eLearning - Methoden der Psychologie - TU Dresden - Benutzerbeiträge [de]

Ex-Post-Facto Designs

2017-03-04T19:56:27Z

Diana:

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}

Ein Ex-post-facto Design ist ein Untersuchungsdesign, bei dem '''durch nachträgliche Analysen''' mögliche [[unabhängige Variablen]] (UVs) bestimmt werden, welche die gegenwärtige Situation beeinflusst haben könnten.

Ex-post-facto Forschung ist ein systematischer empirischer Forschungsprozess, bei dem der Forscher '''keine direkte Kontrolle''' der unabhängigen Variablen vornimmt, da deren Auswirkungen bereits eingetreten sind, oder diese unabhängigen Variablen nicht systematisch manipulierbar sind. Sie dient einerseits der Bestandsaufnahme, andererseits der Hypothesengenerierung. Echte Kausalaussagen lassen sich allerdings nicht treffen.

Ziel von Ex-post-facto Forschung ist es, Beziehungen zwischen [[Variablen]] in real verfügbaren Situationen zu entdecken. Häufig ist es nicht möglich, die interessierenden Faktoren zu manipulieren. Dazu gehören [[Organismusvariablen]] wie das Alter oder die Körpergröße, aber auch längerfristig wirkende Variablen wie beispielsweise das soziale Umfeld oder das Herkunftsland. Die Gruppen werden also bereits vorgefunden. Das Herstellungsmoment, welches ein experimentelles Untersuchungsdesign charakterisiert, fällt demzufolge weg. Ex-post-facto Pläne gehören entsprechend zu den nicht-experimentellen Untersuchungsformen.

'''Formalisierung'''

Grundsätzlich sind ex-post-facto Pläne aufgebaut wie experimentelle Pläne. Das Design wird durch ein E gekennzeichnet. Das Treatment wird gewöhnlich in Klammern gesetzt und mit einem Fragezeichen versehen, um den hypothetischen Charakter der UV zu verdeutlichen.

[[Datei:ex-post-facto1.jpg|350px]]

Der Forscher versucht in einer ex-post-facto Untersuchung eine nachträgliche Sortierung der unabhängigen Variable vorzunehmen. Es werden zu einem einzigen Zeitpunkt alle Daten (sowohl die UV, als auch die AV) erhoben. Ein Kausalzusammenhang zwischen unabhängiger und abhängiger Variable kann dabei kaum festgestellt werden, da das wichtige Kriterium der zeitlichen Differenz zwischen Ursache und Wirkung nicht gegeben ist. Erst durch bestimmte methodische [[Kontrollprinzipien|Kontrollstrategien]] und nachträgliche statistische Kontrolle können vorsichtige Kausalinterpretationen zugelassen werden (Sarris, 1992, S. 177 f.)
Ex-post-facto Forschung geht mit einigen methodischen Problemen einher:

# Probleme der Varianz der unabhängigen Variable
# Probleme der kausalen Reihenfolge
# Probleme der Kontrolle von Drittvariablen

Um diesen Problemen zu begegnen, lassen sich verschiedene methodische Strategien anwenden.
Zunächst ist es wichtig, Informationen über die Verteilung der unabhängigen Variablen in der potentiellen Befragtengruppe zu erheben. Wenn zum Beispiel untersucht werden soll, ob der Alkoholkonsum unter Zehntklässlern einen Einfluss auf das Lernverhalten hat, so sollte man vorher sicherstellen, dass tatsächlich eine hinreichend große Zahl alkoholkonsumierender Zehntklässler existiert. Ist dies nicht der Fall, ist die Überprüfung der systematischen Korrelation von unabhängiger und abhängiger Variable kaum möglich.

Das Problem der kausalen Reihenfolge ergibt sich aus der Tatsache der einmaligen und gleichzeitigen Erhebung aller Daten. In dem Beispiel bedeutet das konkret: Werden die Zehntklässler gleichzeitig sowohl zu ihrem Lernverhalten, als auch zum Alkoholkonsum befragt, so lässt sich keine Aussage darüber treffen, welche Variable welche verursacht. Ein destruktives Lernverhalten könnte zu erhöhtem Alkoholkonsum geführt haben, ebenso wie ein erhöhter Alkoholkonsum das Lernverhalten verschlechtert haben kann. Deswegen ist es bei einer einmaligen ex-post-facto Messung wichtig, dass durch geeignete Fragestellungen eine Vorhermessung nachträglich simuliert wird. Es wäre denkbar, den Schülern zwei Mal die Frage nach ihrem Alkoholkonsum zu stellen und dabei den jetzigen Zeitpunkt und einen früheren Zeitpunkt mit einzubeziehen.

Ein weiteres zentrales Problem der ex-post-facto Forschung ist die Kontrolle von Drittvariablen. Die Einwirkung der UV kann im ex-post-facto Design nämlich nicht zufällig auf die Probanden verteilt werden. Das schlechte Lernverhalten aus dem obigen Beispiel könnte zum Beispiel nicht nur durch Alkoholkonsum, sondern auch durch den Erziehungsstil der Eltern bedingt sein. Der Erziehungsstil wäre in diesem Fall eine Drittvariable, die dem zu untersuchenden Zusammenhang vorausgeht (anteszendierende Drittvariable) und damit die Korrelation zwischen Alkoholkonsum und Lernverhalten mitbestimmt. Eine Drittvariable kann aber auch als [[Kovariablen|Moderatorvariable]] (oder auch intervenierende Variable) wirksam werden, indem sie zwischen der unabhängigen und der [[abhängige Variablen|abhängigen Variable]] auftritt. Liegt keine bivariate Korrelation zwischen UV und AV vor, so spricht man hingegen von einer verdeckten Beziehung. Um dem Problem der mangelnden Kontrolle von Drittvariablen zu begegnen, ist es wichtig, theoretisch sinnvolle Drittvariablen zu operationalisieren und ebenfalls zu erheben. Auf dieser Grundlage lassen sich Kontrollhypothesen bilden. Werden die Kontrollhypothesen nicht bestätigt, so spricht das für eine Bestätigung der ursprünglichen [[Hypothesen|Hypothese]].

In der ex-post-facto Forschung können unerwünschte Selektionseffekte auf zwei Weisen wirksam werden. Zum einen können sie sich bei der Auswahl von Personen auf Grund ihrer Merkmalsausprägung in der AV auswirken. Zum anderen können sie auch bei der Auswahl von Personen auf Grund der Merkmalsausprägung in der UV wirken.

'''Übersicht'''

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Problem'''
| '''Kontrollmethode'''
|
|-
| …der Varianz der abhängigen Variable
| Vorab Angaben über die Verteilung der UV in der potentiellen Untersuchungsgruppe
| Nachträgliche statistische Kontrolle
|-
| …der kausalen Reihenfolge der Variablen
| Vorhermessung durch geeignete Fragestellungen nachträglich simulieren
| Nachträgliche statistische Kontrolle
|-
| …der Kontrolle von Drittvariablen
| Prüfung von Kontrollhypothesen
| Nachträgliche statistische Kontrolle
|-
|}

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Vorteile'''
| '''Nachteile'''
|-
| * Unvermeidbar - in Psychologie und Erziehungswissenschaften nicht zu umgehen
| * Grenzen der Interpretation; großes Risiko unzulässiger Interpretation
|-
| * Praktikabel - Existenz von Variablen, die nicht gezielt veränderbar sind
| * Keine Manipulation der UV
|-
|
| * Keine Randomisierung möglich
|-
|
| * Mangel an Kontrolle
|-
|}

'''Beispiel (nach Sarris, 1992, S. 178 f.):'''

Der Forscher Christiansen überprüfte 1935 die Hypothese: „Je größer der Lernerfolg eines Schülers auf der Oberschule, desto sicherer bedingt dies dessen späteren wirtschaftlichen Wohlstand und umgekehrt.“, indem er älteres Datenmaterial ex-post-facto auswertete. Aus Schulabgängern des Jahres 1926 stellte er eine Stichprobe von 2000 Fällen zusammen und teilte sie in Schüler mit, und Schüler ohne Abschlusszeugnis ein. Daraufhin suchte er so viele dieser Personen wie möglich auf und interviewte sie. Nach einer Analyse der Daten ergaben sich zwei Schulleistungsgruppen mit je 145 Gruppenmitgliedern, die sich auch in sechs weiteren Variablen glichen. Hierzu zählten die Durchschnittsnote, das Alter, das Geschlecht, der Beruf des Vaters, der soziale Status der Nachbarschat sowie die Nationalität der Eltern. Damit war es Christiansen gelungen, durch eine differenzierte statistische Kontrolle der (möglichen) Störbedingungen, die beiden Gruppen weitgehend zu parallelisieren. Nur die interessierende Variable Schulleistung unterschied sich damit systematisch in den beiden Gruppen.
Es zeigte sich, dass sich Schüler ohne Schulabschlusszeugnis hinsichtlich des Einkommens nicht wesentlich von Schülern mit Abschlusszeugnis unterschieden, sodass die Ausgangshypothese nicht bestätigt werden konnte.

== Vergleich Experimentelle und Ex-Post-Facto Designs ==

{| class="wikitable"
|-
! Experimentelle Forschung !! Ex-Post-Facto Forschung
|-
| Von einem kontrollierten X wird eine Vorhersage auf Y gemacht || Nur Y wird systematisch beobachtet; Danach folgt rückblickend die Suche nach X
|-
| Vorhersage der AV || systematische Beobachtung der AV
|-
| experimentelle Kontrolle durch:
*Gezielte und systematische Variation der UV
*Kontrolle von Störvariablen (Randomisierung, Konstanthaltung, Kontrollgruppe)
|| Mangelnde experimentelle Kontrolle durch:
*Sortierung der UV (natürliche Gruppen, Selektionseffekte)
*Störvariablen
|-
| Ein eindeutiger Rückschluss von Y auf X ist möglich. || Der Rückschluss ist nicht eindeutig, es gibt Alternativerklärungen, die nicht ausgeschlossen werden können. Die festgestellten Relationen können auch von unkontrollierten Störbedingungen abhängen.

|}

Ex-Post-Facto Designs

2017-03-04T19:54:12Z

Diana:

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}

Ein Ex-post-facto Design ist ein Untersuchungsdesign, bei dem '''durch nachträgliche Analysen''' mögliche [[unabhängige Variablen]] (UVs) bestimmt werden, welche die gegenwärtige Situation beeinflusst haben könnten.

Ex-post-facto Forschung ist ein systematischer empirischer Forschungsprozess, bei dem der Forscher '''keine direkte Kontrolle''' der unabhängigen Variablen vornimmt, da deren Auswirkungen bereits eingetreten sind, oder diese unabhängigen Variablen nicht systematisch manipulierbar sind. Sie dient einerseits der Bestandsaufnahme, andererseits der Hypothesengenerierung. Echte Kausalaussagen lassen sich allerdings nicht treffen.

Ziel von Ex-post-facto Forschung ist es, Beziehungen zwischen [[Variablen]] in real verfügbaren Situationen zu entdecken. Häufig ist es nicht möglich, die interessierenden Faktoren zu manipulieren. Dazu gehören [[Organismusvariablen]] wie das Alter oder die Körpergröße, aber auch längerfristig wirkende Variablen wie beispielsweise das soziale Umfeld oder das Herkunftsland. Die Gruppen werden also bereits vorgefunden. Das Herstellungsmoment, welches ein experimentelles Untersuchungsdesign charakterisiert, fällt demzufolge weg. Ex-post-facto Pläne gehören entsprechend zu den nicht-experimentellen Untersuchungsformen.

'''Formalisierung'''

Grundsätzlich sind ex-post-facto Pläne aufgebaut wie experimentelle Pläne. Das Design wird durch ein E gekennzeichnet. Das Treatment wird gewöhnlich in Klammern gesetzt und mit einem Fragezeichen versehen, um den hypothetischen Charakter der UV zu verdeutlichen.

[[Datei:ex-post-facto1.jpg|350px]]

Der Forscher versucht in einer ex-post-facto Untersuchung eine nachträgliche Sortierung der unabhängigen Variable vorzunehmen. Es werden zu einem einzigen Zeitpunkt alle Daten (sowohl die UV, als auch die AV) erhoben. Ein Kausalzusammenhang zwischen unabhängiger und abhängiger Variable kann dabei kaum festgestellt werden, da das wichtige Kriterium der zeitlichen Differenz zwischen Ursache und Wirkung nicht gegeben ist. Erst durch bestimmte methodische [[Kontrollprinzipien|Kontrollstrategien]] und nachträgliche statistische Kontrolle können vorsichtige Kausalinterpretationen zugelassen werden (Sarris, 1992, S. 177 f.)
Ex-post-facto Forschung geht mit einigen methodischen Problemen einher:

# Probleme der Varianz der unabhängigen Variable
# Probleme der kausalen Reihenfolge
# Probleme der Kontrolle von Drittvariablen

Um diesen Problemen zu begegnen, lassen sich verschiedene methodische Strategien anwenden.
Zunächst ist es wichtig, Informationen über die Verteilung der unabhängigen Variablen in der potentiellen Befragtengruppe zu erheben. Wenn zum Beispiel untersucht werden soll, ob der Alkoholkonsum unter Zehntklässlern einen Einfluss auf das Lernverhalten hat, so sollte man vorher sicherstellen, dass tatsächlich eine hinreichend große Zahl alkoholkonsumierender Zehntklässler existiert. Ist dies nicht der Fall, ist die Überprüfung der systematischen Korrelation von unabhängiger und abhängiger Variable kaum möglich.

Das Problem der kausalen Reihenfolge ergibt sich aus der Tatsache der einmaligen und gleichzeitigen Erhebung aller Daten. In dem Beispiel bedeutet das konkret: Werden die Zehntklässler gleichzeitig sowohl zu ihrem Lernverhalten, als auch zum Alkoholkonsum befragt, so lässt sich keine Aussage darüber treffen, welche Variable welche verursacht. Ein destruktives Lernverhalten könnte zu erhöhtem Alkoholkonsum geführt haben, ebenso wie ein erhöhter Alkoholkonsum das Lernverhalten verschlechtert haben kann. Deswegen ist es bei einer einmaligen ex-post-facto Messung wichtig, dass durch geeignete Fragestellungen eine Vorhermessung nachträglich simuliert wird. Es wäre denkbar, den Schülern zwei Mal die Frage nach ihrem Alkoholkonsum zu stellen und dabei den jetzigen Zeitpunkt und einen früheren Zeitpunkt mit einzubeziehen.

Ein weiteres zentrales Problem der ex-post-facto Forschung ist die Kontrolle von Drittvariablen. Die Einwirkung der UV kann im ex-post-facto Design nämlich nicht zufällig auf die Probanden verteilt werden. Das schlechte Lernverhalten aus dem obigen Beispiel könnte zum Beispiel nicht nur durch Alkoholkonsum, sondern auch durch den Erziehungsstil der Eltern bedingt sein. Der Erziehungsstil wäre in diesem Fall eine Drittvariable, die dem zu untersuchenden Zusammenhang vorausgeht (anteszendierende Drittvariable) und damit die Korrelation zwischen Alkoholkonsum und Lernverhalten mitbestimmt. Eine Drittvariable kann aber auch als [[Kovariablen|Moderatorvariable]] (oder auch intervenierende Variable) wirksam werden, indem sie zwischen der unabhängigen und der [[abhängige Variablen|abhängigen Variable]] auftritt. Liegt keine bivariate Korrelation zwischen UV und AV vor, so spricht man hingegen von einer verdeckten Beziehung. Um dem Problem der mangelnden Kontrolle von Drittvariablen zu begegnen, ist es wichtig, theoretisch sinnvolle Drittvariablen zu operationalisieren und ebenfalls zu erheben. Auf dieser Grundlage lassen sich Kontrollhypothesen bilden. Werden die Kontrollhypothesen nicht bestätigt, so spricht das für eine Bestätigung der ursprünglichen [[Hypothesen|Hypothese]].

In der ex-post-facto Forschung können unerwünschte Selektionseffekte auf zwei Weisen wirksam werden. Zum einen können sie sich bei der Auswahl von Personen auf Grund ihrer Merkmalsausprägung in der AV auswirken. Zum anderen können sie auch bei der Auswahl von Personen auf Grund der Merkmalsausprägung in der UV wirken.

'''Übersicht'''

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Problem'''
| '''Kontrollmethode'''
|
|-
| …der Varianz der abhängigen Variable
| Vorab Angaben über die Verteilung der UV in der potentiellen Untersuchungsgruppe
| Nachträgliche statistische Kontrolle
|-
| …der kausalen Reihenfolge der Variablen
| Vorhermessung durch geeignete Fragestellungen nachträglich simulieren
| Nachträgliche statistische Kontrolle
|-
| …der Kontrolle von Drittvariablen
| Prüfung von Kontrollhypothesen
| Nachträgliche statistische Kontrolle
|-
|}

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Vorteile'''
| '''Nachteile'''
|-
| * Unvermeidbar - in Psychologie und Erziehungswissenschaften nicht zu umgehen
| * Grenzen der Interpretation; großes Risiko unzulässiger Interpretation
|-
| * Praktikabel - Existenz von Variablen, die nicht gezielt veränderbar sind
| * Keine Manipulation der UV
|-
|
| * Keine Randomisierung möglich
|-
|
| * Mangel an Kontrolle
|-
|}

'''Beispiel (nach Sarris, 1992, S. 178 f.):'''

Der Forscher Christiansen überprüfte 1935 die Hypothese: „Je größer der Lernerfolg eines Schülers auf der Oberschule, desto sicherer bedingt dies dessen späteren wirtschaftlichen Wohlstand und umgekehrt.“, indem er älteres Datenmaterial ex-post-facto auswertete. Aus Schulabgängern des Jahres 1926 stellte er eine Stichprobe von 2000 Fällen zusammen und teilte sie in Schüler mit, und Schüler ohne Abschlusszeugnis ein. Daraufhin suchte er so viele dieser Personen wie möglich auf und interviewte sie. Nach einer Analyse der Daten ergaben sich zwei Schulleistungsgruppen mit je 145 Gruppenmitgliedern, die sich auch in sechs weiteren Variablen glichen. Hierzu zählten die Durchschnittsnote, das Alter, das Geschlecht, der Beruf des Vaters, der soziale Status der Nachbarschat sowie die Nationalität der Eltern. Damit war es Christiansen gelungen, durch eine differenzierte statistische Kontrolle der (möglichen) Störbedingungen, die beiden Gruppen weitgehend zu parallelisieren. Nur die interessierende Variable Schulleistung unterschied sich damit systematisch in den beiden Gruppen.
Es zeigte sich, dass sich Schüler ohne Schulabschlusszeugnis hinsichtlich des Einkommens nicht wesentlich von Schülern mit Abschlusszeugnis unterschieden, sodass die Ausgangshypothese nicht bestätigt werden konnte.

{| class="wikitable"
|-
! Experimentelle Forschung !! Ex-Post-Facto Forschung
|-
| Von einem kontrollierten X wird eine Vorhersage auf Y gemacht || Nur Y wird systematisch beobachtet; Danach folgt rückblickend die Suche nach X
|-
| Vorhersage der AV || systematische Beobachtung der AV
|-
| experimentelle Kontrolle durch:
*Gezielte und systematische Variation der UV
*Kontrolle von Störvariablen (Randomisierung, Konstanthaltung, Kontrollgruppe)
|| Mangelnde experimentelle Kontrolle durch:
*Sortierung der UV (natürliche Gruppen, Selektionseffekte)
*Störvariablen
|-
| Ein eindeutiger Rückschluss von Y auf X ist möglich. || Der Rückschluss ist nicht eindeutig, es gibt Alternativerklärungen, die nicht ausgeschlossen werden können. Die festgestellten Relationen können auch von unkontrollierten Störbedingungen abhängen.

|}

Ex-Post-Facto Designs

2017-03-04T19:52:12Z

Diana:

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}

Ein Ex-post-facto Design ist ein Untersuchungsdesign, bei dem '''durch nachträgliche Analysen''' mögliche [[unabhängige Variablen]] (UVs) bestimmt werden, welche die gegenwärtige Situation beeinflusst haben könnten.

Ex-post-facto Forschung ist ein systematischer empirischer Forschungsprozess, bei dem der Forscher '''keine direkte Kontrolle''' der unabhängigen Variablen vornimmt, da deren Auswirkungen bereits eingetreten sind, oder diese unabhängigen Variablen nicht systematisch manipulierbar sind. Sie dient einerseits der Bestandsaufnahme, andererseits der Hypothesengenerierung. Echte Kausalaussagen lassen sich allerdings nicht treffen.

Ziel von Ex-post-facto Forschung ist es, Beziehungen zwischen [[Variablen]] in real verfügbaren Situationen zu entdecken. Häufig ist es nicht möglich, die interessierenden Faktoren zu manipulieren. Dazu gehören [[Organismusvariablen]] wie das Alter oder die Körpergröße, aber auch längerfristig wirkende Variablen wie beispielsweise das soziale Umfeld oder das Herkunftsland. Die Gruppen werden also bereits vorgefunden. Das Herstellungsmoment, welches ein experimentelles Untersuchungsdesign charakterisiert, fällt demzufolge weg. Ex-post-facto Pläne gehören entsprechend zu den nicht-experimentellen Untersuchungsformen.

'''Formalisierung'''

Grundsätzlich sind ex-post-facto Pläne aufgebaut wie experimentelle Pläne. Das Design wird durch ein E gekennzeichnet. Das Treatment wird gewöhnlich in Klammern gesetzt und mit einem Fragezeichen versehen, um den hypothetischen Charakter der UV zu verdeutlichen.

