Unsystematische Störvariablen

Transkript

1 wirken auf AV, variieren aber nicht mit UV haben keinen Einfluss auf Unterschiede zwischen den Bedingungen Unsystematische Störvariablen (Eid, Gollwitzer & Schmitt, 2010, S. 56f) Es gibt individuelle Unterschiede zwischen Personen (innerhalb jeder Bedingung), diese Unterschieden bestehen aber nicht systematisch zwischen Bedingungen z.b. Symptomatik von schwerer gestörten Patienten verbessert sich nicht (Einfluss auf a.v); Anteil schwer gestörter Patienten ist jedoch in Kontroll- und Treatmentgruppe gleich (kein Einfluss auf u.v.) Vergrösserung der Varianz innerhalb der Bedingungen (Fehlervarianz) -> Nachweis eines Effekts wird erschwert

2 Systematische Störvariablen (Eid, Gollwitzer & Schmitt, 2010, S. 56f) variieren systematisch mit UV und wirken auf AV -> Scheineffekte (Artefakte) - > Beeinträchtigung der internen Validität Gleichsinnige Konfundierung: Hypothese wird durch Artefakte scheinbar bestätigt Gegensinnige Konfundierung: Hypothese wird durch Artefakte scheinbar widerlegt Personengebundene Störvariablen Selektion, Personen in einzelnen Bedingungen unterscheiden sich voneinander (Patienten in Kontrollgruppe sind schwerer gestört als in Treatmentgruppe) Bedingungsgebundene Störvariablen es gibt neben der u.v. weitere Unterschiede zwischen Bedingungen (z.b. Versuchsleitereffekte: freundliche gut organisierte Versuchleiterin in Bedingung A vs unfreundliche, schlecht organisierter Versuchsleiter in Bedingung B). Situationsgebundene Störvariablen Effekte entstehen erst in der Situation (z.b. unterschiedliche Erwartungseffekte bezüglich d. Wirksamkeit der Behandlung in Kontroll- und Treatmentgruppe).

3 Kontrolle von Störvariablen (Eid, Gollwitzer & Schmitt, 2010) Eliminierung: (z.b. EEG-Aufzeichnung in schalldichtem Faradayschen Käfig) Konstanthalten: (z.b. gleiche Versuchsleiterin, identischer Ablauf; nur Männer als Vp) Ausbalancieren: Häufigkeitsverteilung kategorialer Störvariablen ist in allen Bedingungen gleich (z.b. gleiches Verhältnis von Männern u. Frauen) Parallelisierung: Kontinuierliche Störvariable soll in Untersuchungsbedingungen gleich verteilt sein. Variable (z.b. Gewicht, Ausprägung der Störung) wird vor der Untersuchung gemessen. Personen mit gleicher Ausprägung werden Untersuchungsbedingungen zugeteilt. Variable müssen bekannt sein Problem, wenn viele Variablen vorliegen Randomisierung: Zufällige Zuteilung zu Untersuchungsbedingungen Variable brauchen nicht bekannt zu sein Problem: Setzt grosse Stichproben voraus Auspartialisierung: Einfluss d. Störvariable wird statistisch eliminiert (nachträgliches Konstanthalten)

4 Gruppen, die verglichen werden sollen, unterscheiden sich in Merkmalen, die mit a.v. Zusammenhängen Z.B. gibt es vor Beginn einer Studie Unterschiede zwischen Treatment- u. Kontrollgruppe im Schweregrad d. Störung Probleme bei Auspartialisierung der Störvariable(n) (Eid, Gollwitzer & Schmitt, 2010, S. 667) Kovarianzanalyse (Regressionsanalyse). Ausprägung zum Präzeitpunkt wird aus Postmessung herauspartialisiert. Test auf Gruppenunterschiede prüft, ob Treatment- u. Kontrollgruppe sich unterscheiden, wenn alle Personen bezüglich d. Präwerte gleich sind (Test über Residuen) Voraussetzung ist, dass Regressionsmodell korrekt ist: Linearer Zusammenhang zwischen Prä- u. Postmessung Gleicher Zusammenhang in beiden Gruppen alle relevanten Störvariablen werden einbezogen dass unabhängige Variablen u. Störvariablen ohne Messfehler gemessen werden Problem, wenn grosse Mittelwertsunterschiede u. nicht überlappende Verteilungen in Kovariate vorliegen

5 Kontrolle von Störvariablen durch Experimentelle Designs Variation zwischen Personen (between subject design) Personen werden randomisiert einer von mehreren Untersuchungsbedingungen zugeteilt (Medikament A vs. Medikament B vs. Placebo) Problem: Randomisierung umso weniger wirksam, je kleiner die Gruppen Variation innerhalb von Personen (within subject design) Die gleichen Personen durchlaufen mehrere Versuchsbedingungen (Medikament A vs. Medikament B vs. Placebo) Vorteil: Versuchspersonen bilden eigene Vergleichsgruppe -> Konstanthalten der Personenvariablen -> Reduktion der Fehlervarianz -> Erhöhung der Power -> Problem: Reihenfolgeeffekte (Wirkung des Placebos ist besser zu erkennen, wenn die Medikamente bereits verabreicht wurden, als wenn Placebo zuerst verabreicht wird). Störgrössen wie Motivation und Müdigkeit verändern sich mit der Zeit -> Reihenfolge wird permutiert -> Welche Person welche Reihenfolge erhält wird randomisiert zugewiesen. Carry-over-Effekte (Medikament A ist noch nicht vollständig abgebaut und beeinflusst Wirkung von Medikament B und Placebo) -> Reihenfolge wird permutiert; genügend Zeit zwischen Bedingungen Lerneffekte führen zu dauerhafter Veränderung (Within Subject design ist deshalb nicht oder nur bedingt geeignet, wenn Lerneffekte zu erwarten sind).

6 Probleme bei Auspartialisierung der Störvariable(n) Beispiel (Eid, Gollwitzer & Schmitt, 2010, S. 667f) 140 Vergleich zwischen zwei Interventionen Vortest Nachtest Interventionsgruppe Kontrollgruppe

7 Probleme bei Auspartialisierung der Störvariable(n) Lords Paradox (Eid, Gollwitzer & Schmitt, 2010) Ergebnisse der Kovarianzanalyse (Korrelation Prä-Post r =.80): Regressionsgewicht Prä Post: 0.797*** Regressionsgewicht Experimentalgruppe: 2.791** Ergebnis Vergleich der Prä Post Differenzwerte t-test der Differenzwerte: t= 0.397, df = 998, p =.692 Unterschied zwischen beiden Analysen basiert darauf, dass bei Kovarianzanalyse Messfehler der Kovariate nicht berücksichtigt wird und als Scheinunterschied zwischen den Gruppen erscheint.