Quantitative Methoden I. Statistik für Psychologie

Übersicht

Lecture Notes , 2019 , 41 Pages

Psychology - Methods

Vorliegend handelt es sich um eine ausführliche und aufgearbeitete Mitschriften aus der Vorlesung "Quantitative Methoden I" für den Bachelor in Psychologie. Ein Überblick wird unter anderem über Variablen, Skalenniveaus, Stichprobenumfang und -planung, Signifikanztestung, Korrelationen sowie Effektstärken gegeben. Die stichpunktartige Mitschrift umfasst Themen, welche die Grundlagen der Statistik für Psychologie behandeln, und ist mit Tabellen, Abbildungen (z.B. von statistischen Verteilungen) und wichtigen Formeln ausgestattet.

Inhalt

GRUNDSCHEMA

FRAGESTELLUNGEN UND HYPOTHESEN

DATENERHEBUNG ALS MESSUNG VON VARIABLEN

ÜBERSICHT VARIABLEN UND SKALENNIVEAUS

PROBLEME BEIM MESSEN VON VARIABLEN

ZUSAMMENFASSUNG

VERSUCHSPLANUNG – VON DER HYPOTHESE ZUR DATENERHEBUNG

STÖRVARIABLEN

UNTERSUCHUNGSDESIGNS

KONFUNDIERUNGSPROBLEM

ZUSAMMENFASSUNG

STICHPROBEN

BESCHREIBUNG VON ERHOBENEN DATEN - DESKRIPTIVE STATISTIK

STATISTISCHE KENNWERTE

ZUSAMMENFASSUNG

KORRELATIONEN – ZUSAMMENHÄNGE ZWISCHEN VARIABLEN

WAHRSCHEINLICHKEIT UND STATISTISCHE TESTUNG

WAHRSCHEINLICHKEITEN ALLGEMEIN

WAHRSCHEINLICHKEIT IN DER STATISTIK

NORMALVERTEILUNGEN

VERTEILUNG STATISTISCHER KENNWERTE UND KONFIDENZINTERVALLE

VERTEILUNG VON KENNWERTEN

SIGNIFIKANZTESTUNG

SIGNIFIKANZTEST FÜR MITTELWERTSUNTERSCHIEDE

SYSTEMATISCHE PRÜFUNG VON STATISTISCHEN HYPOTHESEN

HYPOTHESENPAARE, ZUGEHÖRIGER TEST UND ENTSCHEIDUNGEN

EFFEKTSTÄRKE UND BETA-FEHLER

TESTPLANUNG: STICHPROBENUMFANG

ZUSAMMENFASSUNG

PRÜFUNG VON ZUSAMMENHANGSHYPOTHESEN

TESTUNG VON ZUSAMMENHANGSHYPOTHESEN

LOGIK DES HYPOTHESENTESTENS

VORGEHEN BIS ZUR DATENERHEBUNG

ENTSCHEIDUNG ÜBER HYPOTHESEN

GRUNDSCHEMA

Abbildung in dieser Leseprobe nicht enthalten

- Fragestellung: Ausgangspunkt der Forschung
- Hypothese: Annahme, mögliche Antwort auf die Fragestellung
- Datenerhebung: Hypothese bestimmt, welche Daten erhoben werden müssen
- Untersuchungsdesign (study design): Wie werden die Daten erhoben? Welche Art von Erhebung ist sinnvoll, welche Probleme ergeben sich eventuell?
- Datenanalyse: abhängig von Fragestellung, Hypothese, Datenerhebung und Untersuchungsdesign, erst dann vernünftige Datenanalyse möglich

FRAGESTELLUNGEN UND HYPOTHESEN

BEISPIEL : psychische Belastungen von Studierenden

Fragen nach statistischen Häufigkeiten

- Fragestellungen: Wie viele Studierende leiden unter psychischen Belastungen? Wie viele Mitarbeiter werden für psychologische Beratungsstellen benötigt?
- Wahrscheinlichkeit: P (Belastung|Studium) → Belastung wenn Studium

Zusammenhangs-/Unterschiedsfragen

Beispiel Zusammenhangsfrage: Besteht ein Zusammenhang zwischen Studierenden und psychischen Belastungen?