[[Datei:ex-post-facto1.jpg|350px]]

Der Forscher versucht in einer ex-post-facto Untersuchung eine nachträgliche Sortierung der unabhängigen Variable vorzunehmen. Es werden zu einem einzigen Zeitpunkt alle Daten (sowohl die UV, als auch die AV) erhoben. Ein Kausalzusammenhang zwischen unabhängiger und abhängiger Variable kann dabei kaum festgestellt werden, da das wichtige Kriterium der zeitlichen Differenz zwischen Ursache und Wirkung nicht gegeben ist. Erst durch bestimmte methodische [[Kontrollprinzipien|Kontrollstrategien]] und nachträgliche statistische Kontrolle können vorsichtige Kausalinterpretationen zugelassen werden (Sarris, 1992, S. 177 f.)
Ex-post-facto Forschung geht mit einigen methodischen Problemen einher:

# Probleme der Varianz der unabhängigen Variable
# Probleme der kausalen Reihenfolge
# Probleme der Kontrolle von Drittvariablen

Um diesen Problemen zu begegnen, lassen sich verschiedene methodische Strategien anwenden.
Zunächst ist es wichtig, Informationen über die Verteilung der unabhängigen Variablen in der potentiellen Befragtengruppe zu erheben. Wenn zum Beispiel untersucht werden soll, ob der Alkoholkonsum unter Zehntklässlern einen Einfluss auf das Lernverhalten hat, so sollte man vorher sicherstellen, dass tatsächlich eine hinreichend große Zahl alkoholkonsumierender Zehntklässler existiert. Ist dies nicht der Fall, ist die Überprüfung der systematischen Korrelation von unabhängiger und abhängiger Variable kaum möglich.

Das Problem der kausalen Reihenfolge ergibt sich aus der Tatsache der einmaligen und gleichzeitigen Erhebung aller Daten. In dem Beispiel bedeutet das konkret: Werden die Zehntklässler gleichzeitig sowohl zu ihrem Lernverhalten, als auch zum Alkoholkonsum befragt, so lässt sich keine Aussage darüber treffen, welche Variable welche verursacht. Ein destruktives Lernverhalten könnte zu erhöhtem Alkoholkonsum geführt haben, ebenso wie ein erhöhter Alkoholkonsum das Lernverhalten verschlechtert haben kann. Deswegen ist es bei einer einmaligen ex-post-facto Messung wichtig, dass durch geeignete Fragestellungen eine Vorhermessung nachträglich simuliert wird. Es wäre denkbar, den Schülern zwei Mal die Frage nach ihrem Alkoholkonsum zu stellen und dabei den jetzigen Zeitpunkt und einen früheren Zeitpunkt mit einzubeziehen.

Ein weiteres zentrales Problem der ex-post-facto Forschung ist die Kontrolle von Drittvariablen. Die Einwirkung der UV kann im ex-post-facto Design nämlich nicht zufällig auf die Probanden verteilt werden. Das schlechte Lernverhalten aus dem obigen Beispiel könnte zum Beispiel nicht nur durch Alkoholkonsum, sondern auch durch den Erziehungsstil der Eltern bedingt sein. Der Erziehungsstil wäre in diesem Fall eine Drittvariable, die dem zu untersuchenden Zusammenhang vorausgeht (anteszendierende Drittvariable) und damit die Korrelation zwischen Alkoholkonsum und Lernverhalten mitbestimmt. Eine Drittvariable kann aber auch als [[Kovariablen|Moderatorvariable]] (oder auch intervenierende Variable) wirksam werden, indem sie zwischen der unabhängigen und der [[abhängige Variablen|abhängigen Variable]] auftritt. Liegt keine bivariate Korrelation zwischen UV und AV vor, so spricht man hingegen von einer verdeckten Beziehung. Um dem Problem der mangelnden Kontrolle von Drittvariablen zu begegnen, ist es wichtig, theoretisch sinnvolle Drittvariablen zu operationalisieren und ebenfalls zu erheben. Auf dieser Grundlage lassen sich Kontrollhypothesen bilden. Werden die Kontrollhypothesen nicht bestätigt, so spricht das für eine Bestätigung der ursprünglichen [[Hypothesen|Hypothese]].

In der ex-post-facto Forschung können unerwünschte Selektionseffekte auf zwei Weisen wirksam werden. Zum einen können sie sich bei der Auswahl von Personen auf Grund ihrer Merkmalsausprägung in der AV auswirken. Zum anderen können sie auch bei der Auswahl von Personen auf Grund der Merkmalsausprägung in der UV wirken.

'''Übersicht'''

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Problem'''
| '''Kontrollmethode'''
|
|-
| …der Varianz der abhängigen Variable
| Vorab Angaben über die Verteilung der UV in der potentiellen Untersuchungsgruppe
| Nachträgliche statistische Kontrolle
|-
| …der kausalen Reihenfolge der Variablen
| Vorhermessung durch geeignete Fragestellungen nachträglich simulieren
| Nachträgliche statistische Kontrolle
|-
| …der Kontrolle von Drittvariablen
| Prüfung von Kontrollhypothesen
| Nachträgliche statistische Kontrolle
|-
|}

{| class="wikitable" style="width:700px;"
|- style="background:#C1C1C1"
| '''Vorteile'''
| '''Nachteile'''
|-
| * Unvermeidbar - in Psychologie und Erziehungswissenschaften nicht zu umgehen
| * Grenzen der Interpretation; großes Risiko unzulässiger Interpretation
|-
| * Praktikabel - Existenz von Variablen, die nicht gezielt veränderbar sind
| * Keine Manipulation der UV
|-
|
| * Keine Randomisierung möglich
|-
|
| * Mangel an Kontrolle
|-
|}

'''Beispiel (nach Sarris, 1992, S. 178 f.):'''

Der Forscher Christiansen überprüfte 1935 die Hypothese: „Je größer der Lernerfolg eines Schülers auf der Oberschule, desto sicherer bedingt dies dessen späteren wirtschaftlichen Wohlstand und umgekehrt.“, indem er älteres Datenmaterial ex-post-facto auswertete. Aus Schulabgängern des Jahres 1926 stellte er eine Stichprobe von 2000 Fällen zusammen und teilte sie in Schüler mit, und Schüler ohne Abschlusszeugnis ein. Daraufhin suchte er so viele dieser Personen wie möglich auf und interviewte sie. Nach einer Analyse der Daten ergaben sich zwei Schulleistungsgruppen mit je 145 Gruppenmitgliedern, die sich auch in sechs weiteren Variablen glichen. Hierzu zählten die Durchschnittsnote, das Alter, das Geschlecht, der Beruf des Vaters, der soziale Status der Nachbarschat sowie die Nationalität der Eltern. Damit war es Christiansen gelungen, durch eine differenzierte statistische Kontrolle der (möglichen) Störbedingungen, die beiden Gruppen weitgehend zu parallelisieren. Nur die interessierende Variable Schulleistung unterschied sich damit systematisch in den beiden Gruppen.
Es zeigte sich, dass sich Schüler ohne Schulabschlusszeugnis hinsichtlich des Einkommens nicht wesentlich von Schülern mit Abschlusszeugnis unterschieden, sodass die Ausgangshypothese nicht bestätigt werden konnte.

{| class="wikitable"
|-
! Experimentelle Forschung !! Ex-Post-Facto Forschung
|-
| Von einem kontrollierten X wird eine Vorhersage auf Y gemacht || Nur Y wird systematisch beobachtet; Danach folgt rückblickend die Suche nach X
|-
| Vorhersage der AV || systematische Beobachtung der AV
|-
| experimentelle Kontrolle durch:
*Gezielte und systematische Variation der UV
*Kontrolle von Störvariablen (Randomisierung, Konstanthaltung, Kontrollgruppe)
|| Mangelnde experimentelle Kontrolle durch:
*Sortierung der UV (natürliche Gruppen, Selektionseffekte)
*Störvariablen
|-
| Ein eindeutiger Rückschluss von Y auf X ist möglich. || Der Rückschluss ist nicht eindeutig, es gibt Alternativerklärungen, die nicht ausgeschlossen werden können. Die festgestellten Relationen können auch von unkontrollierten Störbedingungen abhängen.

|}

Unterscheidung qualitativ - quantitativ

2017-02-13T10:19:18Z

Diana:

{{Nav|Navigation|Unterscheidung qualitativ - quantitativ|Spannungsfeld qualitativ - quantitativ}}

In der folgenden Übersicht sollen die beiden Pole des Spannungsfeldes qualitativer/quantitativer Forschung gegenübergestellt werden.

{| class="wikitable" style="width:600px; text-align:center;"
! '''QUANTITATIV''' !! '''QUALITATIV'''
|-
| colspan="2" | '''[[Geistes- und Naturwissenschaft|Tradition]]'''
|-
| Naturwissenschaft
| Geisteswissenschaft
|-
| colspan="2" | '''Gegenstand'''
|-
| Natur (Objekt) Verhalten
| Geist/Bewusstsein Erleben
|-
| colspan="2" | '''Ziel''' ([[Wilhelm Diltheys Trennung]], [[Erklären#Nomothetik und Idiographik|Nomothetik vs. Idiographik]])
|-
| Erklären (Kausalbeziehung)
| Verstehen (Beschreiben, Hineinversetzen, Nachvollziehen)
|-
| colspan="2" | '''Funktion'''
|-
| Prüfung von Hypothesen und Theorien
| Exploration, Hypothesengenerierung
|-
| colspan="2" | '''[[Vorgehen]]'''
|-
| Nomothetisch Manipulierend Variablenorientierung Deduktiv Festlegung Vorgegebene Kategorien Präzise Elementaristisch Sparsam
| Idiografisch Naturalistisch Fallorientierung Induktiv Flexibilität Offene Verfahren Angemessen Holistisch Umfangreich
|-
| colspan="2" | '''Verallgemeinerung'''
|-
| Von einer Stichprobe auf die Grundgesamtheit
| Von einem Einzelfall auf eine Theorie
|-
| colspan="2" | '''Qualitätskriterien'''
|-
| Klassische Gütekriterien: [[Objektivität]] [[Reliabilität]] [[Validität]]
| Noch kein einheitlicher Konsens. Hier nach Mayring (2002): Verfahrensdokumentation Argumentative Interpretationsabsicherung Regelgeleitetheit Nähe zum Gegenstand Kommunikative Validierung [[Triangulation]]
|-
| colspan="2" | '''Messinstrumente'''
|-
| Personenunabhängige Messinstrumente: z.B. [[EEG]], [[fMRT]], Uhr, Computer
| Der Forscher selbst
|-
| colspan="2" | '''Daten'''
|-
| „Hart“, numerisch (evtl. kodiert): [[Operationalisierung]] legt Messung und ggf. Quantifizierungsregeln für alle Daten fest -> Präzision, Replizierbarkeit
| Weich“, interpretationsbedürftig: verbales und visuelles Material, das vom Forscher noch stark interpretiert werden muss -> Angemessenheit, Realitätsnähe
|-
| colspan="2" | '''[[Forschungsprozess]]'''
|-
| colspan="2" | '''[[Beispielstudien]]'''
|-
| colspan="2" | '''[[Therapieansätze]]'''
|-
| z.B. kognitive Verhaltenstherapie
| z.B. narrative systemische Therapie, Tiefenpsychologie
|}

== Qualitative Forschung ==

Die qualitative Forschung betont die Notwendigkeit der „differenzierten Einblicke in die subjektive Weltsicht der untersuchten Personen“ (Bortz & Döring, 2006, S. 306) mit speziell zu diesem Zweck entwickelten Verfahren. Sie ist als Gegensatz zur quantitativen Forschung anzusehen, beide Ansätze können sich aber ergänzen.

Der qualitative Ansatz entwickelte sich im Laufe der letzten Jahrzehnte und etablierte sich etwa in den 80er Jahren in Deutschland als eigenständige Disziplin. Er basiert auf verschiedenen Strömungen und vereint Einflüsse der Kritik am quantitativen Vorgehen, der [[Wilhelm Dilthey|Hermeneutik]] und Phänomenologie, der Chicagoer Schule und des [[Positivismusstreit|Positivismusstreits]].

Der qualitative Ansatz arbeitet mit „Verbalisierungen der Erfahrungswirklichkeit“ (Bortz & Döring, 2006) und interpretiert diese. Zu den Grundlagen qualitativen Denkens gehört, dass der Gegenstand humanwissenschaftlicher Forschung immer Menschen (Subjekte) sind, die gleichzeitig Ausgangspunkt und Ziel jeder Untersuchung sein sollten. Am Anfang jeder Forschung sollte eine genaue und umfassende [[Beschreiben|Beschreibung]] des Gegenstandsbereiches stehen. Dieser Gegenstandsbereich liegt in den Humanwissenschaften allerdings niemals völlig offen, sodass er, zusätzlich zu einer reinen Deskription, durch Interpretation erschlossen werden muss. Humanwissenschaftliche Gegenstände sollten zudem möglichst in ihrem natürlichen und alltäglichen Umfeld untersucht werden und die Verallgemeinerbarkeit der Ergebnisse muss immer wieder im Einzelfall schrittweise begründet werden.

Qualitative Forschungsdesigns:

#Einzelfallanalyse
#Dokumentenanalyse
#Handlungsforschung (action research)
#Deskriptive Feldforschung

Erhebungsverfahren qualitativer Forschung:

#Interview
#Gruppendiskussion
#Teilnehmende Beobachtung
#Inhaltsanalyse

''Beispiel: Die Bewertung der Valenz einer autobiographischen Erinnerung lässt sich durch eine offene Frage erheben, bei der der Befragte freie Antwortmöglichkeiten hat. Entsprechend erhält man eine Vielzahl von verschiedenen Antworten, die jeweils die subjektive Erfahrungswelt des Befragten hinsichtlich seiner autobiografischen Erinnerung widerspiegelt.''

== Quantitative Forschung ==

Die quantitative Forschung orientiert sich an der naturwissenschaftlichen Methodologie mit [[Erhebung|Messen]], Testen und [[Experimente|Experimentieren]].

Dabei wird ein Ausschnitt aus der Beobachtungsrealität numerisch, also durch Messwerte, beschrieben und anschließend statistisch ausgewertet (Bortz & Döring, 2006). Diese Messwerte können auf unterschiedlichen [[Skalentypen|Skalenniveaus]] dargestellt werden. Je höher das Skalenniveau dabei ist, desto größer ist auch der Informationsgehalt der erhobenen Daten.

Die Erhebung und Auswertung quantitativer Daten ist – im Vergleich zu qualitativen Daten – zeitökonomisch und ihre Ergebnisse sind leicht vergleichbar. Sie haben aber auch Nachteile, denn die Vielfalt subjektiver Antworten geht bei standardisierten Verfahren zur Erhebung quantitativer Daten verloren (Bortz & Döring, 2006).

''Beispiel: Die Bewertung der Valenz einer autobiographischen Erinnerung lässt sich durch eine standardisierte Frage mit festen Antwortmöglichkeiten auf einer 5-stufigen verbal verankerten Ratingskala erheben (sehr positiv – positiv – neutral – negativ – sehr negativ). Durch die Zuordnung von Zahlen zu den fünf Skalenstufen lässt sich die Variable „Valenz“ messen und auswerten.''

== Gemeinsamkeiten ==

Neben den extrem gegensätzlichen Eigenschaften der Pole soll auch kurz auf die '''Gemeinsamkeiten''' eingegangen werden. Zunächst führen beide Wege der Erkenntnisgewinnung durch das Nadelöhr eines Subjekts, auch die quantitative Forschung, was besonders bei der Wahl der Forschungsfrage und der Interpretation der Daten deutlich wird (Exploration, Reflexivität und Versuchsleitereffekt/ Versuchsleitererwartungseffekt). Sie gehen nur unterschiedlich damit um: Der quantitative Ansatz versucht, diese subjektive Verzerrung zu kontrollieren und zu eliminieren. Der qualitative Ansatz geht davon aus, dass das nicht möglich sei, und macht die Subjektivität deswegen einfach zu einem Kern-Bestandteil des Prozesses.

Des weiteren kann man die Unterscheidung zwischen Erklären und Verstehen in Frage stellen. Beide Ansätze suchen letztlich eine deterministische Erklärung von Verhalten – dabei unterscheiden sich die Theorien in ihrer Formulierung darin, ob diese Erklärungen es nun als elementaristische Kausalzusammenhänge oder als nachvollziehbare Gründe bezeichnet wird. (Trugschluss des Verstehens)

Unterscheidung qualitativ - quantitativ

2017-02-13T10:18:25Z

Diana:

{{Nav|Navigation|Unterscheidung qualitativ - quantitativ|Spannungsfeld qualitativ - quantitativ}}

In der folgenden Übersicht sollen die beiden Pole des Spannungsfeldes qualitativer/quantitativer Forschung gegenübergestellt werden.

{| class="wikitable" style="width:600px; text-align:center;"
! '''QUANTITATIV''' !! '''QUALITATIV'''
|-
| colspan="2" | '''[[Geistes- und Naturwissenschaft|Tradition]]'''
|-
| Naturwissenschaft
| Geisteswissenschaft
|-
| colspan="2" | '''Gegenstand'''
|-
| Natur (Objekt) Verhalten
| Geist/Bewusstsein Erleben
|-
| colspan="2" | '''Ziel''' ([[Wilhelm Diltheys Trennung]], [[Erklären#Nomothetik und Idiographik|Nomothetik vs. Idiographik]])
|-
| Erklären (Kausalbeziehung)
| Verstehen (Beschreiben, Hineinversetzen, Nachvollziehen)
|-
| colspan="2" | '''Funktion'''
|-
| Prüfung von Hypothesen und Theorien
| Exploration, Hypothesengenerierung
|-
| colspan="2" | '''[[Vorgehen]]'''
|-
| Nomothetisch Manipulierend Variablenorientierung Deduktiv Festlegung Vorgegebene Kategorien Präzise Elementaristisch Sparsam
| Idiografisch Naturalistisch Fallorientierung Induktiv Flexibilität Offene Verfahren Angemessen Holistisch Umfangreich
|-
| colspan="2" | '''Verallgemeinerung'''
|-
| Von einer Stichprobe auf die Grundgesamtheit
| Von einem Einzelfall auf eine Theorie
|-
| colspan="2" | '''Qualitätskriterien'''
|-
| Klassische Gütekriterien: [[Objektivität]] [[Reliabilität]] [[Validität]]
| Noch kein einheitlicher Konsens. Hier nach Mayring (2002): Verfahrensdokumentation Argumentative Interpretationsabsicherung Regelgeleitetheit Nähe zum Gegenstand Kommunikative Validierung [[Triangulation]]
|-
| colspan="2" | '''Messinstrumente'''
|-
| Personenunabhängige Messinstrumente: z.B. [[EEG]], [[fMRT]], Uhr, Computer
| Der Forscher selbst
|-
| colspan="2" | '''Daten'''
|-
| „Hart“, numerisch (evtl. kodiert): [[Operationalisierung]] legt Messung und ggf. Quantifizierungsregeln für alle Daten fest -> Präzision, Replizierbarkeit
| Weich“, interpretationsbedürftig: verbales und visuelles Material, das vom Forscher noch stark interpretiert werden muss -> Angemessenheit, Realitätsnähe
|-
| colspan="2" | '''[[Forschungsprozess]]'''
|-
| colspan="2" | '''[[Beispielstudien]]'''
|-
| colspan="2" | '''[[Therapieansätze]]'''
|-
| z.B. kognitive Verhaltenstherapie
| z.B. narrative systemische Therapie, Tiefenpsychologie
|}

== Qualitative Forschung ==

Die qualitative Forschung betont die Notwendigkeit der „differenzierten Einblicke in die subjektive Weltsicht der untersuchten Personen“ (Bortz & Döring, 2006, S. 306) mit speziell zu diesem Zweck entwickelten Verfahren. Sie ist als Gegensatz zur quantitativen Forschung anzusehen, beide Ansätze können sich aber ergänzen.

Der qualitative Ansatz entwickelte sich im Laufe der letzten Jahrzehnte und etablierte sich etwa in den 80er Jahren in Deutschland als eigenständige Disziplin. Er basiert auf verschiedenen Strömungen und vereint Einflüsse der Kritik am quantitativen Vorgehen, der [[Wilhelm Dilthey|Hermeneutik]] und Phänomenologie, der Chicagoer Schule und des [[Positivismusstreit|Positivismusstreits]].

Der qualitative Ansatz arbeitet mit „Verbalisierungen der Erfahrungswirklichkeit“ (Bortz & Döring, 2006) und interpretiert diese. Zu den Grundlagen qualitativen Denkens gehört, dass der Gegenstand humanwissenschaftlicher Forschung immer Menschen (Subjekte) sind, die gleichzeitig Ausgangspunkt und Ziel jeder Untersuchung sein sollten. Am Anfang jeder Forschung sollte eine genaue und umfassende [[Beschreiben|Beschreibung]] des Gegenstandsbereiches stehen. Dieser Gegenstandsbereich liegt in den Humanwissenschaften allerdings niemals völlig offen, sodass er, zusätzlich zu einer reinen Deskription, durch Interpretation erschlossen werden muss. Humanwissenschaftliche Gegenstände sollten zudem möglichst in ihrem natürlichen und alltäglichen Umfeld untersucht werden und die Verallgemeinerbarkeit der Ergebnisse muss immer wieder im Einzelfall schrittweise begründet werden.

Qualitative Forschungsdesigns:

#Einzelfallanalyse
#Dokumentenanalyse
#Handlungsforschung (action research)
#Deskriptive Feldforschung

Erhebungsverfahren qualitativer Forschung:

#Interview
#Gruppendiskussion
#Teilnehmende Beobachtung
#Inhaltsanalyse

''Beispiel: Die Bewertung der Valenz einer autobiographischen Erinnerung lässt sich durch eine offene Frage erheben, bei der der Befragte freie Antwortmöglichkeiten hat. Entsprechend erhält man eine Vielzahl von verschiedenen Antworten, die jeweils die subjektive Erfahrungswelt des Befragten hinsichtlich seiner autobiografischen Erinnerung widerspiegelt.''

== Quantitative Forschung ==

Die quantitative Forschung orientiert sich an der naturwissenschaftlichen Methodologie mit [[Erhebung|Messen]], Testen und [[Experimente|Experimentieren]].

