Kapitel 2 - Experimentelle Forschungsmethodik

Induktive Logik: Bsp. Ergebnisse widersprechen der Theorie -> Aus den Ergebnissen lernen und auf der Basis die Theorie aktualisieren. Oder Daten analysieren ohne Hypothese und daraus Ideen entwickeln

Deduktive Logik: Ich starte mit dem Allgemeinen, mit einer Theorie und leite daraus Vorhersagen für einen speziellen empirischen Fall ab

Deduktion = Ableitung des Speziellen aus dem Allgemeinen

Induktion = Schluss vom Speziellen auf das Allgemeine

Unten in der Ebene ist die Vierfeldertafel von oben.

Wissenschaftlicher Erkenntnisfortschritt ist eine Kombination aus Induktiver- und Deduktiver Logik. Dadurch kann man sich immer weiter der „Wahrheit“ der Realität beschreiben.

Ich erhebe Daten und frage mich, ob diese meine Thesen bestätigen:

Nullhypothesen-Signifikanz-Test:

Die Nullhypothese, dass es keinen Effekt gibt, kann ich ablehnen

95%-Vertrauensintervalle:

Angenommen ich erhebe 100 Stichproben, dann würde ich bei 95 der Werte im Vertrauensintervall liegen

Fragestellung: Welche Sorte Schokolade schmeckt besser: Braune oder weiße Schokolade?

Nullhypothese: Die Differenz der Geschmacksbewertung ist Null

Alternativhypothese: Die Differenz der Geschmacksbewertung ist ungleich Null

Vorgehen: In einer Studie probieren Probanden beide Sorten Schokolade und bewerten den Geschmack jeweils auf einer Skale von 1 bis 7. Danach wird die Bewertung der weißen Schokolade von der Bewertung der braunen Schokolade abgezogen. Dieser Differenzwert wird statistisch analysiert (möglicher Wertebereich von +6 bis -6).

Ergebnis: Nehmen wir an, dass ein Mittelwert von 3 beobachtet wird, d.h. dass die braune Schokolade im Mittel besser schmeckt als die weiße. Die Frage ist nun, ob dieser Unterschied statistisch signifikant ist.

Nullhypothese-Signifikanz-Test:

Mittelwertsdifferenzen: T-Verteilung. Bei großen Stichproben konvergiert diese zur Normalverteilung

Angenommen die normale Differenz zwischen den Schokoladen ist 0, dann erwarte ich trotzdem eine Zufallsschwankung

Anschauen: Liegt die empirische Beobachtung im Ablehnungsbereich der Nullhypothese -> Deswegen wird diese abgelehnt und es gibt einen statistisch signifikanten Unterschied im Geschmack

Argumentation: Die empirische Beobachtung ist sehr unwahrscheinlich unter Annahme der Nullhypothese, deswegen lehne ich die Nullhypothese ab.

-> Meine Beobachtung ist sehr unwahrscheinlich, gegeben die Nullhypothese

95%-Vertrauensintervalle:

Diese Verteilung hat ihren Mittelwert am empirisch beobachteten Wert und streut um diesen. Wir schauen uns an, wo 95% der Masse der Verteilung liegt. Anschauen, ob 0 in diesem Bereich liegt. Liegt 0 außerhalb, so ist die Geschmacksdifferenz statistisch signifikant

Argumentation: Der Wert 0 ist nicht Teil meines Vertrauensintervalls. Der Wert 0 ist gegeben meine Schätzung sehr unwahrscheinlich

-> Der Wert 0 ist sehr unwahrscheinlich, gegeben meine Verteilung

Wenn Daten perfekt normal verteilt sind, kommen beide aufs gleiche Ergebnis. Sonst eigentlich auch, aber es kann kleine Abweichungen geben

Experiment (= Primärdaten)

-Für das Design eines Experiments ist immer eine deduktiv hergeleitete Hypothese erforderlich.