- Nullhypothese: Es besteht kein Zusammenhang.
- Alternativhypothese (ungerichtet): Es besteht ein Zusammenhang.
- Alternativhypothese (gerichtet): Es besteht ein positiver Zusammenhang, Studierende haben eine höhere psychische Belastung als Nicht-Studierende.

Beispiel Unterschiedsfrage: Unterscheiden sich Studierende von Nicht-Studierenden hinsichtlich ihrer psychischen Belastung?

- Nullhypothese: Es gibt keinen Unterschied.
- Alternativhypothese (ungerichtet): Es gibt einen Unterschied.
- Alternativhypothese (gerichtet): Studierende sind stärker belastet als Nicht-Studierende.
- Vergleich durch Differenz von P (Belastung|Studium) und P (Belastung|kein Studium)

Fragen nach Ursache-Wirkungszusammenhängen (kausale Zusammenhänge)

Kausalität

- es besteht ein Zusammenhang zwischen Ursache und Effekt
- der Effekt tritt erst nach der Ursache auf
- andere Ursachen für den Effekt werden kontrolliert oder ausgeschlossen
- Manipulation der Ursache ruft den spezifischen Effekt hervor

Beispiel Kausalfrage: Wird durch ein Studium die psychische Belastung erhöht? ODER: Verursacht Studieren psychische Belastung?

- Nullhypothese: Die Ursachenvariable hat keinen Einfluss auf die Effektvariable/Es ist keine Wirkung vorhanden.
- Alternativhypothese (ungerichtet): Es gibt eine Wirkung.
- Alternativhypothese (gerichtet): Die Ursache hat eine generative/inhibitorische Wirkung.

Mögliche Erklärungen für (vermeintliche) kausale Zusammenhänge

- Studium verursacht psychische Belastung
→ Variable A verursacht Variable B
- psychisch belastete entscheiden sich für Studium
→ Variable B verursacht Variable A
- Disposition beeinflusst beide Variablen
→ Variable C beeinflusst A + B

DATENERHEBUNG ALS MESSUNG VON VARIABLEN

Grundidee Variablenausprägungen und Skalennivaus

- zur Beantwortung einer Fragestellung und Prüfung der zugehörigen Hypothese müssen die genannten Variablen erhoben werden
- bei der Messung wird jeder Ausprägung der Variablen ein numerischer Wert zugeordnet
- für die Messung ist wichtig, welche Relationen der Variablenausprägungen durch die Messung abgebildet werden

Kategoriale Variablen

- haben qualitativ verschiedene Ausprägungen
- Ausprägungen bilden keine Reihenfolge
- bei Messung zu erhaltende Relation zwischen Ausprägungen: gleich vs. ungleich

Kontinuierliche Variablen

- haben quantitativ verschiedene Ausprägungen
- Ausprägungen bilden eine Reihenfolge → lassen sich von kleiner zu größer anordnen
- bei Messung zu erhaltende Relation zwischen Ausprägungen: min. größer, gleich, kleiner

Skalenniveaus

- je nachdem welche Relationen zwischen den Ausprägungen der Variable in den numerischen Werten abgebildet werden, resultieren unterschiedliche Skalenniveaus
- Arten von Skalenniveaus: nominal, ordinal, Intervall, Verhältnis
- bestimmen, welche Transformationen mit den Werten durchgeführt werden können, so dass die entsprechenden Relationen erhalten bleiben
- bestimmen, welche statistischen Kennwerte berechnet werden können
- bestimmen, mit welchen statistischen Verfahren Hypothesen geprüft werden können
→ Es ist unbedingt notwendig zu wissen, auf welchem Skalenniveau eine Variable erhoben wurde!

