung? Welche Anregungen kann ich aus anderen Studien aufgreifen? Relevanz 3) Welche Relevanz hat die Untersuchung des Problems: Wie sieht der Nutzen im Vergleich zu den Kosten der Erhebung aus? Sind die Ergebnisse überhaupt umsetzbar, d.h. hat die Messung und deren Ergebnis überhaupt Folgen für die Praxis. (z.b. Ist ein Modellprojekt längerfristig finanzierbar? Was habe ich gewonnen, wenn ich weiß, dass Patientinnen und Patienten die Schwester lieber mit dem Vornamen anreden?) Welche Nebeneffekte hat die Durchführung der Erhebung (z.b. Ist die Motivation durch häufige Befragungen bedroht? Wird ein stabiles System aufgewühlt, z.b. durch Vorgesetzten-Beurteilungen?) 10 5

6 2.1.4 Durchführbarkeit 4) Prüfung der Durchführbarkeit: Stehen genügend räumliche, personelle und finanzielle Mittel zur Verfügung? Wer hat das methodische Know-How die Erhebung durchzuführen? Stimmt der Betriebsrat der Befragung zu? Welche organisatorischen Dinge sind vorab zu klären (Fragebogen- Erstellung, Einsammlung, Auswertung, Dateneingabe) Überführung in eine konkrete Forschungsfrage Eine allgemeine Problemstellung oder eine vage formulierte Frage muss anschließend präzisiert werden. Das bedeutet eine Auseinandersetzung mit folgenden Problemen: 1) Was sind die relevanten Variablen? 2) Wie lassen sich die Variablen messen? 3) Welche Zusammenhänge werden zwischen den Variablen angenommen? 12 6

7 2.2.1 Variablen Was sind die Variablen? Die untersuchten Merkmale werden Variablen genannt. Merkmale können z.b. sein: Alter Geschlecht Schulbildung Körpergröße Ein Wert der sich aus einem Fragebogen ergibt (Ja oder Nein als Antwort auf eine Frage oder der Summenwert in einem Fragebogen) Verweildauer in einer Einrichtung Fehlzeiten Operationalisierung 2) Wie lassen sich die Variablen messen? Bei den quantitativen Methoden geht es immer darum, Ausprägungen (Einstellungen, Verhalten, Neigungen, sichtbare Zustände) in Zahlen zu überführen. Diese Überführung von Ausprägungen von Merkmalen (z.b. Schmerz) in entsprechende Zahlen mittels geeigneter Messinstrumente wird Operationalisierung genannt. Relevante Fragen können sein: Wie lassen sich Schmerzen messen? Wie messe ich die Variable Geschlecht? Wie lässt sich die Einstellung zur Frage Schwester oder Nachname messen? Wie lässt sich Teamfähigkeit operationalisieren? Wie lässt sich der Auflagedruck messen? Welches Maße verwende ich zur Bestimmung der Fehlzeiten? 14 7

8 2.2.2 Operationalisierung Operationalisierung Die Operationalisierung wird umso schwieriger, je komplexer die einbezogenen Variablen sind. Einfache Variablen: Geschlecht, Anzahl der Mitpatienten, Fehltage. Komplexe Variablen: Arbeitszufriedenheit, Kundinnen- und Kundenzufriedenheit, Einstellungen. Zur Messung komplexer Variablen müssen Fragebogen und sonstige Messinstrumente entwickelt werden, die einem wissenschaftlichen Standard entsprechen müssen. Sie müssen objektiv sein (d.h. unabhängig vom Durchführenden und den Auswertenden) valide (= gültig) sein, d.h. das Messen, was sie vorgeben zu messen. reliabel (= zuverlässig) sein, d.h. bei wiederholter Messung zum gleichen Ergebnis führen. =>siehe Abschnitt Fragebogen Operationalisierung Operationalisierung Für die Auswahl des statistischen Verfahrens ist es wichtig zu prüfen, wie viele Stufen eine Variable hat: Im Falle des Geschlechtes sind das zwei Stufen (Mann/Frau) Bei einem Fragebogen kann das eine gerade Zahl sein, die zwischen dem niedrigsten und dem höchsten Ergebnis liegt. Bei einer Größenbestimmung oder einer Zeitbestimmung gibt es unendliche viele Zwischenschritte. 16 8