-Die Daten eines Experiments können die Hypothese unterstützen oder widerlegen und sie können die induktive Theoriebildung anregen.

-Einordnung im Rahmen der Vorlesung: Konsumentenpsychologie

-Auswertungsmethode: Varianzanalyse (Analysis of Variance, ANOVA)

Realdaten (=Sekundärdaten)

-Realdaten können sowohl mit einem deduktiven als auch mit einem induktiven Forschungsansatz analysiert werden

-Einordnung im Rahmen der Vorlesung: Marktpsychologie

-Auswertungsmethode: Lineare Regression bzw. eine geeignete Erweiterung/Sonderform

Treatment = experimentelle Manipulation (Bsp. Geschmacksrichtung der Schokolade)

Factor = Experimentell manipulierte Variable (~ unabhängige Variable) (Factor = Geschmack)

Factor Level = Eine diskrete Ausprägung des Faktors (Factor Level = Braun oder Weiß)

Experimental Cell = Experimentelle Gruppe innerhalb des Experimentaldesigns (Bsp. anderes Experiment, wo eine Gruppe (Cell) nur Weiß oder Braun bekommt)

Control Group = Experimentelle Gruppe, die kein Treatment bekommt und als Baseline fungiert

Between-Subjects Design = Jeder Proband wird nur einer und genau einer experimentellen Zelle zugewiesen (Personen bewerten entweder Braun oder Weiß)

Within-Subjects Design = Jeder Proband wird allen Stufen (=Levels) eines experimentellen Faktors zugewiesen (Personen bewerten sowohl Braun als auch Weiß)

Mixed-factorial Design = Kombination aus between- und within-Design (i.d.R. ein Faktor within und ein Faktor between)

Wie berichtet man ein experimentelles Design?

To test our hypotheses, we employed a 2 (Brand: Ritter Sport vs. Milka; between-subjects) x 2 (Type of chocolate: white vs. brown; within-subjects) mixed-factorial design.

Essentielle Schritte beim Design eines Experiments:

1. Deduktive Herleitung einer Hypothese

2. Operationalisierung der unabhängigen Variablen (= Faktoren)

3. Operationalisierung der abhängigen Variablen

4. [ggf. Operationalisierung von Kontroll- oder Störvariablen]

5. Entscheidung über Between- versus Within-Subjects Manipulation

6. Festlegung der benötigten Probandenzahl (-> Power-Analyse)

Die Processing Fluency Theorie sagt vorher, dass einfach zu verarbeitende Reize eine positive Reaktion hervorrufen. Einfache Verarbeitung kann durch einen hohen visuellen Kontrast bewirkt werden. Aus diesem Grund sollte die Präferenz für eine Organisation steigen, wenn das Logo der Organisation einen hohen visuellen Kontrast aufweist und daher einfach zu verarbeiten ist. Formal lässt sich aus dieser Argumentation folgende Hypothese herleiten:

H1) Die Präferenz für eine Organisation ist bei Verwendung eines Logos mit hohem Kontrast größer als bei Verwendung eines Logos mit geringem Kontras

Warum 7-Punkte Skala:

1. Man kann davon ausgehen, dass die Daten intervallskaliert (Man kann die Abstände interpretieren)

2. Psychologische Forschung: Mentale Auflösefähigkeit bei 7 Punkten. Bei mehr Punkten gibt es nur eine Scheingenauigkeit

In unserer komplexen Welt sind Haupteffekte (A beeinflusst B) häufig weniger zutreffend und interessant als Interaktionseffekte (A beeinflusst B wenn C).

Interaktion/Moderation = Zwei Effekte wirken multiplikativ zusammen, so dass im Ergebnis mehr als die Summe der beiden Effekte resultiert.