BEISPIEL : Wie warm ist das Wasser?

- Kategorisierung der Ausprägung: kalt = 0, warm = 1, warm = 1
- Ordnung der Ausprägung: nicht warm = 0, leicht warm = 1, warm = 2
- Bestimmung von Abständen der Ausprägungen: 5°C → + 15°C → 20°C → + 15°C → 35°C
- Bestimmung der Ausprägung relativ zu einem absoluten Nullpunkt (Verhältnisse): 278,15° Kelvin → + 5,4% → 293,15° Kelvin → + 5,1% → 308,15° Kelvin

ÜBERSICHT VARIABLEN UND SKALENNIVEAUS

Abbildung in dieser Leseprobe nicht enthalten

PROBLEME BEIM MESSEN VON VARIABLEN

1. Viele psychologisch interessante Variablen sind nicht direkt messbar

- latente Variablen: nicht direkt beobachtbare oder direkt messbare theoretische Konstrukte
→ Gedanken, Gefühle, Denkprozesse, Persönlichkeitsvariablen, psychische Erkrankungen
- manifeste Variablen: direkt beobachtbare oder messbare Größen → verbale Aussagen, Antworten in Tests, Häufigkeit bestimmter Verhaltensweisen, Reaktionszeiten, neuronale Aktivierungen, Beurteilungen durch andere, …
- Operationalisierung der latenten Variablen: klare Definition der interessierenden, nicht direkt beobachtbaren (latenten) Variablen + Bestimmung der direkt beobachtbaren (manifesten) Variablen, die mit den latenten Variablen in einem unmittelbaren Zusammenhang stehen
→ hinter einer Operationalisierung stehen Annahmen, die nicht weiter überprüft werden (philosophische Fragen, Operationalisierung kritisch sehen und bewerten)
→ Idee einer guten Operationalisierung entwickelt sich weiter, früher zum Beispiel Analyse von Handschriften um Aufschluss auf Persönlichkeit zu geben

2. Tatsächlich vorhandene Unterschiede in den latenten Variablen werden durch die Messung der manifesten Variablen nicht erfasst

Beispiel Depression:

- latente Variable: könnte theoretisch auf Intervallskalenniveau gemessen werden
- manifeste Variable: Depression als Diagnose ist eine dichotome, kategoriale Variable
→ Depression liegt entweder vor oder sie liegt nicht vor: Nominalskalenniveau

3. Unterschiedliche Operationalisierungen/Messmethoden liefern unterschiedliche Ergebnisse

Beispiele:

- unterschiedliche Ergebnisse bei Intelligenztests
- Präferenz/“Willingness to pay“ bei unterschiedlich präsentiertem Eisbecher (Hsee, 1998)

ZUSAMMENFASSUNG

- Fragestellungen: statistische Fragen, Zusammenhangs- und Unterschiedsfragen, Fragen nach kausalen Zusammenhängen
- Hypothesen: Nullhypothese, Alternativhypothese (gerichtet und ungerichtet)
- Variablen: kategorial, kontinuierlich
- Skalenniveaus: nominal, ordinal, Intervall, Verhältnis
- Probleme der Messung: latente/manifeste Variablen, Operationalisierung

VERSUCHSPLANUNG – VON DER HYPOTHESE ZUR DATENERHEBUNG

BEISPIEL: Sollte man/frau sich für mündliche Prüfungen hübsch machen, um eine bessere Note zu bekommen?

Hintergrundinformationen

- empirische Befunde: attraktivere Personen werden besser beurteilt und für kompetenter gehalten
- mögliche theoretische Erklärungen:
- implizite Persönlichkeitstheorien nehmen Verbindung zwischen Aussehen und Kompetenz an
- eine gepflegte Erscheinung signalisiert Respekt und gute Vorbereitung und führt daher zu einer positiveren Einstellung des Prüfers, diese positive Einstellung führt zu einer besseren Note

Hypothese: Eine kurzfristige Verbesserung des äußeren Erscheinungsbildes (hübsch machen) führt zu besseren Noten bei mündlichen Prüfungen.

