Probefragen Forschungsdesigns und Methoden

◦ Zwei fundamentale Typen werden unterschieden:

1. Experimentelle Designs

2. Nicht-experimentelle Designs

Experimentelle Designs:

◦ Beinhalten eine aktive Intervention bspw. eine Gruppe erhält eine bestimme Therapieform (Experimentalgruppe) und eine weitere Gruppe eine andere oder keine Therapieform (Kontrollgruppe)

Nicht-experimentelle Designs:

◦ Führen Messungen durch, ohne die Situation oder das zu untersuchende Phänomen zu verändern

Nicht-experimentelle Designs lassen sich je nach Zielsetzung unterteilen in deskriptive und korrelative Designs.

Deskriptive Designs→zielen darauf ab, (einen Zustand) zu beschreiben

Korrelative Designs→zielen darauf ab, Assoziationen zu untersuchen, um Vorhersagen zu treffen oder kausale Zusammenhänge zu erforschen

Korrelative Studien zielen darauf ab, die Beziehung von zwei oder mehr Variablen zu untersuchen

Sie untersuchen ob Variablen kovariieren, korrelieren oder miteinander assoziiert sind

Korrelationsstudien messen eine Reihe von Variablen für jede/n Teilnehmer/in mit dem Ziel, die Zusammenhänge zwischen diesen Variablen zu untersuchen

Cave! Zu korrelativen Designs gehören sowohl lineare Assoziationen, als auch nicht-lineare Assoziationen zwischen Variablen

“bevor etwas eingetreten ist”

Eine prospektive Studie ist eine Art wissenschaftlicher Forschungsstudie, bei der Daten von Teilnehmenden über einen definierten Zeitraum hinweg gesammelt werden, um zukünftige Ereignisse oder Ergebnisse zu untersuchen.

In einer prospektiven Studie werden die Teilnehmenden zu Beginn der Untersuchung ausgewählt und dann über einen bestimmten Zeitraum regelmäßig beobachtet oder befragt. Das Hauptziel besteht darin, Ursache-Wirkungs-Beziehungen zwischen bestimmten Faktoren und Ergebnissen zu identifizieren und zukünftige Entwicklungen vorherzusagen. Prospektive Studien werden häufig in der Epidemiologie, Medizin, Psychologie und anderen Bereichen der Forschung durchgeführt, um langfristige Trends, Risikofaktoren oder Interventionseffekte zu analysieren.

Die goldene Regel für Forschungsdesigns: Korrelation ist nicht gleich Kausalität

Korrelationen können stark auf kausale Einflüsse hinweisen, aber sie können sie nicht eindeutig belegen (obwohl das Fehlen einer Korrelation im Allgemeinen eine kausale Beziehung ausschließt)

Wir haben es in der Psychologie und Epidemiologie häufig mit probabilistischen und nicht mit deterministischen Ursachen zu tun. Wenn wir also sagen, dass Rauchen Lungenkrebs verursacht oder dass Armut zu Krankheiten führt, sprechen wir nicht von einer sicheren Kausalität (es gibt immer Ausnahmen), sondern von einem erhöhten Risiko.

Vier allgemein vereinbarte Bedingungen für Kausalität sind:

1. Kovariation: die beiden Variablen müssen zusammen auftreten

2. Vorrangigkeit: Die hypothetische Kausalvariable muss der Effektvariable zuverlässig vorausgehen

3. Ausschluss von alternativen Erklärungen: Andere Erklärungen für die beobachtete Kovariation müssen vernünftigerweise ausgeschlossen werden.

4. Logischer Mechanismus: Es muss eine plausible Erklärung für die angenommene kausale Beziehung geben.

Interne Validität – zielt auf die Qualität des Forschungsdesigns ab

Externe Validität – ist gegeben, wenn sich die Ergebnisse auch auf andere Situationen, außerhalb der Forschungsfrage, übertragen lassen

Insgesamt besteht eine Spannung zwischen interner und externer Validität, da übermäßige Kontrolle in einer Studie (hohe interne Validität) manchmal die Relevanz der Ergebnisse für die realen Bedingungen des Alltags beeinträchtigen kann (geringe externe Validität). Forscher streben einen ausgewogenen Ansatz an, um sowohl interne als auch externe Validität in ihren Studien zu gewährleisten.

