Vergleich - EffectLiteR: Wodurch unterscheiden sich ATE beziehungsweise ACE und ATT in der Population, über die gemittelt wird?
ATE beziehungsweise ACE mittelt über die gesamte Zielpopulation. ATT mittelt nur über die tatsächlich Behandelten. Beide beruhen auf individuellen oder bedingten Effekten, aber auf unterschiedlichen Kovariatenverteilungen.
Fall - EffectLiteR: Eine Aufgabe fragt nach dem durchschnittlichen Effekt für Personen mit X = 1. Welcher Effekt ist gesucht und warum?
Gesucht ist der ATT, weil die Zielgruppe durch die tatsächlich Behandelten X = 1 definiert ist.
Zusammenhang - EffectLiteR: Wie greifen g₀(Z) und g₁(Z) im Modell E(Y|X,Z)=g₀(Z)+g₁(Z)·X ineinander?
g₀(Z) beschreibt das erwartete Outcome unter X = 0. g₁(Z) beschreibt, um wie viel sich dieses erwartete Outcome beim Wechsel zu X = 1 verändert.
Transfer - EffectLiteR: Für E(Y|X,Z)=2+0,4Z+0,7X-0,2XZ: Welche Funktionen sind g₀(Z) und g₁(Z)?
g₀(Z)=2+0,4Z und g₁(Z)=0,7-0,2Z. Der Interaktionsterm wird Teil der Effektfunktion g₁.
Transfer - EffectLiteR: Für g₁(Z)=0,7-0,2Z: Wie verändert sich der Behandlungseffekt, wenn Z um eine Einheit steigt?
Der bedingte Effekt sinkt um 0,2. Der Koeffizient von XZ beschreibt damit die Veränderung des Treatment-Effekts pro Z-Einheit.
Transfer - EffectLiteR: Für E(Y|X,Z)=2+0,4Z+0,7X-0,2XZ: Wie groß ist der bedingte Effekt bei Z = 2?
g₁(2)=0,7-0,2·2=0,3. Gleichwertig kann man E(Y|X=1,Z=2) minus E(Y|X=0,Z=2) berechnen.
Transfer - EffectLiteR: Für E(Y|X,Z)=2+0,4Z+0,7X-0,2XZ: Welche erwarteten Outcomes ergeben sich bei Z = 2 für X = 0 und X = 1?
Für X = 0 ergibt sich 2,8. Für X = 1 ergibt sich 3,1. Ihre Differenz 0,3 entspricht g₁(2).
Fall - EffectLiteR: Y ist ein Belastungsmaß und g₁(Z)=E(Y|X=1,Z)-E(Y|X=0,Z) ist positiv. Welche Bedingung hat den niedrigeren erwarteten Belastungswert?
X = 0 hat den niedrigeren erwarteten Belastungswert, weil ein positiver Effekt einen höheren Wert unter X = 1 beschreibt.
Fall - EffectLiteR: Y ist ein Belastungsmaß und g₁(Z) ist negativ. Wie lässt sich das Vorzeichen mit der Treatmentwahl verbinden?
Unter X = 1 wird eine geringere Belastung erwartet. Das negative Vorzeichen zeigt hier in Richtung von X = 1.
Fehleranalyse - EffectLiteR: Warum reicht das Vorzeichen eines Behandlungseffekts allein nicht aus, um eine Treatmentbedingung einzuordnen?
Zusätzlich braucht man die Richtung des Outcomes. Ein positiver Wert kann bei einem Erfolgsmaß eine Zunahme und bei einem Belastungsmaß eine höhere Belastung bedeuten.
Vergleich - EffectLiteR: Was unterscheidet einen Treatment-Haupteffekt von einer Treatment-Kovariaten-Interaktion?
Der Haupteffekt beschreibt den Effekt am Referenzwert der Kovariate. Die Interaktion beschreibt, wie sich der Effekt mit der Kovariate verändert.
Output - EffectLiteR: Ein globaler Interaktionstest ist signifikant. Welche inhaltliche Schlussfolgerung verbindet den Test mit der Leitfrage Was wirkt bei wem?
Mindestens eine Kovariate hängt mit der Größe oder Richtung des Treatment-Effekts zusammen. Damit liegt systematische Effektheterogenität vor.
Was-wäre-wenn - EffectLiteR: Alle Treatment-Kovariaten-Interaktionen sind null. Was folgt daraus für g₁(Z)?
g₁(Z) ist über Z konstant. Personen können unterschiedliche erwartete Outcomes haben, der modellierte Treatment-Effekt variiert jedoch nicht mit den Kovariaten.
Vergleich - EffectLiteR: Wie unterscheiden sich Kovariateneffekte in g₀(Z) und Moderation in g₁(Z)?
Kovariateneffekte in g₀ erklären Outcome-Unterschiede unter X = 0. Terme in g₁ erklären Unterschiede im Treatment-Effekt.
Output - EffectLiteR: Wo sucht man im Output nach Evidenz dafür, dass Kovariaten das Outcome in der Kontrollgruppe vorhersagen?
Beim Test der Interzeptfunktion g₀(Z), der die Kovariateneffekte in der Referenzgruppe gemeinsam prüft.
Output - EffectLiteR: Wo sucht man im Output nach Evidenz dafür, dass sich Treatment-Effekte zwischen Kovariatenwerten unterscheiden?
Beim Test der Treatment-Kovariaten-Interaktionen beziehungsweise der Effektfunktion g₁(Z).
Fehleranalyse - EffectLiteR: Warum beantwortet ein Balance Check nicht die Frage, ob eine Kovariate den Behandlungseffekt moderiert?
Balance betrifft die Ähnlichkeit der Kovariatenverteilungen zwischen Gruppen. Moderation betrifft die Abhängigkeit des Effekts von einer Kovariate.
Output - EffectLiteR: Ein gemeinsamer Wald-Test für ausgewählte Kovariaten ist signifikant. Wie verbindet sich dieses Ergebnis mit der Modellauswahl?
Die zugehörigen Haupt- und Interaktionseffekte sind nicht gemeinsam null. Das spricht gegen ein gemeinsames Entfernen dieser Kovariaten aus dem Modell.
Vergleich - EffectLiteR: Welche unterschiedlichen Risiken entstehen bei sehr wenigen und sehr vielen Kovariaten?
Zu wenige Kovariaten können Konfundierung oder Effektheterogenität auslassen. Zu viele Terme erhöhen Modellkomplexität und Overfitting.