→ positiv gerichtete Kausalhypothese: Ursachenvariable = hübsch machen, Effekt = Note

Operationalisierung

- wichtig bei Messung: systematische, standardisierte Messung, zum Beispiel durch Checkliste
→ Sicherstellung von Objektivität, Reliabilität und Validität

- wichtig bei experimenteller Manipulation: genaue Festlegung der Variablenausprägungen, Kontrolle durch den Versuchsleiter

Wie könnte „hübsch machen“ gemessen werden?

- Vergleich zwischen „normalem“ Erscheinungsbild und Erscheinungsbild am Prüfungstag
- Indikatoren: Make-Up, saubere Kleidung, zurechtgemachte Haare, …
- Zeit, die ins äußere Erscheinungsbild investiert wird
- Befragung der Prüflinge oder Beobachtung und Beurteilung durch andere

Wie könnte „hübsch machen“ experimentell manipuliert werden?

- zwei Ausprägungen: hübsch machen vs. nicht hübsch machen
- Einteilung in Abstufungen: kompletter Anzug, Hemd, T-Shirt

Wie könnte „gute Note“ gemessen werden?

- Verbesserung der Note messen → Probleme bei Fächern, die nur einmal absolviert werden
- ethische Bedenken: Prüfungsdaten können nicht einfach eingesehen werden
→ Einverständniserklärung oder direkt nach Note fragen

- wichtig: Vertraulichkeit der Daten um akkurate Antwort zu erhalten

Formen von Untersuchungen

nicht-experimentelle Untersuchungen

- Variablen werden durch Beobachtung/Befragung gemessen
- Störvariablen werden soweit bekannt und möglich kontrolliert
- „gut“ für Zusammenhangshypothesen (auch Ausnahmen unter bestimmten Bedingungen)

Experimente

- vermeintliche Ursachen werden manipuliert und resultierende Effekte gemessen
- resultierende Effekte werden gemessen
- Störvariablen werden kontrolliert
- „gut“ für Kausalhypothesen

STÖRVARIABLEN

Definition

- nicht in der Hypothese genannt
- haben dennoch einen Einfluss auf die Effektvariable
- mögliche Störvariablen: Geschlecht, physische Attraktivität, Schwierigkeit des Fachs, Wissen im geprüften Fach, kommunikative und sprachliche Fähigkeiten, Strenge des Prüfers, …

Warum ist die Kontrolle von Störvariablen wichtig?

- Störvariablen beeinflussen die Effektvariable, das heißt sie verursachen Variation in den Ausprägungen
- wenn diese nicht kontrolliert werden, so ist nicht klar, ob die verschiedenen Ausprägungen der Effektvariablen auf die untersuchte Ursachenvariable oder die Störvariablen zurückzuführen sind

Arten von Störvariablen

- personengebundene SV: Intelligenz, Motivation, Persönlichkeit, Kompetenzen...
- situationsgebundene SV: Lärm, Instruktion, Versuchsleiter, ...
- Erwartungen der Versuchsperson und des Versuchsleiters
- bei Experimenten
- Ausgangswert der Effektvariable vor Manipulation der Ursachenvariable
- Effekte der mehrfachen Messung (bei Messwiederholung)

Kontrolle von Störvariablen

Möglichkeiten bei konstanten Störvariablen

- konstant halten oder eliminieren, sodass die Störvariablen keine Variation in der abhängigen Variable erzeugen können
- statistische Kontrolle 1: erheben, sodass für unterschiedliche Ausprägungen der Störvariablen separate Analysen gerechnet werden können
- statistische Kontrolle 2: erheben, sodass der Einfluss dieser Variablen bei der statistischen Analyse herausgerechnet werden kann