Dabei wird ein Ausschnitt aus der Beobachtungsrealität numerisch, also durch Messwerte, beschrieben und anschließend statistisch ausgewertet (Bortz & Döring, 2006). Diese Messwerte können auf unterschiedlichen [[Skalentypen|Skalenniveaus]] dargestellt werden. Je höher das Skalenniveau dabei ist, desto größer ist auch der Informationsgehalt der erhobenen Daten.

Die Erhebung und Auswertung quantitativer Daten ist – im Vergleich zu qualitativen Daten – zeitökonomisch und ihre Ergebnisse sind leicht vergleichbar. Sie haben aber auch Nachteile, denn die Vielfalt subjektiver Antworten geht bei standardisierten Verfahren zur Erhebung quantitativer Daten verloren (Bortz & Döring, 2006).

''Beispiel: Die Bewertung der Valenz einer autobiographischen Erinnerung lässt sich durch eine standardisierte Frage mit festen Antwortmöglichkeiten auf einer 5-stufigen verbal verankerten Ratingskala erheben (sehr positiv – positiv – neutral – negativ – sehr negativ). Durch die Zuordnung von Zahlen zu den fünf Skalenstufen lässt sich die Variable „Valenz“ messen und auswerten.''

=== Gemeinsamkeiten ===

Neben den extrem gegensätzlichen Eigenschaften der Pole soll auch kurz auf die '''Gemeinsamkeiten''' eingegangen werden. Zunächst führen beide Wege der Erkenntnisgewinnung durch das Nadelöhr eines Subjekts, auch die quantitative Forschung, was besonders bei der Wahl der Forschungsfrage und der Interpretation der Daten deutlich wird (Exploration, Reflexivität und Versuchsleitereffekt/ Versuchsleitererwartungseffekt). Sie gehen nur unterschiedlich damit um: Der quantitative Ansatz versucht, diese subjektive Verzerrung zu kontrollieren und zu eliminieren. Der qualitative Ansatz geht davon aus, dass das nicht möglich sei, und macht die Subjektivität deswegen einfach zu einem Kern-Bestandteil des Prozesses.

Des weiteren kann man die Unterscheidung zwischen Erklären und Verstehen in Frage stellen. Beide Ansätze suchen letztlich eine deterministische Erklärung von Verhalten – dabei unterscheiden sich die Theorien in ihrer Formulierung darin, ob diese Erklärungen es nun als elementaristische Kausalzusammenhänge oder als nachvollziehbare Gründe bezeichnet wird. (Trugschluss des Verstehens)

Konstruktvalidität

2017-02-13T10:04:20Z

Diana:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}
Die Konstruktvalidität gibt an, inwieweit ein Test oder Erhebungsverfahren ein interessierendes Merkmal so misst, dass es mit bestehenden Konstruktdefinitionen und Theorien übereinstimmt. Im Sinne der kumulativen Natur der Validitätsarten bedeutet das: Selbst wenn statistische Validität gegeben ist und die gesicherte interne Validität einen Zusammenhang zwischen UV und AV garantiert, so muss der Gefundene Effekt nicht unbedingt mit Konstrukt in Verbindung stehen, für dass sich der Forscher interessiert. 
Die Konstruktvalidität ist eine Form der Validität zur Überprüfung der Güte von Test- und Erhebungsverfahren. Um ein Konstrukt zu messen, muss man es genau definieren und theoretische Vorarbeit leisten. Das ist auch wichtig für die Überprüfung der Konstruktvalidität. Ein Test oder ein Erhebungsverfahren muss in ein theoretisches Konzept eingebettet sein und sollte mit bestehenden Theorien übereinstimmen. Außerdem sollten die Items des Testes das Merkmal erschöpfend erfassen (siehe auch [[Inhaltsvalidität]]).
Auch in einem Experiment wird gemessen. Die Konstruktvalidität bezieht sich also in diesem Fall auf die Güte der [[Operationalisierung]] der unabhängigen und der abhängigen Variablen. Das bedeutet, dass Variablen möglichst lebensnah charakterisiert werden sollen. „Mit anderen Worten ist die Konstruktvalidität eines Experiments allgemein um so höher, je mehr die unabhängigen und abhängigen Variablen das jeweilige theoretische Konzept tatsächlich repräsentieren.“ (Sarris, 1990, S.213) 
Eine geringe Konstruktvalidität schränkt auch die Generalisierbarkeit ([[Externe Validität]]) von Verfahren und Experimenten ein. 
''Beispiel für eine gute Konstruktvalidität: 
''Die Messung der Gehorsamkeitsbereitschaft im bekannten sozialpsychologischen Gehorsamkeitsexperiment von Milgram gilt allgemein als konstruktvalide. In diesem Experiment wurden Versuchspersonen von vermeintlichen Autoritätspersonen angewiesen, andere Personen mit zunehmend stärkeren Elektroschocks zu bestrafen. (siehe auch Milgram, 1974 oder http://www.stangl-taller.at/TESTEXPERIMENT/experimentbspmilgram.html) 
''Das Konstrukt Gehorsamkeitsbereitschaft wurde zunächst inhaltlich definiert, indem erfasst wurde, ab welchem Moment die Gehorsamkeit verweigert wurde. Operationalisiert wurde dieser Moment durch die höchste Stärke des Elektroschocks, zu welcher der Proband bereit war.'' 

''Beispiel für eine schlechte Konstruktvalidität: 
''Es wäre nach heutiger Auffassung unsinnig, Intelligenz mit der Größe des Kopfumfanges zu messen. Bestehende Theorien gehen davon aus, dass Intelligenz nicht durch die Größe des Gehirns, sondern vielmehr durch die Vernetzung und Aktivität desselben beeinflusst wird. Theorien, die den Zusammenhang zwischen Kopfumfang und Intelligenz postulieren, stehen im Widerspruch zu aktuellen bewährten Theorien und reichen nicht aus. Korreliert man Ergebnisse solcher Messungen mit den Ergebnissen von heutigen, bewährten Intelligenztests, erhält man eine geringe konvergente Validität. Insgesamt ist die Konstruktvalidität also mangelhaft.'' 
Man unterscheidet zwei Bestandteile von Konstruktvalidität: 
*'''Konvergente Validität''' liegt vor, wenn zwei Methoden dasselbe Konstrukt übereinstimmend messen. Das bedeutet zum Beispiel, dass zwei Intelligenztests auch beide auf vergleichbare Weise das Konstrukt Intelligenz erfassen sollen.
*'''Diskriminante Validität''' liegt vor, wenn die Ergebnisse zweier Methoden, die unterschiedliche Konstrukte messen, wenig übereinstimmen. Beispielsweise sollte ein Konzentrationstest ein anderes Konstrukt erfassen als ein Intelligenztest.

Eine besondere Variante der Konstruktvalidierung ist die '''Multitrait-Multimethod-Methode''' (Campbell & Fiske, 1959). Hierbei wird bestimmt, in welchem Grad ein Instrument zwischen verschiedenen Konstrukten differenziert (diskriminante Validität) und wie gut ein Konstrukt durch verschiedene Instrumente ''(z. B. verschiedene Tests, verschiedene Beobachter)'' erfasst werden kann (konvergente Validität). Dafür werden mehrere Konstrukte (Multitrait) mit mehreren Instrumenten (Multimethod) erhoben und aus den Ergebnissen eine Korrelationsmatrix (Multitrait-Multimethod-Matrix) erstellt. Eine hohe diskriminante Validität liegt dann vor, wenn bei einem Messinstrument die Korrelationen zwischen unterschiedlichen Konstrukten niedrig sind. Analog dazu ist die konvergente Validität dann hoch, wenn die Korrelationen für ein Konstrukt zwischen den verschiedenen Erhebungsinstrumenten hoch sind. Neben der Multitrait-Multimethod-Methode kann die Konstruktvalidität mittels Kontrastgruppenvergleich oder Faktorenanalyse überprüft werden.

Versuchsplanung

2017-02-13T09:36:31Z

Diana:

{{Nav|Navigation|Versuchsplanung|Hauptseite}}

Unter einem Versuchsplan (Design) versteht man ein standardisiertes, routinemäßig anwendbares Schema (Strukturschema), das dem Aufbau, der Kontrolle und der methodologischen Bewertung einer empirischen Untersuchung von [[unabhängige Variablen|unabhängigen]] (UV) und [[abhängige Variablen|abhängigen]] (AV) Variablen sachlogisch zugrunde liegt" (Sarris, 1992, S. 4).

Der Versuchsplan bildet die Schnittstelle zwischen Problemstellung, Versuchsaufbau, Versuchsdurchführung und statistischer Auswertung. Einem Versuchsplan kann man entnehmen, wie eine Untersuchung im Wesentlichen ablaufen soll oder abgelaufen ist. Beispielsweise wird aus ihm deutlich, wie viele unabhängige Variablen (UVs) eingesetzt werden und wie oft die abhängige Variable (AV) erhoben wird.

Informationen aus Versuchsplänen:
*Anzahl der UVs
*Stufen der einzelnen UVs
*Anzahl der AVs
*Anzahl der Messungen
*Vorgenommene Kontrolltechniken
*Zuteilungsmethode der Versuchspersonen zu den Stufen

Ein Versuchsplan enthält also Planungsprinzipien und Handlungsanweisungen, die sehr abstrakt formalisiert sind. In einem Untersuchungsplan finden sich beispielsweise nicht die konkreten Operationalisierungen der einzelnen Variablen oder Stichprobenbeschreibungen. Ein abstrakter und standardisierter Versuchsplan ermöglicht neben einer routinemäßigen Anwendung auch eine hohe [[Objektivität]], eine leichtere [[wissenschaftliche Kommunikation]], eine höhere Nachvollziehbarkeit und die Dokumentation von Studien. Er stellt zudem eine wichtige Entscheidungsgrundlage bei der Wahl der korrekten statistischen Auswertungsmethode dar.

Wichtige Funktionen von Versuchsplänen:
#Handlungsanweisungen festschreiben
#Objektivität erhöhen
#wissenschaftliche Kommunikation erleichtern
#Untersuchungen dokumentieren
#Untersuchungen nachvollziehbar und transparent machen
#Entscheidungsgrundlagen für statistische Auswertungsmethoden liefern
#Bewertungsgrundlage von Untersuchungsergebnissen liefern

Die verschiedenen Informationen, die man aus einem Versuchsplan entnehmen kann, helfen bei der Bewertung von Untersuchungen. Zum Beispiel kann man einen 2-Gruppen-Randomisierungsplan hinsichtlich seiner [[interne Validität|internen]] und [[externe Validität|externen]] Validität einschätzen. Es geht bei der Bewertung von Versuchsplänen darum, den Geltungsanspruch (externe Validität) und den Gültigkeitsanspruch (interne Validität) von Ergebnissen abzuwägen. Das heißt, anhand der formalen Darstellung lässt sich sagen, ob die Veränderung der Werte der abhängigen Variable eindeutig auf die Veränderung der unabhängigen Variable zurückführbar ist und ob gefundene Ergebnisse auch verallgemeinert werden dürfen.

Versuchspläne von [[Experimente|Experimenten]] sind schematische Darstellungen von Ursache-Wirkungs-Zusammenhängen. Mit ihrer Hilfe werden [[Hypothesen]] überprüft und Erklärungen gefunden. Neben dieser Überprüfungsmethode dienen manche Versuchspläne der Exploration von Zusammenhängen oder möglichen Hypothesen, wie z.B. die Vorexperimentellen Designs (Entdeckungsmethode). Es gibt auch rein beschreibende Versuchsanordnungen (korrelative Designs).

Jeder Versuchsplan ist anders und wird entsprechend der Untersuchungsfragestellung ausgewählt und ggf. angepasst. Es gibt in der Literatur verschiedene Bezeichnungen und [[Symbolik|Symbole]], welche den gleichen Sachverhalt meinen können (Formalisierung von Versuchsplänen). Daher gibt es nicht DEN Versuchsplan, sondern Gruppen von Versuchsplänen, die wichtige Gemeinsamkeiten aufweisen.
Außerdem gibt es je nach Fragestellung und Untersuchungssituationen Anpassungen, sodass die folgenden Übersichten keinen Anspruch auf Vollständigkeit erheben.

Es ist in der Methodenlehre üblich verschiedene übergreifende Gruppen von Versuchsplänen zu unterscheiden, zu denen jeweils verschiedene Untergruppen zählen:
#Vorexperimentelle Designs
#Experimentelle Designs
#Quasiexperimentelle Designs
#Ex-Post-Facto-Designs
#Korrelative Designs

''Beispiel: Ein neues Trainingsprogramm zur Verbesserung der Konzentrationsfähigkeit soll untersucht werden. Hierfür werden 200 Personen rekrutiert (N=200). 100 von diesen werden per Zufall (Kontrollstrategie: Randomisierung) der Gruppe der Trainingsteilnehmer zugeteilt, die restlichen 100 erhalten kein Training. Im Anschluss an das 2-wöchige Training (1 UV, 2fach gestuft: Training erfolgt/Training erfolgt nicht) erfolgt eine Messung der Konzentrationsfähigkeit (1 AV) bei allen 200 Versuchspersonen (Nachhermessung). Geprüft wird die Hypothese, ob die Teilnehmer des Trainingsprogramms bessere Konzentrationsleistungen zeigen als Nichtteilnehmer. (µ1 > µ2)
Dargestellt wird die beschriebene Untersuchung in einem 2-Gruppen-Randomisierungsdesign (siehe Grafik).''

[[Datei:Versuchsplanung.jpg|400px]]

Symbolik

2017-02-13T09:26:29Z

Diana:

{{Nav|Navigation|GrundlagenExp|Versuchsplanung}}

Die Darstellung von Versuchsplänen erfolgt nach bestimmten Schemata. Der Aufbau der Versuchspläne sowie Bezeichnungen der Versuchsplankomponenten variieren in der Literatur, hier erfolgt eine Auflistung der Terminologie nach Sarris (1990, 1992).

Ähnlich wie bei einer Tabelle werden die folgenden Komponenten in ein Strukturschema eingebettet:
*[[unabhängige Variablen]] (mit den jeweiligen Faktorstufen)
*[[abhängige Variablen]]
*[[Kontrollprinzipien|Kontrolltechniken]]
*Art und Anzahl der Messungen
*Art und Anzahl der Versuchsgruppen

== Bezeichnung der Designtypen ==

 Versuchspläne werden nach ihrem Grad der Kontrolle von Störvariablen und der Höhe ihrer internen Validität in Kategorien eingeteilt.
Die experimentellen Pläne erhalten keine besondere Kennzeichnung. Sie sind an den Symbolen der verwendeten Kontrolltechniken ('''R, W, Bl''') zu erkennen.
Die vorexperimentellen Pläne werden mit einem '''V''' gekennzeichnet.

== Bezeichnung der Variablen ==

Unabhängige Variablen
 Mehrere unabhängige Variablen (Faktoren) werden in einem Versuchsplan mit lateinischen Buchstaben gekennzeichnet ('''A, B, …''').
Die Faktorstufen werden mit lateinischen Ziffern kenntlich gemacht ('''A1, A2, A3, … An; B1, B2, …, Bn''').
Wenn es in einem Experiment nur eine UV gibt, wird diese auch oftmals als "Treatment", "Behandlung" oder "Intervention" bezeichnet und ihre Faktorstufen mit dem Symbol '''X''' bzw. '''X0, X1, X2, …, Xn''' gekennzeichnet.

----

''Beispiel:
''Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

*UV A: Tempo der Vorgabe von Rechenoperationen
**A1 schnell
**A2 mittelschnell
**A3 langsam
*UV B: Schwierigkeit der Rechenoperationen
**B1 leicht
**B2 schwierig

Abhängige Variablen
 Die abhängigen Variablen werden je nach Versuchsplan als Einzelmesswert (y) oder als Gruppenmittelwert (Ȳ) in das Schema eingetragen. Zusätzlich werden sie unterhalb des Versuchsplanes ausformuliert dargestellt. Bei mehreren AVs werden diese häufig mit P, Q und R bezeichnet.

----

''Beispiel: Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

AV: Rechenleistung
'''y''' wäre die Rechenleistung eines einzelnen Studenten
'''Ȳ''' wäre die durchschnittliche Rechenleistung einer Versuchsgruppe

== Bezeichnung der Kontrolltechniken ==

Die experimentellen Techniken zur Kontrolle von Sekundärvarianz bzw. zur Minimierung der unsystematischen Fehlervarianz (vgl. [[Max-Kon-Min-Prinzip]]) werden im Versuchsplan für jede unabhängige Variable einzeln angegeben. Dabei bedeuten:
*'''R''' = Randomisierung
*'''W''' = Messwiederholung
*'''Bl''' = Blockbildung [auch: '''B(R)''']
Die übrigen Kontrolltechniken (Eliminierung, Abschirmung, Konstanthaltung, Umwandlung einer Störvariable in eine UV) tauchen im Versuchsplanschema nicht direkt symbolisch auf.

Wenn man Störvariablen eliminiert, abschirmt oder konstant hält, muss man dies im laufenden Text des Untersuchungsberichts (im Methodenkapitel) dokumentieren. Auch die Umwandlung einer Störvariable in eine weitere UV muss im Bericht beschrieben werden. Im Versuchsplan wird dann auch schematisch ersichtlich, dass neben der interessierenden experimentellen Variable eine oder mehrere UVs dazugekommen sind (der Plan wird mehrfaktoriell).

== Bezeichnung der Messungen ==

Auch die geplanten Messungen werden in den Versuchsplan aufgenommen. Bei Untersuchungen mit mehreren Messungen muss die Reihenfolge kenntlich gemacht werden:
#Vorhermessung / Vortest: abhängige Variable mit Index '''V''' oder '''Vor''' (auch: Prätest / Prämessung: Index '''Prä''')
#Nachhermessung / Nachtest: abhängige Variable mit Index '''N''' oder '''Nach''' (auch: Posttest / Postmessung: Index '''Post''')

== Bezeichnung der Versuchsgruppen ==

Die an der Untersuchung beteiligten Versuchsgruppen werden mit
*'''G1, G2, ….. Gn'''
*oder '''Gr1, Gr2, ….. Grn'''
*oder '''VG''' (Versuchsgruppe) und '''KG''' (Kontrollgruppe)
*oder '''E''' (Experimentalgruppe) und '''K''' (Kontrollgruppe)
bezeichnet.

Symbolik

2017-02-13T09:24:06Z

Diana:

{{Nav|Navigation|GrundlagenExp|Versuchsplanung}}

Die Darstellung von Versuchsplänen erfolgt nach bestimmten Schemata. Ähnlich wie bei einer Tabelle werden die folgenden Komponenten in ein Strukturschema eingebettet:
*[[unabhängige Variablen]] (mit den jeweiligen Faktorstufen)
*[[abhängige Variablen]]
*[[Kontrollprinzipien|Kontrolltechniken]]
*Art und Anzahl der Messungen
*Art und Anzahl der Versuchsgruppen

Die Bezeichnungen der Versuchsplankomponenten variieren in der Literatur, hier erfolgt eine Auflistung der Terminologie nach Sarris (1990, 1992).

== Bezeichnung der Designtypen ==

 Versuchspläne werden nach ihrem Grad der Kontrolle von Störvariablen und der Höhe ihrer internen Validität in Kategorien eingeteilt.
Die experimentellen Pläne erhalten keine besondere Kennzeichnung. Sie sind an den Symbolen der verwendeten Kontrolltechniken ('''R, W, Bl''') zu erkennen.
Die vorexperimentellen Pläne werden mit einem '''V''' gekennzeichnet.

== Bezeichnung der Variablen ==

Unabhängige Variablen
 Mehrere unabhängige Variablen (Faktoren) werden in einem Versuchsplan mit lateinischen Buchstaben gekennzeichnet ('''A, B, …''').
Die Faktorstufen werden mit lateinischen Ziffern kenntlich gemacht ('''A1, A2, A3, … An; B1, B2, …, Bn''').
Wenn es in einem Experiment nur eine UV gibt, wird diese auch oftmals als "Treatment", "Behandlung" oder "Intervention" bezeichnet und ihre Faktorstufen mit dem Symbol '''X''' bzw. '''X0, X1, X2, …, Xn''' gekennzeichnet.

----

''Beispiel:
''Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

*UV A: Tempo der Vorgabe von Rechenoperationen
**A1 schnell
**A2 mittelschnell
**A3 langsam
*UV B: Schwierigkeit der Rechenoperationen
**B1 leicht
**B2 schwierig

Abhängige Variablen
 Die abhängigen Variablen werden je nach Versuchsplan als Einzelmesswert (y) oder als Gruppenmittelwert (Ȳ) in das Schema eingetragen. Zusätzlich werden sie unterhalb des Versuchsplanes ausformuliert dargestellt. Bei mehreren AVs werden diese häufig mit P, Q und R bezeichnet.

----

''Beispiel: Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

AV: Rechenleistung
'''y''' wäre die Rechenleistung eines einzelnen Studenten
'''Ȳ''' wäre die durchschnittliche Rechenleistung einer Versuchsgruppe

== Bezeichnung der Kontrolltechniken ==

Die experimentellen Techniken zur Kontrolle von Sekundärvarianz bzw. zur Minimierung der unsystematischen Fehlervarianz (vgl. [[Max-Kon-Min-Prinzip]]) werden im Versuchsplan für jede unabhängige Variable einzeln angegeben. Dabei bedeuten:
*'''R''' = Randomisierung
*'''W''' = Messwiederholung
*'''Bl''' = Blockbildung [auch: '''B(R)''']
Die übrigen Kontrolltechniken (Eliminierung, Abschirmung, Konstanthaltung, Umwandlung einer Störvariable in eine UV) tauchen im Versuchsplanschema nicht direkt symbolisch auf.

Wenn man Störvariablen eliminiert, abschirmt oder konstant hält, muss man dies im laufenden Text des Untersuchungsberichts (im Methodenkapitel) dokumentieren. Auch die Umwandlung einer Störvariable in eine weitere UV muss im Bericht beschrieben werden. Im Versuchsplan wird dann auch schematisch ersichtlich, dass neben der interessierenden experimentellen Variable eine oder mehrere UVs dazugekommen sind (der Plan wird mehrfaktoriell).

