Einführung in die Statistik Metaanalyse

Transkript

1 Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Metaanalyse

2 Überblick Einführung Vorteile Vorgehensweisen Probleme 2

3 Einführung Metaanalyse: Zusammenfassung des aktuellen Forschungsstandes zu einer Fragestellung durch statistische Aggregation empirischer Einzelergebnisse inhaltlich homogener Primärstudien Primärstudien: Empirische Studien, welche die Untersuchungseinheiten der Metaanalyse darstellen Homogenität: Primärstudien untersuchen vergleichbare Fragestellungen Aggregation: Zusammenfassung der Primärstudienergebnisse Zusammenfassung zumeist über die Effektstärken der Studien als AV Einzeleffekte werden zur Schätzung des wahren Populationseffektes zusammengefasst 3

4 Einführung Historisch 1904: Erste bekannte quantitative Ergebniszusammenfassung durch Pearson: Einfache Mittelung von Korrelationen 1976: Erstmalige Verwendung des Begriffs Metaanalyse durch Glass Metaanalysen kein einheitliches statistisches Verfahren, sondern eine Methodenfamilie Metaanalyse vs. Review Review: Zusammenfassung des aktuellen Standes eines Forschungsgebietes durch gegliederte und kritische Darstellung der einschlägigen Literatur Karl Pearson Gene Glass 4

5 Metaanalyse vs. Review Um welche Art der Zusammenfassung handelt es sich nach dem unten abgebildeten Abstract? A: Metaanalyse B: Review Rey.participoll.com Quelle: Schroeder, Adesope und Gilbert (2013) A B 0 5

6 Effektmodelle von Metaanalysen Modell fester Effekte (engl. fixed-effect model) vs. Modell zufallsbedingter Effekte (engl. random-effects model) Modell fester Effekte: Annahme, dass sämtliche Studien exakt denselben Populationseffekt erfassen und dass die Unterschiedlichkeit der Effektgrößen zwischen den Primärstudien auf Stichprobenfehler zurückzuführen sind Modell zufallsbedingter Effekte: Annahme, dass jeder Primärstudie (aufgrund der Unterschiedlichkeit der Studien) eine andere Populationseffektgröße zugrunde liegt Modell gemischter Effekte (engl. mixed-effects model): Modell kombiniert die beiden Modelle 6

7 Vorteile und Vorgehensweisen Vorteile von Metaanalysen Überblick über uneinheitliche Befunde Erhöhung der Power Erhöhung der Validität Entscheidungsgrundlage Ablauf einer Metaanalyse Fragestellung Sammlung von Studien Kodierung & Bewertung Datenanalyse Präsentation & Interpretation Ablauf mit einer Primärstudie vergleichbar Fragestellung Erhebung von Probanden Aufbereitung der Daten Datenanalyse Präsentation & Interpretation 7

8 Fragestellung Festlegung relevanter Parameter im Vorfeld Zusammenhang zwischen UV und AV Auswahlrahmen für Literaturrecherche (z. B. Sprache, Zeitraum) Eher selten: Methodische Mindeststandards (z. B. bezüglich Power, Vollständigkeit der Daten) Potentielle Moderatorvariablen Potentielle Moderatorvariablen: Inhaltliche oder methodische Merkmale von Studien, welche sich auf die Größe des gefundenen Zusammenhanges auswirken könnten Beispiele für Moderatorvariablen: Lernervorwissen, räumliches Vorstellungsvermögen, Lernzeit 8

9 Sammlung von Studien Vorteile einer umfassenden Literaturrecherche Je mehr Studien berücksichtigt werden, desto höher die Power Verringerte Gefahr der Ergebnisverzerrung Recherchestrategien Stichwortsuche im Netz und in Datenbanken (z. B. Google Scholar, Psychinfo, Psycharticles, ERIC) Systematische Durchsicht von Fachzeitschriften & Bibliographien Durchsicht der Literaturverzeichnisse von relevanten Artikeln Anfragen über Fachgruppenverteiler Kontaktaufnahme mit Experten Möglichst auch Berücksichtigung sog. grauer Literatur 9