Zusammenhang - EffectLiteR: Warum kann ein Interaktionskoeffizient nicht ohne Blick auf die übrigen Modellterme als unbedingter Moderatoreneffekt gelesen werden?
Der Koeffizient ist auf alle weiteren Kovariaten und Interaktionen im Modell bedingt. Seine Bedeutung entsteht innerhalb der gesamten Effektfunktion.
Vergleich - EffectLiteR: Wie unterscheiden sich bedingte und aggregierte Treatment-Effekte?
Ein bedingter Effekt gilt bei festgelegten Kovariatenwerten. Ein aggregierter Effekt mittelt die Effektfunktion über eine definierte Personen- oder Subgruppenverteilung.
Output - EffectLiteR: Welche gemeinsame Idee verbindet Conditional Effects II und Conditional Effects IV?
Beide konkretisieren g₁ für eine Zielmenge. Conditional Effects II nutzt festgelegte Kovariatenwerte, Conditional Effects IV mittelt innerhalb kategorial definierter Subgruppen.
Vergleich - EffectLiteR: Was ergänzt Conditional Effects III mit Mahalanobis-Distanz gegenüber einer bloßen Einsetzung von Kovariatenwerten?
Es sucht beobachtete Personen mit möglichst ähnlichen Kovariatenmustern und fasst deren geschätzte Effekte zusammen. Dadurch wird die Nähe zu tatsächlich vorkommenden Profilen sichtbar.
Was-wäre-wenn - EffectLiteR: Warum können ATT und ATE verschieden sein, obwohl dieselbe Effektfunktion g₁(Z) verwendet wird?
Die Behandelten können eine andere Kovariatenverteilung als die Gesamtpopulation haben. Wenn g₁ von Z abhängt, führen unterschiedliche Verteilungen zu unterschiedlichen Mittelwerten.
Vergleich - EffectLiteR: Wie unterscheiden sich listenweiser Fallausschluss und FIML bei fehlenden Werten?
Listenweiser Ausschluss nutzt nur vollständige Fälle. FIML verwendet alle unter dem Modell verfügbaren Informationen und vermeidet den vollständigen Verlust unvollständiger Fälle.
Vergleich - EffectLiteR: Welche Abwägung besteht zwischen Summenscores und einem vollständigen latenten Messmodell?
Summenscores sind einfacher, behandeln Messfehler aber nur eingeschränkt. Ein latentes Messmodell bildet Messfehler und Indikatorbeziehungen explizit ab, benötigt jedoch mehr Modellinformation.
Zusammenhang - EffectLiteR: Warum werden bei zwei Indikatoren stärkere Messmodellrestriktionen verwendet als bei mehr als zwei Indikatoren?
Mit zwei Indikatoren stehen weniger Informationen zur Identifikation bereit. Ein tau-äquivalentes Modell liefert zusätzliche Restriktionen, während bei mehr Indikatoren ein tau-kongenerisches Modell identifizierbar sein kann.
Fehleranalyse - EffectLiteR: Ein Output zeigt unterschiedliche erwartete Outcomes unter X = 0 und X = 1. Warum sollte die Differenz zusätzlich mit g₁(Z) abgeglichen werden?
Beide Wege müssen denselben bedingten Effekt ergeben. Der Abgleich deckt Vorzeichen-, Kodierungs- und Einsetzfehler auf.
Vergleich - Kausale Effekte: Wie hängen individueller kausaler Effekt ICE und durchschnittlicher kausaler Effekt ACE zusammen?
Der ICE ist die Differenz der beiden potenziellen Outcomes einer Einheit. Der ACE ist der Mittelwert dieser individuellen Differenzen über eine Population.
Zusammenhang - Kausale Effekte: Warum führt das fundamentale Problem der Kausalinferenz vom ICE zu Populations- und Modellannahmen?
Pro Einheit ist nur ein potenzielles Outcome beobachtbar. Das fehlende kontrafaktische Outcome muss deshalb über Design, Vergleichsgruppen und Annahmen erschlossen werden.
Vergleich - Kausale Effekte: Wodurch unterscheiden sich Prima-Facie-Effekt PFE und ACE?
Der PFE ist ein beobachteter Gruppenunterschied. Der ACE vergleicht potenzielle Outcomes derselben Zielpopulation und ist kausal definiert.
Zusammenhang - Kausale Effekte: Wie kann Randomisierung den beobachteten PFE mit dem ACE verbinden?
Randomisierung macht die Zuweisung im Erwartungswert unabhängig von Einheitenmerkmalen und potenziellen Outcomes. Dadurch werden die Gruppen als Vergleich für kontrafaktische Outcomes nutzbar.
Fehleranalyse - Kausale Effekte: Warum wird ein beobachteter Gruppenunterschied in einer Selbstselektionsstudie nicht unmittelbar zum kausalen Effekt?
Die Gruppenwahl kann mit Merkmalen zusammenhängen, die zugleich den Outcome beeinflussen. Der Unterschied kann daher Treatmentwirkung und Selektion vermischen.
Vergleich - Kausale Effekte: Wie unterscheiden sich unbedingter und bedingter Prima-Facie-Effekt?
Der unbedingte PFE vergleicht die Gruppen insgesamt. Der bedingte PFE vergleicht sie bei gleichen Werten der kontrollierten Kovariaten Z.
Vergleich - Kausalitätsbedingungen: Welche unterschiedlichen Teile des Kausalproblems adressieren bedingte Randomisierung und Unit-Treatment-Homogenität?
Bedingte Randomisierung betrifft den Zuweisungsmechanismus X bei gegebenem Z. Unit-Treatment-Homogenität betrifft die Erklärung der potenziellen Outcomes durch Z.
Zusammenhang - Kausalitätsbedingungen: Wie verbindet Strong Ignorability Kovariatenkontrolle mit potenziellen Outcomes?
Bei gegebenem Z hängt die Treatmentzuweisung nicht mehr vom jeweiligen potenziellen Outcome ab. Z soll damit die relevante Selektionsinformation erfassen.
Fall - Kausalitätsbedingungen: Eine zusätzliche Kovariate sagt X trotz Kontrolle der bisherigen Z-Variablen vorher. Welche Annahme gerät dadurch unter Druck?
Die bedingte Randomisierung, weil die bisherige Kovariatenmenge den Zuweisungsmechanismus noch nicht vollständig abbildet.