== Bezeichnung der Messungen ==

Auch die geplanten Messungen werden in den Versuchsplan aufgenommen. Bei Untersuchungen mit mehreren Messungen muss die Reihenfolge kenntlich gemacht werden:
#Vorhermessung / Vortest: abhängige Variable mit Index '''V''' oder '''Vor''' (auch: Prätest / Prämessung: Index '''Prä''')
#Nachhermessung / Nachtest: abhängige Variable mit Index '''N''' oder '''Nach''' (auch: Posttest / Postmessung: Index '''Post''')

== Bezeichnung der Versuchsgruppen ==

Die an der Untersuchung beteiligten Versuchsgruppen werden mit
*'''G1, G2, ….. Gn'''
*oder '''Gr1, Gr2, ….. Grn'''
*oder '''VG''' (Versuchsgruppe) und '''KG''' (Kontrollgruppe)
*oder '''E''' (Experimentalgruppe) und '''K''' (Kontrollgruppe)
bezeichnet.

An Versuchen beteiligte Personen

2017-02-13T09:20:06Z

Diana:

{{Nav|Navigation|Ethik|Hauptseite}}

== Versuchsperson ==

Versuchspersonen sind die Teilnehmer von empirischen Untersuchungen.
Die Gesamtheit der Versuchspersonen (Probanden) entspricht der Untersuchungsstichprobe. In der Psychologie und den Humanwissenschaften generell werden häufig freiwillige Versuchspersonen für Studien rekrutiert. Diese Freiwilligkeit entspricht zwar den ethischen Grundsätzen, ist aber auch mit einigen methodischen Problemen verknüpft (siehe [[Gelegenheitsstichproben|Gelegenheitsstichprobe]]).

Wenn der Mensch zum Untersuchungsgegenstand gemacht wird, sind damit einige Besonderheiten verbunden. Menschen sind keine passiven Objekte. Sie reagieren aktiv auf Umstände und Situationen, können lernen und ihr Verhalten steuern und kontrollieren. Hinzu kommt, dass auch das Messinstrument selbst ein Mensch ist (der Versuchsleiter). Das heißt, dass sowohl Untersuchungsgegenstand als auch Untersucher ''aktive Individuen'' sind. Es besteht also eine '''Subjekt-Subjekt-Relation''', aus welcher sich vielfältige Wechselwirkungen ergeben können, die bei wissenschaftlichen Studien berücksichtigt werden müssen:
*[[Versuchsleitereffekt|Versuchsleitereffekte]]
*Versuchsleitererwartungseffekte
*[[Probandeneffekte#Reaktivität|Reaktivität]]

''Beispiel:
 ''Im Studiengang Psychologie ist es an vielen Universitäten üblich, Studenten der Anfangssemester zur Ableistung von Versuchspersonenstunden zu verpflichten. Ziel ist es, dass jeder Psychologiestudent die Erfahrung machen sollte, selber einmal Versuchsperson zu sein und an einer Studie teilzunehmen.''

== Versuchsleiter ==

Der Versuchsleiter ist der Durchführer einer empirischen Untersuchung. Er ist dafür verantwortlich, dass der [[Versuchsplanung|Versuchsplan]] richtig umgesetzt und die Studie erfolgreich durchgeführt wird.
Der Versuchsleiter trägt auch für die Versuchspersonen eine große Verantwortung. Er sollte [[Ethische Behandlung von Versuchspersonen|ethische Grundsätze]] einhalten.
Da häufig Gruppen von Versuchspersonen untersucht werden, ist ein '''einheitliches Vorgehen''' notwendig. Dem Versuchsleiter können menschliche Fehler unterlaufen, wie z.B. Registrierfehler, Ermüdung, o.ä., welche die Ergebnisse verfälschen. Die Ergebnisse sollen aber unabhängig vom Versuchsleiter zustande kommen (siehe [[Objektivität]]). Durch ein Versuchsleitertraining lassen sich auch Versuchsleiter- und Versuchsleitererwartungseffekte eindämmen und das Messinstrument Mensch wird zuverlässiger (siehe [[Reliabilität]]).

''Beispiel:
 ''In einer verkehrspsychologischen Untersuchung fahren Probanden 1h in einem Fahrsimulator. Der Versuchsleiter hat in einem solchen Experiment eine Reihe von wichtigen Aufgaben. Er begrüßt die jeweilige Versuchsperson, klärt sie über den Zweck der Untersuchung auf, händigt der Versuchsperson eine schriftliche Instruktion aus, führt mit ihr eine kurze Vorbefragung durch, erklärt ihr umfassend die Funktionsweise des Fahrsimulators, stellt die technischen Gerätschaften des Fahrsimulators ein, beobachtet die Versuchsperson während der Fahrt und führt eine anschließende Abschlussbefragung durch. Während der gesamten Zeit steht er als Ansprechpartner für Fragen und Probleme zur Verfügung und sorgt für den reibungslosen Ablauf der Untersuchung.''

Symbolik

2017-02-10T18:27:49Z

Diana:

Die Darstellung von Versuchsplänen erfolgt nach bestimmten Schemata. Ähnlich wie bei einer Tabelle werden die folgenden Komponenten in ein Strukturschema eingebettet:
*[[unabhängige Variablen]] (mit den jeweiligen Faktorstufen)
*[[abhängige Variablen]]
*[[Kontrollprinzipien|Kontrolltechniken]]
*Art und Anzahl der Messungen
*Art und Anzahl der Versuchsgruppen

Die Bezeichnungen der Versuchsplankomponenten variieren in der Literatur, hier erfolgt eine Auflistung der Terminologie nach Sarris (1990, 1992).

== Bezeichnung der Designtypen ==

 Versuchspläne werden nach ihrem Grad der Kontrolle von Störvariablen und der Höhe ihrer internen Validität in Kategorien eingeteilt.
Die experimentellen Pläne erhalten keine besondere Kennzeichnung. Sie sind an den Symbolen der verwendeten Kontrolltechniken ('''R, W, Bl''') zu erkennen.
Die vorexperimentellen Pläne werden mit einem '''V''' gekennzeichnet.

== Bezeichnung der Variablen ==

Unabhängige Variablen
 Mehrere unabhängige Variablen (Faktoren) werden in einem Versuchsplan mit lateinischen Buchstaben gekennzeichnet ('''A, B, …''').
Die Faktorstufen werden mit lateinischen Ziffern kenntlich gemacht ('''A1, A2, A3, … An; B1, B2, …, Bn''').
Wenn es in einem Experiment nur eine UV gibt, wird diese auch oftmals als "Treatment", "Behandlung" oder "Intervention" bezeichnet und ihre Faktorstufen mit dem Symbol '''X''' bzw. '''X0, X1, X2, …, Xn''' gekennzeichnet.

----

''Beispiel:
''Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

*UV A: Tempo der Vorgabe von Rechenoperationen
**A1 schnell
**A2 mittelschnell
**A3 langsam
*UV B: Schwierigkeit der Rechenoperationen
**B1 leicht
**B2 schwierig

Abhängige Variablen
 Die abhängigen Variablen werden je nach Versuchsplan als Einzelmesswert (y) oder als Gruppenmittelwert (Ȳ) in das Schema eingetragen. Zusätzlich werden sie unterhalb des Versuchsplanes ausformuliert dargestellt. Bei mehreren AVs werden diese häufig mit P, Q und R bezeichnet.

----

''Beispiel: Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

AV: Rechenleistung
'''y''' wäre die Rechenleistung eines einzelnen Studenten
'''Ȳ''' wäre die durchschnittliche Rechenleistung einer Versuchsgruppe

== Bezeichnung der Kontrolltechniken ==

Die experimentellen Techniken zur Kontrolle von Sekundärvarianz bzw. zur Minimierung der unsystematischen Fehlervarianz (vgl. [[Max-Kon-Min-Prinzip]]) werden im Versuchsplan für jede unabhängige Variable einzeln angegeben. Dabei bedeuten:
*'''R''' = Randomisierung
*'''W''' = Messwiederholung
*'''Bl''' = Blockbildung [auch: '''B(R)''']
Die übrigen Kontrolltechniken (Eliminierung, Abschirmung, Konstanthaltung, Umwandlung einer Störvariable in eine UV) tauchen im Versuchsplanschema nicht direkt symbolisch auf.

Wenn man Störvariablen eliminiert, abschirmt oder konstant hält, muss man dies im laufenden Text des Untersuchungsberichts (im Methodenkapitel) dokumentieren. Auch die Umwandlung einer Störvariable in eine weitere UV muss im Bericht beschrieben werden. Im Versuchsplan wird dann auch schematisch ersichtlich, dass neben der interessierenden experimentellen Variable eine oder mehrere UVs dazugekommen sind (der Plan wird mehrfaktoriell).

== Bezeichnung der Messungen ==

Auch die geplanten Messungen werden in den Versuchsplan aufgenommen. Bei Untersuchungen mit mehreren Messungen muss die Reihenfolge kenntlich gemacht werden:
#Vorhermessung / Vortest: abhängige Variable mit Index '''V''' oder '''Vor''' (auch: Prätest / Prämessung: Index '''Prä''')
#Nachhermessung / Nachtest: abhängige Variable mit Index '''N''' oder '''Nach''' (auch: Posttest / Postmessung: Index '''Post''')

== Bezeichnung der Versuchsgruppen ==

Die an der Untersuchung beteiligten Versuchsgruppen werden mit
*'''G1, G2, ….. Gn'''
*oder '''Gr1, Gr2, ….. Grn'''
*oder '''VG''' (Versuchsgruppe) und '''KG''' (Kontrollgruppe)
*oder '''E''' (Experimentalgruppe) und '''K''' (Kontrollgruppe)
bezeichnet.

Symbolik

2017-02-10T18:17:21Z

Diana: Die Seite wurde neu angelegt: „ Die Darstellung von Versuchsplänen erfolgt nach bestimmten Schemata. Ähnlich wie bei einer Tabelle werden die folgenden Komponenten in ein Strukturschema e…“

Die Darstellung von Versuchsplänen erfolgt nach bestimmten Schemata. Ähnlich wie bei einer Tabelle werden die folgenden Komponenten in ein Strukturschema eingebettet:
*[[unabhängige Variablen]] (mit den jeweiligen Faktorstufen)
*[[abhängige Variablen]]
*[[Kontrollprinzipien|Kontrolltechniken]]
*Art und Anzahl der Messungen
*Art und Anzahl der Versuchsgruppen

Die Bezeichnungen der Versuchsplankomponenten variieren in der Literatur, hier erfolgt eine Auflistung der Terminologie nach Sarris (1990, 1992).

== Bezeichnung der Designtypen ==

 Versuchspläne werden nach ihrem Grad der Kontrolle von Störvariablen und der Höhe ihrer internen Validität in Kategorien eingeteilt.
Die experimentellen Pläne erhalten keine besondere Kennzeichnung. Sie sind an den Symbolen der verwendeten Kontrolltechniken ('''R, W, Bl''') zu erkennen.
Die vorexperimentellen Pläne werden mit einem '''V''' gekennzeichnet.

== Bezeichnung der Variablen ==

Unabhängige Variablen
 Mehrere unabhängige Variablen (Faktoren) werden in einem Versuchsplan mit lateinischen Buchstaben gekennzeichnet ('''A, B, …''').
Die Faktorstufen werden mit lateinischen Ziffern kenntlich gemacht ('''A1, A2, A3, … An; B1, B2, …, Bn''').
Wenn es in einem Experiment nur eine UV gibt, wird diese auch oftmals als "Treatment", "Behandlung" oder "Intervention" bezeichnet und ihre Faktorstufen mit dem Symbol '''X''' bzw. '''X0, X1, X2, …, Xn''' gekennzeichnet.

----

''Beispiel:
''Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

UV A: Tempo der Vorgabe von Rechenoperationen
A1 schnell
A2 mittelschnell
A3 langsam
UV B: Schwierigkeit der Rechenoperationen
B1 leicht
B2 schwierig

Abhängige Variablen
 Die abhängigen Variablen werden je nach Versuchsplan als Einzelmesswert (y) oder als Gruppenmittelwert (Ȳ) in das Schema eingetragen. Zusätzlich werden sie unterhalb des Versuchsplanes ausformuliert dargestellt. Bei mehreren AVs werden diese häufig mit P, Q und R bezeichnet.

----

''Beispiel: Untersuchung der Auswirkung von Zeitdruck und Schwierigkeit von Rechenaufgaben auf die Rechenleistung von Mathematikstudenten

AV: Rechenleistung
y wäre die Rechenleistung eines einzelnen Studenten
Ȳ wäre die durchschnittliche Rechenleistung einer Versuchsgruppe

== Bezeichnung der Kontrolltechniken ==

Die experimentellen Techniken zur Kontrolle von Sekundärvarianz bzw. zur Minimierung der unsystematischen Fehlervarianz (vgl. [[Max-Kon-Min-Prinzip]]) werden im Versuchsplan für jede unabhängige Variable einzeln angegeben. Dabei bedeuten:
*'''R''' = Randomisierung
*'''W''' = Messwiederholung
*'''Bl''' = Blockbildung [auch: '''B(R)''']
Die übrigen Kontrolltechniken (Eliminierung, Abschirmung, Konstanthaltung, Umwandlung einer Störvariable in eine UV) tauchen im Versuchsplanschema nicht direkt symbolisch auf.

Wenn man Störvariablen eliminiert, abschirmt oder konstant hält, muss man dies im laufenden Text des Untersuchungsberichts (im Methodenkapitel) dokumentieren. Auch die Umwandlung einer Störvariable in eine weitere UV muss im Bericht beschrieben werden. Im Versuchsplan wird dann auch schematisch ersichtlich, dass neben der interessierenden experimentellen Variable eine oder mehrere UVs dazugekommen sind (der Plan wird mehrfaktoriell).

== Bezeichnung der Messungen ==

Auch die geplanten Messungen werden in den Versuchsplan aufgenommen. Bei Untersuchungen mit mehreren Messungen muss die Reihenfolge kenntlich gemacht werden:
#Vorhermessung / Vortest: abhängige Variable mit Index V oder Vor
 (auch: Prätest / Prämessung: Index Prä)
#Nachhermessung / Nachtest: abhängige Variable mit Index N oder Nach
 (auch: Posttest / Postmessung: Index Post)

3.2.5 Bezeichnung der Versuchsgruppen
Die an der Untersuchung beteiligten Versuchsgruppen werden mit
G1, G2, ….. Gn

oder

Gr1, Gr2, ….. Grn

oder

VG (Versuchsgruppe) und KG (Kontrollgruppe)

oder

E (Experimentalgruppe) und K (Kontrollgruppe)
bezeichnet.

Artikelliste:GrundlagenExp

2017-02-10T17:57:21Z

Diana:

*[[Arten von Forschung]]
**[[Forschung nach Kontrollierbarkeit]]
**[[Forschung nach Bereichen und Setting]]
{{:Artikelliste:Max-Kon-Min}}
{{:Artikelliste:Kontrollprobleme}}
*[[Symbolik]]

Artikelliste:Versuchsplanung

2017-02-10T17:56:35Z

Diana:

[[Grundlagen Experimenteller Forschung]]
{{:Artikelliste:GrundlagenExp}}

[[Stichproben]]
{{:Artikelliste:Stichproben}}

{{:Artikelliste:Experimente}}

{{:Artikelliste:Nicht-Experimente}}

Externe Validität

2017-02-10T17:35:17Z

Diana:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}
Die Externe Validität bezeichnet die '''Generalisierbarkeit und Repräsentativität''' von Untersuchungsergebnissen. Das heißt, inwieweit von dem erhobenen Verhalten auf Verhalten über die Untersuchungssituation, die Versuchspersonen und den Untersuchungszeitraum hinaus generalisiert werden kann. Im Sinne der kumulativen Natur der Validitätsarten bedeutet das: Selbst wenn statistische und interne Validität gegeben ist und die gut gesicherte Konstruktvalidität einen Zusammenhang mit dem Konstrukt des Interesses garantiert, muss sich das Ergebnis der Studie noch lange nicht auf andere Bedingungen verallgemeinern lassen. Die Externe Validität ist ein Gütekriterium einer empirischen Untersuchung. Sie gibt an, ob man von einem gefundenen Ergebnis auf andere Personen, Situationen und/oder Zeitpunkte verallgemeinern kann. „Externe Validität meint die Gültigkeit der gesamten Versuchsanordnung.“ (Sarris & Reiß, 2005, S.41) 
Untersuchungen werden aus Kostengründen oft an [[Stichproben]] durchgeführt. Zum Beispiel Stichproben von Personen, experimentellen Variablen und Umgebungen. Es ist in einer Untersuchung kaum möglich, alle Personen, alle Variablen oder alle Umgebungen zu berücksichtigen. Daher sollten Stichproben repräsentativ sein. Man darf Rückschlüsse auf die Grundgesamtheit machen, d.h. verallgemeinern, wenn diese Bedingung erfüllt ist. „Hinsichtlich der Generalisierbarkeit von Einzelerfahrungen ist man in der empirischen Forschung erheblich skeptischer als im Alltag, wo gerne auf Pauschalisierungen zurückgegriffen wird.“ (Bortz & Döring, 2005, S.37) 
Man unterscheidet zwei Arten von Repräsentanz bzw. zwei Formen von externer Validität:
*Subjekt- oder Stichprobenrepräsentanz: Populationsvalidität
*Situationsrepräsentanz: Situationsvalidität (ökologische Validität) 
'''Einflussfaktoren'''
Die Einflussfaktoren stehen mit der jeweiligen Untersuchung in Wechselwirkung. Eine Wirkung lässt sich nur dann feststellen, wenn eine experimentelle Bedingung eingeführt wurde. Diese beeinflusst jedoch die Natürlichkeit der Situation. Dieses Problem spiegelt sich in den vier Einflussfaktoren wider.
*Interaktion von Test und UV
*Interaktion von Selektion und UV
*Reaktive Untersuchungsbedingungen
*Interferenzen mehrfacher Behandlungen
''Beispiel
''Experimente mit hoher externer Validität sind häufig Feldexperimente. Diese Untersuchungen finden im natürlichen Umfeld statt. Eine häufige Methode dafür ist die teilnehmende Beobachtung. In die Geschichte der Feldforschung eingegangen ist die Marienthal-Studie (Lazarsfeld, Jahoda & Zeisel, 1931/32). Diese Untersuchung befasste sich mit den Auswirkungen von Arbeitslosigkeit. Ziel war es, möglichst umfassend und facettenreich zu erheben, zu analysieren und darzustellen. Hierfür wurden die Bewohner des Ortes Marienthal über einen längeren Zeitraum in ihrem natürlichen Umfeld beobachtet, befragt und interviewt. Die externe Validität ist hier also als hoch anzusehen. (vgl. http://agso.uni-graz.at/marienthal/) 

== Zussamenhang mit interner Validität ==

Bei der Versuchsplanung muss eine hohe [[interne Validität]] oberste Priorität haben. Es geht in dieser Phase in erster Linie darum sicherzustellen, dass ein Rückschluss von gemessenen Werten der [[abhängige Variablen|abhängigen Variable]] auf deren Verursachung durch die unabhängige Variable möglich ist. Das Experiment möchte Kausalerklärungen liefern. Dazu ist eine hohe interne Validität unerlässlich. Die Frage, ob dieser Kausalschluss auch generalisierbar ist, stellt sich erst '''danach'''. Das bedeutet, die Frage nach der externen Validität ist nur relevant, wenn die interne Validität gesichert ist. Die interne Validität "ist eine notwendige, wenn auch nicht hinreichende Bedingung für die externe Validität" (Sarris, 1990, S. 222).

Eine Erhöhung der internen Validität führt jedoch nicht zu einer Erhöhung der externen Validität, eher im Gegenteil. Durch die maximale Kontrolle von Störeinflüssen in experimentellen Situationen (vgl. [[Max-Kon-Min-Prinzip]]) verliert eine Untersuchung an Generalisierbarkeit, sie wird künstlich. Andersherum wirken in natürlichen, d. h. maximal verallgemeinerbaren, Situationen (Felduntersuchungen) meist zu viele unkontrollierbare Störfaktoren auf die AV ein, als dass man die interne Validität als hoch einstufen könnte. Sarris (1990, S. 222) spricht in diesem Zusammenhang von dem Problem der "partiellen Inkompatibilität von ‚interner’ und ‚externer’ Validität".