10 Kodierung und Bewertung Datenaufbereitung umfasst u. a. Brauchbarkeitsprüfung, Kodierung der Moderatorvariablen und Umkodierung der Kennwerte Brauchbarkeitsprüfung: Bewertung der Studien hinsichtlich inhaltlicher Angemessenheit und methodischer Standards (ggf. Ausschluss) Kodierung der Moderatorvariablen: Beurteilung der Studien bezüglich der Ausprägungen in den Moderatorvariablen Umkodierung der Kennwerte: Zusammenfassung der Effektgrößen und Überführung in eine einheitliche Größe Gruppendifferenzmaße (z. B. Cohens d, Hedges g) Zusammenhangsmaße (z. B. Δ-Maß, Korrelationskoeffizient r) Varianzaufklärungsmaße (z. B. r², η²) Risikomaße (z. B. Odds Ratio OR oder relatives Risiko RR) 10

11 Datenanalyse Überblick über den Ablauf nach Berechnung und Prüfung des Gesamteffektes Start Noch möglich Homogenitätstest Signifikant Moderatorvariablenanalyse Subgruppe inhomogen Maßnahmen gegen Heterogenität Nicht signifikant Subgruppe homogen: Innerhalb der Subgruppe Signifikanztest für Gesamteffekt Abbruch Bereits ausgeschöpft 11

12 Datenanalyse Homogenitätstest prüft die Wahrscheinlichkeit, dass Effekte der Primärstudien auf denselben zugrundeliegenden Populationseffekt zurückgehen Homogenitätstest mit der Teststatistik Q nach Shadish und Haddock (1994) verbreitetes Verfahren Bei nicht signifikantem Homogenitätstest Annahme, dass ein gemeinsamer Populationseffekt zugrunde liegt Signifikanztest für den Gesamteffekt Gewichtung der Effekte der Primärstudien an ihren Stichprobengrößen bzw. Standardfehlern Ermittlung eines Konfidenzintervalls für die geschätzte Effektgröße 12

13 Homogenitätstest Welche Aussage trifft zur unten abgebildeten Textpassage zu? A: Die Teststatistik Q deutet darauf hin, dass keine Moderatoreffekte vorliegen. B: Die Teststatistik Q deutet darauf hin, dass Moderatoreffekte vorliegen. C: Weder Antwort A noch Antwort B sind korrekt. Rey.participoll.com Quelle: Ginns, Martin und Marsh (2013) A B C 0 13

14 Datenanalyse Moderatorvariablenanalyse Bei signifikantem Homogenitätstest Annahme von Subgruppen mit unterschiedlichen Populationseffekten Ermittlung der Bedeutsamkeit von Moderatorvariablen mittels multipler Regression (bzw. mehrfaktorielle Varianzanalysen), wobei die Moderatorvariablen Prädiktoren sind und die Effektgröße die Kriteriumsvariable Bei einer Vielzahl an Moderatorvariablen Gruppierung auch clusteranalytisch möglich Maßnahmen zur weiteren Verringerung der Heterogenität z. B. durch Ausschluss von Ausreißern (z. B. Ausreißertest nach Grubbs) oder Ermittlung weiterer Moderatorvariablen 14

15 Präsentation und Interpretation Übersichtliche Darstellung der relevanten Parameter der Einzelstudien bzw. Subgruppen in tabellarischer und/oder graphischer Form Diskussion von Schwächen und Implikationen sowie Ansatzpunkte für weitere Forschung Abbildung der Effektgrößen (d) und Konfidenzintervalle (95%) Quelle: Ginns, Martin und Marsh (2013) 15

16 Probleme Uniformitätsproblem Garbage-in-Garbage-out -Problem Publikationsverzerrung Unvollständige Daten Abhängige Untersuchungsergebnisse 16

17 Uniformitätsproblem Äpfel-und-Birnen -Problem: Wie homogen müssen Studien sein, damit sie in einen Topf geworfen werden können? Unterschiedliche Standards für UV und AV UV: Hier eher liberaler Maßstab, da leichte Variationen (z. B. in Operationalisierung) Generalisierung des Effektes erlauben bzw. Differenzierung mittels Moderatorvariablenanalysen möglich ist AV: Hier eher strenge Kriterien, da ein gemeinsames inhaltliches Konstrukt erfasst werden soll 17

18 Garbage-in-Garbage-out -Problem Verwendung methodisch schwacher (z. B. wenig reliabler) Primärstudien führt zur geringeren Aussagekraft der Ergebnisse Lösungsansätze Ausschluss methodisch schwacher Studien (hierdurch jedoch Informationsverlust) Gewichtungsterm in statistischen Analysen Aufnahme der Studienqualität als Moderatorvariable 18