9 2.2.3 Messen Was ist Messen? Messen wird in der Statistik verstanden als die Überführung einer Ausprägung eines Merkmals in eine Zahl. Das ist Quantifizieren und damit der Kern der quantitativen Methoden. Für das Messen gibt es in der Statistik eine eigene Messtheorie, die zu erklären versucht, in welchen Beziehungen Merkmale und Zahlen stehen Wichtig ist hier, dass es bei Merkmalen unterschiedliche Skalenniveaus gibt. Diese bestimmen auch welche statistischen Tests angebracht sind Variablenbeziehungen 3) Welche Beziehung besteht zwischen den Variablen? Je nach Forschungsdesign interessieren bei der Messung die Häufigkeit einer Variable (Wie häufig wird der Vorname bevorzugt?), die Stärke der Ausprägung einer Variable (Wie stark sind die Schmerzen? Wie stark befürworten die Personen den Vornamen?), der Zusammenhang zwischen zwei Merkmalen (Hängt die Bevorzugung des Vornamens mit dem Alter zusammen?) =Zusammenhangshypothese, die Unterschiede zweier Gruppen hinsichtlich einer oder mehrerer Variablen (Unterscheiden sich Männer und Frauen hinsichtlich der Bevorzugung? Haben Personen unter 50 Jahren mehr Schmerzen als Personen über 50 Jahren?) =Unterschiedshypothese. 18 9

10 2.2.4 Variablenbeziehungen Geht es um mehr als eine Variable, also z.b. bei der Aufdeckung von Unterschieds- oder Zusammenhangshypothesen, dann wird zwischen unabhängigen Variablen (UV) und abhängigen Variablen (AV) unterschieden. Unter den unabhängigen Variablen werden diejenigen Merkmale verstanden, deren Auswirkung auf andere Merkmale (die abhängigen) überprüft wird. Schon aus der Fragestellung wird deutlich was eine UV und was eine AV ist. Z.B: Beeinflusst das Geschlecht das postoperative Schmerzerleben? Unabhängige Variable Geschlecht (2fach gestuft) Abhängige Variable Schmerzerleben (gemessen durch einen Fragebogen) Variablenarten Neben UV und AV gibt es Kontrollvariablen. Das sind solche Variablen, die erhoben werden, weil sie vermutlich einen Einfluss auf die abhängige Variable oder die Beziehung zwischen UV und AV haben. Z.B. könnte man vermuten, dass die Beziehung zwischen Geschlecht und Schmerzerleben durch andere Faktoren beeinflusst wird (z.b. durch die Anwesenheit anderer Personen oder durch den Entspannungszustand). UV: Geschlecht Kontrollvariable 1: Anwesenheit anderer Personen AV: Schmerzerleben Kontrollvariable 2: Entspannungszustand 20 10

11 2 2.5 Variablenarten Da man aber nur etwas von dem Effekt der UV auf die AV wissen möchte, versucht man die Kontrollvariablen konstant zu halten. Oder man rechnet mit statistischen Methoden (z.b. der Partialkorrelation) den Einfluss der Kontrollvariablen aus. UV: Geschlecht Kontrollvariable 1: Anwesenheit anderer Personen AV: Schmerzerleben Kontrollvariable 2: Entspannungszustand Variablenarten Es gibt aber sicherlich noch mehr Variablen, die einen Einfluss auf die Beziehung zwischen UV und AV haben, die aber nicht alle berücksichtigt werden können. Man nennt diese Störvariablen. Deren Einfluss kann man durch ein Experiment kontrollieren. UV: Geschlecht Störvariable1: Herkunft Störvariable2: Schmerzvorerfahrung Kontrollvariable 1: Anwesenheit anderer Personen AV: Schmerzerleben Kontrollvariable 2: Entspannungszustand 22 11

12 2 2.5 Variablenarten UV: Unabhängige Variable: Unter den unabhängigen Variablen werden diejenigen Merkmale verstanden, deren Auswirkung auf andere Merkmale (die abhängigen) überprüft wird. AV: Abhängige Variable: Unter der abhängigen Variablen werden diejenigen Merkmale verstanden, deren Variation interessiert. Es sind die Variablen, die durch UV beeinflusst sind. KV: Kontrollvariablen Das sind solche Variablen, die erhoben werden, weil sie vermutlich einen Einfluss auf die abhängige Variable oder die Beziehung zwischen UV und AV haben. Störvariablen Sind Variablen, die Beziehung zwischen UV und AV beeinflussen. Über deren Wirkung kann man nur spekulieren. Es wurde versäumt, sie zu kontrollieren Forschungsdesign Explorative Studie (Häufigkeitserhebung) -> Hier sind keine besonderen Designs zu beachten. Die Erhebungsinstrumente müssen nur den Gütekriterien entsprechen. Zusammenhangs- und Unterschiedsprüfungen-> Mithilfe des Untersuchungsdesigns soll gewährleistet werden, dass die gefundenen Effekte tatsächlich durch die Variablen erklärt werden und die Ergebnisse auf andere Bereiche übertragbar sind (Generalisierbarkeit). Die Auswahl eines Untersuchungsdesigns ist immer als Versuch zu verstehen, die Wirkung der Störvariablen zu begrenzen