Interne Validität

2017-02-10T17:33:31Z

Diana:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}
Interne Validität gibt an, inwieweit die Ergebnisse einer Untersuchung auf die Manipulation einer UV zurückgeführt und mögliche Störeinflüsse ausgeschlossen werden können. Im Sinne der kumulativen Natur der Validitätsarten bedeutet das: Selbst wenn statistische Validität mit einem statistisch abgesicherten Effekt gegeben ist, so muss dieser nicht auf die Manipulation der UV zurückgehen, wenn die interne Validität nicht gegeben ist. 
Die interne Validität ist ein Gütekriterium einer empirischen Untersuchung. Ein Experiment ist dann intern valide, wenn die Messwerte der [[abhängige Variablen|abhängigen Variable]] (AV) eindeutig auf die [[unabhängige Variablen|unabhängige Variable]] (UV) zurückzuführen sind. Sie „liegt vor, wenn das Ergebnis einer Untersuchung eindeutig interpretierbar ist.“ (Sarris & Reiß, 2005, S.204) 
Es dürfen keine alternativen Bedingungen am Zustandekommen der Messwerte beteiligt sein. „Die interne Validität sinkt mit wachsender Anzahl plausibler Alternativerklärungen […].“ (Bortz & Döring, 2005, S.680) Deshalb müssen mögliche Störeinflüsse ausreichend kontrolliert werden. Wenn das der Fall ist, kann von der gemessenen AV auf die Verursachung durch die UV geschlossen werden. 
In der internen Validität zeigt sich die Umsetzung des [[Max-Kon-Min-Prinzip|MaxKonMin-Prinzips]]. Je höher die Primärvarianz im Verhältnis zur Sekundär- und Fehlervarianz ist, umso größer ist die interne Validität. Eine möglichst hohe interne Validität ist wünschenswert. 
'''Einflussfaktoren''':
Die Einflussfaktoren sind einzeln bestimmbar. Sie gelten als unabhängig voneinander und unabhängig von der jeweils gesetzten experimentellen Bedingung. Daher sind sie als Liste denkbarer Störvariablen anzusehen.
*Auswahlverzerrungen
*Experimentelle Mortalität
*Veränderung der Messinstrumente
*Reifung
*Statistische Regression
*Testeffekte
*Zeiteinflüsse
''Beispiel:
''Es soll nachgewiesen werden, dass Lärm die Lernleistungen von Schülern beeinträchtigt. Dazu werden 2 Schülergruppen durch Randomisierung gebildet. Beide erhalten die Aufgabe, innerhalb von 30 Minuten ein Gedicht auswendig zu lernen. Eine Gruppe kann das Gedicht unter Ruhebedingungen, operationalisiert durch 30 Dezibel Schalldruck, lernen. Die andere Gruppe lernt in einem Raum, in den Disco-Musik mit einem Schalldruck von 85 Dezibel eingespielt wird. Im Anschluss erhalten beide Gruppen die Aufgabe, das Gedicht aufzuschreiben. Die Lernleistung wird durch die Anzahl korrekt aufgeschriebener Wörter operationalisiert. In der Gruppe, die unter Ruhebedingungen gelernt hat, schreiben die Schüler im Durchschnitt 120 Wörter korrekt auf. In der Gruppe, die unter Lärm gelernt hat, schreiben die Schüler im Durchschnitt 83 Wörter korrekt auf. Die geringeren Lernleistungen der zweiten Gruppe können in diesem Experiment auf den Lärm während des Lernens zurückgeführt werden, weil mögliche personelle Störeinflüsse wie Intelligenz durch die Randomisierung kontrolliert wurden.''

== Zussamenhang mit externer Validität ==

Bei der Versuchsplanung muss eine hohe interne Validität oberste Priorität haben. Es geht in dieser Phase in erster Linie darum sicherzustellen, dass ein Rückschluss von gemessenen Werten der [[abhängige Variablen|abhängigen Variable]] auf deren Verursachung durch die unabhängige Variable möglich ist. Das Experiment möchte Kausalerklärungen liefern. Dazu ist eine hohe interne Validität unerlässlich. Die Frage, ob dieser Kausalschluss auch generalisierbar ist, stellt sich erst '''danach'''. Das bedeutet, die Frage nach der [[externe Validität|externen Validität]] ist nur relevant, wenn die interne Validität gesichert ist. Die interne Validität "ist eine notwendige, wenn auch nicht hinreichende Bedingung für die externe Validität" (Sarris, 1990, S. 222).

Eine Erhöhung der internen Validität führt jedoch nicht zu einer Erhöhung der externen Validität, eher im Gegenteil. Durch die maximale Kontrolle von Störeinflüssen in experimentellen Situationen (vgl. [[Max-Kon-Min-Prinzip]]) verliert eine Untersuchung an Generalisierbarkeit, sie wird künstlich. Andersherum wirken in natürlichen, d. h. maximal verallgemeinerbaren, Situationen (Felduntersuchungen) meist zu viele unkontrollierbare Störfaktoren auf die AV ein, als dass man die interne Validität als hoch einstufen könnte. Sarris (1990, S. 222) spricht in diesem Zusammenhang von dem Problem der "partiellen Inkompatibilität von ‚interner’ und ‚externer’ Validität".

Verifikation und Falsifikation

2017-01-25T20:55:04Z

Diana:

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}
'''Verifikation''' bedeutet die Bestätigung einer Hypothese oder einer Theorie.

Eine Verifikation von allgemeingültigen Aussagen ist nur durch die Untersuchung der Gesamtpopulation möglich. Anhand von Stichprobendaten getroffene Schlussfolgerungen sind logisch nicht zulässig. Es besteht die Gefahr eines Induktionsschlusses (siehe Induktion). Das heißt, dass von einer begrenzten Anzahl bestätigter Einzelergebnisse auf die Allgemeingültigkeit der Hypothese oder Theorie geschlussfolgert wird. Es gibt aber theoretisch unendlich viele mögliche Stichproben, welche die vorliegenden Ergebnisse widerlegen könnten. Ein hypothesenkonformes Ergebnis ist also nur ein Anlass, die Hypothese bis zum Auftauchen gegenteiliger Befunde vorläufig beizubehalten.

In der Empirie sind die Problem- und Fragestellungen unendlich vielfältig, die Stichproben, die untersucht werden können und die Zahl der Untersuchungen hingegen sind endlich. Daher kann der Gegenstandsbereich einer Theorie nie vollständig untersucht werden. Aufgrund dessen können psychologische Theorien nie mit vollständiger Sicherheit bewiesen werden. In der Wissenschaftstheorie sprechen wir daher vom Grad der Bewährung einer Theorie. Durch viele verschiedene empirische Untersuchungen können wissenschaftliche Hypothesen und Theorien also vorläufig bestätigt oder gegebenenfalls widerlegt werden. Die Widerlegung einer Hypothese bezeichnet man als Falsifikation. Das Ziel wissenschaftlichen Arbeitens ist es, Theorien auf den Grad ihrer Bewährung hin zu überprüfen. Die Wissenschaft richtet sich also nach dem Falsifikationsprinzip und nicht nach dem Verifikationsprinzip.

Beispiel
In einer Untersuchung wird folgende Hypothese bearbeitet: Eine kognitiv-behaviorale Psychotherapie führt zu einer Verbesserung der Angstsymptomatik. Hierfür wird eine deutschlandweite Zufallsstichprobe von 400 Personen mit der Diagnose „Panikstörung“ rekrutiert und in einem Zwei-Gruppen-Randomisierungsplan untersucht. Im Ergebnis zeigt sich eine signifikante Verbesserung der Angstsymptomatik. In drei weiteren Studien mit anderen Stichproben zeigen sich ebenfalls signifikante Ergebnisse. Die Hypothese wird vorläufig bestätigt.

'''Falsifikation''' bedeutet die Widerlegung einer Hypothese oder einer Theorie.

Wissenschaftliche Hypothesen, die als deterministische Allsätze formuliert sind, können durch die Untersuchung einer Stichprobe überprüft und im Fall ihrer Ungültigkeit abgelehnt werden. Wenn die postulierten Zusammenhänge, Unterschiede oder Effekte also nicht in der Stichprobe gefunden werden, darf man für diesen Fall schlussfolgern, dass auch in der Population solche Zusammenhänge, Unterschiede oder Effekte nicht zutreffen. Man muss dennoch die interne Validität der Untersuchung berücksichtigen. Sind die Ergebnisse der Stichprobenuntersuchung verzerrt, so darf man sie weder zur Bestätigung noch zur Falsifikation einer Hypothese oder Theorie verwenden. Es lassen sich also nur deterministische Allsätze in intern validen Untersuchungen empirisch falsifizieren.
Im Falle von probabilistischen Hypothesen müssen explizite Falsifikationskriterien angenommen werden, um diese zu falsifizieren.

Das Prinzip stammt aus der Wissenschaftstheorie von Karl Popper und dem so genannten kritischen Realismus und besagt, dass der Wissenschaftler streng gegen sich selbst sein soll. So ist der „wissenschaftliche Fortschritt nur durch systematische Eliminierung falscher Theorien mittels empirischer Falsifikation möglich.“ (Bortz & Döring, 2005, S.22)
Aus diesem Grundsatz und der endlichen Anzahl von Studien ergibt sich die Regel, dass Hypothesen und Theorien niemals mit vollkommener Sicherheit bewiesen werden können. Aus Kostengründen und pragmatischen Gründen werden stets nur Stichproben untersucht und ebenso nur eine bestimme Anzahl von Untersuchungen erbracht, sodass der Gegenstandsbereich der Theorie nie vollständig untersucht werden kann. Aufgrund dessen sprechen wir in der Wissenschaftstheorie vom Grad der Bewährung einer Theorie. Durch einzelne empirische Untersuchungen können wissenschaftliche Hypothesen und Theorien nur vorläufig bestätigt oder eben widerlegt werden. Die Bestätigung einer Hypothese bezeichnet man als Verifikation.

Beispiel
Folgende Hypothese wird in einer wissenschaftlichen Studie überprüft: Kaugummikauen beeinflusst die Konzentrationsleistung positiv. Hierfür wird eine Stichprobe von 100 Schülern in einem Zwei-Gruppen-Randomisierungsplan untersucht. Im Ergebnis zeigen sich keine signifikanten Unterschiede zwischen Versuchs- und Kontrollgruppe. Die Hypothese wurde falsifiziert.

----

''verwandte Artikel:'' [[Wissenschaftstheorie]]

Operationalisierung

2017-01-25T20:54:48Z

Diana:

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}

Die Operationalisierung eines Konzepts oder Begriffs macht ihn messbar und somit erfassbar. Sie muss [[Validität|valide]] und [[Reliabilität|reliabel]] sein. Das Ziel ist die Ableitung einer messbaren [[Variablen|Variable]].

Im Prozess bedeutet das, Operationen (Handlungen) anzugeben, die bei der Erfassung eines Konstruktes helfen können. Dafür wird festgelegt, wie ein Begriff beobachtet, ermittelt, gezählt oder gemessen werden kann.
 Operationalisierungen erfordern viel theoretische Vorarbeit. Das Konstrukt muss zunächst inhaltlich eindeutig [[Begriffsbildung|definiert]] werden, um mögliche Indikatoren zu identifizieren und zu begründen. Diese Indikatoren werden dann stellvertretend für das theoretische Konstrukt gemessen.

 Im Zuge einer Operationalisierung werden üblicherweise 3 Arten von [[Hypothesen]] gebildet:
 Am Anfang steht die '''Forschungshypothese'''. Sie ist allgemein gehalten, formuliert den Zusammenhang zwischen zwei Konstrukten und legt fest, auf welche relevante Population sie sich bezieht.
 Durch den Prozess der Operationalisierung gelangt man dann zur '''Operationalen Hypothese''', die schon empirisch-inhaltlich ausgerichtet ist. Sie stellt eine Konkretisierung dar, indem sie die Konstrukte durch deren Operationalisierung, als [[Unabhängige Variablen|UV]] und [[Abhängige Variablen|AV]] ersetzt und die Untersuchungspopulation festlegt'' (bspw. 1000 Deutsche über 70)''.
 Schließlich wird eine '''statistische Hypothese''' formuliert, die nun bereits eine statistische [[Vorhersagen|Vorhersage]] enthält. Sie besteht aus der Nullhypothese (die besagt, dass die UV keinen Einfluss auf die AV ausübt) und der Alternativhypothese (die das Gegenteil besagt, und somit der Forschungshypothese entspricht). Eine statistische Hypothese kann zum einen ungerichtet oder gerichtet sein - gerichtete Alternativhypothesen beinhalten bereits die Information, ob der Wert der AV in Abhängigkeit von der UV steigt oder sinkt (anstatt nur, dass er sich verändert). Zum anderen kann sie spezifisch oder unspezifisch sein – spezifische Hypothesen nehmen eine [[Effektgröße]] an, also nicht nur eine Richtung der Veränderung sondern auch die Größe der Veränderung in Abhängigkeit von der UV.

Experimentelle Methode

2017-01-25T20:54:33Z

Diana:

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}

Ein Experiment ist eine meist künstliche Situation, in der ein Versuchsleiter unabhängige Variablen manipuliert und ihre Auswirkungen auf die abhängigen Variablen untersucht. Störende Einflüsse werden so weit wie möglich kontrolliert.

Wichtig bei der Klärung des Begriffs Experiment ist grundsätzlich die Unterscheidung zwischen

- Experimenten als wissenschaftliche Untersuchungen generell und
- strengen Experimenten als Untersuchungen, die Kausalschlüsse erlauben, weil sie intern valide sind.

Im ersten Fall wird das Experiment generell als Untersuchungsanordnung gesehen. Es werden Variablen aktiv verändert und die Auswirkungen dieser Manipulationen erfasst. Der Effekt einer unabhängigen auf eine abhängige Variable soll nachgewiesen werden. Wenn dabei alle möglichen Störfaktoren ausgeschaltet oder so kontrolliert werden, dass sie bei der Interpretation der Ergebnisse nicht als Alternativerklärungen infrage kommen, spricht man von einem intern validen, also einem "echten", strengen Experiment. Die experimentellen Techniken zur ausreichenden Kontrolle von Störvariablen sind die Randomisierung, die Wiederholungsmessung und die Blockbildung.

Forschungsvorgehen

2017-01-25T20:54:15Z

Diana:

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}

Ein gut geplanter und durchdachter Forschungsprozess ist die Grundlage jeder wissenschaftlichen Forschung.
Bevor der Forscher mit der eigentlichen Forschungstätigkeit beginnen kann, muss er geeignete Ideen sammeln. Forschungsideen sind geeignet, wenn sie sich auf Probleme beziehen, die sich klar und eindeutig formulieren lassen, empirisch untersuchbar sind und entweder die Grundlagenforschung bereichern oder die Lösung praktischer Probleme betreffen. Am Anfang jeder Forschungsarbeit steht deshalb die präzise Begründung eines Forschungsproblems. Dieses wird durch eine '''Forschungsfrage''' beschrieben. Der Ausgangspunkt der Forschungsarbeit ist somit eine theoretische Vermutung, bzw. eine erste Theorie, aus der Vorhersagen [[Hypothesen]] in Bezug auf mögliche Beobachtungen abgeleitet werden.
Zu diesem Zweck erfolgt eine '''Sichtung''' des vorliegenden theoretischen und empirischen Kenntnisstands zum bezeichneten Problem. Es wird festgestellt, ob vorhandene [[Theorien]] bzw. Befunde für eine Problemlösung, d. h. für eine Beantwortung der Forschungsfrage, hilfreich sind.

Die entstandenen Hypothesen werden für das Forschungsproblem operationalisiert und in einer Untersuchung überprüft. Hierfür müssen ein geeigneter '''Versuchsplan''' (vgl. Systematik der [[Versuchsplanung|Versuchspläne]]) ausgewählt und Strategien zur Kontrolle möglicher [[Störvariablen]] überlegt werden. Wenn die Versuchsvorbereitung abgeschlossen ist, beginnt die Rekrutierung der [[An Versuchen beteiligte Personen|Versuchspersonen]] und die Phase der '''Versuchsdurchführung''' bzw. Datenerhebung. Daran schließt sich die Datenaufbereitung und -auswertung und die [[Präsentation von Daten|Darstellung]] der gefundenen Ergebnisse.
 Das Vorgehen bei der Aufbereitung der Rohdaten und bei der Datenauswertung wird schon bei der Versuchsvorbereitung festgelegt und richtet sich nach dem Untersuchungsdesign.

Die Ergebnisse werden nun interpretiert und '''Schlussfolgerungen''' abgeleitet, um die Forschungsfrage beantworten zu können. Widerspricht der Befund der anfänglich recherchierten Theorie, erfolgt eine Modifikation der Theorie bzw. die Entwicklung einer neuen Theorie.
 Wenn '''keine Übereinstimmung''' besteht und eine Hypothese sich damit nicht bewährt, so lässt sich das auf verschiedene Ursachen zurückführen: Entweder die Theorie ist tatsächlich falsch, oder aber die Theorie selbst ist richtig und lediglich die zusätzlichen Annahmen sind nicht erfüllt. Häufig werden bei der Ableitung von Hypothesen aus der Theorie zusätzliche Annahmen gebildet, die jedoch nicht in der Theorie impliziert sind und damit das Ergebnis verfälschen. Außerdem können auch Fehler oder Verzerrungen im Laufe des Forschungsprozesses dazu beitragen, dass sich eine Hypothese nicht bewährt.

Am Ende des Forschungsprozesses erfolgt ein '''kritischer Rückblick''' auf die methodischen, möglicherweise auch organisatorischen Aspekte der Untersuchung und eine Einschätzung der Qualität der Forschungsergebnisse.
 Neben den methodischen Notwendigkeiten für den Erhalt von möglichst allgemeingültigen Kausalaussagen gilt es bei der Planung eines Experiments auf [[Ethik|ethische Richtlinien]] zu achten. Die Teilnahme an einem Experiment ist grundsätzlich freiwillig und den Versuchspersonen darf zu keiner Zeit Schaden zugefügt werden. Einen Überblick über die ethischen Richtlinien in der Psychologie gibt die American Psychology Association (http://www.apa.org/ethics/code/index.aspx).

Forschungsvorgehen

2017-01-25T20:52:11Z

Diana:

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}

Ein gut geplanter und durchdachter Forschungsprozess ist die Grundlage jeder wissenschaftlichen Forschung.
Bevor der Forscher mit der eigentlichen Forschungstätigkeit beginnen kann, muss er geeignete Ideen sammeln. Forschungsideen sind geeignet, wenn sie sich auf Probleme beziehen, die sich klar und eindeutig formulieren lassen, empirisch untersuchbar sind und entweder die Grundlagenforschung bereichern oder die Lösung praktischer Probleme betreffen. Am Anfang jeder Forschungsarbeit steht deshalb die präzise Begründung eines Forschungsproblems. Dieses wird durch eine '''Forschungsfrage''' beschrieben. Der Ausgangspunkt der Forschungsarbeit ist somit eine theoretische Vermutung, bzw. eine erste Theorie, aus der Vorhersagen [[Hypothesen]] in Bezug auf mögliche Beobachtungen abgeleitet werden.
Zu diesem Zweck erfolgt eine Sichtung des vorliegenden theoretischen und empirischen Kenntnisstands zum bezeichneten Problem. Es wird festgestellt, ob vorhandene [[Theorien]] bzw. Befunde für eine Problemlösung, d. h. für eine Beantwortung der Forschungsfrage, hilfreich sind.

Die entstandenen Hypothesen werden für das Forschungsproblem operationalisiert und in einer Untersuchung überprüft. Hierfür müssen ein geeigneter Versuchsplan (vgl. Systematik der [[Versuchsplanung|Versuchspläne]]) ausgewählt und Strategien zur Kontrolle möglicher [[Störvariablen]] überlegt werden. Wenn die Versuchsvorbereitung abgeschlossen ist, beginnt die Rekrutierung der [[An Versuchen beteiligte Personen|Versuchspersonen]] und die Phase der Versuchsdurchführung bzw. Datenerhebung. Daran schließt sich die Datenaufbereitung und -auswertung und die [[Präsentation von Daten|Darstellung]] der gefundenen Ergebnisse.

Das Vorgehen bei der Aufbereitung der Rohdaten und bei der Datenauswertung wird schon bei der Versuchsvorbereitung festgelegt und richtet sich nach dem Untersuchungsdesign. Die Ergebnisse werden nun interpretiert und Schlussfolgerungen abgeleitet, um die Forschungsfrage beantworten zu können. Widerspricht der Befund der anfänglich recherchierten Theorie, erfolgt eine Modifikation der Theorie bzw. die Entwicklung einer neuen Theorie.
 Wenn keine Übereinstimmung besteht und eine Hypothese sich damit nicht bewährt, so lässt sich das auf verschiedene Ursachen zurückführen: Entweder die Theorie ist tatsächlich falsch, oder aber die Theorie selbst ist richtig und lediglich die zusätzlichen Annahmen sind nicht erfüllt. Häufig werden bei der Ableitung von Hypothesen aus der Theorie zusätzliche Annahmen gebildet, die jedoch nicht in der Theorie impliziert sind und damit das Ergebnis verfälschen. Außerdem können auch Fehler oder Verzerrungen im Laufe des Forschungsprozesses dazu beitragen, dass sich eine Hypothese nicht bewährt.

Am Ende des Forschungsprozesses erfolgt ein kritischer Rückblick auf die methodischen, möglicherweise auch organisatorischen Aspekte der Untersuchung und eine Einschätzung der Qualität der Forschungsergebnisse.
 Neben den methodischen Notwendigkeiten für den Erhalt von möglichst allgemeingültigen Kausalaussagen gilt es bei der Planung eines Experiments auf [[Ethik|ethische Richtlinien]] zu achten. Die Teilnahme an einem Experiment ist grundsätzlich freiwillig und den Versuchspersonen darf zu keiner Zeit Schaden zugefügt werden. Einen Überblick über die ethischen Richtlinien in der Psychologie gibt die American Psychology Association (http://www.apa.org/ethics/code/index.aspx).

Forschungsvorgehen

2017-01-25T20:51:22Z

Diana: Die Seite wurde neu angelegt: „{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}} Ein gut geplanter und durchdachter Forschungsprozess ist die Grundlage jeder wissenschaftlichen Forsch…“

{{Nav|Navigation|Vorgehen|Wissenschaftliches Arbeiten}}

Ein gut geplanter und durchdachter Forschungsprozess ist die Grundlage jeder wissenschaftlichen Forschung.
Bevor der Forscher mit der eigentlichen Forschungstätigkeit beginnen kann, muss er geeignete Ideen sammeln. Forschungsideen sind geeignet, wenn sie sich auf Probleme beziehen, die sich klar und eindeutig formulieren lassen, empirisch untersuchbar sind und entweder die Grundlagenforschung bereichern oder die Lösung praktischer Probleme betreffen. Am Anfang jeder Forschungsarbeit steht deshalb die präzise Begründung eines Forschungsproblems. Dieses wird durch eine '''Forschungsfrage''' beschrieben. Der Ausgangspunkt der Forschungsarbeit ist somit eine theoretische Vermutung, bzw. eine erste Theorie, aus der Vorhersagen [[Hypothesen]] in Bezug auf mögliche Beobachtungen abgeleitet werden.
Zu diesem Zweck erfolgt eine Sichtung des vorliegenden theoretischen und empirischen Kenntnisstands zum bezeichneten Problem. Es wird festgestellt, ob vorhandene [[Theorien]] bzw. Befunde für eine Problemlösung, d. h. für eine Beantwortung der Forschungsfrage, hilfreich sind.

