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

Small-N-Designs

2016-08-06T12:45:27Z

Johannes:

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

==AB Design==

Bei diesem Design wird die [[abhängige Variablen|abhängige Variable]](AV) zuerst in Phase A mehrfach als Grundrate erhoben. In der Experimentalphase (B) wird dann die [[unabhängige Variablen|unabhängige Variable]](UV) eingeführt und weiterhin die AV erhoben. Aus dem Vergleich der Ausprägungen der AV zwischen den Phasen A und B werden dann Schlussfolgerungen über die Wirkung des Treatments gezogen. Der Einfluss der [[Störvariablen]] wird als in beiden Phasen gleich angesehen, er wird also durch Konstanthaltung kontrolliert.

Die [[interne Validität]] des AB-Designs ist jedoch trotzdem mangelhaft, da nur einmalig gezeigt wird, dass mit der Intervention (UV in Experimentalphase) eine Veränderung eintritt. Dabei werden jedoch [[Probleme der internen Validität#Konfundierung|Konfundierungseffekte]] mit dem zwischenzeitlichen Geschehen und mit [[Reifung|Reifungseffekten]] nicht kontrolliert.

Schema:

[[File:AB_Design.jpg|550px]]

==ABA Design==

Dieser Plan stellt eine Erweiterung des [[Small-N-Designs#AB Design|AB Design]]s dar. An die Grundratenphase (A1) und die Experimentalphase (B) schließt sich hier erneut eine Phase ohne Intervention (A2) an. Um diese herbeizuführen, muss der Einfluss der [[unabhängige Variablen|UV]] "rückgängig" gemacht werden. Dies kann geschehen, indem die UV entweder ausgeblendet oder umgekehrt wird.

Wenn in der zweiten A-Phase die Auswirkung der [[abhängige Variablen|AV]] auf das Niveau der ersten A-Phase zurückgeht (bei Ausblendung der UV) bzw. die Daten entgegen der Richtung der B-Phase gehen (bei Umkehrung der UV), dann kann als hinreichend gesichert gelten, dass die Ausprägungen der AV von der Wirkung bzw. Nichtwirkung der UV beeinflusst wurde.

Schema:

[[File:aba_design.jpg|550px]]

==BAB Design==

Das Prinzip des BAB-Plans ist ähnlich wie das des [[Small-N-Designs#ABA Design|ABA Design]]s. Hier beginnt und endet man jedoch nicht mit einer Grundratenerhebung (A), sondern mit der Experimentalbedingung (B1 und B2). Dies kann zum Beispiel in klinischen oder pädagogischen Studien sinnvoller und ethisch vertretbarer sein. Denn nun wird die Versuchsperson nicht mit einer wieder entzogenen Hilfe oder gar einem gegenteiligen Treatment aus der Studie entlassen.

Dieses Vorgehen wirft jedoch auch Probleme auf, denn die Erhebung der Grundphase kann von der vorherigen Experimentalphase beeinflusst sein ([[Sequenzeffekte|Pretesteffekt]]). Dies wirkt sich negativ auf die [[externe Validität]] von BAB-Plänen aus. Außerdem ist die Baseline, also das „Normalverhalten“ durch die vorgeschobene B-Phase womöglich schlecht erfasst.

==ABAB Design==

Diese Pläne werden auch als Ausblendungs- oder Umkehrdesigns bezeichnet. ABAB-Pläne sind Erweiterungen der [[Small-N-Designs#AB Design|AB-]] bzw. [[Small-N-Designs#ABA Design|ABA Design]]s. Die Grundratenphasen A1 und A2 stellen Kontrollphasen dar. Die Phase A2 kann durch Ausblendung oder durch Umkehrung der UV herbeigeführt werden. Es findet nach der zweiten Grundratenerhebung eine erneute Experimentalphase (B2) statt. Ziel dabei ist es durch Alternieren von B und A einen Interventionseffekt bei derselben Untersuchungseinheit zu replizieren. Durch den Vergleich der Phasen B1 und B2 und insgesamt der A- mit den B-Phasen ist ein valider Rückschluss auf die Wirkung der Intervention möglich. Durch die erhöhte Anzahl von Messphasen werden [[Zeiteinflüsse]] gut kontrolliert, da es als unwahrscheinlich angesehen wird, dass diese nur in den Experimentalphasen auftreten.