19 Publikationsverzerrung Publikationsverzerrung (engl. publication bias oder file drawer problem): Signifikante Ergebnisse werden bevorzugt veröffentlicht Lösungsansätze Umfangreiche Literaturrecherche inkl. grauer Literatur Fail-Safe-N als Anzahl nicht signifikanter Ergebnisse, die vorliegen müssten, damit aus einem signifikanten ein nicht signifikanter Gesamteffekt wird Änderung der Herausgeberpolitik der Zeitschriften Graphische Methoden zur Darstellung der Ergebnisverteilung 19

20 Publikationsverzerrung Welche Aussage steht an der verdeckten Stelle in der unten abgebildeten Textpassage? A: (published) studies with a significant B: (unpublished) studies with a significant C: (published) studies with a non-significant D: (unpublished) studies with a non-significant Rey.participoll.com Quelle: Richter, Scheiter und Eitel (2016) A B C D 0 20

21 Graphische Methoden zur Darstellung der Ergebnisverteilung Betrachtung der Verteilung der Effekte der Primärstudien Prüfung meist mittels Funnel-Plot: Verteilung sollte trichterförmig sein Weitere graphische Methode: Normal- Quantil-Plot Verteilung der Ergebnisse auch mathematisch prüfbar durch Vergleich mit vorgegebener Verteilungsform Quelle: Döring und Bortz (2015) 21

22 Unvollständige Daten Probleme durch fehlende statistische Kennwerte ( Missing Data ) in den Primärstudien Unvollständige Datenbasis Systematische Verzerrungen Unterschiedliche metaanalytische Ergebnisse Umgang mit unvollständigen Daten Berechnung fehlender Daten aus den berichteten Kennwerten Regressionsanalytische Schätzung fehlender Werte Konservative Schätzung von fehlenden Daten (z. B. Nulleffekte bei nicht signifikanten Befunden) Kombinierte Signifikanztests 22

23 Abhängige Untersuchungsergebnisse Problem: Wie soll mit verschiedenen Befunden aus derselben Stichprobe umgegangen werden? Einerseits: Unabhängigkeit der Messungen Voraussetzung für viele Metaanalysen Andererseits: Ausschluss von Daten führt zu Informationsverlust Lösungsansätze Lediglich Verwendung des bedeutsamsten Kennwertes Median- oder Mittelwertsbildung der abhängigen Ergebnisse Verwendung aller Ergebnisse unter Berücksichtigung der Kovarianzstruktur 23

24 Beispiele für Metaanalysen in Fachzeitschriften Quelle: Höffler (2010) Quelle: Ginns, Martin und Marsh (2013) Quelle: Richter, Scheiter und Eitel (2016) Quelle: Schroeder, Adesope und Gilbert (2013) Quelle: Wouters et al. (2013) 24

25 Zusammenfassung Metaanalyse als Zusammenfassung des aktuellen Forschungsstandes zu einer Fragestellung durch statistische Aggregation empirischer Einzelergebnisse inhaltlich homogener Primärstudien Überblick über uneinheitliche Befunde, Erhöhung der Power und der Validität sowie Nutzung als Entscheidungsgrundlage als Vorteile von Metaanalysen Sammlung von Studien, Kodierung und Bewertung, Datenanalyse, Präsentation und Interpretation als Schritte von Metaanalysen Uniformitätsproblem, Garbage-in-Garbage-out -Problem, Publikationsverzerrung, unvollständige Daten und abhängige Untersuchungsergebnisse als Probleme von Metaanalysen 25

26 Prüfungsliteratur Döring, N., & Bortz, J. (2015). Forschungsmethoden und Evaluation in den Sozial- und Humanwissenschaften (5. Aufl.). Berlin: Springer. Metaanalyse (S , ohne Rechenbeispiele) 26

27 Weiterführende Literatur Sedlmeier, P., & Renkewitz, F. (2013). Forschungsmethoden und Statistik: Ein Lehrbuch für Psychologen und Sozialwissenschaftler (2. Aufl.). München: Pearson. Metaanalyse (S ) Rustenbach, S. J. (2003). Metaanalyse: Eine anwendungsorientierte Einführung. Bern: Huber. 27