13 3 Forschungsdesign Gerade die Prüfung von Zusammenhängen oder Unterschieden ist anfällig für Störvariablen: Beispiel: Fragestellung Führen regelmäßige Supervisionen zu einer Verbesserung des Stationsklimas? Station A (Innere): Intervention: Supervision 2x im Monat, 1/2 Jahr lang Station B (Chirurgie): Keine Intervention Erhebung: Fragebogen zur Messung des Stationsklimas. Ergebnis: Station A hat ein wesentlich besseres Stationsklima. Schlussfolgerung:?. 25 reuschenbach@pflegewissenschaft.org 3.1 Validität Das Beispiel zeigt: Es gibt viele Möglichkeiten die Unterschiede zu erklären. Die Unterschiede müssen nicht durch das Treatment (die Supervision) verursacht sein. So gibt es viele Faktoren, die die Gültigkeit (Validität) eines Ergebnissen stören können. Innere Validität Hat die UV tatsächlich die Auswirkungen auf die AV? Gibt es konkurrierende Erklärungen? Äußere Validität Gelten die Ergebnisse auch in anderen Bereichen? Sind die Ergebnisse übertragbar? 26 reuschenbach@pflegewissenschaft.org 13

14 3.1 Validität Innere Validität: Wie sicher kann man sein, dass die unabhängige Variable tatsächlich die Ursache der Veränderung der abhängigen Variable ist? Alle Faktoren die ebenfalls Einfluß auf die AV haben, bedrohen die innere Validität: - aktuelles Geschehen - Reifung - Testvorgang - Auswahl der Instrumente - Mortalität - Selektionsbedingte Verfälschungen. - Äußere Validität: - Lassen sich die Forschungsergebnisse auf andere Populationen und auf andere Situationen übertragen? Die äußere Validität ist bedroht durch: - Selektionseffekte - Reaktive Effekte (Beispiel: Hawthorne-Effekt) - Testeffekte Innere Validität Innere Validität bedroht durch A) Aktuelles Geschehen: Beispiel: - Ergebnis: Supervision verbessert die Mitarbeitenden-Zufriedenheit - Aber: Effekt kann auch durch inzwischen verbesserten Personalschlüssel zustande kommen. B) Reifung = entwicklungsbedingte Prozesse Beispiel: Ergebnis: Basale Stimulation reduziert die Pulsfrequenz bei Neugeborenen im Laufe eines Jahres Aber: Effekt kommt auch durch natürliche Veränderungen zustande. C) Testvorgang: Durchführung des Tests beeinflusst das Messergebnis. Beispiel: Im Vergleich zum Pre-Test zeigt die Kontrollgruppe keine Verbesserung der Leistungen beim Post-Test 28 Aber: Ergebnis kann allein auf Pre-Test zurückgehen. 14

15 3.1.1 Innere Validität Innere Validität bedroht durch D) Instrumentierung = Gütekriterien Für Messinstrumente (z.b. Fragebögen) sollten die sog. Gütekriterien erfüllt sein. Ein Instrument sollte: - valide sein, d.h. das Instrument misst genau das, was es messen soll (bei schwerverständlichen Fragebogen ist das nicht der Fall) - reliabel sein, d.h. Wert des Erhebungsinstrumentes soll beständig und prognostizierbar sein - objektiv sein. E) Mortalität, dieser Faktor bedroht vor allem bei Längsschnittstudien die Validität. Beispiel: - Ergebnis: Nootropika verlangsamen die psychosoziale Abhängigkeit von Dementierenden. - Aber: Untersucht wurden nur die Überlebenden, drop outs wurden nicht berücksichtigt Innere Validität Innere Validität bedroht durch F) Selektionsbedingte Verfälschungen: Die Auswahl der untersuchten Stichprobe erklärt den Effekt oder die Stärke eines Effektes. Beispiel 1: Ergebnis: Altennachmittage führen zu einer Zunahme der sozialen Kontakte im häuslichen Bereich. Aber: Personen die zum Altennachmittag gehen sind ohnehin sozial integriert. Typisches Altersphänomen: Die Personen, die am wenigsten Hilfe brauchen werden oft in die Studie integriert. Beispiel 2: Ergebnis: Aufklärungskampagnen haben in Gastarbeiterfamilien eine deutliche Verbesserung des Gesundheitszustandes zur Folge gegenüber Nicht-Gastarbeiterfamilien. Aber: Variable Gastarbeiter stellen eine Vorselektion dar, die auf die AV Gesundheitszustand wirkt