Das ABAB-Design kann allerdings in der Therapieforschung als problematisch aufgefasst werden, wenn eine wirksame Behandlung bei einer Person zeitweilig unterbrochen wird, um die experimentelle Kontrolle zu demonstrieren.

Außerdem ist manches einmal gelerntes Verhalten in der Phase B1 nicht mehr reversibel und kann dadurch nicht mehr ausgeblendet oder umgekehrt werden, so dass eine mit der A1-Phase identischen Grundratenphase nach begonnener Intervention nicht mehr hergestellt werden kann.

==ABE Design==

ABE-Design steht für AB-Extension-Design. Auf Deutsch bedeutet das so viel wie AB-Erweiterungs-Design. Es handelt sich um ein [[Small-N-Designs#AB Design|AB Design]], bei dem nach der Experimentalphase eine erneute Messung stattfindet (Follow-up-Messung). Das Ziel dabei ist die Nachhaltigkeit einer Intervention zu überprüfen, indem die Beobachtung des Zielverhaltens fortgesetzt wird. Die Zeitspanne zwischen der Beendigung der B-Phase und der Follow-up-Messung muss dabei je nach inhaltlicher Fragestellung bei jeder Untersuchung individuell gewählt werden. Mit einem ABE-Plan kann überprüft werden, ob die gefundenen Effekte nachhaltig anhalten. Somit kann die Aussagekraft der Ergebnisse erhöht werden.

==Changing Criterion Design==

Das Changing Criterion Design (CCD – deutsch: Kriterien-Veränderungs-Design) wird angewendet, um die Wirksamkeit von Interventionen anhand sukzessiver Verhaltensänderungen nachzuweisen. Viele Verhaltensänderungen (z. B. Gewichtsreduktion, Aufbau von sozial kompetentem Verhalten) entstehen nur schrittweise und nicht "von jetzt auf gleich". Die kleinen Fortschritte sind dann schwer mit herkömmlichen Experimenten nachweisbar, da die Effekte zu gering sind, um als bedeutsam zu gelten. Das CCD berücksichtigt dieses Problem und weist nacheinander die Teilergebnisse nach.

Prinzipiell kann man das CCD als Adaption eines [[Small-N-Designs#AB Design|AB Design]]s begreifen, bei dem sich die B-Phase in mehrere Teilphasen aufsplittet. Für jede dieser Teilphasen wird ein Kriterium festgelegt, welches erreicht werden muss, um mit der nächsten Teilphase beginnen zu können. Beispielsweise soll ein Diätprogramm zunächst zu einer Gewichtsreduktion von 3 kg führen, dann einmal von 4 kg und in Phase B3 zu erneut -3 kg. Insgesamt hat das Programm dann zu einer Gewichtsabnahme von 10 kg geführt und kann damit als wirksam gelten.

Wichtig ist, dass diese Teilkriterien mit sinnvollen Differenzen festgelegt werden – es muss insgesamt ein eindeutiger Effekt nachgewiesen werden können, aber ein einzelner Teilschritt muss erreichbar und mit dem nächsten Teilschritt gut vereinbar sein.

Weiterhin ist die Dauer der Teilphasen von Belang. Im Beispiel der Gewichtsreduktion wäre es unrealistisch und dementsprechend für einen wissenschaftlichen Versuch unangemessen, die Teilphasen nur jeweils einen Tag oder – das andere Extrem – ein Jahr anzusetzen. Eine zu kurze Dauer verhindert die Erreichung der Zielkriterien, da es sich um träge und langsam in Gang kommende Prozesse handelt. Da jede Teilphase als Grundrate für die darauf folgende Teilphase dient, müssen die Datenreihen stabil sein, bevor die nächste Teilphase beginnt. Generell sagt man, dass man mindestens drei stabile Datenpunkte (Messungen) erfasst haben sollte, bevor die nächste Teilphase beginnt. Ein zu langer Zeitraum würde jedoch ebenfalls keine relevanten Ergebnisse bringen, hier würden zu viele externe [[Störvariablen]] ([[Zeiteinflüsse]]) wirken. Im Beispiel wäre eine Dauer von jeweils 1-2 Wochen realistisch und sinnvoll.

Ebenfalls beachtet werden müssen in einem CCD die Anzahl der Teilphasen. Diese müssen wie auch die Dauer und die einzelnen Teilkriterien je nach Versuchsinhalt sinnvoll gewählt werden. Meist werden 6-8 Teilphasen anberaumt, mindestens müssen zwei vorhanden sein.