Fall - Kausalitätsbedingungen: Eine zusätzliche Kovariate sagt Y trotz Kontrolle von X und den bisherigen Z-Variablen vorher. Welche Annahme gerät dadurch unter Druck?
Die bedingte Unit-Treatment-Homogenität, weil Z relevante Outcome-Unterschiede noch nicht vollständig erklärt.
Fall - Kausale Effekte: Alle Einheiten haben dieselben Zuweisungswahrscheinlichkeiten für X, aber unterschiedliche potenzielle Outcomes innerhalb gleicher Z-Gruppen. Welche Aussage passt?
Die Zuweisung kann unabhängig von den Einheiten sein, während Unit-Treatment-Homogenität verletzt ist. Zuweisungsmechanismus und Outcome-Homogenität sind getrennte Bedingungen.
Transfer - Kausale Effekte: Für eine Person gilt τ₀ = 106 und τ₁ = 114. Wie entsteht der individuelle Effekt und was bleibt in realen Daten unbeobachtet?
Der ICE ist 114-106=8. Beobachtbar wäre für die Person nur eines der beiden potenziellen Outcomes.
Transfer - Kausale Effekte: Sechs individuelle Effekte lauten 13, 8, 12, 5, 8 und 14. Wie wird daraus der ACE?
Die Effekte werden gemittelt. Ihre Summe 60 geteilt durch 6 ergibt einen ACE von 10.
Vergleich - Propensity Scores: Wie unterscheiden sich Propensity Score und Behandlungseffekt in ihrer Bedeutung?
Der Propensity Score beschreibt die Wahrscheinlichkeit der Zuweisung zu X = 1 bei gegebenem Z. Der Behandlungseffekt beschreibt die Veränderung des Outcomes durch das Treatment.
Zusammenhang - Propensity Scores: Warum kann eine logistische Regression zur Schätzung des Propensity Scores dienen?
Sie modelliert den Logit der Treatmentwahrscheinlichkeit als Funktion der Kovariaten. Damit wird der Zuweisungsmechanismus zusammengefasst.
Transfer - Propensity Scores: Für logit[e(Z)]=0,3+0,7Z₁+0,7Z₂: Wie groß ist der Logit bei Z₁=2 und Z₂=1?
0,3+0,7·2+0,7·1=2,4. Berechnet wird der lineare Prädiktor der Treatmentwahrscheinlichkeit.
Vergleich - Propensity Scores: Wie unterscheiden sich Matching und Gewichtung in der Herstellung vergleichbarer Gruppen?
Matching bildet Paare oder Teilstichproben mit ähnlichen Scores. Gewichtung behält Fälle bei, verändert aber ihren Beitrag zur Zielpopulation.
Zusammenhang - Propensity Scores: Warum erhalten Kontrollpersonen mit hohem Propensity Score bei ATT-Gewichtung ein hohes Gewicht?
Sie ähneln hinsichtlich Z den tatsächlich Behandelten und repräsentieren deshalb deren kontrafaktisches Outcome unter X = 0 besonders stark.
Fall - Propensity-Score-Matching: Beim Nearest-Neighbor-Matching bleiben 38 Kontrollpersonen unmatched. Was bedeutet diese Zahl?
Für diese 38 Kontrollpersonen wurde kein verwendeter Match gebildet. Sie gehen nicht in die gematchte Vergleichsstichprobe ein.
Vergleich - Propensity-Score-Matching: Welche unterschiedlichen Fragen beantworten Sample Sizes und Balance-Maße im Matching-Output?
Sample Sizes zeigen, welche Fälle verwendet wurden. Balance-Maße zeigen, wie ähnlich die Kovariatenverteilungen nach dem Matching sind.
Output - Propensity-Score-Matching: Die standardisierte Mittelwertsdifferenz von Z sinkt von 1,00 auf 0,63. Welche Schlussfolgerung ist möglich?
Die Balance hat sich verbessert, bleibt aber deutlich von null entfernt. Das Matching hat die Gruppen für Z nur teilweise angeglichen.
Fehleranalyse - Propensity-Score-Matching: Warum beweist eine kleinere standardisierte Mittelwertsdifferenz allein noch keine ausreichende Balance?
Die verbleibende Größe und weitere Verteilungsmaße müssen betrachtet werden. Eine Verbesserung kann trotz relevanter Restunterschiede auftreten.
Output - Propensity-Score-Matching: Nach Matching auf die Behandelten wird Y auf X regressiert. Welcher Effekt wird typischerweise geschätzt?
Der ATT, weil die gematchte Vergleichsgruppe die Kovariatenverteilung der tatsächlich Behandelten nachbildet.
Vergleich - Kausale Effekte: Welche Stärke hat Randomisierung gegenüber Propensity-Score-Verfahren bei unbekannten Störvariablen?
Randomisierung balanciert bekannte und unbekannte Störvariablen im Erwartungswert. Propensity-Score-Verfahren können nur gemessene und angemessen modellierte Kovariaten berücksichtigen.
Fehleranalyse - Kausale Effekte: Warum macht gutes Matching eine Beobachtungsstudie nicht vollständig zu einem randomisierten Experiment?
Unbeobachtete Konfundierung und Modellfehler können bestehen bleiben. Gute Balance bezieht sich auf die geprüften Kovariaten.
Vergleich - Kausale Effekte: Wodurch unterscheiden sich Konfundierung und Moderation?
Ein Konfounder hängt mit Treatmentzuweisung und Outcome zusammen und kann den Effekt verzerren. Ein Moderator verändert die Größe oder Richtung des Treatment-Effekts.
Fall - Kausale Effekte: Ein aggregierter Zusammenhang kehrt sich nach Kontrolle einer Drittvariable um. Welches Konzept hilft bei der Einordnung?
Simpsons Paradox. Die Drittvariable strukturiert die Gruppen so, dass aggregierte und bedingte Zusammenhänge unterschiedliche Richtungen haben können.
Zusammenhang - Kausale Effekte: Wie ergänzen sich Propensity-Score-Modell und Outcome-Modell?
Das Propensity-Modell beschreibt die Zuweisung zu X. Das Outcome-Modell beschreibt Y gegeben X und Kovariaten. Beide adressieren unterschiedliche Teile der Analyse.
Fehleranalyse - Kausale Effekte: Warum ist ein Balance Check kein Test auf Strong Ignorability?
Balance kann nur für beobachtete Kovariaten geprüft werden. Strong Ignorability bezieht sich auf die Unabhängigkeit von potenziellen Outcomes bei gegebenem Z.