16 3.1.2 Äußere Validität Äußere Validität ist bedroht, wenn Ergebnisse nicht auf andere Bereiche übertragbar sind. Stichprobe soll repräsentativ sein. Ähnliche Bedrohungen wie bei innerer Validität: A) Selektionseffekte: Personengruppe, die untersucht wurde ist sehr speziell (z.b. einrichtungsspezifische Besonderheiten) B) Reaktive Effekte Untersuchungsergebnisse kommen dadurch zustande, dass die Untersuchten im Mittelpunkt standen (siehe Hawthorne-Studie) C) Testeffekte Bei der Prüfung des Effekts von Diabetikerinnen- u. Diabetiker- Schulungen kann in der untersuchten Gruppe ein Effekt dadurch zustande kommen, dass sich die Diabetiker auch außerhalb der Schulung gut informieren, um nicht dumm da zu stehen Maßnahmen gegen geringe Validität Gerade um Ursache-Wirkungsbeziehungen aufzudecken ist es extrem wichtig, Bedrohungen der Validität auszuschalten. Die Wahl des Untersuchungsdesigns ist wichtig zur Kontrolle der Validität. Welches Design ausgewählt wird hängt von folgenden Faktoren ab: - Wie künstlich kann ich die Situation herstellen (z.b. sind Randomisierungen möglich)? Wie wichtig ist es einen natürlichen Kontext herzustellen? Wie schwerwiegend ist es, wenn andere Effekte auf die AV wirken? 32 16

17 3.2 Labor- vs. Felduntersuchungen Mithilfe eines geeigneten Untersuchungsdesigns lassen sich die Einflüsse von Störvariablen minimieren, d.h. ein beobachteter Effekt (ein Unterschied zwischen den Stationen) kann sicherer als Folge der unabhängigen Variablen (der Supervision) interpretiert werden. Gerade um den Einfluss einer UV auf die AV zu kontrollieren, gibt es zwei Wege: 1) Laboruntersuchungen vs. Felduntersuchungen 2) Experimente vs. Studien vs. Quasi-Experimente Labor- vs. Felduntersuchungen 1) Labor- vs. Felduntersuchungen: A) Felduntersuchungen: Diese finden im realen Umfeld (im Feld) statt und bedingen damit eine schlechtere Kontrolle der Störvariablen. Vorteil: Die Ergebnisse stammen aus einem natürlichen Umfeld. B) Laboruntersuchung: Im Labor versucht man äußere Störeinflüsse auszuschalten. Beispiel: Beobachtung der Wirkung eines Hautpflegemittels im Labor, anstatt im normalen Stationsalltag oder zuhause. Vorteil: Störvariablen sind ausgeschaltet, hohe Gültigkeit (Validität). Nachteil: Künstliche, sterile Atmosphäre; schlecht generalisierbar; geringe Gültigkeit

18 3.2 Labor- vs. Felduntersuchungen Laboruntersuchung: - Ausschaltung oder bessere Kontrolle der Störvariablen - sinkende Anzahl plausibler Alternativerklärungen - hohe interne Validität, d.h. das Ergebnis ist eindeutiger interpretierbar. - geringe Generalisierbarkeit, d.h. geringe externe Validität Felduntersuchung: - vielfältige Störvariablen vorhanden - hohe Anzahl plausibler Alternativerklärungen - niedrige interne Validität, d.h. Ergebnis auch durch andere Faktoren erklärbar - hohe Gültigkeit auch in anderen Feldern, d.h. hohe externe Validität Labor- vs. Felduntersuchungen Im Bereich der Pflegeforschung gibt es so gut wie keine Laboruntersuchungen. Meist wird direkt am Krankenbett, d.h. im Sinne der Felduntersuchung gemessen. Weitere Möglichkeiten, die Störvariablen-Einflüsse zu minimieren, bestehen in der Durchführung von Experimenten: 36 18