Möglichkeiten bei unbekannten Störvariablen: Durchführung eines Experiments

UNTERSUCHUNGSDESIGNS

Nicht-experimentelles Untersuchungsdesign

Vorteile

- einfach zu realisieren: Befragung der Studierenden nach Ende der mündlichen Prüfung
- Kausalrichtung ist klar: hübsch machen kann nur die Ursache, nicht der Effekt der Note sein
- wichtige Störvariablen sind bekannt

Nachteile

- große Zahl der Störvariablen kann dazu führen, dass in den resultierenden Teilgruppen zu wenige Personen für eine Datenanalyse sind (zum Beispiel attraktive Männer mit hohem Wissen)
→ statistische Kontrolle ist schwierig oder unmöglich
- Störvariablen können stark mit der interessierenden, unabhängigen Variable korrelieren (zum Beispiel Geschlecht und hübsch machen) → Konfundierung, Ergebnisse sind nicht interpretierbar
- unbekannte Störvariablen können nicht kontrolliert werden

Experimentelles Untersuchungsdesign

→ Kennzeichen eines Experiments

Manipulation

- Ursachenvariable wird manipuliert, das heißt die Ausprägung wird von außen festgelegt
- durch die Manipulation wird die Variable unabhängig von anderen Variablen inklusive ihrer eigenen Ursachen → unabhängige Variable
- Effektvariable ist laut Hypothese von der unabhängigen Variable beeinflusst → abhängige Variable
- je nach Art der Manipulation der UV ergeben sich unterschiedliche Untersuchungsdesigns
Randomisierung
- Kontrolle von Störvariablen/Ausschluss von Alternativerklärungen durch Randomisierung
- Ziel: Sicherstellen, dass Unterschiede in der AV durch die Unterschiede in der UV verursacht werden und nicht durch die Störvariablen → Sicherung der internen Validität
- es wird durch Zufall bestimmt, welche Ausprägung der UV einer Person zugewiesen wird
→ randomisierte Zuteilung zu den Bedingungen bzw. zur Experimentalgruppe (UV liegt vor) und zur Kontrollgruppe (UV liegt nicht vor)

Between-Subjets Design (unabhängige Gruppen Design)

- jede Person erhält genau eine Ausprägung der UV
- für jede Ausprägung der UV gibt es eine andere Gruppe von Personen

Vorteile Between-Subjects

- untersuchte Hypothese nur schwer erkennbar, da Person nur in einer Versuchsbedingung
- sehr gute Kontrolle bekannter und unbekannter Störfaktoren durch Randomisierung
- keine Effekte mehrfacher Messung in verschiedenen Versuchsbedingungen, welche die interne Validität einschränken

Within-Subjects Design (abhängige Gruppen Design)

- jede Person erhält alle Ausprägungen der UV
- für jede Ausprägung der UV gibt es die gleiche Gruppe von Personen

Vorteile Within-Subjects

- Wirkung der UV ist leichter erkennbar, da die Unterschiede zwischen den verschiedenen Ausprägungen der UV pro Person bestimmt werden können
- bereits bestehende Unterschiede zwischen den Personen in der AV werden kontrolliert

[...]

• College: University of Göttingen (Georg-Elias-Müller-Institut für Psychologie)
• Course: Vorlesung Quantitative Methoden I
• Publication Year: 2019
• Pages: 41
• Catalog Number: V1245113
• ISBN (PDF): 9783346683052
• Language: German
• Tags: psychologie, statistik, quantitative methoden, psychology, statistics, forschungsmethoden, hypothesen, fragestellung, datenerhebung, variablen, skalenniveaus, versuchsplanung, störvariablen, untersuchungsdesigns, konfundierung, stichproben, deskriptive statistik, korrelation, wahrscheinlichkeit, statistische testung, normalverteilung, konfidenzintervall, signifikanztestung, mittelwert, effektstärke, beta-fehler, alpha-fehler, teststärke, testplanung, stichprobenumfang, t-test, p-wert