Zusammenhang - Causal Effects Xplorer: Wie erweitert die Verbindung mit SEM die kausale Effektanalyse?
Latente Variablen, Messfehler, latente Differenzen und Pretest-Posttest-Strukturen können in die Modellierung der Effekte einbezogen werden.
Vergleich - Metaanalyse: Wie unterscheiden sich Equal-Effects- und Random-Effects-Modell in ihrer Annahme über wahre Effekte?
Im Equal-Effects-Modell teilen alle Studien denselben wahren Effekt. Im Random-Effects-Modell variieren die wahren Effekte zwischen Studien um einen Mittelwert.
Was-wäre-wenn - Metaanalyse: Was geschieht mit dem Random-Effects-Modell, wenn τ² = 0 ist?
Es fällt mit dem Equal-Effects-Modell zusammen, weil keine Varianz wahrer Effekte zwischen Studien verbleibt.
Vergleich - Metaanalyse: Welche Rollen haben yᵢ und θᵢ im Stichprobenmodell?
yᵢ ist die beobachtete Effektgröße. θᵢ ist der wahre studienspezifische Effekt, um den yᵢ aufgrund von Stichprobenfehlern schwankt.
Zusammenhang - Metaanalyse: Wie verbinden sich vi und τ² im Random-Effects-Modell?
vi beschreibt Unsicherheit innerhalb einer Studie. τ² beschreibt Unterschiede der wahren Effekte zwischen Studien. Beide tragen zur Streuung beobachteter Effekte bei.
Vergleich - Metaanalyse: Wodurch unterscheiden sich τ² und I² als Heterogenitätsmaße?
τ² ist die absolute Varianz wahrer Effekte. I² ist ein relativer Anteil der Gesamtvariabilität und hängt auch von der typischen Stichprobenvarianz ab.
Was-wäre-wenn - Metaanalyse: Warum kann I² steigen, obwohl τ² gleich bleibt?
Wenn die Stichprobenvarianzen kleiner werden, macht dieselbe zwischenstudielle Varianz einen größeren Anteil der Gesamtvariabilität aus.
Zusammenhang - Metaanalyse: Wie hängen H² und I² zusammen?
H² setzt Gesamt- zu Stichprobenvariabilität ins Verhältnis. Daraus folgt I²=1-1/H².
Vergleich - Metaanalyse: Welche unterschiedlichen Fragen beantworten Q, QM und QE?
Q prüft allgemeine Heterogenität. QM prüft die Moderatoren gemeinsam. QE prüft die nach den Moderatoren verbleibende Heterogenität.
Output - Metaregression: QM ist signifikant und QE ebenfalls. Wie lässt sich die Kombination einordnen?
Die Moderatoren erklären einen Teil systematischer Unterschiede, zugleich bleibt residuale Heterogenität zwischen den Studien bestehen.
Zusammenhang - Metaregression: Wie verbinden sich R² und τ² in einer Metaregression?
R² beschreibt, welcher Anteil der zwischenstudienbezogenen Heterogenität durch Moderatoren erklärt wird. Ein Rest kann als residuale τ² verbleiben.
Output - Metaanalyse: Welche drei Aussagen sollten Gesamteffekt, τ und I² gemeinsam ermöglichen?
Der Gesamteffekt beschreibt die mittlere Wirkung. τ beschreibt die absolute Streuung wahrer Effekte. I² ordnet diese Streuung relativ zur gesamten beobachteten Variabilität ein.
Transfer - Metaanalyse: Im Output steht τ² = 0,09. Wie wird die Standardabweichung wahrer Effekte bestimmt?
τ ist die Quadratwurzel aus τ². Hier ergibt sich τ=0,30.
Transfer - Metaanalyse: Für τ²=0,04 und I²=0,80: Wie groß ist näherungsweise die typische Stichprobenvarianz?
v≈τ²·(1-I²)/I²=0,04·0,20/0,80=0,01.
Zusammenhang - Metaanalyse: Warum erhalten präzisere Studien typischerweise mehr Gewicht?
Eine kleinere Stichprobenvarianz bedeutet weniger Unsicherheit um yᵢ. Das Ergebnis trägt deshalb stärker zur Schätzung des mittleren Effekts bei.
Vergleich - Metaanalyse: Was ergänzt Hedges g gegenüber Cohens d?
Hedges g korrigiert den kleinen Stichprobenbias von Cohens d. Beide standardisieren eine Mittelwertsdifferenz.
Output - Metaanalyse: Was lässt sich aus einem Forest Plot gleichzeitig über Einzelstudien und Gesamteffekt ablesen?
Die Lage und Unsicherheit jeder Studieneffektgröße sowie der zusammengefasste Effekt werden gemeinsam sichtbar.
Fehleranalyse - Metaanalyse: Warum widerlegt ein nicht signifikanter Einzeleffekt keinen signifikanten Gesamteffekt?
Einzelstudien können geringe Präzision haben. Die gemeinsame Schätzung bündelt Informationen über mehrere Studien.
Fehleranalyse - Metaanalyse: Warum zeigt ein signifikanter Gesamteffekt noch nicht, dass der Effekt in allen Studien ähnlich ist?
Signifikanz des Mittelwerts und Heterogenität sind getrennte Fragen. τ², I² und Q betreffen die Streuung der wahren Effekte.
Fall - Metaanalyse: Studien unterscheiden sich deutlich in Population und Durchführung. Welches Grundmodell passt zu dieser Annahme?
Ein Random-Effects-Modell, weil verschiedene wahre Effekte über Studien hinweg plausibel sind.
Zusammenhang - Metaanalyse: Wie kann das File-Drawer-Problem den geschätzten Gesamteffekt beeinflussen?
Wenn nicht signifikante Ergebnisse seltener verfügbar sind, kann der sichtbare Studienbestand und damit der Gesamteffekt systematisch verschoben sein.
Vergleich - Veränderungsmessung: Wie unterscheiden sich direkte und indirekte Veränderungsmessung in der Datenquelle für Veränderung?
Direkte Messung erfragt oder beurteilt Veränderung selbst. Indirekte Messung erhebt denselben Zustand zu mehreren Zeitpunkten und leitet Veränderung daraus ab.
Vergleich - Veränderungsmodelle: Wie unterscheiden sich lineares Wachstumskurvenmodell und True-Change-Modell?