1. Vergleichsmöglichkeit: Eine Kontrollgruppe ermöglicht den direkten Vergleich der Interventionseffekte mit einer Gruppe, die keine Intervention oder eine andere Form der Intervention erhält. Dieser Vergleich ist entscheidend, um festzustellen, ob die beobachteten Veränderungen auf die untersuchte Intervention zurückzuführen sind oder auf andere Faktoren.

2. Eliminierung von Konfundierungsvariablen: Durch die Zuweisung von Teilnehmenden zufällig zu Interventions- und Kontrollgruppen können potenzielle Störfaktoren oder Konfundierungsvariablen gleichmäßig auf beide Gruppen verteilt werden. Dies hilft sicherzustellen, dass die beobachteten Effekte tatsächlich auf die Intervention und nicht auf andere Faktoren zurückzuführen sind.

3. Feststellung von Kausalität: Die Existenz einer Kontrollgruppe erleichtert die Feststellung von Kausalität, da sie es ermöglicht, zu argumentieren, dass die Intervention die Ursache für die beobachteten Veränderungen ist, insbesondere wenn Randomisierung erfolgt ist.

4. Beurteilung der Effektivität im realen Umfeld: Effektivitätsstudien zielen darauf ab, die Wirksamkeit einer Intervention unter realen Bedingungen zu beurteilen. Die Kontrollgruppe ermöglicht den Vergleich mit einer Situation ohne Intervention und damit die Einschätzung, wie gut die Intervention in der Praxis funktioniert.

5. Ethische Erwägungen: In Fällen, in denen es bereits Hinweise darauf gibt, dass die Intervention wirksam sein könnte, wäre es ethisch nicht vertretbar, sie einer Gruppe vorzuenthalten. In solchen Fällen kann eine Wartegruppen- oder Vergleichsgruppendesigns verwendet werden, um ethische Bedenken zu berücksichtigen.

Die randomisierte Zuweisung in Effektivitätsstudien ist wichtig, um sicherzustellen, dass Teilnehmende zufällig den Interventions- oder Kontrollgruppen zugeordnet werden. Dies hilft, potenzielle Störfaktoren gleichmäßig zu verteilen, ermöglicht den Vergleich von Gruppen und erleichtert die Feststellung von Kausalität, was die Zuverlässigkeit und Validität der Studienergebnisse erhöht.

Nicht-Behandlungs-Kontrollgruppe (Wartegruppe):

Vorteile:

1. Reine Natürliche Geschichte: Ermöglicht die Beobachtung der natürlichen Entwicklung eines Phänomens ohne jegliche Intervention.

2. Ethische Erwägungen: In Fällen, in denen eine Intervention bereits als wirksam bekannt ist, kann es ethisch vertretbar sein, Teilnehmende in einer Wartegruppe zu belassen.

Nachteile:

1. Keine aktive Intervention: Begrenzte Informationen darüber, wie sich die Intervention im Vergleich zur Nicht-Behandlung schlägt.

2. Ethik: Kann ethische Bedenken hervorrufen, wenn die Intervention als wirksam angesehen wird und den Teilnehmenden vorenthalten wird.

Aktive Kontrollgruppe (alternative Intervention):

Vorteile:

1. Vergleich mit einer Intervention: Ermöglicht den Vergleich mit einer alternativen Behandlungsmethode und beurteilt die Überlegenheit der neuen Intervention.

Nachteile:

1. Begrenzte Aussagekraft: Die Unterschiede können auf spezifische Interventionseffekte oder Unterschiede in der Durchführung zurückzuführen sein.

2. Praktische Anwendbarkeit: Die alternative Intervention muss praktisch anwendbar und ethisch vertretbar sein.

Placebokontrollgruppe:

Vorteile:

1. Eliminierung von Placeboeffekten: Kann dazu beitragen, den spezifischen Effekt der Intervention von Placeboeffekten zu unterscheiden.

2. Ethik: Wenn ethisch vertretbar, bietet es eine Kontrollbedingung, ohne die Teilnehmenden gänzlich ohne Behandlung zu lassen.

Nachteile:

1. Ethik: Kann ethische Bedenken hervorrufen, insbesondere wenn eine effektive Standardbehandlung verfügbar ist.

2. Erkennbarkeit des Placebos: In einigen Fällen können Teilnehmende erkennen, dass sie die Placebokondition erhalten, was die Ergebnisse beeinflussen könnte.

