Vorlesung 4: Basis Design Psychologischer Forschung

Grundgesamtheit = alle potenziellen Untersuchungseinheiten (z. B. alle 9-jährigen Kinder weltweit).

→ Problem: Unmöglich, alle zu testen → stattdessen nur einen Teil: die Stichprobe.

Stichprobe = ausgewählte Teilmenge der Grundgesamtheit.

→ Soll repräsentativ sein: Merkmale der Grundgesamtheit im ähnlichen Verhältnis enthalten.

Beispiel: Wenn die Grundgesamtheit 50 % Frauen, 48 % Männer, 2 % divers hat → sollte die Stichprobe ähnlich zusammengesetzt sein.

Eindeutige Kriterien wählen (leicht messbar, relevant zur Frage).

→ Eingrenzen nach Zeit, Ort und Kultur.

Beispiel: „Alle Erwachsenen mit bipolarer Störung in Deutschland im Jahr 2024“ statt „alle Menschen“.

📍 Bild: Eine Landkarte mit Zoom auf genau das Zielgebiet.

1. Vollerhebung – alle Mitglieder der Grundgesamtheit (selten).

2. Einzelfall-Studie – nur 1 Objekt untersucht.

3. Stichprobenerhebung – nur Teilmenge untersucht (Standard in Psychologie). 💡 Merkhilfe: „Alle – Einer – Einige“.

• Grundgesamtheit zu groß.

• Nicht alle bekannt/erreichbar.

• Untersuchung oft zu aufwändig oder belastend.

• Hohe Kosten. Bild: Ein Forscher vor einem Berg an Akten – wählt nur einen kleinen Stapel aus.

A: Eine repräsentative Stichprobe bildet die Grundgesamtheit realistisch ab.

→ Populationsparameter = echter Wert in der Grundgesamtheit (unbekannt).

→ Stichprobenparameter = gemessener Wert in der Stichprobe.

💡 Je weniger repräsentativ, desto ungenauer wird der Populationsparameter geschätzt.

A: USA 1936: 10 Mio. befragt, 2,4 Mio. nahmen teil → Vorhersage komplett falsch.

Grund:

1. Selektionsbias – nur wohlhabende Menschen (Telefon, Auto, Zeitschriften).

2. Non-Response Bias – Demokraten antworteten seltener. ➡ Lektion: Große Stichprobe nützt nichts, wenn sie nicht repräsentativ ist. 💡 Merksatz: „Lieber klein & passend als groß & verzerrt.“

1. Selektionsbias – Verzerrung durch die Auswahlgrundlage (Forscher schließt unabsichtlich Gruppen aus).

2. Non-Response Bias – Ausfall von ausgewählten Personen (Teilnehmer lehnen ab oder brechen ab). 📍 Tipp: Methoden kombinieren, um Verzerrung zu verringern.

Nein – nicht nötig, aber:

• Relevante Merkmale müssen abgedeckt sein (auch wenn nicht alle bekannt sind).

• Merkmalsspezifische Repräsentativität: nur relevante Merkmale stimmen überein.

• Globale Repräsentativität: alle Merkmale stimmen überein (selten).

A: Viele Probanden sind W.E.I.R.D.: White, Educated, Industrialized, Rich, Democratic.

→ Ergebnisse lassen sich oft nicht auf andere Bevölkerungen übertragen.

Bild: Eine Lupe, die immer auf dieselbe kleine Ecke der Weltkarte gerichtet ist.

A: Fehlende Daten können die Zusammensetzung der Stichprobe verzerren.

→ Gründe: technische Fehler, Abbruch, keine Lust, bestimmte Gruppen antworten nicht.

💡 Bild: Ein Puzzle mit fehlenden Teilen – das Bild ist nicht mehr vollständig.

1. MCAR – Missing Completely At Random → reiner Zufall.

2. MAR – Missing At Random → systematisch, aber nicht direkt mit Hypothese verbunden.

3. NMAR – Not Missing At Random → systematisch & direkt mit Hypothese verknüpft. 📍 Merkhilfe: „Completely – At – Not“ = von zufällig bis kritisch.

A: MCAR = Daten fehlen rein zufällig (z. B. Stromausfall, Messgerät-Batterie leer).

→ Kein Einfluss auf Repräsentativität, aber Stichprobe wird kleiner.

Bild: Regen fällt zufällig auf ein Feld – trifft manche Stellen, andere nicht.

A: MAR = Daten fehlen wegen Merkmalen, die nur indirekt mit Hypothese zu tun haben.

Beispiel: Männer reisen öfter mit Auto → mehr Männer bleiben im Stau stecken → fallen aus.