Die entstandenen Hypothesen werden für das Forschungsproblem operationalisiert und in einer Untersuchung überprüft. Hierfür müssen ein geeigneter Versuchsplan (vgl. Systematik der [[Versuchsplanung|Versuchspläne]]) ausgewählt und Strategien zur Kontrolle möglicher [[Störvariablen]] überlegt werden. Wenn die Versuchsvorbereitung abgeschlossen ist, beginnt die Rekrutierung der [[An Versuchen beteiligte PErsonen|Versuchspersonen]] und die Phase der Versuchsdurchführung bzw. Datenerhebung. Daran schließt sich die Datenaufbereitung und -auswertung und die [[Präsentation von Daten|Darstellung]] der gefundenen Ergebnisse.

Das Vorgehen bei der Aufbereitung der Rohdaten und bei der Datenauswertung wird schon bei der Versuchsvorbereitung festgelegt und richtet sich nach dem Untersuchungsdesign. Die Ergebnisse werden nun interpretiert und Schlussfolgerungen abgeleitet, um die Forschungsfrage beantworten zu können. Widerspricht der Befund der anfänglich recherchierten Theorie, erfolgt eine Modifikation der Theorie bzw. die Entwicklung einer neuen Theorie.
 Wenn keine Übereinstimmung besteht und eine Hypothese sich damit nicht bewährt, so lässt sich das auf verschiedene Ursachen zurückführen: Entweder die Theorie ist tatsächlich falsch, oder aber die Theorie selbst ist richtig und lediglich die zusätzlichen Annahmen sind nicht erfüllt. Häufig werden bei der Ableitung von Hypothesen aus der Theorie zusätzliche Annahmen gebildet, die jedoch nicht in der Theorie impliziert sind und damit das Ergebnis verfälschen. Außerdem können auch Fehler oder Verzerrungen im Laufe des Forschungsprozesses dazu beitragen, dass sich eine Hypothese nicht bewährt.

Am Ende des Forschungsprozesses erfolgt ein kritischer Rückblick auf die methodischen, möglicherweise auch organisatorischen Aspekte der Untersuchung und eine Einschätzung der Qualität der Forschungsergebnisse.
 Neben den methodischen Notwendigkeiten für den Erhalt von möglichst allgemeingültigen Kausalaussagen gilt es bei der Planung eines Experiments auf [[Ethik|ethische Richtlinien]] zu achten. Die Teilnahme an einem Experiment ist grundsätzlich freiwillig und den Versuchspersonen darf zu keiner Zeit Schaden zugefügt werden. Einen Überblick über die ethischen Richtlinien in der Psychologie gibt die American Psychology Association (http://www.apa.org/ethics/code/index.aspx).

Artikelliste:Wissenschaftliches Arbeiten

2017-01-25T20:24:30Z

Diana:

[[Wissenschaftliches Arbeiten]]

{{:Artikelliste:Grundelemente}}
[[Ziele]]
{{:Artikelliste:Ziele}}
[[Kriterien|Kriterien wissenschaftlichen Arbeitens]]
{{:Artikelliste:Kriterien wissenschaftlichen Arbeitens}}
{{:Artikelliste:Vorgehen}}

Artikelliste:Vorgehen

2017-01-25T20:23:41Z

Diana:

[[Forschungsvorgehen]]
*[[Experimentelle Methode]]
*[[Operationalisierung]]
*[[Verifikation und Falsifikation]]

Artikelliste:Wissenschaftliches Arbeiten

2017-01-25T20:22:17Z

Diana:

Artikelliste:Wissenschaftliches Arbeiten

2017-01-25T20:21:05Z

Diana:

Artikelliste:Wissenschaftliches Arbeiten

2017-01-25T20:17:49Z

Diana:

Interaktionseffekte

2017-01-24T15:57:46Z

Diana:

{{Nav|Navigation|Haupteffekte und Interaktion|Mehrfaktorielle Versuchspläne}}

Interaktionseffekte (Wechselwirkungseffekte) betrachten die Wirkung eines Faktors (UV A) in Abhängigkeit von einem anderen Faktor (UV B).

Sie treten dann auf, wenn sich die Wirkung eines Faktors A unterscheidet, je nachdem unter welcher Stufe eines zweiten Faktors B man diesen untersucht. Dabei sollte das Ganze mehr als die Summe seiner Teile sein, denn „ein additives Zusammenwirken beider Faktoren ist als Normalfall definiert; nur überzufällige Abweichungen von der Additivität werden als Interaktionseffekt bezeichnet.“ (Bortz & Döring, 2005, S.533) Das heißt also, dass die Wirkung der Faktoren in Kombination über die Summe aus den Einzelwirkungen der Faktoren hinausgehen muss.
Je nachdem wie viele Faktoren einbezogen werden, unterscheidet man Interaktionen 1., 2., usw. Ordnung. In einem zweifaktoriellen Design betrachtet man eine Interaktion (A*B). In einem dreifaktoriellen Design betrachtet man drei Interaktionen 1. Ordnung (A*B, A*C, B*C) und eine Interaktion 2.Ordnung (A*B*C).
Zusätzlich treten in Untersuchungen auch Haupteffekte auf. Die Anzahl der Haupteffekte entspricht der Anzahl der Faktoren, die untersucht werden können. In zweifaktoriellen Designs gibt es also neben dem Interaktionseffekt (A*B) die beiden Haupteffekte (A) + (B). In dreifaktoriellen Designs gibt es die drei Haupteffekte (A) + (B) + (C). (siehe [[Haupteffekte]]).
Interaktionseffekte werden in [[Hypothesen]] formuliert. Diese beziehen sich auf die differentielle Wirkung eines Faktors, d.h. ob die Wirkung abhängig ist von der Art der Faktorstufenkombination. Um Hypothesen über Interaktionseffekte (und auch Haupteffekte) zu überprüfen, ermittelt man mittels mehrfaktorieller [http://de.wikipedia.org/wiki/Varianzanalyse#Grundidee Varianzanalyse] die Signifikanz der Effekte. Ergibt sich ein signifikanter Interaktionseffekt, so hat dies auch Auswirkungen auf die Interpretation der Haupteffekte. In Abhängigkeit von der Art der Interaktion sind Aussagen über Haupteffekte gegebenenfalls zu modifizieren. Man unterscheidet bei einem zweifaktoriellen Design 3 Arten von Interaktionen:

'''[[ordinale Interaktion]]''': Beide Haupteffekte sind global interpretierbar.

[[Datei:Interaktion1.png]]
 Diagramm für Faktor A: Haupteffekt A ist global interpretierbar

[[Datei:Interaktion2.png]]
 Diagramm für Faktor B: Haupteffekt B ist global interpretierbar

'''[[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]]''': Einer der Haupteffekte ist nicht global interpretierbar.

[[Datei:Interaktion3.png]]
 Diagramm für Faktor A: Haupteffekt A ist global interpretierbar

[[Datei:Interaktion4.png]]
 Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

'''[[disordinale Interaktion]]''': Keiner der Haupteffekte ist global interpretierbar.

[[Datei:Interaktion5.png]]
 Diagramm für Faktor A: Haupteffekt A ist nicht global interpretierbar

[[Datei:Interaktion6.png]]
 Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

Vor allem bei der hybriden und disordinalen Interaktion ist es sinnvoll, die Wirkung der Faktoren auf Zellenebene zu betrachten oder sie grafisch in Diagrammen zu veranschaulichen. So sieht man auf einen Blick, ob eine Interaktion vorliegt und welcher Art sie ist. Hierfür werden die Mittelwerte der jeweiligen Faktorstufenkombination (A1, A2,…, An) * (B1, B2,…,Bn) zunächst in eine Datenmatrix eingetragen und dann in ein Diagramm eingezeichnet.

''Beispiel:''
'' In einem Experiment sollen Ursachen für aggressives Verhalten gefunden werden. Hierfür untersucht ein Forscher 180 Probanden, welche er zufällig aus einer repräsentativen Datenbank ausgewählt hat. Er möchte einerseits überprüfen, ob frustrierende Situationen (Faktor A) aggressive Verhaltensweisen bedingen. Andererseits möchte er auch die Umgebungsvariable Hitze (Faktor B) experimentell manipulieren. Die Frustration wird induziert, indem Probanden ein unlösbares Puzzle vorgelegt wird. Die Kontrollbedingung ist ein lösbares Puzzle. Die Hitze wird über die Klimaanlage reguliert. Ein Teil der Probanden arbeitet unter angenehmer Raumtemperatur (20°C) und ein Teil unter einer Hitzebedingung (30°C). Die Aggressivität wird im Anschluss in einem standardisierten Test erhoben. In diesem 2x2-faktoriellen Design können 2 Haupteffekte geprüft werden. Haupteffekt A: Führt Frustration zu Aggression? Und Haupteffekt B: Führt Hitze zu Aggression? Zusätzlich kann man die Interaktion der beiden Faktoren prüfen: Ist die Differenz zwischen „Frustration“ und „keine Frustration“ größer unter der Bedingung „Hitze“ als unter der Bedingung „Normaltemperatur“? Die folgende Abbildung veranschaulicht eine mögliche Interaktionen und zeigt eine Beispiel-Datenmatrix (ordinale Interaktion):''

[[Datei:Interaktionseffekt1.jpg|550px]]

Interaktionseffekte

2017-01-24T15:56:44Z

Diana:

Datei:Interaktion6.png

2017-01-24T15:55:27Z

Diana:

Datei:Interaktion5.png

2017-01-24T15:53:05Z

Diana:

Datei:Interaktion4.png

2017-01-24T15:52:48Z

Diana:

Datei:Interaktion3.png

2017-01-24T15:52:38Z

Diana:

Interaktionseffekte

2017-01-24T15:52:01Z

Diana:

{{Nav|Navigation|Haupteffekte und Interaktion|Mehrfaktorielle Versuchspläne}}

Interaktionseffekte (Wechselwirkungseffekte) betrachten die Wirkung eines Faktors (UV A) in Abhängigkeit von einem anderen Faktor (UV B).

Sie treten dann auf, wenn sich die Wirkung eines Faktors A unterscheidet, je nachdem unter welcher Stufe eines zweiten Faktors B man diesen untersucht. Dabei sollte das Ganze mehr als die Summe seiner Teile sein, denn „ein additives Zusammenwirken beider Faktoren ist als Normalfall definiert; nur überzufällige Abweichungen von der Additivität werden als Interaktionseffekt bezeichnet.“ (Bortz & Döring, 2005, S.533) Das heißt also, dass die Wirkung der Faktoren in Kombination über die Summe aus den Einzelwirkungen der Faktoren hinausgehen muss.
Je nachdem wie viele Faktoren einbezogen werden, unterscheidet man Interaktionen 1., 2., usw. Ordnung. In einem zweifaktoriellen Design betrachtet man eine Interaktion (A*B). In einem dreifaktoriellen Design betrachtet man drei Interaktionen 1. Ordnung (A*B, A*C, B*C) und eine Interaktion 2.Ordnung (A*B*C).
Zusätzlich treten in Untersuchungen auch Haupteffekte auf. Die Anzahl der Haupteffekte entspricht der Anzahl der Faktoren, die untersucht werden können. In zweifaktoriellen Designs gibt es also neben dem Interaktionseffekt (A*B) die beiden Haupteffekte (A) + (B). In dreifaktoriellen Designs gibt es die drei Haupteffekte (A) + (B) + (C). (siehe [[Haupteffekte]]).
Interaktionseffekte werden in [[Hypothesen]] formuliert. Diese beziehen sich auf die differentielle Wirkung eines Faktors, d.h. ob die Wirkung abhängig ist von der Art der Faktorstufenkombination. Um Hypothesen über Interaktionseffekte (und auch Haupteffekte) zu überprüfen, ermittelt man mittels mehrfaktorieller [http://de.wikipedia.org/wiki/Varianzanalyse#Grundidee Varianzanalyse] die Signifikanz der Effekte. Ergibt sich ein signifikanter Interaktionseffekt, so hat dies auch Auswirkungen auf die Interpretation der Haupteffekte. In Abhängigkeit von der Art der Interaktion sind Aussagen über Haupteffekte gegebenenfalls zu modifizieren. Man unterscheidet bei einem zweifaktoriellen Design 3 Arten von Interaktionen:

'''[[ordinale Interaktion]]''': Beide Haupteffekte sind global interpretierbar.

[[Datei:Interaktion1.png]]
 Diagramm für Faktor A: Haupteffekt A ist global interpretierbar

[[Datei:Interaktion2.png]]

Diagramm für Faktor B: Haupteffekt B ist global interpretierbar

'''[[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]]''': Einer der Haupteffekte ist nicht global interpretierbar.

[[Datei:Interaktion3.png]]

Diagramm für Faktor A: Haupteffekt A ist global interpretierbar

[[Datei:Interaktion4.png]]

Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

'''[[disordinale Interaktion]]''': Keiner der Haupteffekte ist global interpretierbar.

[[Datei:Interaktion5.png]]

Diagramm für Faktor A: Haupteffekt A ist nicht global interpretierbar

[[Datei:Interaktion6.png]]

Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

Vor allem bei der hybriden und disordinalen Interaktion ist es sinnvoll, die Wirkung der Faktoren auf Zellenebene zu betrachten oder sie grafisch in Diagrammen zu veranschaulichen. So sieht man auf einen Blick, ob eine Interaktion vorliegt und welcher Art sie ist. Hierfür werden die Mittelwerte der jeweiligen Faktorstufenkombination (A1, A2,…, An) * (B1, B2,…,Bn) zunächst in eine Datenmatrix eingetragen und dann in ein Diagramm eingezeichnet.

''Beispiel:''
'' In einem Experiment sollen Ursachen für aggressives Verhalten gefunden werden. Hierfür untersucht ein Forscher 180 Probanden, welche er zufällig aus einer repräsentativen Datenbank ausgewählt hat. Er möchte einerseits überprüfen, ob frustrierende Situationen (Faktor A) aggressive Verhaltensweisen bedingen. Andererseits möchte er auch die Umgebungsvariable Hitze (Faktor B) experimentell manipulieren. Die Frustration wird induziert, indem Probanden ein unlösbares Puzzle vorgelegt wird. Die Kontrollbedingung ist ein lösbares Puzzle. Die Hitze wird über die Klimaanlage reguliert. Ein Teil der Probanden arbeitet unter angenehmer Raumtemperatur (20°C) und ein Teil unter einer Hitzebedingung (30°C). Die Aggressivität wird im Anschluss in einem standardisierten Test erhoben. In diesem 2x2-faktoriellen Design können 2 Haupteffekte geprüft werden. Haupteffekt A: Führt Frustration zu Aggression? Und Haupteffekt B: Führt Hitze zu Aggression? Zusätzlich kann man die Interaktion der beiden Faktoren prüfen: Ist die Differenz zwischen „Frustration“ und „keine Frustration“ größer unter der Bedingung „Hitze“ als unter der Bedingung „Normaltemperatur“? Die folgende Abbildung veranschaulicht eine mögliche Interaktionen und zeigt eine Beispiel-Datenmatrix (ordinale Interaktion):''

[[Datei:Interaktionseffekt1.jpg|550px]]

Datei:Interaktion2.png

2017-01-24T15:51:17Z

Diana:

Interaktionseffekte

2017-01-24T15:50:21Z

Diana:

{{Nav|Navigation|Haupteffekte und Interaktion|Mehrfaktorielle Versuchspläne}}

Interaktionseffekte (Wechselwirkungseffekte) betrachten die Wirkung eines Faktors (UV A) in Abhängigkeit von einem anderen Faktor (UV B).

Sie treten dann auf, wenn sich die Wirkung eines Faktors A unterscheidet, je nachdem unter welcher Stufe eines zweiten Faktors B man diesen untersucht. Dabei sollte das Ganze mehr als die Summe seiner Teile sein, denn „ein additives Zusammenwirken beider Faktoren ist als Normalfall definiert; nur überzufällige Abweichungen von der Additivität werden als Interaktionseffekt bezeichnet.“ (Bortz & Döring, 2005, S.533) Das heißt also, dass die Wirkung der Faktoren in Kombination über die Summe aus den Einzelwirkungen der Faktoren hinausgehen muss.
Je nachdem wie viele Faktoren einbezogen werden, unterscheidet man Interaktionen 1., 2., usw. Ordnung. In einem zweifaktoriellen Design betrachtet man eine Interaktion (A*B). In einem dreifaktoriellen Design betrachtet man drei Interaktionen 1. Ordnung (A*B, A*C, B*C) und eine Interaktion 2.Ordnung (A*B*C).
Zusätzlich treten in Untersuchungen auch Haupteffekte auf. Die Anzahl der Haupteffekte entspricht der Anzahl der Faktoren, die untersucht werden können. In zweifaktoriellen Designs gibt es also neben dem Interaktionseffekt (A*B) die beiden Haupteffekte (A) + (B). In dreifaktoriellen Designs gibt es die drei Haupteffekte (A) + (B) + (C). (siehe [[Haupteffekte]]).
Interaktionseffekte werden in [[Hypothesen]] formuliert. Diese beziehen sich auf die differentielle Wirkung eines Faktors, d.h. ob die Wirkung abhängig ist von der Art der Faktorstufenkombination. Um Hypothesen über Interaktionseffekte (und auch Haupteffekte) zu überprüfen, ermittelt man mittels mehrfaktorieller [http://de.wikipedia.org/wiki/Varianzanalyse#Grundidee Varianzanalyse] die Signifikanz der Effekte. Ergibt sich ein signifikanter Interaktionseffekt, so hat dies auch Auswirkungen auf die Interpretation der Haupteffekte. In Abhängigkeit von der Art der Interaktion sind Aussagen über Haupteffekte gegebenenfalls zu modifizieren. Man unterscheidet bei einem zweifaktoriellen Design 3 Arten von Interaktionen:

'''[[ordinale Interaktion]]''': Beide Haupteffekte sind global interpretierbar.

[[Datei:Interaktion1.png]]

Diagramm für Faktor A: Haupteffekt A ist global interpretierbar
[[Datei:Interaktion2.png]]
Diagramm für Faktor B: Haupteffekt B ist global interpretierbar

'''[[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]]''': Einer der Haupteffekte ist nicht global interpretierbar.

[[Datei:Interaktion3.png]]
Diagramm für Faktor A: Haupteffekt A ist global interpretierbar
[[Datei:Interaktion4.png]]
Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar
hybride Interaktion:

'''[[disordinale Interaktion]]''': Keiner der Haupteffekte ist global interpretierbar.

[[Datei:Interaktion5.png]]
Diagramm für Faktor A: Haupteffekt A ist nicht global interpretierbar
[[Datei:Interaktion6.png]]
Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

Vor allem bei der hybriden und disordinalen Interaktion ist es sinnvoll, die Wirkung der Faktoren auf Zellenebene zu betrachten oder sie grafisch in Diagrammen zu veranschaulichen. So sieht man auf einen Blick, ob eine Interaktion vorliegt und welcher Art sie ist. Hierfür werden die Mittelwerte der jeweiligen Faktorstufenkombination (A1, A2,…, An) * (B1, B2,…,Bn) zunächst in eine Datenmatrix eingetragen und dann in ein Diagramm eingezeichnet.

''Beispiel:''
'' In einem Experiment sollen Ursachen für aggressives Verhalten gefunden werden. Hierfür untersucht ein Forscher 180 Probanden, welche er zufällig aus einer repräsentativen Datenbank ausgewählt hat. Er möchte einerseits überprüfen, ob frustrierende Situationen (Faktor A) aggressive Verhaltensweisen bedingen. Andererseits möchte er auch die Umgebungsvariable Hitze (Faktor B) experimentell manipulieren. Die Frustration wird induziert, indem Probanden ein unlösbares Puzzle vorgelegt wird. Die Kontrollbedingung ist ein lösbares Puzzle. Die Hitze wird über die Klimaanlage reguliert. Ein Teil der Probanden arbeitet unter angenehmer Raumtemperatur (20°C) und ein Teil unter einer Hitzebedingung (30°C). Die Aggressivität wird im Anschluss in einem standardisierten Test erhoben. In diesem 2x2-faktoriellen Design können 2 Haupteffekte geprüft werden. Haupteffekt A: Führt Frustration zu Aggression? Und Haupteffekt B: Führt Hitze zu Aggression? Zusätzlich kann man die Interaktion der beiden Faktoren prüfen: Ist die Differenz zwischen „Frustration“ und „keine Frustration“ größer unter der Bedingung „Hitze“ als unter der Bedingung „Normaltemperatur“? Die folgende Abbildung veranschaulicht eine mögliche Interaktionen und zeigt eine Beispiel-Datenmatrix (ordinale Interaktion):''

[[Datei:Interaktionseffekt1.jpg|550px]]

Datei:Interaktion1.png

2017-01-24T15:45:19Z

Diana:

Interaktionseffekte

2017-01-24T15:41:44Z

Diana:

{{Nav|Navigation|Haupteffekte und Interaktion|Mehrfaktorielle Versuchspläne}}

Interaktionseffekte (Wechselwirkungseffekte) betrachten die Wirkung eines Faktors (UV A) in Abhängigkeit von einem anderen Faktor (UV B).