[[File:changing_criterion_design.jpg|600px]]

==Ausbalancierte Pläne==

Ausbalancierte Versuchspläne (auch "Anordnungen mit gleichartigen Zeitstichproben") werden dann eingesetzt, wenn eine Gruppe (oder Person) [[Quasi-Experimente|quasiexperimentell]] untersucht werden soll, jedoch keine [[Kontrollgruppen-Designs|Kontrollgruppe]] (bzw. -person) vorhanden ist. Anstatt die verschiedenen Faktorstufen an verschiedenen Gruppierungen zu testen, werden die Bedingungen an ein und denselben Personen zu unterschiedlichen Zeitpunkten untersucht. Bei einer zweifach gestuften [[unabhängige Variablen|unabhängigen Variablen]] (UV) läuft eine ausbalancierte Untersuchung nach dem Schema ABBA ab, wobei A zum Beispiel die Arbeit mit einem traditionellen Lehrbuch sein kann und B die Arbeit mit einem neuen Lehrbuch. Bei drei Faktorstufen, beispielsweise mit zusätzlichen Phasen ganz ohne Lehrbuch (C), erfolgt der Ablauf nach dem Schema ABCCBA. Die Kontrollgruppen werden also gewissermaßen durch Kontrollbedingungen ersetzt.

Wichtig ist, dass die Bedingungen systematisch variiert werden – sie werden ausbalanciert. Dies verhindert das Auftreten von Reihenfolgeeffekten (wie sie bei nicht ausbalancierten Wiederholungsdesigns auftreten können) und erhöht somit die [[interne Validität]] des Designs. Der störende Einfluss zwischenzeitlicher Geschehnisse wird in ausbalancierten Plänen ebenfalls kontrolliert, da die Wahrscheinlichkeit als gering angesehen wird, dass diese ausgerechnet nur in den Interventionsphasen auftreten.

Bei [[Sequenzeffekte|Übertragungseffekten]] sind diese Pläne nicht anwendbar. Um sie zu verhindern, sind Parallelversionen vom Untersuchungsmaterial erforderlich (z. B. unterschiedliche, aber gleich schwere Rechenaufgaben oder unterschiedliche, aber emotional gleich stark wirkende Bilder).

==Multi-Treatment-Design==

Multi-Treatment bedeutet, dass mehrere Treatments (also [[unabhängige Variablen|UVs]]) vorhanden sind. Neben der Grundrate A und der Intervention B kommt also noch mindestens eine weitere Intervention hinzu (C, D, … etc.). Auch eine Kombination von Treatments ist möglich (z. B. BC). Ein Multi-Treatment-Design kann zum Beispiel A BC B BC sein.

Vorteilhaft an Multi-Treatment-Plänen ist die Effektivität. Es können in einer Versuchsreihe mehrere Treatments miteinander verglichen werden. Allerdings ist die [[interne Validität]] dieser Designs beeinträchtigt durch [[Reifung|Reifungseffekte]], zudem können hier [[Sequenzeffekte]] zwischen den einzelnen Treatments die [[externe Validität]] reduzieren.

==Alternating Treatment Design==

Alternating Treatment bedeutet übersetzt "alternierende Behandlung". Das alternating Treatment Design (ATD) bezeichnet also einen Versuchsaufbau, bei dem im Wechsel verschiedene Interventionen untersucht werden. Dadurch kann von mehreren Interventionen die effektivste bestimmt werden. Zunächst wird die Grundrate der [[abhängige Variablen|AV]] erhoben (Phase A). Im Anschluss daran erfolgen abwechselnd mehrere Interventionsphasen.

'''Beispiel:'''

Ein Kind zeigt häufig aggressives Verhalten, welches abgebaut werden soll. Dazu stehen zwei Strategien (X und Y) zur Verfügung, von denen die beste ermittelt werden soll.

Nach der Ermittlung der Grundrate und der Erlernung beider Strategien wird das Kind angewiesen, die Strategien X und Y zu vorher festgelegten Zeitpunkten anzuwenden. Diese Zeitpunkte sind alternierend. Die [[abhängige Variablen|AV]] wird weiter erfasst und immer der in dem Moment angewendeten Strategie zugeordnet. Die Ergebnisse werden dann prozentual verglichen, beispielsweise grafisch (siehe Abbildung). Die Strategie mit den besseren bzw. den schneller erreichten Effekten ist die wirksamere.