Theoretische Überlegung: Der Effekt von perzeptueller Verarbeitungsflüssigkeit auf die Präferenz ist ein automatischer, beiläufiger Prozess, der bei gründlichem Nachdenken kaum auftritt. Daher sollte der Effekt des visuellen Kontrasts auf die Präferenz für die Organisation abgeschwächt werden, wenn die Probanden gründlich über das Logo nachdenken.

Hypothesen:

• H1) Die Präferenz für eine Organisation ist bei Verwendung eines Logos mit hohem Kontrast größer als bei Verwendung eines Logos mit geringem Kontrast.

• H2) Der Effekt des visuellen Kontrasts auf die Präferenz für die Organisation wird durch die kognitive Kontrolle moderiert, derart dass er bei geringer kognitiver Kontrolle verstärkt wird.

Varianzanalyse (ANOVA) Mittel der Wahl bei Auswertung von Experimenten

– überprüft, ob für eine abhängige Variable (AV) signifikante Mittelwertsdifferenzen zwischen verschiedenen Gruppen (unabhängige Variable, UV) bestehen

• setzt systematische Varianz (Varianz in der AV, die durch die UV erklärbar ist) ins Verhältnis zur Fehlervarianz: Test durch F-Test auf Signifikanz

ss = sum of squares

ms = mean sum of squares

ssr + ssm = ss total

Interne Validität

Interne Validität setzt voraus, dass jede systematische Variation in der abhängigen Variablen eindeutig auf die Manipulation der unabhängigen Variablen zurückzuführen ist.

-> Eine kausale Interpretation ist nur möglich, wenn es keine plausible alternative Erklärung geben kann

Potentielle Gefahren für die interne Validität:

-Systematische Verzerrungen bei der Erhebung der Daten (Gruppe A wird bei Sonnenschein getestet, Gruppe B bei Regen)

-Nicht-zufällige Zuweisung der Probanden zu den exp. Bedingungen

-Konfundierungen in der Operationalisierung der exp. Manipulation

-Goethe Uni in gute Auflösung und Mannheim in schlechter -> Kann an Logos oder an der Uni liegen

-Konfundierung: Wenn mehr als ein Aspekt des Stimulus variiert ist (Nicht nur der Kontrast, sondern auch die Universität)

Konfundierung bei der Operationalisierung

Oben: Liegt es am lustigen oder an den Personen oder an der Glatze oder an XY. Es ist schwierig eine Manipulation zu finden, die nur den grad des Humors ändern und nichts mit-manipuliert

Unten: Liegt es wirklich am E-Auto, oder an Farbe, Hintergrund, etc.

Externe Validität

Externe Validität setzt voraus, dass die Ergebnisse einer Studie für andere Operationalisierungen, Zeitpunkte, Orte und Probandenstichproben generalisierbar sind.

-> Eine kausale Interpretation ist nur bedeutsam, wenn sie generalisierbar ist

Potentielle Gefahren für die externe Validität

-Artifizieller Versuchsaufbau

-Unrealistische experimentelle Stimuli

-Unrepräsentative Stichproben (z.B. sind Studentenstichproben nicht für alle Fragen geeignet)

Definition: Ein Mediator Me ist eine Variable, die eine unabhängige Variable X kausal mit einer abhängigen Variablen Y verbindet. Das statistische Konzept der Mediation ist konzeptionell auf dem S-O-R- Paradigma aufgebaut.

Beispiel: Kontrast (X) beeinflusst “Processing Fluency” (Me), wodurch wiederum die Präferenz erhöht wird (Y).

Mediation identifiziert drei Arten von Effekten:

c = direct effect

a*b = indirect effect

c’ (Modell ohne Me) = total effect

Globaler statistischer Test der Mediation:

Die beiden Seiten der Gleichung sind äquivalent. Test muss bestimmen, ob eine der beiden Seiten signifikant verschieden von Null ist.

Sobel-Test: In der Statistik ist der Sobel-Test eine Methode, um die Signifikanz eines Mediationseffekts zu testen.