19 3.3 Experiment vs. Quasiexperiment Die drei Kennzeichen eines Experimentes: Personen werden nach dem Zufallsprinzip den verschiedenen Bedingungen zugeteilt = Randomisierung. Randomisierung ist die zufällige Zuordnung der Untersuchungsteilnehmenden zu den Untersuchungsbedingungen Kontrolle Manipulation einer UV 37 reuschenbach@pflegewissenschaft.org 3.3 Experiment vs. Quasiexperiment Klassisches Experiment: Treatment Experimental-Gruppe Pre-Test Post-Test Randomisierung: Kontroll-Gruppe Pre-Test Post-Test Nur-Post-Test-Design Experimental-Gruppe Treatment Post-Test Randomisierung: Kontroll-Gruppe Post-Test 38 19

20 3.3 Experiment vs. Quasiexperiment Quasi-Experimente: Vollständige Kontrolle fehlt, EG/KG nicht zufällig A) Nicht-äquivalentes Design mit Kontrollgruppe Experimental-Gruppe Pre-Test Treatment Post-Test Kontroll-Gruppe Pre-Test Post-Test B) Nicht-äquivalentes Design mit Kontrollgruppe und Nur-Post-Test Experimental-Gruppe Treatment Post-Test Kontroll-Gruppe Post-Test Experiment vs. Quasiexperiment Quasi-Experimente: Vollständige Kontrolle fehlt C) Langzeit-Experiment mit Testserie Experimental-Gruppe Pre-Test Pre-Test Treatment Post-Test Kontroll-Gruppe Pre-Test Pre-Test Post-Test 40 20

21 3.4 Nicht-experimentelle Designs Hierzu zählen: Korrelationsstudien (keine UV-Kontrolle) Ex-post-facto-Studien (keine UV-Kontrolle) Längsschnittstudien Metaanalyse (Zusammenfassung mehrerer Studien) Korrelationsstudien Korrelationsstudien: Hier wird der Zusammenhang zwischen einer oder mehreren Variablen geprüft. Sie werden also zur Überprüfung von Zusammenhangshypothesen verwendet. Vorteil: Eine große Menge an Variablen kann gesammelt und deren gegenseitige Effekte kontrolliert werden Hilfreich für Variablen, die nicht manipulierbar sind Leichtere Anwendung im klinischen Bereich Nachteil: Variablen können nicht kontrolliert werden Auf Randomisierung wird verzichtet 42 21

22 3.4.1 Korrelationsstudien Korrelationsstudien: Das Korrelationsmaß r gibt die Größe des statistischen linearen Zusammenhangs wieder. Je näher r an +1 oder -1 umso stärker der Zusammenhang. +1 = positiver Zusammenhang -1= negativer Zusammenhang 43 reuschenbach@pflegewissenschaft.org Korrelationsstudien: Korrelationsstudien 44 reuschenbach@pflegewissenschaft.org 22

23 Korrelationsstudien Korrelationsstudien Treatment Experimental-Gruppe Pre-Test Pre-Test Post-Test Kontroll-Gruppe Pre-Test Pre-Test Post-Test Korrelationsstudien Korrelationsstudien: Wichtigster Nachteil: Die Stärke der statistischen Korrelation sagt nichts über die kausale Beziehung aus!!! 46 23

24 3.4.2 Ex-post-facto-Studie Ex-post-Facto-Studie Gruppen (nicht nach dem Zufallsprinzip zusammengesetzt) Schauspielerin/ Schauspieler mit Oscar Schauspielerin/ Schauspieler ohne Oscar Unabhängige Variable Oscar-Sieg Abhängige Variable Lebenserwartung Lebenserwartung

25 3.5 Welche Design ist besser? Im Bereich der Pflegeforschung ist es selten möglich Patientinnen und Patienten oder Mitarbeitende nach dem Zufallsprinzip bestimmten Interventionsmaßnahmen zuzuordnen. Oft verbieten es auch ethische Maßstäbe. Beispielsweise darf man nicht die Wirkung eines Schmerzmittels prüfen, indem man eine Gruppe ohne und die andere mit Schmerzmitteln testet. Im Bereich der Pflegeforschung werden dagegen oft quasi-experimentelle Designs verwendet. D.h. Interventionen werden an bestehenden (nicht randomisierten) Gruppen getestet. Hierbei ist natürlich der Einfluss der Störvariablen höher als bei einem Experiment Konkretisierung der Forschungsfrage Experiment - Randomisierte Zuteilung von Personen zu den Bedingungen - hohe interne Validität, da geringer Einfluss von Störvariablen. - sehr selten in der Pflegeforschung Quasi-Experiment - Keine zufällige Zuordnungen zu den Versuchsbedingungen, Prüfung des Einflusses von Interventionen an bestehenden Gruppen - geringere interne Validität, da Effekte durch Gruppenunterschiede erklärbar sind - häufig in der Pflegeforschung 50 25