Das Wachstumskurvenmodell beschreibt Veränderung durch eine vorgegebene Verlaufsform. Das True-Change-Modell bildet latente Veränderungen zwischen Zeitpunkten ohne zwingend lineare Form.
Vergleich - Wachstumskurvenmodell: Welche unterschiedlichen Informationen liefern Mittelwert und Varianz des Steigungsfaktors?
Der Mittelwert beschreibt die durchschnittliche Veränderungsrate. Die Varianz beschreibt, wie stark sich Personen in dieser Rate unterscheiden.
Transfer - Wachstumskurvenmodell: Bei Zeitladungen 0,1,2,3: Worauf bezieht sich der Interzeptfaktor?
Auf das erwartete Ausgangsniveau am ersten Messzeitpunkt, weil dieser Zeitpunkt mit 0 kodiert ist.
Was-wäre-wenn - Wachstumskurvenmodell: Die Zeitkodierung wird von 0,1,2,3 auf -1,0,1,2 verschoben. Was verändert sich in der Interpretation?
Der Interzept bezieht sich nun auf den zweiten Messzeitpunkt. Die lineare Steigung pro Zeiteinheit bleibt bei gleicher Skalierung unverändert.
Output - Wachstumskurvenmodell: Wo werden durchschnittliche Veränderung und interindividuelle Heterogenität im Output abgelesen?
Die durchschnittliche Veränderung beim Mittelwert des Steigungsfaktors, die Heterogenität bei seiner Varianz.
Fall - Veränderungsmessung: Vier Messzeitpunkte derselben Personen werden in einem Wachstumskurvenmodell analysiert. Welche Art Veränderungsmessung liegt vor?
Indirekte Veränderungsmessung, weil Veränderung aus wiederholten Zustandsmessungen abgeleitet wird.
Zusammenhang - Wachstumskurvenmodell: Was verbindet gleichgesetzte Messfehlervarianzen mit der Vergleichbarkeit der Messzeitpunkte?
Das Modell nimmt für alle Zeitpunkte dieselbe Residual- beziehungsweise Messfehlerstreuung an. Unterschiede in der beobachteten Varianz werden damit nicht durch wechselnde Fehlergrößen erklärt.
Vergleich - Veränderungsmessung: Wie unterscheiden sich Reliable Change Index und durchschnittliche Veränderung?
Der RCI ordnet die Veränderung einer Person relativ zur erwarteten Messunsicherheit ein. Die durchschnittliche Veränderung beschreibt eine Gruppenentwicklung.
Zusammenhang - Veränderungsmessung: Warum kann Regression zur Mitte wie Veränderung aussehen?
Extremwerte enthalten häufig zufällige Anteile. Bei einer Wiederholungsmessung liegen die Werte oft näher am Mittelwert, auch ohne Intervention.
Fall - Veränderungsmessung: Teilnehmende verwenden nach einer Intervention andere Maßstäbe zur Bewertung ihrer Belastung. Welches Konzept beschreibt dies?
Response Shift. Die Bedeutung oder Gewichtung des gemessenen Konstrukts verändert sich über die Zeit.
Vergleich - Veränderungstests: Wie entscheidet die Abhängigkeit der Beobachtungen zwischen t-Test für abhängige und unabhängige Stichproben?
Dieselben Personen zu zwei Zeitpunkten führen zum abhängigen t-Test. Verschiedene Personen in zwei Gruppen führen zum unabhängigen t-Test.
Vergleich - Veränderungstests: Wann passt McNemar eher als ein Chi-Quadrat-Test?
McNemar passt bei gepaarten dichotomen Messungen derselben Einheiten. Der gewöhnliche Chi-Quadrat-Test passt zu unabhängigen Häufigkeitstabellen.
Fehleranalyse - Veränderungsmessung: Warum kann der Veränderungsquotient bei kleinen Ausgangswerten instabil sein?
Der Ausgangswert steht im Nenner. Kleine Werte können deshalb zu sehr großen Quotienten führen, auch bei moderaten absoluten Veränderungen.
Vergleich - Veränderungsmessung: Welche unterschiedlichen Verzerrungen sind bei direkter und indirekter Veränderungsmessung besonders naheliegend?
Direkte Beurteilungen sind anfällig für Erinnerung, Kontrast und Erwartungen. Indirekte Messungen sind anfällig für Testübung, Response Shift, Drop-out und Regression zur Mitte.
Zusammenhang - Versuchsplanung: Warum helfen multiple Pretests bei der Interpretation einer späteren Veränderung?
Sie zeigen Stabilität, Schwankungen und Trends bereits vor dem Treatment. Ein Verlaufssprung nach der Intervention lässt sich dadurch besser von einem bestehenden Trend abgrenzen.
Vergleich - Veränderungsevaluation: Welche zusätzliche Information liefert ein Follow-up gegenüber einem Posttest?
Der Posttest beschreibt die unmittelbare Veränderung nach der Maßnahme. Das Follow-up zeigt, ob der Verlauf später fortbesteht, abnimmt oder sich weiterentwickelt.
Zusammenhang - Veränderungsmodelle: Wie lässt sich Moderation von Veränderung in einem Längsschnittmodell abbilden?
Kovariaten können den Steigungs- oder Veränderungsfaktor vorhersagen. Alternativ lassen sich Gruppen oder Interaktionen vergleichen.
Zusammenhang - Messung und Veränderung: Warum ist Interventionsneutralität des Messmodells für Veränderungsaussagen wichtig?
Wenn Indikatoren vor und nach der Intervention unterschiedlich funktionieren, kann ein Messmodellwechsel wie inhaltliche Veränderung erscheinen.
Brücke - Heterogenität: Welche Analogie besteht zwischen Varianz der Steigungen und τ² in einer Metaanalyse?
Beide beschreiben Heterogenität. Die Steigungsvarianz betrifft Unterschiede zwischen Personen in Veränderungsraten, τ² Unterschiede zwischen Studien in wahren Effekten.
Zusammenhang - Messqualität: Wie bauen Objektivität, Reliabilität und Validität logisch aufeinander auf?
Objektive Durchführung reduziert Personenabhängigkeit. Reliabilität betrifft Präzision. Validität betrifft die Bedeutung der Messung und setzt ausreichende Präzision voraus.
Fehleranalyse - Messqualität: Warum garantiert hohe Reliabilität noch keine hohe Validität?
Ein Instrument kann sehr präzise immer dasselbe messen und dennoch ein anderes Konstrukt als beabsichtigt erfassen.