→ Effekt kann statistisch korrigiert werden (z. B. Gewichtung).

A: NMAR = Daten fehlen wegen Merkmalen, die direkt mit der Hypothese zusammenhängen.

Beispiel: Studie zu Einkommen & Ernährung → ärmere Menschen nehmen seltener teil.

→ Schwer korrigierbar → Ergebnisse stark verzerrt.

Bild: Ein Thermometer, das ausgerechnet bei Fieberpatienten ausfällt.

A: Meist nur bei einer Zufallsstichprobe:

→ Jedes Mitglied der Grundgesamtheit hat gleiche Chance, ausgewählt zu werden.

💡 Ausnahme: Klinische Studien mit freiwilliger Teilnahme → oft nicht zufällig.

A: Zufallsstichprobe = gleiche Auswahlchance für alle.

→ Je größer die Stichprobe, desto wahrscheinlicher ist eine realistische Abbildung der Grundgesamtheit.

🚫 Eine Zufallsstichprobe mit n=1 macht keinen Sinn.

A: Direkte, zufällige Auswahl aus der Grundgesamtheit (z. B. Einwohnermeldeamt-Liste).

Bild: Glücksrad mit allen Namen, zufällig gezogen.

A: Grundgesamtheit wird in Schichten (Gruppen) eingeteilt → aus jeder Schicht zufällig ziehen.

Beispiel: Rentner aus jedem Bundesland.

💡 Merkhilfe: „Erst sortieren, dann losen.“

A: Mehrere Zufallsauswahlen hintereinander.

Beispiel: Erst zufällig Landesverbände auswählen → dann zufällig Mitglieder daraus.

📍 Bild: Zwei Türschlösser – beide müssen zufällig geöffnet werden.

A: Zufällig ganze „Klumpen“ (Gruppen) auswählen → alle darin untersuchen.

Beispiel: Bestimmte Schulklassen zufällig wählen → alle Schüler testen.

💡 Bild: Obstkiste statt einzelner Äpfel ziehen.

A: „Wer gerade vorbeikommt“ → keine Zufallsauswahl, sondern Bequemlichkeitsprinzip.

Beispiel: Erste 100 Passanten in Fußgängerzone.

🚫 Gefahr: Hohe Verzerrung.

A: Auswahl gezielt nach bestimmten Merkmalen (z. B. Alter, Geschlecht), aber nicht zufällig.

Beispiel: 50 % Männer, 50 % Frauen, gezielt angesprochen.

A: Auswahl nach theoretischem Interesse, um möglichst breite oder besondere Fälle zu erfassen.

Beispiel: Verschiedene Arten von Depression gezielt in Studie aufnehmen.

• Zufallsstichprobe → für Verallgemeinerung der Ergebnisse.

• Nicht-zufällig → für explorative Forschung oder praktische Einschränkungen. 💡 Realität: Viele Psychologiestudien nutzen anfallende Stichproben – nicht optimal.

1. Anzahl relevanter Merkmale → je mehr, desto größer die Stichprobe.

2. Anzahl Merkmalsausprägungen → je vielfältiger, desto größer.

3. Häufigkeit seltener Ausprägungen → selten = große Stichprobe nötig. 💡 Beispiel: Genvariante bei 1 von 1000 Personen → riesige Stichprobe nötig.

A: Ab n = 30 → Normalverteilung kann erwartet werden (Voraussetzung für viele statistische Tests).

⚠ Trotzdem immer prüfen, ob Verteilung tatsächlich normal ist.

📍 Merksatz: „Ab 30 wird’s normal – aber lieber nochmal schauen.“

A: Mindestens 5 Personen pro Merkmal, um Varianzanteile sinnvoll zu berechnen.

💡 Bild: Mindestens 5 Puzzleteile pro Farbe, um Muster zu erkennen.

A:

• Größere Stichprobe → präzisere Schätzung der Effektstärke.

• Kleinerer Effekt → größere Stichprobe nötig, um ihn zu entdecken.

• 📍 Effektgröße = Maß, wie stark ein Zusammenhang oder Unterschied ist.

A: Ja – z. B. „Schwarzer Schwan“-Hypothesen (ein Gegenbeispiel widerlegt die Theorie).

Beispiel: Schwarzer Schwan gefunden → Theorie „alle Schwäne sind weiß“ falsch.

Oder: Langzeitstudie zu Fingerknacken & Arthrose mit nur 1 Person über 50 Jahre.