26 3.5 Welche Design ist besser? 51 4 Auswahl der Stichprobe Welche Personengruppen sollen untersucht werden? Wie viele Personen sollen untersucht werden? Die optimale Menge hängt ab von der Einschätzung, ob die Ergebnisse generalisierbar sind, oder anders: von der Einschätzung der Folgen, die sich ergeben, wenn aus der Untersuchung falsche Schlüsse gezogen werden von finanziellen und personellen Ressourcen zur Durchführung von der Anzahl der Gruppen die verglichen werden von der Anzahl der Variablen die gemessen werden sollen von der Größe der Grundgesamtheit (z.b. der Gesamteinrichtung) 52 26

27 Wie groß sollte die Stichprobe sein? Die Frage ist abhängig davon, welche Aussagen man treffen will a) Von der Stichprobe will man auf die Grundgesamtheit schließen- > D.h das Ergebnis soll allgemein gültig sein. Die Stichprobe soll repräsentativ sein b) Die Ergebnisse sollen sich nur auf die Stichprobe selbst beziehen. Stichprobe = Grundgesamtheit, keine weitere Verallgemeinerung 53 Wie groß sollte die Stichprobe sein? Will man eine Hypothese testen dann muss die optimale Stichprobengröße berechnet werden (gilt für a+b) Die Ergebnisse müssen gegen den Zufall abgesichert sein- >Inferenzstatistik

28 Wie groß sollte die Stichprobe sein? Ob ein Ergebnis zufällig zustande gekommen ist oder ob es der Realität entspricht, hängt von vielen Faktoren ab - Je größer die Stichprobe, umso weniger wahrscheinlich ist ein Zufallsergebnis - Je mehr Gruppen es gibt, umso mehr Personen braucht man um kein Zufallsergebnis zu erzielen - Je mehr Variablen es gibt, umso mehr Personen braucht man, um das Ergebnis zu sichern 55 Wie groß sollte die Stichprobe sein? Weiterhin ist für die optimale Stichprobengröße entscheidend: - Welche Fehlerwahrscheinlichkeit akzeptiere ich? - Mit welchen Folgen sind falsche Ergebnisse verbunden? Die optimale Stichprobe kann mit statistischen Modellen errechnet werden. Leider wird das zu selten gemacht! 56 reuschenbach@pflegewissenschaft.org 28

29 Wie groß sollte die Stichprobe sein? Viele Faktoren gehen in die Berechnung der optimalen Stichprobengröße ein. Deshalb ist die folgende Annahme falsch: Je größer die Stichprobe umso gesichertere Aussagen sind möglich. Sondern: Bei hinreichend großen Stichprobengrößen wird jede Fragestellung signifikant. Die Stichprobe muss beim Hypothesentesten vorher berechnet werden-> Poweranalyse. 57 Exkurs: Das Wichtigste aus der Statistik Ein kleiner Exkurs in die Statistik: Da quantitative Methoden immer auch mit Daten/Zahlen zu tun haben, ist die Statistik, insbesondere die Inferenzstatistik das wesentliche Auswertungsinstrument der quantitativen Daten Im Wesentlichen werden zwei große Zweige unterschieden: A) Die deskriptive oder beschreibende Statistik B) Die Inferenzstatistik. Hierbei werden durch Wahrscheinlichkeitsberechnungen Aussagen über das Zutreffen oder die Ablehnung einer Hypothese getroffen

30 Exkurs: Deskriptive Statistik 1) Deskriptive Statistik: Hierunter fallen Methoden, die Messergebnisse mehrerer Personen in Form von Tabellen, Grafiken und deskriptiven Kennwerten zusammenfassen. Tabellen und Grafiken informieren über die Verteilungsform. Z.B. Polygone: Histogramme: Hier ist schon die Verteilung und die Lage relevant N N Temperatur Alter 59 Exkurs: Deskriptive Statistik Z.B.Kreisdiagramme: 60 30

31 Exkurs: Deskriptive Statistik Eine weitere Möglichkeit der erleichterten Darstellung sind Prozentzahlen. Im Vergleich zu absoluten Zahlen sind diese schneller begreifbar. Aber: Durch eine Reduktion der Darstellung auf Prozente lassen sich auch Ergebnisse verfälschen. 61 Exkurs: Deskriptive Statistik Beispiel für verzerrte Darstellungen: Anzahl der Pflegekräfte in den letzten fünf Jahren: Anzahl Schlagzeile der Pflegeverbände: Trotz steigender Anforderungen in der Pflege: Beschäftigungszahlen auf konstant niedrigem Niveau Jahr 62 31