Zusammenhang - Messqualität: Warum kann Aggregation mehrerer Indikatoren die Messung stabilisieren?
Zufällige Fehler einzelner Indikatoren können sich teilweise ausgleichen. Gemeinsame Konstruktinformation wird stärker hervorgehoben.
Vergleich - CFA: Wie unterscheiden sich manifeste Indikatoren und latente Variable in ihrer Rolle?
Indikatoren sind beobachtete Messwerte. Die latente Variable repräsentiert das gemeinsame, nicht direkt beobachtbare Konstrukt hinter ihnen.
Transfer - CFA: Eine standardisierte Faktorladung beträgt 0,80. Wie verbindet sich die Ladung mit der Indikatorreliabilität?
Die Ladung wird quadriert. 0,80²=0,64, also werden 64 Prozent der standardisierten Indikatorvarianz durch den Faktor erklärt.
Was-wäre-wenn - CFA: Zwei Indikatoren messen denselben Faktor, aber einer hat eine deutlich niedrigere standardisierte Ladung. Was folgt für seine Reliabilität?
Seine quadrierte Ladung und damit die durch den Faktor erklärte Varianz sind geringer. Der Indikator enthält relativ mehr spezifische oder Fehlervarianz.
Vergleich - KTT-Messmodelle: Wie lässt sich die Folge tau-kongenerisch, essentiell tau-äquivalent, tau-äquivalent und tau-parallel als Restriktionsleiter verstehen?
Von Stufe zu Stufe kommen Gleichsetzungen hinzu: zuerst Ladungen, dann Intercepts und schließlich Messfehlervarianzen.
Fall - KTT-Messmodelle: Ladungen und Intercepts werden frei geschätzt. Welches Modell passt und wodurch grenzt es sich ab?
Das tau-kongenerische Modell. Es erlaubt unterschiedliche Ladungen und Intercepts und ist damit am wenigsten restriktiv.
Vergleich - KTT-Messmodelle: Was unterscheidet tau-äquivalentes und tau-paralleles Modell?
Beide setzen Ladungen und Intercepts gleich. Das tau-parallele Modell setzt zusätzlich die Messfehlervarianzen gleich.
Zusammenhang - CFA: Warum werden zur Skalierung eines Faktors eine Ladung und ein Interzept fixiert?
Die latente Skala hat ohne Referenz keinen eindeutigen Ursprung und keine eindeutige Einheit. Die Fixierungen legen beides fest.
Output - CFA: Der Chi-Quadrat-Test des User Models ist nicht signifikant und CFI, RMSEA sowie SRMR sind günstig. Welche gemeinsame Aussage entsteht?
Die exakte Modellpassung wird nicht verworfen und die approximativen Fitmaße sprechen ebenfalls für eine gute Vereinbarkeit des Modells mit den Daten.
Fehleranalyse - CFA: Warum beweist guter globaler Modellfit noch keine hohe Qualität jedes einzelnen Indikators?
Globaler Fit betrifft das gesamte Kovarianzmodell. Einzelne Ladungen, Reliabilitäten oder Residuen können trotzdem auffällig sein.
Fehleranalyse - CFA: Warum sollte ein großer Modifikationsindex nicht automatisch zu einer Modelländerung führen?
Er zeigt eine mögliche statistische Fitverbesserung. Ohne inhaltliche Begründung kann die Änderung Zufallsstruktur oder Stichprobenspezifika abbilden.
Vergleich - Messvalidität: Wie unterscheiden sich Demand Characteristics, Hawthorne-Effekt und Rosenthal-Effekt nach ihrer Quelle?
Demand Characteristics entstehen aus Hinweisen der Situation. Der Hawthorne-Effekt entsteht durch das Beobachtetwerden. Der Rosenthal-Effekt entsteht durch Erwartungen der Versuchsleitung.
Zusammenhang - Wirksamkeitsindikator: Warum verbindet Interventionsneutralität Messvalidität mit Kausalinferenz?
Wenn die Intervention selbst die Messbeziehung verändert, kann ein beobachteter Gruppenunterschied teilweise aus verändertem Messen statt aus verändertem Konstrukt entstehen.
Zusammenhang - Messung und Kausalität: Warum kann Messfehler einen Treatment-Effekt schwerer erkennbar machen?
Messfehler erhöht unsystematische Outcome-Varianz und verringert Präzision. Dadurch werden Effektschätzungen unsicherer.
Zusammenhang - Messung und Veränderung: Wie beeinflusst die Reliabilität der Einzelmessungen die Reliabilität eines Differenzwerts?
Unpräzise Einzelmessungen übertragen Messfehler auf die Differenz. Zusätzlich spielt die Korrelation der Messzeitpunkte eine Rolle.
Brücke - CFA und EffectLiteR: Welchen Vorteil kann ein latentes Messmodell innerhalb einer Analyse heterogener Treatment-Effekte haben?
Kovariaten oder Outcomes können unter Berücksichtigung von Messfehlern modelliert werden. Die Effektfunktion stützt sich dann auf latente statt nur auf rohe Scores.
Vergleich - Störvariablenkontrolle: Wie unterscheiden sich Randomisierung, Matching und statistische Kontrolle zeitlich und methodisch?
Randomisierung wirkt bei der Zuweisung, Matching bei der Bildung vergleichbarer Fälle und statistische Kontrolle im Analysemodell.
Vergleich - Störvariablenkontrolle: Wie unterscheiden sich Eliminierung, Konstanthaltung und Ausbalancierung?
Eliminierung schließt Ausprägungen aus. Konstanthaltung hält eine Variable für alle gleich. Ausbalancierung verteilt ihre Ausprägungen gleichmäßig auf Bedingungen.
Zusammenhang - Störvariablenkontrolle: Warum kontrolliert intraindividuelle Veränderungsmessung zeitstabile Personenmerkmale?
Jede Person dient als eigener Vergleich. Merkmale, die sich zwischen den Zeitpunkten nicht ändern, bleiben innerhalb der Person konstant.
Vergleich - Versuchsdesigns: Wie unterscheiden sich randomisiertes, quasi-experimentelles und Selbstselektionsdesign in der Zuweisung?
Randomisierte Designs nutzen Zufall. Quasi-experimentelle Designs nutzen eine nicht vollständig zufällige Regel. Selbstselektionsdesigns lassen die Gruppenwahl mit Personenmerkmalen zusammenfallen.