[[File:alternating_treatment_design.jpg|550px]]

==Multiple Grundraten Design==

Multiple Grundratenversuchspläne (MGV) können zum Beispiel dann eingesetzt werden, wenn Ausblendungs- und Umkehrdesigns nicht zur Anwendung kommen können. Sie stellen eine Kombination mehrerer AB-Phasen mit zeitversetzten Interventionen dar. Nach unterschiedlich langen Grundratenphasen (A) beginnen die Interventionsphasen (B) mehrfach zeitlich versetzt. Die unterschiedlich langen Grundratenphasen kommen dadurch zustande, dass pro Grundrate das Augenmerk auf verschiedenen [[abhängige Variablen|abhängigen Variablen]] liegt. Man bezeichnet dies als Replikation. Diese können erfolgen über
* Verhaltensweisen (z. B. Melden im Unterricht, Quatschen mit dem Banknachbarn, Verhalten in der Pause, Pünktlichkeit zu Unterrichtsbeginn)
* Situationen (z. B. im Mathe-, Deutsch-, Geschichte- und Musikunterricht)
* Materialien (z. B. Arbeitsheft, Tagebuch, Hefter, Tafel)
* Personen (z. B. verschiedene Klassen oder verschiedene Schüler).

In einem MGV werden also verschiedene Verhaltensweisen, Situationen, Materialien oder Personen festgelegt, die untersucht werden sollen (i. S. v. [[abhängige Variablen|abhängigen Variablen]]). Dann beginnt die erste Grundratenphase, in der die Ausprägungen aller Variablen im "Normalzustand" erfasst werden, bis stabile Daten erkennbar sind. Nun wird die Intervention, deren Wirkung herausgefunden werden soll ([[unabhängige Variablen]], z. B. Motivationstraining bei Schülern), eingeführt. Allerdings nicht bei allen AVs gleichzeitig, sondern zunächst nur bei einer. Die anderen sind noch unbeeinflusst davon und befinden sich weiterhin in der Grundrate. Wenn dann an der ersten AV ein Effekt auftritt und einige Zeit stabil beobachtet werden kann, wird die Intervention an der nächsten AV eingeführt. Die restlichen AVs bleiben nach wie vor unberührt davon. Wenn auch in diesem Bereich stabile Effekte auftreten, kommt die nächste AV an die Reihe usw.

Zur besseren Veranschaulichung hier die beispielhafte grafische Darstellung eines MGV:

[[File:multiple_grundraten_design.jpg|350px]]

Wenn dann immer ab dem Zeitpunkt der Einführung der Intervention eine Veränderung der verschiedenen AVs eintritt, kann auf die Intervention als verursachende Variable geschlossen werden. Dabei sollten gleiche Interventionen zu ähnlich stark ausgeprägten Verhaltensänderungen bei allen Datenreihen führen. Wenn dies auf mindestens drei Situationen (oder Verhaltensweisen, Materialien, Personen) zutrifft, gilt die interne Validität eines MGV als gesichert.

Damit die Logik der MGV funktioniert, muss eine wichtige Voraussetzung erfüllt sein: Die Zielverhaltensweisen (oder Situationen, Materialien, Personen) müssen voneinander unabhängig sein, es darf keinen Transfer zwischen ihnen geben. Das ist sehr wichtig, weil sonst die Einführung der Intervention sofort auf alle AVs übergreift und keine versetzten Grundraten mehr entstehen können.

==Wechselnde Replikationen Design==

In diesem Design erhält jede Gruppe das Treatment, nur in zeitlich versetzter Reihenfolge. So können [[Zeiteinflüsse]] und [[Sequenzeffekte|Lerneffekte]] kontrolliert werden. Z.B. erhält die erste Untersuchungsgruppe nach der Erhebung der Grundrate (A) das Treatment (B) und im dritten Durchgang wieder kein Treatment (A). Die Zweite Gruppe wird hingegen nach dem Schema AAB untersucht.

Damit entspricht dieses Design im Prinzip einem [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]] über verschiedene Personen.