32 Exkurs: Deskriptive Statistik Beispiel für verzerrte Darstellungen: Anzahl der Pflegekräfte in den letzten fünf Jahren (gleiche Zahlen wie vorher) Anzahl Schlagzeile der KV: Zuwachsrate der Beschäftigten im Pflegebereich stieg um 54%. 1996: : : : : Jahr 63 Exkurs: Deskriptive Kennwerte Deskriptive Kennwerte verdichten die Datenflut zu übersichtlichen Werten. Hierzu zählen beispielsweise: A) Der Mittelwert B) Streuungsmaße: Streuungsmaße geben Auskunft über die Variationsbreite eines Merkmals. Beispielsweise berechnet sich die Varianz aus dem Abstand der Messwerte zum Mittelwert. Alle Abstände werden quadriert und durch die Anzahl der Messwerte geteilt. Je höher die Varianz, umso größer die Variationsbreite

33 Exkurs: Deskriptive Kennwerte Dass die alleinige Angaben von Mittelwerten wenig sinnvoll ist, zeigt folgendes Beispiel: Im Vergleich zur Kontrollgruppe, die mit Placebo behandelt wurde, liegt der mittlere Cholesterinwert der Gruppe, die mit dem Medikament XY (ein Lipidsenker) behandelt wurde um 35 mg/dl niedriger. Kontrollgruppe (Placebo): M= 225 mg/dl Experimentalgruppe (Medikament): M= 190 mg/dl 65 Exkurs: Deskriptive Kennwerte Kontrollgruppe (Placebo): Experimentalgruppe (Lipidsenker): N M= 225 mg/dl M= 190 mg/dl Anteil an Personen, die trotz des Medikaments höhere Cholesterinwerte haben Cholesterin mg/dl 66 reuschenbach@pflegewissenschaft.org 33

34 Exkurs: Inferenzstatistik 1) Grundlagen der Inferenzstatistik Ziel der Inferenzstatistik ist es, durch die Angabe von Wahrscheinlichkeiten zu klären, ob empirische Daten die realen Gegebenheiten widerspiegeln oder nicht. Oder anders: Inwieweit sind aufgrund der Ergebnisse allgemeingültige Aussagen möglich? Um beim Beispiel des Lipidhemmers zu bleiben: Wenn 200 Personen mit dem Medikament behandelt wurden und 200 Personen nicht mit dem Medikament behandelt wurden, und es ergab sich eine Senkung um 35 mg/dl. Ist dieser Effekt Zufall oder mit welcher Wahrscheinlichkeit spiegelt er die tatsächlichen Unterschiede wider. 67 Exkurs: Inferenzstatistik Das Vorgehen ist bei allen Inferenztests gleich: Aufgrund der Ergebnisse (z.b. der zwischen zwei Gruppen festgestellten Unterschiede) wird mit einer gewissen Wahrscheinlichkeit auf die tatsächlichen Ergebnisse, also die Ergebnisse der Gesamtstichprobe geschlossen. Die Inferenzstatistik vergleicht also die Entscheidung aufgrund der Ergebnisse der Stichprobe mit den tatsächlichen Gegebenheiten in der Gesamtstichprobe. Inferenzstatistik trifft also nie Aussagen im Sinne von: Die Hypothese konnte bewiesen werden oder die Ergebnisse sind auf andere Einrichtungen übertragbar. Vielmehr werden Wahrscheinlichkeitsurteile gefällt: Mit einer Wahrscheinlichkeit von x% kann die Hypothese bestätigt werden. Es bleibt ein Restrisiko