Zusammenhang - Regression Discontinuity: Warum kann ein Sprung am Cut-off als Hinweis auf einen Treatment-Effekt dienen?
Unmittelbar beiderseits des Cut-offs sind Einheiten auf der Zuweisungsvariable ähnlich, erhalten aber unterschiedliche Treatmentwahrscheinlichkeiten. Ein Outcome-Sprung passt daher zur Zuweisungsänderung.
Vergleich - Regression Discontinuity: Was unterscheidet Sharp RD und Fuzzy RD?
Bei Sharp RD folgt die Zuweisung dem Cut-off vollständig. Bei Fuzzy RD springt am Cut-off nur die Wahrscheinlichkeit der Behandlung.
Fehleranalyse - Regression Discontinuity: Warum ist die funktionale Form zwischen Zuweisungsvariable und Outcome für RD zentral?
Ein falsch modellierter Verlauf kann wie ein Sprung erscheinen oder einen tatsächlichen Sprung verdecken.
Vergleich - Pretest: Wie stehen höhere Power und Pretest-Sensitivierung als zwei mögliche Folgen eines Pretests nebeneinander?
Der Pretest kann Ausgangsunterschiede erklären und Präzision erhöhen. Zugleich kann er Verhalten oder spätere Antworten verändern.
Zusammenhang - Solomon-4-Gruppen-Plan: Warum braucht der Solomon-Plan Gruppen mit und ohne Pretest in beiden Treatmentbedingungen?
Nur so lassen sich Interventionseffekt, eigenständiger Pretesteffekt und ihre Interaktion getrennt vergleichen.
Transfer - Solomon-4-Gruppen-Plan: A und B erhalten Treatment, C und D nicht. Welche Gruppen werden für den Haupteffekt der Intervention zusammengefasst?
A und B werden mit C und D verglichen. Damit wird über das Vorhandensein eines Pretests gemittelt.
Transfer - Solomon-4-Gruppen-Plan: A und C erhalten einen Pretest, B und D nicht. Welche Gruppen werden für den Haupteffekt des Pretests verglichen?
A und C werden mit B und D verglichen. Damit wird über die Treatmentbedingung gemittelt.
Transfer - Solomon-4-Gruppen-Plan: Welche Differenzen werden verglichen, um eine Intervention-Pretest-Interaktion zu erkennen?
Der Treatmentunterschied mit Pretest wird dem Treatmentunterschied ohne Pretest gegenübergestellt, etwa A-C gegenüber B-D.
Zusammenhang - Treatment-Vertauschungsdesign: Welches zeitliche Muster stützt eine Treatmentwirkung in einem Warte- oder Vertauschungsdesign?
Jede Gruppe verändert sich vor allem in dem Zeitraum, in dem sie das Treatment erhält.
Fehleranalyse - Treatment-Vertauschungsdesign: Welche Alternativerklärungen können ein zeitversetztes Treatmentmuster erschweren?
Wartefrustration, äußere Ereignisse, Zeitpunktseffekte und anhaltende Wirkungen früherer Behandlungen können sich mit dem Treatmentzeitpunkt überlagern.
Vergleich - Kontrollgruppen: Welche unterschiedlichen Vergleichsfragen beantworten unbehandelte, Placebo- und aktive Kontrollgruppe?
Unbehandelt vergleicht mit natürlichem Verlauf. Placebo kontrolliert Erwartung und Behandlungskontext. Aktiv vergleicht mit einer alternativen wirksamen Maßnahme.
Vergleich - Kontrollgruppen: Was ergänzt eine unspezifisch behandelte Kontrollgruppe gegenüber einer unbehandelten Gruppe?
Sie kontrolliert Aktivität, Aufmerksamkeit und Beschäftigung, ohne den spezifischen Wirkbestandteil der Zielintervention zu enthalten.
Zusammenhang - Kontrollgruppen: Wie nähert eine Kontrollgruppe das unbeobachtete kontrafaktische Outcome an?
Sie zeigt, was bei vergleichbaren Einheiten im selben Zeitraum ohne den spezifischen Treatmentbestandteil geschieht.
Transfer - Kontrollgruppendesign: Wie wird die maßnahmenspezifische Nettowirkung aus Prä- und Postwerten zweier Gruppen gebildet?
Die Veränderung der Kontrollgruppe wird von der Veränderung der Treatmentgruppe abgezogen: Treatment Post-Pre minus Kontrolle Post-Pre.
Vergleich - Designs ohne Kontrollgruppe: Was ergänzt eine unterbrochene Zeitreihe gegenüber einem einfachen Prä-Post-Vergleich?
Viele Messzeitpunkte machen vorherige Trends und den Zeitpunkt einer Niveau- oder Trendänderung sichtbar.
Zusammenhang - Designs ohne Kontrollgruppe: Wie kann eine nicht äquivalente abhängige Variable eine Alternativerklärung begrenzen?
Ein treatmentnaher Outcome wird mit einem treatmentfernen Outcome verglichen. Eine selektive Veränderung passt eher zu einer spezifischen Wirkannahme.
Vergleich - Kohortendesign: Welche Stärke und welche Grenze hat eine zeitlich frühere Kohorte als Kontrollgruppe?
Sie liefert Vergleichsdaten ohne gleichzeitige Vorenthaltung der Maßnahme. Zeitgeschichtliche Unterschiede zwischen Kohorten bleiben eine mögliche Erklärung.
Zusammenhang - Kohortendesign: Warum kann Matching zeitlich verschiedener Kohorten die Interpretation verbessern?
Es verringert beobachtete Ausgangsunterschiede. Unbeobachtete Kohorten- und Zeiteffekte können dennoch verbleiben.
Zusammenhang - Campbell: Wie bilden zeitliche Priorität, Kovariation und Ausschluss von Alternativerklärungen gemeinsam ein Kausalargument?
Die Ursache muss vor der Wirkung liegen, beide müssen zusammen variieren und konkurrierende Erklärungen müssen ausreichend begrenzt sein.
Vergleich - Validität: Welche unterschiedlichen Ebenen prüfen statistische Schlussfolgerungsvalidität und interne Validität?
Statistische Schlussfolgerungsvalidität fragt, ob ein Zusammenhang belastbar nachweisbar ist. Interne Validität fragt, ob dieser Zusammenhang kausal auf das Treatment zurückgeht.
Vergleich - Validität: Wie unterscheiden sich Konstruktvalidität und externe Validität?