Sie treten dann auf, wenn sich die Wirkung eines Faktors A unterscheidet, je nachdem unter welcher Stufe eines zweiten Faktors B man diesen untersucht. Dabei sollte das Ganze mehr als die Summe seiner Teile sein, denn „ein additives Zusammenwirken beider Faktoren ist als Normalfall definiert; nur überzufällige Abweichungen von der Additivität werden als Interaktionseffekt bezeichnet.“ (Bortz & Döring, 2005, S.533) Das heißt also, dass die Wirkung der Faktoren in Kombination über die Summe aus den Einzelwirkungen der Faktoren hinausgehen muss.
Je nachdem wie viele Faktoren einbezogen werden, unterscheidet man Interaktionen 1., 2., usw. Ordnung. In einem zweifaktoriellen Design betrachtet man eine Interaktion (A*B). In einem dreifaktoriellen Design betrachtet man drei Interaktionen 1. Ordnung (A*B, A*C, B*C) und eine Interaktion 2.Ordnung (A*B*C).
Zusätzlich treten in Untersuchungen auch Haupteffekte auf. Die Anzahl der Haupteffekte entspricht der Anzahl der Faktoren, die untersucht werden können. In zweifaktoriellen Designs gibt es also neben dem Interaktionseffekt (A*B) die beiden Haupteffekte (A) + (B). In dreifaktoriellen Designs gibt es die drei Haupteffekte (A) + (B) + (C). (siehe [[Haupteffekte]]).
Interaktionseffekte werden in [[Hypothesen]] formuliert. Diese beziehen sich auf die differentielle Wirkung eines Faktors, d.h. ob die Wirkung abhängig ist von der Art der Faktorstufenkombination. Um Hypothesen über Interaktionseffekte (und auch Haupteffekte) zu überprüfen, ermittelt man mittels mehrfaktorieller [http://de.wikipedia.org/wiki/Varianzanalyse#Grundidee Varianzanalyse] die Signifikanz der Effekte. Ergibt sich ein signifikanter Interaktionseffekt, so hat dies auch Auswirkungen auf die Interpretation der Haupteffekte. In Abhängigkeit von der Art der Interaktion sind Aussagen über Haupteffekte gegebenenfalls zu modifizieren. Man unterscheidet bei einem zweifaktoriellen Design 3 Arten von Interaktionen:

'''[[ordinale Interaktion]]''': Beide Haupteffekte sind global interpretierbar.

[[Datei:Interaktion1.png]]
Diagramm für Faktor A: Haupteffekt A ist global interpretierbar
[[Datei:Interaktion2.png]]
Diagramm für Faktor B: Haupteffekt B ist global interpretierbar

'''[[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]]''': Einer der Haupteffekte ist nicht global interpretierbar.

[[Datei:Interaktion3.png]]
Diagramm für Faktor A: Haupteffekt A ist global interpretierbar
[[Datei:Interaktion4.png]]
Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar
hybride Interaktion:

'''[[disordinale Interaktion]]''': Keiner der Haupteffekte ist global interpretierbar.

[[Datei:Interaktion5.png]]
Diagramm für Faktor A: Haupteffekt A ist nicht global interpretierbar
[[Datei:Interaktion6.png]]
Diagramm für Faktor B: Haupteffekt B ist nicht global interpretierbar

Vor allem bei der hybriden und disordinalen Interaktion ist es sinnvoll, die Wirkung der Faktoren auf Zellenebene zu betrachten oder sie grafisch in Diagrammen zu veranschaulichen. So sieht man auf einen Blick, ob eine Interaktion vorliegt und welcher Art sie ist. Hierfür werden die Mittelwerte der jeweiligen Faktorstufenkombination (A1, A2,…, An) * (B1, B2,…,Bn) zunächst in eine Datenmatrix eingetragen und dann in ein Diagramm eingezeichnet.

''Beispiel:''
'' In einem Experiment sollen Ursachen für aggressives Verhalten gefunden werden. Hierfür untersucht ein Forscher 180 Probanden, welche er zufällig aus einer repräsentativen Datenbank ausgewählt hat. Er möchte einerseits überprüfen, ob frustrierende Situationen (Faktor A) aggressive Verhaltensweisen bedingen. Andererseits möchte er auch die Umgebungsvariable Hitze (Faktor B) experimentell manipulieren. Die Frustration wird induziert, indem Probanden ein unlösbares Puzzle vorgelegt wird. Die Kontrollbedingung ist ein lösbares Puzzle. Die Hitze wird über die Klimaanlage reguliert. Ein Teil der Probanden arbeitet unter angenehmer Raumtemperatur (20°C) und ein Teil unter einer Hitzebedingung (30°C). Die Aggressivität wird im Anschluss in einem standardisierten Test erhoben. In diesem 2x2-faktoriellen Design können 2 Haupteffekte geprüft werden. Haupteffekt A: Führt Frustration zu Aggression? Und Haupteffekt B: Führt Hitze zu Aggression? Zusätzlich kann man die Interaktion der beiden Faktoren prüfen: Ist die Differenz zwischen „Frustration“ und „keine Frustration“ größer unter der Bedingung „Hitze“ als unter der Bedingung „Normaltemperatur“? Die folgende Abbildung veranschaulicht eine mögliche Interaktionen und zeigt eine Beispiel-Datenmatrix (ordinale Interaktion):''

[[Datei:Interaktionseffekt1.jpg|550px]]

Vorexperimentelle Designs

2017-01-23T20:21:34Z

Diana: Die Seite wurde neu angelegt: „{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}} Vorexperimentelle Versuchspläne sind ungültige (invalide) Pläne, die keine kausaltheoretischen Rücksc…“

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}

Vorexperimentelle Versuchspläne sind ungültige (invalide) Pläne, die keine kausaltheoretischen Rückschlüsse von der [[abhängige Variablen|AV]] auf die [[Unabhängige Variablen|UV]] zulassen.
Wie auch die [[Experimente|experimentellen]] Designs basieren vorexperimentelle Designs auf der Einführung einer experimentellen Bedingung (UV). Im Gegensatz zu den experimentellen Plänen sind sie aber als nicht intern valide einzustufen, da keine ausreichende Kontrolle von möglichen Störeinflüssen erfolgt und die Untersuchungsbedingungen weitgehend unstandardisiert sind. Die Ergebnisse von vorexperimentellen Designs sind dementsprechend mehrdeutig und unbefriedigend. Daher dürfen vorexperimentelle Versuchspläne nicht zur Hypothesenprüfung angewendet werden. Dennoch können sie eine wichtige Rolle spielen, z.B. bei Fragestellungen, die explorativ (erkundend) und hypothesengenerierend orientiert sind. Häufig sind experimentelle, gültige Studien mit hohen Kosten verbunden. Daher ist es in vielen Fällen sinnvoll, kleinere und kostengünstigere Voruntersuchungen durchzuführen. Damit kann man herauszufinden, ob es sich lohnt, die Forschungsfrage weiter zu untersuchen.

Formalisiert wird ein vorexperimentelles Design durch das Symbol '''V'''.

Es ist wichtig, die Schwächen der einzelnen vorexperimentellen Pläne zu kennen, denn sie werden in einigen Fällen tatsächlich verwendet. Außerdem bauen die gültigen, experimentellen Designs darauf auf, eben diese Schwächen durch geeignete Strategien zu vermeiden.

Die vorexperimentellen Designs lassen sich in drei Untergruppen teilen:
*einmalige Untersuchung einer einzigen Gruppe (Schrotschuss-Design)
*Vorher-Nachher-Messung an einer einzigen Gruppe
*statischer Gruppenvergleich.

== Einmalige Untersuchung an einer einzigen Versuchsgruppe ==

Diese ist „eine Versuchsanordnung, bei der eine einzige Versuchsgruppe nur einmal einer einzigen Behandlung X unterzogen wird, um danach den Effekt auf die abhängige Variable zu messen.“ (Sarris, 1992, S.31)
Wie alle vorexperimentellen Versuchspläne ist auch die einmalige Untersuchung an einer einzigen Versuchsgruppe ein invalider Plan (siehe [[interne Validität]]).
Diese Gruppe von vorexperimentellen Designs wird in der Literatur auch als Schrotschuss-Designs oder one-shot case studies bezeichnet. Solche Untersuchungsanordnungen verdienen die Bezeichnung Versuchsplan nicht, da sie eher einem unkontrollierten Probieren entsprechen. Sie können bestenfalls als Erkundungsexperimente eingesetzt werden. Häufig findet man sie jedoch in der Alltagspsychologie. Aufgrund ihrer vermeintlichen Plausibilität führen sie typischerweise zu Pseudonachweisen (Sarris, 1992). Mit dem Schrotschussdesign wird eine Statusmessung oder Bestandsaufnahme durchgeführt, aber keine Aufklärung von Ursache-Wirkungs-Zusammenhängen.
Da es weder Vergleichsmöglichkeiten gibt, noch Kontrolltechniken eingesetzt werden, können Ergebnisse mehrdeutig ausfallen. Die interne Validität ist nicht gegeben und folglich auch keine externe Validität. Eine so gefundene Erkenntnis ist wissenschaftlich nicht haltbar nachgewiesen.
Die Ergebnisse eines solchen Designs lassen sich grafisch darstellen, wobei eine darüber hinausgehende (interferenz-)statistische Auswertung unzulässig ist. Um tatsächlich valide Ergebnisse zu bekommen, muss man mit einem besseren (im Idealfall experimentellen) Design die Untersuchung erneut durchführen.

''Beispiel:
 ''Petra und Sabine essen ein Jahr lang jeden Abend einen Apfel und sind seitdem nicht krank gewesen. Solche Erfahrungswerte sind wissenschaftlich unbrauchbar, da verschiedene Ursachen zu diesem Ergebnis geführt haben könnten. Beispielsweise kann besagtes Jahr einen besonders milden Winter gehabt haben, oder aber Petra und Sabine sind generell fast nie krank. Ein Vergleich mit Personen, die nicht jeden Abend einen Apfel gegessen haben wird nicht gezogen. Es lässt sich daher kein gültiger Rückschluss ziehen und die Erfahrung darf nicht verallgemeinert werden.''

== Vorher-Nachher-Messung an einer einzigen Versuchsgruppe ==

Diese bezeichnet einen vorexperimentellen Versuchsplan, bei welchem eine einzige Gruppe vor und nach einem Treatment untersucht wird, um Veränderungen durch das Treatment festzustellen.
Wie alle vorexperimentellen Versuchspläne ist auch die Vorher-Nachher-Messung an einer einzigen Gruppe ein invalider Plan (siehe interne Validität).
Im Gegensatz zum Schrotschuss-Design weist dieses Design eine zusätzliche Vorhermessung auf. Das bedeutet, dass die abhängige Variable (AV) vor und nach dem Treatment an denselben Personen gemessen wird. Der erhobene Ausgangswert dient als Kontrolle von interindividuellen Unterschieden. Somit verfügt das Design über eine echte Vergleichsmöglichkeit. Könnte man von unverzerrten und validen Messergebnissen ausgehen, so ergäbe die Differenz aus Endwert und Ausgangswert (ȲN-ȲV) ein Maß für den Effekt des Treatments.
Dennoch ist dieses Design aufgrund von erheblichen Mängeln in der internen Validität eingeschränkt. Da keinerlei [[Kontrollprinzipien|Kontrollstrategien]] angewendet werden, darf nicht von den Veränderungen der unabhängigen Variable (Treatment) auf die gefundenen Werte der abhängigen Variable geschlussfolgert werden. Vor allem die [[Störvariablen|Störgrößen]] Zeiteinflüsse, Reifung und Testeffekte sind zu berücksichtigen, aber auch die Reaktivität von Probanden und Versuchsleitern. Das Problem dieses Designs ist nicht grundsätzlich, dass Störeinflüsse wirken können, sondern, dass man nicht genau weiß, ob und wie stark Störeinflüsse wirken. Alternativerklärungen lassen sich nicht generell ausschließen. Entscheidend ist also die Unsicherheit in der Schlussfolgerung.
Im Rahmen einer Pilotstudie und mit erhöhter Vorsicht in der Interpretation der Ergebnisse ist es möglich, eine einfache statistische Auswertung (beispielsweise die Prüfung auf signifikante Differenzen) durchzuführen. Es ist jedoch wichtig, dass auch die beste statistische Auswertung die Mängel des Untersuchungsdesigns nicht aufheben kann!

''Beispiel:
 ''In einer Grundschule werden neue Lehrbücher für den Deutschunterricht eingeführt. Die Klasse 4b arbeitet im ersten Halbjahr zunächst mit dem alten und im zweiten Halbjahr mit dem neuen Lehrbuch. Die Lehrerin vergleicht nun die Noten aus dem Halbjahreszeugnis mit dem Jahreszeugnis. Sie stellt fest, dass sich 19 der 30 Kinder in den Noten verbessert haben. Ist dieser Effekt auf das Lehrbuch zurückzuführen?
Die Antwort ist Nein. In dieser vorexperimentellen Untersuchungsanordnung ist das Ergebnis mehrdeutig. Es gibt verschiedene Alternativerklärungen, die nicht ausgeschlossen werden können. Beispielsweise können die Noten mit den Jahreszeiten schwanken (Zeiteinflüsse), die Schüler könnten durch ihre Halbjahresnote zu mehr Leistung motiviert worden sein (Testeffekte) oder aber die Lehrerin könnte mit den neuen Lehrbüchern mehr Spaß am Lehren haben und daher die Schüler auch mehr motiviert haben (Versuchsleitereffekte). Aufgrund der Unsicherheit in der Schlussfolgerung ist der Effekt nicht eindeutig auf das neue Lehrbuch zurückzuführen. Aufgrund der nicht-repräsentativen Stichprobe sind die Ergebnisse nicht verallgemeinerbar.''

== Statistischer Gruppenvergleich ==

Bei diesem werden zwei oder mehr feststehende (statische) Gruppen nach der Einführung einer experimentellen Bedingung einmalig untersucht.
Im Vergleich zu den anderen beiden vorexperimentellen Designs weist dieses zwei wichtige Kontrollvorteile auf: Es berücksichtigt einerseits die interindividuell variablen Ausgangsmesswerte und schafft zudem eine sinnvolle Vergleichsmöglichkeit durch mindestens eine weitere statische Gruppe (Sarris, 1992).
Häufig untersucht man mit dem statischen Gruppenvergleich zwei Gruppen. Die Versuchsgruppe (VG) erhält ein Treatment und die Kontrollgruppe (KG) nicht. Nach Einführung dieser zweifach gestuften experimentellen Bedingung wird eine Nachhermessung vorgenommen. Geht man von völlig unverzerrten Messergebnissen aus, so ergibt eine signifikante Differenz zwischen den Werten der KG und der VG den experimentellen Effekt (ȲN-ȲV). Tatsächlich sind solche Schlussfolgerungen aber ungültig, da die interne Validität nicht gewährleistet ist.
Statt durch Zufall gewonnene Gruppen werden bereits bestehende Gruppen (z.B. Schulklassen) untersucht. Solche natürlichen Gruppen können sich bereits vor der Untersuchung relevant unterscheiden, d.h. sie sind nicht in jedem Fall vergleichbar. In einem solchen Fall spricht man von Auswahlverzerrungen. Dieser Störeinfluss auf die interne Validität ist der wichtigste Kritikpunkt am statischen Gruppenvergleich.
Wenn Zufallsgruppenbildung (Randomisierung) für eine Studie nicht möglich ist, wird dennoch manchmal auf den statischen Gruppenvergleich zurückgegriffen (z.B. bei Schulversuchen oder bei Psychotherapievergleichsuntersuchungen). Ab einer genügend großen Anzahl von Studienteilnehmern (N>30, laut Sarris, 1992) lassen sich auch die üblichen statistischen Auswertungsverfahren (z.B. t-Test) anwenden. Das eigentliche Problem, nämlich dass keine gültigen Erklärungen abgegeben werden können, lässt sich dadurch aber nicht lösen! Der statische Gruppenvergleich ist ein ungenügendes Design und sollte wie alle vorexperimentellen Pläne in kausaltheoretischen Untersuchungen unbedingt vermieden werden. Die optische Ähnlichkeit zum 2-Gruppenrandomisierungsplan sollte darüber nicht hinwegtäuschen. Zur Unterscheidung ist es wichtig auf die Formalisierung durch das Symbol V zu achten. „Gerade die scheinbare Ähnlichkeit dieser beiden Designtypen ist bei der Bewertung einer Untersuchung stets kritisch zu berücksichtigen. Denn eine Verwechslung […] kann zu folgenschweren Irrtümern […] führen“ (Sarris, 1992, S. 40). Statt eines statischen Gruppenvergleichs stellt ein Randomisierungsdesign häufig die besser geeignete Alternative zur Untersuchung der Fragestellung dar.

''Beispiel:
 ''Forscher einer Uniklinik interessieren sich für den Einfluss von Zuwendung auf den Krankheitsverlauf von Depressionen. Sie wollen überprüfen, ob besonders viel Zuwendung durch Gespräche einen anderen Krankheitsverlauf bedingt. Hierfür werden 7 depressive Patienten der Uniklinik mit täglich 30 min Gespräch behandelt und 9 Depressions-Patienten der städtischen Klinik als Vergleichsgruppe herangezogen. Der Krankheitsverlauf wird durch den jeweiligen Therapeuten schriftlich dokumentiert und ausgewertet. Sollte sich im Anschluss an die Intervention ein positiverer Krankheitsverlauf bei den Uniklinik-Patienten zeigen als bei jenen aus dem städtischen Krankenhaus, möchten die Forscher eine umfangreiche Längsschnittstudie realisieren.
Im Beispiel wird ein vorexperimenteller, statischer Gruppenvergleich als erkundende Pilotstudie verwendet. Die Ergebnisse der Studie sind mehrdeutig. Die Untersuchungsgruppen könnten sich bereits vor der Untersuchung systematisch unterschieden haben. Weitere Einflüsse wie zum Beispiel Ausbildung des Psychotherapeuten, Dauer des bisherigen Klinikaufenthalts der Patienten, etc. werden weder kontrolliert, noch berücksichtigt. Zur Überprüfung der Fragestellung ist es notwendig, dass die Forscher im Anschluss eine experimentelle Untersuchung, beispielsweise mit einem 2-Gruppen-Randomisierungsplan durchführen.''

Nicht-Experimente

2017-01-23T15:35:28Z

Diana:

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}

Unter "Nicht-Experimenten" sind hier alle Forschungsarten zusammengefasst, die die Kriterien eines "echten Experiments" nicht oder nur ungenügend erfüllen. Dazu zählen [[Quasi-Experimente|quasiexperimentelle Pläne]], Versuche mit kleinem Stichprobenumfang ([[Small-N-Experimente]]), [[Ex-Post-Facto Designs]], [[Vorexperimentelle Designs]] und die [[Korrelative Forschung]].

In einer [[Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs|Übersicht]] werden zudem auch Small-N-Designs (quasi-)experimentellen Designs gegenübergestellt.

Artikelliste:Nicht-Experimente

2017-01-23T15:31:17Z

Diana:

[[Nicht-Experimente]]
* [[Quasi-Experimente]]
** [[Nicht-äquivalente Kontrolldesigns]]
** [[Zeitreihendesigns]]
* [[Small-N-Experimente]]
** [[Small-N-Designs]]
** [[Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs|Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs]]
* [[Ex-Post-Facto Designs]]
* [[Korrelative Forschung]]
** [[Längsschnittuntersuchungen]]
** [[Querschnittuntersuchungen]]
** [[Sequenzielles Kohortendesign]]
*[[Vorexperimentelle Designs]]

Artikelliste:Nicht-Experimente

2017-01-23T15:30:44Z

Diana:

Skalentypen

2017-01-23T14:29:32Z

Diana:

{{Nav|Navigation|Messtheorie|Messtheorie}}
An Skalen wird der Anspruch gestellt, dass sie ein empirisches Relativ ''homomorph'' (strukturerhaltend, siehe [[Messtheorie]]) in ein numerisches Relativ abbilden können. Das empirische Relativ ist das ''tatsächlich'' vorliegende Verhältnis zwischen den zu untersuchenden Objekten. Das numerische Relativ stellt die theoretische Abbildung dieses Verhältnisses in Zahlen dar. Skalen können sich darin unterscheiden, wieviel Information sie über das empirische Relativ beinhalten. 
Man unterscheidet vier Typen von Skalen (auch: '''Skalenniveaus''') mit unterschiedlichem Informationsgehalt: 
 
[[Datei:Skalenniveaus.png|500px]]

Die '''Nominalskala''' 
Daten auf einer Nominalskala lassen sich lediglich auf '''Gleichheit oder Ungleichheit''' überprüfen. 
Objekte mit gleicher Merkmalsausprägung bekommen die gleichen Zahlen zugeordnet, Objekte mit unterschiedlicher Merkmalsausprägung bekommen unterschiedliche Zahlen zugeordnet. 
Nominalskalierte Daten können statistisch lediglich auf Häufigkeitsverteilungen untersucht werden.
 
[[Datei:Nominalskala.jpg|400px|thumb|zentriert|Nominalskala]]

 
 
''Beispiel Haarfarbe: Die Haarfarbe "braun" im empirischen Relativ erhält im numerischen Relativ eine 1, "blond" erhält 2, "rot" 3 und "schwarz" 4. Personen, die dieselbe Zahl erhalten (numerisches Relativ) haben die gleiche Haarfarbe (empirisches Relativ). Anhand der Zahlen kann ich die Personen auf ihre Unterschiedlichkeit bzw. Gleichheit untersuchen (gleiche versus andere Haarfarbe) und nachverfolgen, wie viele Personen der jeweiligen Haarfarben-Kategorie zugeordnet wurden (Häufigkeitsverteilung).'' 
 
 
Die '''Ordinalskala''' 
Eine Ordinalskala (auch Rangskala genannt) ordnet empirischen Relativen Zahlen zu, die Rückschlüsse auf eine '''Rangreihenfolge''' der Objekte bezüglich des untersuchten Kriteriums zulassen. Das bezüglich des Kriteriums dominierende Objekt erhält eine größere Zahl. Somit kann bei ordinalskalierten Daten eine Aussage über Größer-kleiner-Relationen gemacht werden.
[[Datei:Ordinalskala.jpg|400px|thumb|zentriert|Ordinalskala]]

''Beispiel Sportwettkampf: Der erste Leichtathlet, der die Ziellinie überquert (empirisches Relativ) erhält im numerischen Relativ eine 1. Der Zweite die 2, usw. Sportler, die gleichzeitig die Ziellinie überqueren erhalten die gleiche Zahl.
Anhand der Zahlen kann festgestellt werden, wer der schnellste Läufer war, wer der zweitschnellste usw. Es kann also Gleichheit&Ungleichheit und eine Rangordnung festgestellt werden (1.Platz, 2.Platz…).''
 