35 Exkurs: Inferenzstatistik Wie kommt die Aussage: Das Ergebnis ist signifikant (statistisch bedeutsam) zustande? Grundsätzlich werden bei der Inferenzstatistik immer zwei konkurrierende Hypothesen getestet: Die Alternativhypothese (H1) ist die eigentlich im Mittelpunkt stehende Hypothese (z.b. Kontroll- und Experimentalgruppe unterscheiden sich hinsichtlich des Cholesterinwertes). Sie wird meist H1-Hypothese genannt. Die Nullhypothese (H0), behauptet, dass die zur Alternativhypothese komplementäre Aussage richtig ist. Also: Die beiden Personengruppen unterschieden sich nicht hinsichtlich des Cholesterinwertes. 69 Exkurs: Inferenzstatistik Die Inferenzstatistik prüft nun, mit welcher Wahrscheinlichkeit eine Entscheidung zugunsten der Alternativhypothese bzw. zugunsten der Nullhypothese mit einem Fehler behaftet ist. Test krank gesund krank (Null-Hypothese ist richtig) Richtige Schlussfolgerung Fehler I.Art Alpha-Fehler Realität gesund (Null-Hypothese ist falsch) Fehler II.Art Beta-Fehler Richtige Schlussfolgerung Das a-niveau wird meist vorher festgelegt. Eine Standardkonvention legt es bei 5% oder 10% fest. Wenn mit diesem a-niveau ein Test signifikant wird, dann heißt das, dass mit einer Wahrscheinlichkeit von 5% die Hypothese in der Grundgesamtheit nicht zutrifft, aber mit 95% schon

36 Exkurs: Inferenzstatistik 71 Exkurs: Inferenzstatistik Ob nun ein Test signifikant wird hängt von vielen Faktoren ab: - Von den tatsachlichen Verhältnissen in der Population - Von dem Unterschiedsniveau (Effektstärke), die zwischen zwei oder mehr Gruppen erwartet wird - Von der Streuung in beiden Gruppen - Von der erwarteten Teststärke - Von der Stichprobengröße 72 reuschenbach@pflegewissenschaft.org 36

37 Exkurs: Inferenzstatistik - Eine genügend große Stichprobe macht den kleinsten Unterschied signifikant!!!!-> Daher ist eine vorherige Stichprobenbestimmung extrem wichtig - Die quantitative Pflegewissenschaft und die Medizin sind von der Jagd auf Signifikanzen geprägt. Es wird meist versäumt, die Teststärke (power) anzugeben. 73 Was sie wissen sollten... - Wenn von signifikantem Ergebnis gesprochen wird, dann bedeutet das: - Mit einer bestimmten Wahrscheinlichkeit entsprechen die Befunde der Realität und sind nicht durch den Zufall bedingt. - Die Prüfung der Zufallswahrscheinlichkeit ist bei jedem statistischem Test gleich

38 5 Methoden der Datengewinnung 1. Physiologische oder biologische Messungen 2. Beobachtung 3. Interviews 4. Aufzeichnungen oder verfügbare Daten 5. Fragebögen 75 5 Methoden der Datengewinnung 2. Formen der Beobachtung Intervention durch die Beobachterin/den Ja Ja Versteckt teilnehmende Beobachtung Beobachter Nein Versteckt nichtteilnehmende Beobachtung Geheimhaltung Nein Offen teilnehmende Beobachtung Offene nichtteilnehmende Beobachtung 76 reuschenbach@pflegewissenschaft.org 38

39 5 Methoden der Datengewinnung 3. Formen des Interviews a) Postalisch b) Telefoninterview c) Vis-à-vis-Interview Weitere Einteilung: Strukturierungsgrad Einzelbefragung Gruppenbefragung Wenig Experteninterviews; Gruppendiskussion exploratives Interview Teilweise Leitfadengespräch Gruppenbefragung stark Einzelinterviews Gruppeninterviews 77 5 Methoden der Datengewinnung 5. Fragebögen Offene Fragen Instruktion Hybridfragen Danksagung Geschlossene Fragen 78 39

40 5 Methoden der Datengewinnung Gütekriterien von Fragebögen Objektivität: Durchführungsobjektivität Auswertungsobjektivität Interpretationsobjektivität Reliabilität: Messgenauigkeit, Messfehlerfreiheit, wie genau misst der Test? Test-Retest-Reliabilität Paralleltest-Reliabilität Halbierungs-Reliabilität Validität: Wird das gemessen, was das Verfahren vorgibt zu messen? Übereinstimmungsvalidität Vorhersagevalidität Konstruktvalidität (Faktorenanalyse). 79 Literatur: Kirchhoff, S.; Kuhnt, S. & Lipp, P. (2001) Der Fragebogen. Datenbasis, Konstruktion und Auswertung. Stuttgart: UTB LoBiondo-Wood, G. & Haber, J. (1996). Pflegeforschung: Methoden, kritische Einschätzungen und Anwendung. Berlin: Ullstein Mosby. Mayer, H. (2001). Pflegeforschung. Elemente und Basiswissen. Wien: Facultas. Phillips, J. L. (1997). Statistisch gesehen: Grundlegende Ideen der Statistik leicht erklärt. Basel: Birkhäuser. Sie können mich bei konkreten methodischen Fragen auch per Mail erreichen: 80 40