Konstruktvalidität betrifft die angemessene theoretische Bedeutung von Treatment, Outcome und Setting. Externe Validität betrifft die Übertragbarkeit auf andere Kontexte.
Fall - Interne Validität: Treatment- und Kontrollgruppe unterscheiden sich schon vor Beginn systematisch. Welche Bedrohung liegt nahe?
Selektion. Ausgangsunterschiede können den späteren Gruppenunterschied mitverursachen.
Fall - Interne Validität: Während der Intervention tritt nur für eine Gruppe ein externes Ereignis auf. Welche Bedrohung liegt nahe?
History. Das zeitgleiche Ereignis kann die beobachtete Veränderung erklären.
Fall - Interne Validität: Mitglieder der Kontrollgruppe übernehmen Bestandteile der Intervention. Welche Bedrohung liegt nahe?
Treatment-Diffusion. Der Unterschied zwischen den Bedingungen wird dadurch unschärfer.
Fehleranalyse - Validität: Warum erhöht Randomisierung nicht automatisch Konstrukt- oder externe Validität?
Randomisierung betrifft vor allem die interne Vergleichbarkeit. Unpassende Operationalisierung oder eine enge Stichprobe bleiben davon unberührt.
Zusammenhang - Externe Validität: Wie ergänzen sich Zufallsauswahl und Replikation über verschiedene Kontexte?
Zufallsauswahl unterstützt Repräsentation einer Population. Replikation prüft, ob Beziehungen über Populationen, Settings, Treatments und Messungen hinweg bestehen.
Vergleich - Evaluationsziele: Wie bauen Zustandsevaluation, Veränderungsevaluation und Wirksamkeitsevaluation logisch aufeinander auf?
Zustandsevaluation beschreibt den Ausgangs- oder Istzustand. Veränderungsevaluation beschreibt zeitliche Unterschiede. Wirksamkeitsevaluation prüft, ob eine Maßnahme diese Veränderung verursacht.
Fehleranalyse - Evaluation: Warum ist eine beobachtete Verbesserung noch keine Wirksamkeitsaussage?
Verbesserung beschreibt Veränderung. Für Wirksamkeit braucht es eine begründete Zuordnung der Veränderung zur Maßnahme und eine Begrenzung alternativer Erklärungen.
Vergleich - Evaluation: Wie unterscheiden sich formative und summative Evaluation im Zeitpunkt und Zweck der Rückmeldung?
Formative Evaluation begleitet Entwicklung oder Umsetzung und liefert laufende Rückmeldung. Summative Evaluation beurteilt die Maßnahme zu einem Abschlusszeitpunkt.
Zusammenhang - Evaluation: Wie greifen Evaluationsgegenstand und Evaluationskriterium ineinander?
Der Gegenstand bezeichnet, was bewertet wird. Das Kriterium bezeichnet, anhand welcher Eigenschaft oder Zielgröße die Bewertung erfolgt.
Vergleich - Evaluationsforschung: Was ergänzt systematische Evaluationsforschung gegenüber einer spontanen Alltagsbewertung?
Vorab formulierte Ziele und Kriterien, nachvollziehbare Methoden und eine dokumentierte Datengrundlage machen die Bewertung prüfbar.
Zusammenhang - Evaluationsstandards: Warum lassen sich Nützlichkeit, Durchführbarkeit, Fairness und Genauigkeit als Spannungsfeld verstehen?
Eine Evaluation soll relevante Informationen liefern, praktisch umsetzbar sein, Beteiligte angemessen behandeln und methodisch belastbar bleiben. Entscheidungen können mehrere dieser Anforderungen gleichzeitig berühren.
Zusammenhang - Effizienzanalyse: Warum folgt Effizienzanalyse sinnvollerweise auf Bedarfs- und Wirksamkeitsprüfung?
Kosten-Nutzen-Aussagen setzen voraus, dass ein relevanter Bedarf besteht und eine Maßnahme Wirkungen erzeugt, die bewertet werden können.
Vergleich - Effizienzanalyse: Wie unterscheiden sich Kosten-Nutzen- und Kosten-Effektivitäts-Analyse?
Die Kosten-Nutzen-Analyse bewertet auch den Nutzen monetär. Die Kosten-Effektivitäts-Analyse vergleicht Kosten pro nicht monetärer Erfolgseinheit.
Zusammenhang - Effizienzanalyse: Wie wird aus einer Wirkung ein Nutzen?
Die Wirkung wird mit einem Wert aus einer bestimmten Perspektive verknüpft. Deshalb kann dieselbe Wirkung je nach Bewertungsmaßstab unterschiedlichen Nutzen haben.
Fall - Effizienzanalyse: Teilnahmezeit verhindert bezahlte Arbeit. Welcher Kostenbegriff erfasst den entgangenen Verdienst?
Opportunitätskosten, weil der Nutzen der besten nicht gewählten Alternative verloren geht.
Vergleich - Effizienzanalyse: Welche unterschiedlichen Informationen liefern Nettonutzen und Nutzenquotient?
Der Nettonutzen N-K zeigt den absoluten Überschuss. Der Quotient N/K zeigt Nutzen pro Kosteneinheit.
Zusammenhang - Effizienzanalyse: Wie lässt sich der Break-even-Point mit Nettonutzen und Nutzenquotient verbinden?
Am Break-even gilt N=K. Dann ist der Nettonutzen null und der Nutzenquotient eins.
Vergleich - Effizienzanalyse: Warum können Betroffene, Geldgebende und Gesellschaft dieselbe Maßnahme unterschiedlich bewerten?
Sie tragen unterschiedliche Kosten und erhalten unterschiedliche Wirkungen. Die Perspektive bestimmt, welche Folgen in die Bewertung eingehen.
Zusammenhang - Zustandsevaluation: Warum können Rohmittel und adjustierte Mittel zu unterschiedlichen Einordnungen führen?
Rohmittel enthalten Unterschiede in der Zusammensetzung der Einheiten. Adjustierte Mittel vergleichen bei einer kontrollierten Kovariatenverteilung.
Vergleich - Zustand und Kausalität: Wie unterscheiden sich Adjustierung in der Zustandsevaluation und kausale Adjustierung?
Zustandsadjustierung unterstützt vergleichbare Beschreibungen. Kausale Adjustierung soll zusätzlich Konfundierung begrenzen und benötigt stärkere Annahmen über Treatment und potenzielle Outcomes.
Zuletzt geändertvor 20 Tagen