Die Verblindung, auch als "Blindheit" bezeichnet, ist in der Forschung ein wichtiges Konzept, um mögliche Verzerrungen in den Ergebnissen zu minimieren. In Psychotherapiestudien gestaltet sich die Verblindung jedoch oft schwierig, und ihre Durchführbarkeit wird häufig diskutiert. Hier sind einige Überlegungen:

Durchführbarkeit von Verblindung in Psychotherapiestudien:

1. Natur der Intervention: Psychotherapie beinhaltet oft direkte Interaktionen zwischen Therapeut und Patient. Es ist schwierig, eine aktive Psychotherapieintervention zu verblinden, da sowohl der Therapeut als auch der Patient die Art der Behandlung kennen.

2. Placeboeffekt: In der Psychotherapie kann der Placeboeffekt besonders stark sein, und es könnte schwierig sein, eine wirksame Placebokondition zu schaffen, die für die Kontrollgruppe als glaubwürdig erscheint.

3. Subjektive Endpunkte: Psychotherapiestudien verwenden oft subjektive Endpunkte wie Symptomreduktion oder Veränderungen im psychischen Wohlbefinden. Diese können stark durch die Erwartungen und Überzeugungen der Teilnehmenden beeinflusst werden, was die Verblindung erschwert.

4. Blindheit des Auswerten von Endpunkten: In einigen Studien können die Personen, die die Ergebnisse auswerten, verblindet werden. Dies hilft, Bias zu minimieren, indem sie nicht wissen, welcher Gruppe die Teilnehmenden angehören.

5. Verblindung auf Studienniveau: Manchmal wird versucht, die Verblindung auf Studienniveau aufrechtzuerhalten, indem Informationen über die Art der Intervention während der Datenanalyse verborgen bleiben. Dies ist jedoch nicht immer praktikabel.

6. Verblindung von Forschungspersonal: In einigen Fällen können Forschungspersonal, das nicht direkt an der Therapie beteiligt ist, verblindet werden, um die Unvoreingenommenheit in der Datenerhebung zu fördern.

7. Alternativen zur Verblindung: In Psychotherapiestudien können alternative Kontrollbedingungen wie eine Wartegruppe oder eine andere Form der Therapie als Kontrolle dienen, auch wenn eine echte Verblindung nicht möglich ist.

Die "Intent-to-Treat"-Analyse (ITT) ist eine statistische Analysestrategie in klinischen Studien, die darauf abzielt, die Teilnehmenden in der Analyse zu behalten, unabhängig davon, ob sie die zugewiesene Intervention vollständig abgeschlossen haben oder nicht. Der Grundsatz hinter der ITT-Analyse besteht darin, die ursprüngliche Randomisierung beizubehalten und die Teilnehmenden so zu analysieren, wie sie ursprünglich zugewiesen wurden.

• Fixed-effect: Annahme: ein Regressionskoeffizient ist gleich für alle Individuen, z.B. β0 = Intercept-Parameter = z.B. Grundniveau von„Ängstlichkeit“ vor Intervention (im Modell haben alle x-Variablen, hier nur t = Zeit, den Wert 0)

• Random-effect: Annahme: Parameter variiert über Individuen; diese Variation (als SD/Varianz) ist schätzbar, wenn man Messwiederholungen hat -> Ausmaß der Heterogenität des Parameters

• Mixed-Effects-Modell: Manche β als „fixed“ gewählt (z.B. β1 = Unterschied zwischen Therapiegruppen), manche als „random“ (z.B. β0 = „Grundniveau“ in Outcome Y, oft heterogener als Effekte).

Vorteile:

• Berücksichtigt Regression zur Mitte

• Kann mit Dropouts umgehen → alle Beobachtungen werden verwendet um die Werte zu den einzelnen Messzeitpunkten zu schätzen (Voraussetzung: Missings sind zufällig – ansonsten Bias)

• Die Studie verwendet randomisierte Zuweisungen zu den Bedingungen, um Selektionseffekte auszuschließen, zusammen mit einer Analyse, die zeigt, dass die Gruppen nach der Randomisierung tatsächlich ähnlich waren

• Spezifische Interventionen: Die Intervention ist spezifiziert, so dass klar ist, welche Therapie durchgeführt wird, sie bei allen Therapeut*innen gleich ist und von anderen Prüfer*innen bei Bedarf wiederholt werden kann

• Geeignete Kontrollgruppen werden verwendet, damit klar ist, womit die Therapie verglichen wird

• Die Gruppen wurden abgesehen von der experimentellen Variable gleich behandelt (z.B. gleich lang, vergleichbare Therapeut*innen etc.)