 
Die '''Intervallskala''' 
Objekte werden auf einer Intervallskala numerisch so abgebildet, dass anhand der zugeordneten Zahlen verschieden große '''Differenzen''' zwischen verschiedenen Objekten ausgemacht werden können. 
[[Datei:Intervallskala.jpg|300px|thumb|zentriert|Intervallskala]]

''''Bei vier Personen wird der Intelligenzquotient gemessen. Person 1 erreicht eine Punktzahl von 95, Person 2 von 100, Person 3 von 105 und Person 4 eine Punktzahl von 110. Auf Intervallskalen-Niveau kann nun festgestellt werden, ob Personen unterschiedliche oder gleiche Leistungen erbracht haben, wer eine höhere oder niedrigere Leistung erbracht hat (Rangordnung) und zusätzlich, um wie viele Punkte Person 2 besser abgeschnitten hat als Person 1, oder, dass die Leistung von Person 2 gleichweit von der Leistung von den Personen 1 und 3 entfernt ist etc.''
 
 
Die '''Verhältnisskala''' 
Über Daten auf einer Verhältnisskala können Aussagen über '''empirische Verhältnisse''' der zugehörigen Objekte gemacht werden. Das mathematische Verhältnis zwischen zwei Zahlen entspricht dem empirischen Verhältnis der zugehörigen Objekte. Hierzu ist es nötig, dass eine Skala einen "Anfangs-" oder Referenzpunkt besitzt, also ''bei Null beginnt''. 
[[Datei:Intervallskala.jpg|300px|thumb|zentriert|Verhältnisskala]]

''Die Körpergröße von vier Personen wird gemessen und die Daten auf einer Verhältnisskala abgetragen. Eine Person mit der Körpergröße von 100cm erhält das numerische Relativ 1. Einer Person mit 200cm Körpergröße das numerische Relativ 2. Anhand der Zahlen kann man feststellen, dass Person 2 doppelt so groß ist wie Person 1 (200:100 --> 2:1).''
 
 
Die vier Skalentypen unterscheiden sich also in dem Informationsgrad bezüglich Verschiedenheit, Rangordnung, Differenz- und Verhältnisdarstellung. Die folgende Abbildung fasst dies zusammen:
 
[[Datei:Tabelle.jpg|400px|thumb|zentriert|Skalentypen - tabellarische Übersicht]]
 Nach Hussy u.a., 2010

Datei:Skalenniveaus.png

2017-01-23T14:28:38Z

Diana:

Skalentypen

2017-01-23T14:19:34Z

Diana:

{{Nav|Navigation|Messtheorie|Messtheorie}}
An Skalen wird der Anspruch gestellt, dass sie ein empirisches Relativ ''homomorph'' (strukturerhaltend, siehe [[Messtheorie]]) in ein numerisches Relativ abbilden können. Das empirische Relativ ist das ''tatsächlich'' vorliegende Verhältnis zwischen den zu untersuchenden Objekten. Das numerische Relativ stellt die theoretische Abbildung dieses Verhältnisses in Zahlen dar. Skalen können sich darin unterscheiden, wieviel Information sie über das empirische Relativ beinhalten. 
Man unterscheidet vier Typen von Skalen (auch: '''Skalenniveaus''') mit unterschiedlichem Informationsgehalt: 
 
[[Datei:Skalenniveaus.png]]

Die '''Nominalskala''' 
Daten auf einer Nominalskala lassen sich lediglich auf '''Gleichheit oder Ungleichheit''' überprüfen. 
Objekte mit gleicher Merkmalsausprägung bekommen die gleichen Zahlen zugeordnet, Objekte mit unterschiedlicher Merkmalsausprägung bekommen unterschiedliche Zahlen zugeordnet. 
Nominalskalierte Daten können statistisch lediglich auf Häufigkeitsverteilungen untersucht werden.
 
[[Datei:Nominalskala.jpg|400px|thumb|zentriert|Nominalskala]]

 
 
''Beispiel Haarfarbe: Die Haarfarbe "braun" im empirischen Relativ erhält im numerischen Relativ eine 1, "blond" erhält 2, "rot" 3 und "schwarz" 4. Personen, die dieselbe Zahl erhalten (numerisches Relativ) haben die gleiche Haarfarbe (empirisches Relativ). Anhand der Zahlen kann ich die Personen auf ihre Unterschiedlichkeit bzw. Gleichheit untersuchen (gleiche versus andere Haarfarbe) und nachverfolgen, wie viele Personen der jeweiligen Haarfarben-Kategorie zugeordnet wurden (Häufigkeitsverteilung).'' 
 
 
Die '''Ordinalskala''' 
Eine Ordinalskala (auch Rangskala genannt) ordnet empirischen Relativen Zahlen zu, die Rückschlüsse auf eine '''Rangreihenfolge''' der Objekte bezüglich des untersuchten Kriteriums zulassen. Das bezüglich des Kriteriums dominierende Objekt erhält eine größere Zahl. Somit kann bei ordinalskalierten Daten eine Aussage über Größer-kleiner-Relationen gemacht werden.
[[Datei:Ordinalskala.jpg|400px|thumb|zentriert|Ordinalskala]]

''Beispiel Sportwettkampf: Der erste Leichtathlet, der die Ziellinie überquert (empirisches Relativ) erhält im numerischen Relativ eine 1. Der Zweite die 2, usw. Sportler, die gleichzeitig die Ziellinie überqueren erhalten die gleiche Zahl.
Anhand der Zahlen kann festgestellt werden, wer der schnellste Läufer war, wer der zweitschnellste usw. Es kann also Gleichheit&Ungleichheit und eine Rangordnung festgestellt werden (1.Platz, 2.Platz…).''
 
 
Die '''Intervallskala''' 
Objekte werden auf einer Intervallskala numerisch so abgebildet, dass anhand der zugeordneten Zahlen verschieden große '''Differenzen''' zwischen verschiedenen Objekten ausgemacht werden können. 
[[Datei:Intervallskala.jpg|300px|thumb|zentriert|Intervallskala]]

''''Bei vier Personen wird der Intelligenzquotient gemessen. Person 1 erreicht eine Punktzahl von 95, Person 2 von 100, Person 3 von 105 und Person 4 eine Punktzahl von 110. Auf Intervallskalen-Niveau kann nun festgestellt werden, ob Personen unterschiedliche oder gleiche Leistungen erbracht haben, wer eine höhere oder niedrigere Leistung erbracht hat (Rangordnung) und zusätzlich, um wie viele Punkte Person 2 besser abgeschnitten hat als Person 1, oder, dass die Leistung von Person 2 gleichweit von der Leistung von den Personen 1 und 3 entfernt ist etc.''
 
 
Die '''Verhältnisskala''' 
Über Daten auf einer Verhältnisskala können Aussagen über '''empirische Verhältnisse''' der zugehörigen Objekte gemacht werden. Das mathematische Verhältnis zwischen zwei Zahlen entspricht dem empirischen Verhältnis der zugehörigen Objekte. Hierzu ist es nötig, dass eine Skala einen "Anfangs-" oder Referenzpunkt besitzt, also ''bei Null beginnt''. 
[[Datei:Intervallskala.jpg|300px|thumb|zentriert|Verhältnisskala]]

''Die Körpergröße von vier Personen wird gemessen und die Daten auf einer Verhältnisskala abgetragen. Eine Person mit der Körpergröße von 100cm erhält das numerische Relativ 1. Einer Person mit 200cm Körpergröße das numerische Relativ 2. Anhand der Zahlen kann man feststellen, dass Person 2 doppelt so groß ist wie Person 1 (200:100 --> 2:1).''
 
 
Die vier Skalentypen unterscheiden sich also in dem Informationsgrad bezüglich Verschiedenheit, Rangordnung, Differenz- und Verhältnisdarstellung. Die folgende Abbildung fasst dies zusammen:
 
[[Datei:Tabelle.jpg|400px|thumb|zentriert|Skalentypen - tabellarische Übersicht]]
 Nach Hussy u.a., 2010

Korrelation

2017-01-22T15:47:13Z

Diana:

{{Nav|Navigation|Ziele|Ziele}}

Eine Korrelation bezeichnet den Zusammenhang zwischen zwei oder mehr Variablen. Dieser Zusammenhang kann positiv oder negativ sein.

[[Datei:Korrelation1.png|400px]]
 Ausgedrückt wird eine Korrelation mithilfe von Korrelationskoeffizienten (KK). Diese bezeichnen die Enge und Richtung von Zusammenhängen.

Es gibt verschiedene Arten von Korrelationskoeffizienten:
*Produkt-Moment-Korrelation (linearer Zusammenhang zweier intervallskalierter Merkmale)
*Rangkorrelation (monotoner Zusammenhang zweier ordinalskalierter Merkmale)
*Kontingenzkoeffizient (atoner Zusammenhang zweier nominalskalierter Merkmale)
*Bei mehr als 2 Merkmalen erhält man multivariate Korrelationskoeffizienten.

Am häufigsten finden sich Produkt-Moment-Korrelationen als Korrelationskoeffizienten. Diese können sowohl im positiven Bereich als auch im negativen Bereich sein. Ein positiver KK bedeutet, dass der Zusammenhang eng ist. Bei zwei betrachteten Ereignissen würde dies bedeuten, dass ein Ereignis häufig dann auftritt, wenn auch ein anderes Ereignis auftritt. Ein negativer KK bei zwei betrachteten Ereignissen bedeutet entsprechend, dass ein Ereignis in der Regel dann auftritt, wenn das andere Ereignis nicht auftritt.

Zur Beschreibung des Korrelationskoeffizienten wird häufig der Buchstabe r genutzt. Der Wert von r liegt immer zwischen -1 und 1.
Bei einem positiven Zusammenhang ''(d.h. mit höherem Wert der Variable A steigt auch der Wert der Variable B)'' ist der Wert größer als null, bei einem negativen Zusammenhang ''(d.h. mit höherem Wert der Variable A sinkt der Wert der Variable B)'' kleiner als Null und bei keinerlei Zusammenhang der Variablen beträgt r exakt 0.
 Die Stärke des Zusammenhangs wird hierbei durch den Abstand von 0 gekennzeichnet. Normalerweise gelten Korrelationen mit einem Betrag von unter 0,3 als schwach und Korrelationen mit einem Betrag ab 0,5 als stark.
In Streudiagrammen gilt grundsätzlich: je mehr die Punktwolke einer Geraden gleicht, desto stärker ist der Zusammenhang – je mehr sie einem Kreis gleicht, desto schwächer ist er. Starke Korrelationen sehen beispielsweise folgendermaßen aus:
 [[Datei:Korrelation2.png|600px]]
 
'''Wichtig: Die Korrelation ist nur eine deskriptive Beziehung zwischen den Variablen, es kann hier keine Aussage über einen Kausalzusammenhang getroffen werden! '''
 Aus einer Korrelation zwischen zwei Variablen kann nicht etwa geschlossen werden, dass sich Variable X in bestimmter Weise auf Variable Y auswirkt. Eine gemeinsame Veränderung kann unzählige andere Ursachen haben:

[[Datei:Korrelation3.png|500px]]

Mögliche Interpretationen einer Korrelation sind:
*Koinzidenz (Das gemeinsame Auftreten ist zufällig zustande gekommen.
*X ist ein Teil von Y
*Moderator- oder Mediatoreffekte (eine gemeinsame Drittvariable steuert den Prozess)
*Kausalität
*Umgekehrte Kausalität

''Beispiel: In einer Studie wurde herausgefunden, dass Kinder, die mit ihrem rechten Arm über den Kopf an ihr linkes Ohrläppchen fassen können, auch gleichzeitig als schulfähig eingestuft werden können. Das Beherrschen dieser Handlung ist jedoch keine Ursache für die Schulfähigkeit. Eine dahinterliegende Drittvariable (ausreichende körperliche Entwicklung des Kindes) bedingt die Korrelation.

Korrelation

2017-01-22T15:46:29Z

Diana:

{{Nav|Navigation|Ziele|Ziele}}

Eine Korrelation bezeichnet den Zusammenhang zwischen zwei oder mehr Variablen. Dieser Zusammenhang kann positiv oder negativ sein.

[[Datei:Korrelation1.png|400px]]
 Ausgedrückt wird eine Korrelation mithilfe von Korrelationskoeffizienten (KK). Diese bezeichnen die Enge und Richtung von Zusammenhängen.

Es gibt verschiedene Arten von Korrelationskoeffizienten:
*Produkt-Moment-Korrelation (linearer Zusammenhang zweier intervallskalierter Merkmale)
*Rangkorrelation (monotoner Zusammenhang zweier ordinalskalierter Merkmale)
*Kontingenzkoeffizient (atoner Zusammenhang zweier nominalskalierter Merkmale)
*Bei mehr als 2 Merkmalen erhält man multivariate Korrelationskoeffizienten.

Am häufigsten finden sich Produkt-Moment-Korrelationen als Korrelationskoeffizienten. Diese können sowohl im positiven Bereich als auch im negativen Bereich sein. Ein positiver KK bedeutet, dass der Zusammenhang eng ist. Bei zwei betrachteten Ereignissen würde dies bedeuten, dass ein Ereignis häufig dann auftritt, wenn auch ein anderes Ereignis auftritt. Ein negativer KK bei zwei betrachteten Ereignissen bedeutet entsprechend, dass ein Ereignis in der Regel dann auftritt, wenn das andere Ereignis nicht auftritt.

Zur Beschreibung des Korrelationskoeffizienten wird häufig der Buchstabe r genutzt. Der Wert von r liegt immer zwischen -1 und 1.
Bei einem positiven Zusammenhang ''(d.h. mit höherem Wert der Variable A steigt auch der Wert der Variable B)'' ist der Wert größer als null, bei einem negativen Zusammenhang ''(d.h. mit höherem Wert der Variable A sinkt der Wert der Variable B)'' kleiner als Null und bei keinerlei Zusammenhang der Variablen beträgt r exakt 0.
 Die Stärke des Zusammenhangs wird hierbei durch den Abstand von 0 gekennzeichnet. Normalerweise gelten Korrelationen mit einem Betrag von unter 0,3 als schwach und Korrelationen mit einem Betrag ab 0,5 als stark.
In Streudiagrammen gilt grundsätzlich: je mehr die Punktwolke einer Geraden gleicht, desto stärker ist der Zusammenhang – je mehr sie einem Kreis gleicht, desto schwächer ist er. Starke Korrelationen sehen beispielsweise folgendermaßen aus:
 [[Datei:Korrelation2.png|600px]]
 
'''Wichtig: Die Korrelation ist nur eine deskriptive Beziehung zwischen den Variablen, es kann hier keine Aussage über einen Kausalzusammenhang getroffen werden! '''
 Aus einer Korrelation zwischen zwei Variablen kann nicht etwa geschlossen werden, dass sich Variable X in bestimmter Weise auf Variable Y auswirkt. Eine gemeinsame Veränderung kann unzählige andere Ursachen haben:

[[Datei:Korrelation3.png|500px]]

Mögliche Interpretationen einer Korrelation sind:
*Koinzidenz (Das gemeinsame Auftreten ist zufällig zustande gekommen.
*X ist ein Teil von Y
*Moderator- oder Mediatoreffekte (eine gemeinsame Drittvariable steuert den Prozess)
*Kausalität
*Umgekehrte Kausalität

''Beispiel
''In einer Studie wurde herausgefunden, dass Kinder, die mit ihrem rechten Arm über den Kopf an ihr linkes Ohrläppchen fassen können, auch gleichzeitig als schulfähig eingestuft werden können. Das Beherrschen dieser Handlung ist jedoch keine Ursache für die Schulfähigkeit. Eine dahinterliegende Drittvariable (ausreichende körperliche Entwicklung des Kindes) bedingt die Korrelation.

Datei:Stichprobenarten.png

2017-01-22T15:37:17Z

Diana:

Stichproben

2017-01-22T15:36:51Z

Diana:

{{Nav|Navigation|Stichproben|Versuchsplanung}}

Aussagen über Populationen werden sehr oft anhand von Untersuchungen an Teilmengen überprüft. Eine solche Teilmenge wird als Stichprobe bezeichnet. Eine Stichprobe wird nach unterschiedlichen Prinzipien und unter verschiedenen Umständen ausgewählt.

Untersuchungen einer gesamten interessierenden Population sind oft nicht möglich bzw. sehr unökonomisch. Daher untersucht man nur eine Stichprobe und verallgemeinert die Ergebnisse auf die Population. Auch im Alltag werden häufig Hypothesen anhand von Stichproben untersucht. So wird beispielsweise in einer Prüfung ausschließlich eine Stichprobe des anzueignenden Wissens überprüft. Von den Antworten auf die ausgewählten Fragen wird daraufhin auf den gesamten Wissensstand geschlussfolgert und eine allgemeine Note vergeben.
Bei Untersuchungen an Stichproben muss besonders auf die '''Zulässigkeit der Verallgemeinerung der Ergebnisse auf die Population''' geachtet werden.

Eine Stichprobe wird aus einer Masse (Population) gezogen. Dafür muss man auf die Elemente der Population zugreifen können. Es werden Listen mit sämtlichen Elementen der interessierenden Population erstellt. Eine solche Auflistung wird Auswahl- oder Erhebungsrahmen genannt.
Die Elemente einer Stichprobe werden mit n bezeichnet. Sie sollen den Elementen der Population (N), von der die Stichprobe stammt, entsprechen. Da eine Stichprobe weniger Elemente enthält als ihre Population gilt: n < N.
Die Befunde, die auf den Ergebnissen der Untersuchung von Stichproben basieren, bilden die Population nicht immer exakt ab. Diese unvermeidbaren Unterschiede zwischen Grundgesamtheit und Stichprobe werden als '''Stichprobenfehler''' (bzw. [[Standardfehler]]) bezeichnet.

Neben dem Stichprobenfehler können auch '''systematische Fehler''' auftreten, die möglichst vermieden werden sollten. Hierzu gehören Fehler im Erhebungsrahmen. Sie können zum einen entstehen, wenn zu der Grundgesamtheit gehörende Einheiten nicht in der Erhebungsgesamtheit enthalten sind (Untererfassung), wenn zur Grundgesamtheit gehörende Einheiten mehrfach in der Erhebungsgesamtheit enthalten sind (Übererfassung), oder wenn die Erhebungsgesamtheit Einheiten enthält, die nicht zur Grundgesamtheit gehören (Übererfassung). Zudem können systematische Fehler infolge von Antwortausfällen entstehen. Es ist zum Beispiel möglich, dass von den Einheiten, die zur Stichprobe gehören, keine oder keine vollständigen Informationen zu erlangen sind. Auch durch missverständliche Fragestellungen oder ungeeichte Erhebungsinstrumente induzierte Messfehler sollten möglichst vermieden werden.

Stichproben unterscheiden sich in ihrer Größe und der Art, wie sie ausgewählt wurde. Man unterscheidet [[probabilistische Stichproben|probabilistische]] und [[nicht-probabilistische Stichproben|nicht-probabilistische]] Stichproben danach, ob bei der Ziehung ein Zufallsprinzip eingesetzt wird (probabilistisch) oder eine gezielte Auswahl stattfindet (nicht-probabilistisch).

''Beispiele:

''1. In einer Prüfung wird nur eine Teilmenge des anzueignenden Wissens überprüft.
 ''2. Bei der Qualitätskontrolle von Airbags eines Airbags-Herstellers wird nur ein Teil der Produkte kontrolliert.
 ''3. Bei der Weinprobe werden nur kleine Mengen jeder Wein-Sorte gekostet.

== Übersicht der Stichprobenarten ==

[[Datei:Stichprobenarten.png]]

Probandeneffekte

2017-01-22T15:21:37Z

Diana:

{{Nav|Navigation|Kontrollprobleme|Versuchsplanung}}

Probandeneffekte sind die Reaktion der Probanden auf die Tatsache, dass sie gemessen/beobachtet werden.
Dazu zählen z.B. folgende Verzerrungen:
* Die Versuchsperson verstellt ihr Verhalten in die Richtung, die sozial erwünscht ist.
* Die Versuchsperson erkennt die Hypothese und will sie entweder unterstützen oder sabotieren und verhält sich entsprechend.
* [https://de.wikipedia.org/wiki/Demand_Characteristics Demand Characteristics]
Diese Verzerrungen haben in den meisten Fällen nichts mit den Hypothesen des Versuchs zu tun und beeinträchtigen deswegen sowohl die [[interne Validität]] als auch die [[externe Validität]].

''Beispiel:
''Die berühmten Hawthorne-Studien führten dazu, dass reaktive Untersuchungsbedingungen heute auch als Hawthorne-Effekte bekannt sind. In den Studien wurden Werkarbeiter unter verschiedenen Arbeitsbedingungen untersucht. Überraschenderweise zeigte sich eine höhere Arbeitsleistung unter einer Verschlechterung der Bedingungen. Dieses Ergebnis lässt sich jedoch nicht allein auf die experimentellen Bedingungen zurückführen. Die Arbeiter erhielten durch die Untersuchung mehr Zuwendung und Aufmerksamkeit und arbeiteten deshalb motivierter. Dadurch, dass sie beobachtet und beachtet wurden, erzielten sie bessere Leistungen trotz der schlechteren Bedingungen.''

'''Lösungen:'''
* Doppelblind-Studien, d.h. weder der Versuchsleiter noch der Proband wissen, in welcher Versuchsbedingung sie sind
* [[Kontrollgruppen-Designs|Placebo‐Kontrollbedingungen]] (enthalten in Doppelblind‐Studien)
* Manipulations‐Checks z.B. in Form von Befragungen: „Was war die Hypothese?“ oder „In welcher Bedingungen waren Sie?“
* [[Forschung nach Bereichen und Setting#Setting|Feldversuche]], denn dabei wissen die Versuchspersonen nicht, dass sie Versuchsperson sind. Hierbei ist allerdings auf die [[Ethik und Forschungsrealität|Ethik]] zu achten!