Buffl

Altklausurfragen

ik
by isa K.

Nenne 4 Arten von Validität und beschreibe je eine Verletzung der Validität?

Nennen Sie Arten der kausalen Validität/ Welche Arten der Validität wurden bei kausalen Aussagen in der Vorlesung unterschieden?

Validität von statistischen Schlussfolgerungen Werden statistische Methoden korrekt angewandt und richtig interpretiert? Validität des Schlusses auf das Vorhandensein einer Kovariation von UV und AV.

Gefährdung: restriction of range (Varianzvernichtung durch ungeeignete Datenerhebung (kaum Unterschiede im Treatment (kleine vs. mittlere Medikamentendosis)


Interner Validität Validität der Schlussfolgerung, dass die Kovariation auf einem kausalen Zusammenhang beruht.

Gefährdung: Instrumentation (Veränderung des Messinstruments über die Zeit)


Externer Validität Generalisierbarkeit über Variation in Stichprobe, Settings, Treatmentbedingungen und Messmethoden? Validität von Extrapolation, Interpolation, horizontalem Transfer.

Gefährdung: Ist der Zusammenhang nur mit bestimmten Outcome-Variablen belegbar? Beispiel Weiterbildungsmaßnahme zur Erhöhung der Kundenzufriedenheit wirkt nur auf Kundenzufriedenheit in der Beurteilung durch dritte Beobachter, nicht aber auf Selbstbericht der Kunden.


Konstruktvalidität Ist der Rückschluss aus den beobachteten (manifesten) Variablen auf das Konstrukt (latente Variable) gültig? Validität von Schlussfolgerung auf abstrakter Konstrukteben

Gefährdung: Konfundierungen zwischen verschiedenen relevanten Konstrukten: Durch ungenügende Erfassung aller zugrunde liegenden und intervenierenden Konstrukte gibt es möglicherweise nicht erkannte Zusammenhänge zwischen den Konstrukten

Welche Gefährdungen der internen Validität gibt es?

  • Testing Die Untersuchung selbst das Teilnehmen an einer Studie (zB. Erhebung von Körpergewicht regt eigenständige Diät an oder Lerneffekte) ist möglicherweise ein Treatment und hat somit einen Einfluss.

  • History Externe Ereignisse mit Einfluss auf die Probanden

  • Instrumentation Veränderung des Messinstruments/Messapparatur über die Zeit -> Bedingungen nicht mehr gleich und somit Repräsentativität sinkt

  • Statistical Regression Bei Messwiederholung liegen die Werte einer Gruppe mit extremen Merkmalsausprägungen zum ersten Messzeitpunkt in der zweiten Messung oder einer korrelierten Messung tendenziell näher am Mittelwert (in der Mitte). Grundlage: Extreme Fehler wiederholen sich (in der Regel) nicht. Bedingungskonstellationen, die einen extremen Wert verursachen, sind oft außergewöhnlich und instabil.

  • Maturation “Reifung” der Probanden durch psychische oder physische Veränderungen über die Zeit

  • Experimental Mortality systematischer Ausfall von Probanden Treatmentgruppe ist anstrengender, daher mehr Abbrecher nur die “Geeigneten” halten durch (und das auch noch erfolgreich) Probanden in der Kontrollgruppe sind nicht interessiert, eventuell auch unzufrieden, weil sie kein Treatment erhalten haben, .... eventuell auch wirkliche Todesfälle

  • Selection Probanden sind zufällig oder absichtlich systematisch auf die Treatments verteilt und haben unterschiedliche Ausgangswerte oder -charakteristika

  • Selection-Maturation Zusammenwirkung Shadish et al. (2002) beschreiben allgemein das Problem, dass das gleichzeitige Auftreten von verschiedenen Gefährdungen zu additiven und interaktiven Effekten führt. Beispie


Was sind die häufigen Probleme bei unterbrochenen Zeitreihen

  • Langsame und graduelle Implementierung: Diffusion

    Viele Interventionen können nur schrittweise eingeführt werden. Neues Wissen gelangt nur langsam und schrittweise zur Interventionsgruppe.

    unklarer (wie schnell zeigt sich ein Effekt) sich erst im Laufe der Zeit zeigender Effekt (unklar ob durch Intervention oder alternativ)

    Falls Diffusionsrate bekannt, kann der Effekt entsprechend modelliert werden: -> Gradueller Anstieg anstelle von Schrittfunktion

  • Unbekanntes Intervall zwischen Ursache und Effekt

    Erwartete Effekte treten erst mit langer zeitlicher Verzögerung auf. Erfolge sind nur schleichend bemerkbar. ( Änderungen im Ernährungsverhalten, Lungenkrebs durch Rauchen) Problem: Der Effekt einer Intervention kann durch große zeitliche Differenz zwischen Intervention und Erfolg wieder verwässert werden. -> zeitlich versetzte Zeitreihe

  • Kurze Zeitreihen (N<100)

    Für die statistische Vorhersage (ARIMA): Mindestens 100 Beobachtungen -Faustregel bei unterbrochenen Zeitreihen: Mind. 50 Messungen vor und mind. 50 Messungen nach dem Ereignis

  • Beschränkung von Archivdaten

    Datenqualität bei Zeitreihen ist oft nur sehr schwer zu bewerten. Wie valide ist die Messung durch die Erhebung?

    Grad der Datenaggregation oft so hoch, dass Analysen nicht in dem gewünschten Zeitfenster stattfinden können (zB. nicht genau genuge Messung)

    Verfälschungsgefahr durch Veränderung des Konstruktes über die Zeit, oder Änderung der Definitionskriterien


Author

isa K.

Information

Last changed