• Die Beurteiler und Interviewer wussten nicht, in welcher Bedingung der/die Patient*in ist (blind)

• Die Patient*innen bilden eine spezifische, homogene Gruppe. Dies bedeutet in der Regel, dass sie Kriterien für eine einzige DSM-Diagnose erfüllen: Patient*innen mit Komorbiditäten werden oft ausgeschlossen

• Die Abbruchquote der Studie war gering

• Die Patient*innen werden nach Beendigung der Therapie nachbeobachtet

• Der Nachweis der Wirksamkeit einer Behandlung wird von unabhängigen Forscherteams wiederholt, wodurch die Übertragbarkeit von Behandlungen über Forschungsumgebungen gegeben ist

• funnel plot

grafische Idee wie man dem Publikationsbias auf die Schliche kommt:

je weiter rechts, desto stärker der Effekt (x-Achse)

y-Achse: hier wird der Standardfehler dargestellt:

er hängt sehr stark ab von der SP Größe und daraus berechnet sich der KI

-> je größer der Standardfehler, desto kleiner die SP!

normalerweise sollte hier kein Muster entstehen! nicht so wie hier …

es sollten systematisch punkte fehlen, wenn ForscherInnen sich gedacht haben, dass sie ihre Studien nicht veröfentlichen Wollen

-> ist das symetrisch oder fehlen punkte? -> es sieht symetrisch aus, bis auf den letzten Punkt -> es fehlt am anfang an punkten—>Publikationsbias (bestimmte/einige Studien ohne sign. Effect wurden vermutlich nicht veröffentlicht)

Ein Forest Plot ist ein graphisches Darstellungsinstrument, das in Metaanalysen verwendet wird, um die Ergebnisse mehrerer Studien zu einem gemeinsamen Effekt zu präsentieren. Hier sind die Schlüsselaspekte bei der Interpretation eines Forest Plots:

1. Studienergebnisse: Jede Studie ist als Balken im Forest Plot repräsentiert. Der Balken zeigt den Effekt der Studie an, oft durch eine horizontale Linie, und die Länge des Balkens repräsentiert das Konfidenzintervall (CI) um diesen Effekt.

2. Senkrechte Linie: Die senkrechte Linie im Zentrum des Forest Plots repräsentiert den Gesamteffekt oder Durchschnittseffekt über alle Studien. Diese Linie wird als "Null-Effektlinie" betrachtet.

3. Horizontale Linien (Balken): Jeder Balken repräsentiert den Effekt einer einzelnen Studie. Die Position des Balkens auf der horizontalen Achse zeigt den Punktgeschätzten Effekt an, während die Länge des Balkens das Konfidenzintervall darstellt. Wenn der Balken die Null-Effektlinie schneidet, deutet dies darauf hin, dass der Effekt nicht statistisch signifikant ist.

4. Diamond (Raute): Der Diamond am Ende des Forest Plots repräsentiert den Gesamteffekt über alle Studien. Die Breite des Diamonds zeigt das Konfidenzintervall für den Gesamteffekt an.

5. Konfidenzintervalle: Die horizontalen Linien (Balken) und Diamonds repräsentieren die Konfidenzintervalle. Ein schmaleres Konfidenzintervall deutet auf eine präzisere Schätzung hin.

6. Heterogenität: Wenn die Balken unterschiedliche Richtungen haben oder die Diamonds nicht überlappen, kann dies auf Heterogenität zwischen den Studien hindeuten. Die I²-Statistik kann zusätzliche Informationen zur Heterogenität liefern.

7. Statistische Signifikanz: Ein Effekt wird als statistisch signifikant betrachtet, wenn das Konfidenzintervall die Null-Effektlinie nicht schneidet. Wenn das Konfidenzintervall den Nullpunkt schneidet, ist der Effekt nicht statistisch signifikant.

8. Subgruppenanalysen: Wenn Subgruppenanalysen durchgeführt werden, können separate Forest Plots für jede Subgruppe erstellt werden. Die Unterschiede zwischen den Subgruppen können durch Vergleich der Positionen und Überlappungen der Diamonds interpretiert werden.