A: Systematische Beobachtung einer abhängigen Variablen (AV)

→ unter verschiedenen Bedingungen einer unabhängigen Variablen (UV)

→ bei Kontrolle von Störvariablen

→ mit zufälliger Zuordnung der Probanden zu Bedingungen.

💡 Bild: Wissenschaftslabor mit zwei gleich großen Gruppen – nur 1 Faktor wird verändert.

A: Variable, die gemessen wird, weil sie den interessierenden Effekt widerspiegelt.

Beispiel: Punktzahl in Problemlöse-Test nach Lernpause.

📍 Merksatz: „AV = Antwort des Systems auf unsere Manipulation.“

A: Variable, die manipuliert wird, um ihre Wirkung auf die AV zu testen.

Beispiel: Pausen vs. keine Pausen beim Lernen.

💡 Bild: Regler, den der Versuchsleiter verstellt.

A: Variable, die zusätzlich zur UV Einfluss auf die AV nehmen kann → macht Kausalinterpretation unsicher.

Beispiel: Unterschiedlicher IQ zwischen Gruppen beeinflusst Problemlösefähigkeit unabhängig von Pausen.

• Korrelation ≠ Kausalität.

• Ohne Manipulation der UV kann man Störvariablen nicht kontrollieren.

• Reine Beobachtungen sind anfällig für unbekannte Einflüsse. 💡 Bild: Zwei Linien steigen gleichzeitig – könnte Zufall sein, ohne Ursache-Wirkung.

A: Konkrete Handlungsanweisung zur Datenerhebung, um Hypothesen effizient, valide und präzise zu prüfen.

📍 Enthält: Welche Gruppen, Bedingungen, Messungen & Reihenfolgen es gibt.

A: Jede Versuchsperson wird nur in einer experimentellen Bedingung getestet.

Beispiel: Gruppe 1 lernt regelmäßig, Gruppe 2 chillt → Vergleich der Klausurnoten.

💡 Bild: Zwei parallele Laufbahnen – jede Person läuft nur auf einer.

A: Damit sich Gruppen nur in der UV unterscheiden – nicht in anderen Merkmalen.

→ Zufall entscheidet, wer in welche Bedingung kommt.

🚫 Ohne Randomisierung → kein echtes Experiment.

A: Kontrolle systematischer Störvariablen → verhindert, dass andere Faktoren (z. B. Motivation) den Effekt erklären.

💡 Randomisierung = einzige Methode, um alle potenziellen Störfaktoren gleichzeitig auszugleichen.

A: Nur wenn Unterschiede in der AV auf die manipulierte UV zurückgeführt werden können → geht nur mit zufälliger Zuordnung.

A: Ja – besonders bei kleinen Stichproben kann der Zufall ungleiche Gruppen erzeugen (z. B. Altersunterschiede).

💡 Je größer die Stichprobe, desto geringer das Risiko.

A: Studie zu Massentierhaltung & Vegetarismus:

• UV: Film über Massentierhaltung vs. Fahrstuhlmusik.

• AV: Wer nimmt ein Salamibrötchen?

• Zufällige Zuweisung zu Gruppen → echte kausale Aussage möglich.

A: Jede Versuchsperson durchläuft alle experimentellen Bedingungen.

Beispiel: Alle Studierenden bearbeiten Klausuraufgaben sowohl nach Lernen als auch nach Chillen.

💡 Bild: Ein Läufer läuft nacheinander beide Bahnen.

1. Reihenfolgeeffekte – Leistung hängt von der Abfolge der Bedingungen ab.

2. Themenunterschiede – manche Inhalte leichter/schwerer. 📍 Lösung: Randomisierte Reihenfolge der Bedingungen für jede Person.

A: Ausbalancieren der Reihenfolge: Manche Teilnehmer beginnen mit Bedingung A, andere mit B.

→ Verhindert, dass z. B. Müdigkeit nur eine Gruppe betrifft.

A: Experiment mit genau einer unabhängigen Variable (UV).

→ Kann als Zwischengruppen- oder Messwiederholungs-Design umgesetzt werden.

A: Experiment mit mehr als einer unabhängigen Variable (UV).

→ Kombination möglich als Zwischengruppen-, Messwiederholungs- oder gemischtes Design.

Beispiel: UV1 = Pausen vs. keine Pausen, UV2 = Vormittags vs. Nachmittags.

A: Wirkung einer einzelnen UV auf die AV – unabhängig von anderen UVs.

Beispiel: Pausen verbessern Problemlöseleistung, egal zu welcher Tageszeit.

💡 Merksatz: „Haupteffekt = Effekt einer Variable allein.“

A: Kombinierte Wirkung von UVs auf AV – der Effekt einer UV hängt von der Ausprägung einer anderen UV ab.

Beispiel: Tageszeit wirkt sich nur ohne Pausen auf Leistung aus.

A: Wenn der Unterschied in der AV zwischen Stufen einer UV nicht gleich für alle Stufen der anderen UV ist.

💡 Bild: Zwei Linien in einem Diagramm, die sich kreuzen oder auseinanderlaufen.

A: Ja – jede UV kann beliebig viele Stufen haben (z. B. 0, 1, 5, 8 Pausen).

→ Erhöht Zahl der Gruppen und benötigte Teilnehmerzahl.

A: Jede Person durchläuft alle Bedingungen, aber es gibt mehr als eine UV.

Beispiel: Stresstest (vor/nach) × Therapiestatus (vor/nach Therapie).

A: Kombination aus Messwiederholungs- und Zwischengruppenfaktoren.

Beispiel: Stresstest (vor/nach) × Gruppe (Patienten vs. Kontrollen).

A: Je mehr UVs, desto mehr Teilnehmer nötig → höherer Zeit- & Kostenaufwand.

📍 Balance zwischen Komplexität & Machbarkeit finden.

A: Versuchsplan wie ein Experiment, aber ohne zufällige Zuordnung zu Gruppen.

→ Alles andere (UV, AV, Kontrolle von Störvariablen) bleibt gleich.

💡 Merksatz: „Fast Experiment – aber der Zufall fehlt.“

1. Organismische UV – feste Merkmale wie Geschlecht, Alter.

2. Angewandte Forschung – Gruppen vorgegeben (z. B. Filialen, Abteilungen).

3. Ethische Gründe – z. B. keine zufällige Verweigerung einer notwendigen Therapie.

A: Gruppen sind von Natur aus festgelegt (z. B. Abteilungen, Schulklassen, Geschlecht) → keine Randomisierung möglich.

A: Eine Gruppe wird mehrfach vor und nach einer Intervention gemessen.

Beispiel: Depressionswerte vor/nach jeder Therapiesitzung.

💡 Vorteil: Verlauf wird sichtbar, auch ohne Kontrollgruppe.

A: Untersuchung nur einer Person – oft bei seltenen Fällen oder detaillierten Analysen.

Vorteil: Tiefer Einblick ohne Mittelungseffekte.

Nachteil: Kaum generalisierbar, viele Störvariablen.

A: Nicht-experimentelles Design → misst Richtung & Stärke des Zusammenhangs zwischen ≥ 2 Variablen.

📍 Wichtig: Kein Eingriff, keine Manipulation – nur messen & vergleichen.

• Positiv: beide Variablen steigen/fallen gemeinsam (z. B. Intelligenz ↑ & Ängstlichkeit ↑).

• Negativ: eine steigt, die andere sinkt (z. B. Intelligenz ↑ & Ängstlichkeit ↓).

A: Maß für Stärke & Richtung des Zusammenhangs:

• r = +1 → perfekter positiver Zusammenhang.

• r = -1 → perfekter negativer Zusammenhang.

• r = 0 → kein Zusammenhang.

A: Zusammenhang heißt nicht, dass X Ursache von Y ist.

→ Oft ist eine dritte Variable Z verantwortlich.

Beispiel: Eiscreme-Verkäufe ↑ & Badeunfälle ↑ → Z = gutes Wetter.

A: Korrelationsstudie: Keine UV & AV → alle Variablen gleichberechtigt.

Experiment: UV wird manipuliert.

Quasi-Experiment: UV gegeben, aber keine Randomisierung.

A:

1. Wenn nur Zusammenhänge interessieren (z. B. Test-Validierung).

2. Wenn Experimente nicht möglich sind (praktisch, ethisch oder theoretisch).

A: Matrix mit Korrelationen zwischen mehreren Variablen.

→ Diagonale = Autokorrelationen (immer r = 1).

→ Meist nur eine Hälfte gefüllt (Spiegelung).

A: Keyte et al. (2021): Mehr Instagram-Nutzung korreliert mit schlechterer mentaler Gesundheit.

A:

• Mehrfaktorielle Designs → >1 UV, können Haupteffekte & Interaktionen prüfen.

• Quasi-Experiment → wie Experiment, aber keine zufällige Zuordnung; 3 Hauptformen:

  1. Vorgegebene Gruppen

  2. Zeitreihendesign

  3. Einzelfalldesign

• Korrelationsstudie → nicht-experimentell, misst Richtung & Stärke eines Zusammenhangs zwischen Variablen (ohne Kausalinterpretation).