[[File:wechselnde_replikationen_design.png|600px]]

Small-N-Designs

2016-08-06T12:44:35Z

Johannes:

Small-N-Designs

2016-08-06T12:43:42Z

Johannes:

Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs

2016-07-04T10:20:51Z

Johannes:

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

In der Small-N Forschung basieren die verschiedenen Designs auf Techniken, um die [[interne Validität]] trotz kleiner Stichprobe zu maximieren. Da sich diese Techniken größtenteils mit denen der (quasi-)experimentellen Forschung decken, sind sie in der folgenden Tabelle einmal einander gegenübergestellt.

{| class="wikitable" style="width:600px;"
| '''[[Quasi-Experimente|(quasi-)]][[Experimente|experimentelle Forschung]]'''
| '''[[Small-N-Experimente]]'''
|-
| rowspan="5" | Eingruppen- [[Zeitreihendesigns]] [[Messwiederholungspläne]]
| [[Small-N-Designs#AB Design|AB Design]]
|-
| [[Small-N-Designs#ABA Design|ABA Design]]
|-
| [[Small-N-Designs#BAB Design|BAB Design]]
|-
| [[Small-N-Designs#ABAB Design|ABAB Design]]
|-
| [[Small-N-Designs#ABE Design|ABE Design]]
|-
| rowspan="2" |mehrstufige [[unifaktorielle Versuchspläne]]
| [[Small-N-Designs#Changing Criterion Design|Changing Criterion Design]]
|-
| [[Small-N-Designs#Ausbalancierte Pläne|Ausbalancierte Pläne]]
|-
| rowspan="2" | [[Mehrfaktorielle Versuchspläne]]
| [[Small-N-Designs#Multi-Treatment-Design|Multi-Treatment-Design]]
|-
| [[Small-N-Designs#Alternating Treatment Design|Alternating Treatment Design]]
|-
| [[Multivariate Versuchspläne]]
| [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]]
|-
| [[Small-N-Designs#wechselnde Replikationen Design|wechselnde Replikationen Design]]
| [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]] über verschiedene Personen
|}

Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs

2016-07-04T10:20:30Z

Johannes:

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

In der Small-N Forschung basieren die verschiedenen Designs auf Techniken, um die [[interne Validität]] trotz kleiner Stichprobe zu maximieren. Da sich diese Techniken größtenteils mit denen der (quasi-)experimentellen Forschung decken, sind sie in der folgenden Tabelle einmal einander gegenübergestellt.

{| class="wikitable" style="width:600px;"
| '''[[Quasi-Experimente|(quasi-)]][[Experimente|experimentelle Forschung]]'''
| '''[[Small-N-Experimente]]'''
|-
| rowspan="5" | Eingruppen- [[Zeitreihendesigns]] [[Messwiederholungspläne]]
| [[Small-N-Designs#AB Design|AB Design]]
|-
| [[Small-N-Designs#ABA Design|ABA Design]]
|-
| [[Small-N-Designs#BAB Design|BAB Design]]
|-
| [[Small-N-Designs#ABAB Design|ABAB Design]]
|-
| [[Small-N-Designs#ABE Design|ABE Design]]
|-
| rowspan="2" |mehrstufige [[unifaktorielle Versuchspläne]]
| [[Small-N-Designs#Changing Criterion Design|Changing Criterion Design]]
|-
| [[Small-N-Designs#Ausbalancierte Pläne|Ausbalancierte Pläne]]
|-
| rowspan="2" | [[Mehrfaktorielle Versuchspläne]]
| [[Multi-Treatment-Design]]
|-
| [[Small-N-Designs#Alternating Treatment Design|Alternating Treatment Design]]
|-
| [[Multivariate Versuchspläne]]
| [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]]
|-
| [[Small-N-Designs#wechselnde Replikationen Design|wechselnde Replikationen Design]]
| [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]] über verschiedene Personen
|}

Small-N-Experimente

2016-07-04T10:18:09Z

Johannes:

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

Gegenstand von Small-N- oder Einzelfalluntersuchungen sind einzelne Untersuchungseinheiten (eine Person, Gruppe oder Organisation). Es werden Merkmalsveränderungen über die Zeit erfasst und analysiert.

Eine Übersicht der verschiedenen Small-N-Designs und eine Gegenüberstellung dieser mit (quasi-)experimentellen Designs befindet sich [[Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs|hier]].

Lange Zeit war diese Form der Forschung als völlig invalide verpönt, da man davon ausging, dass gesicherte Erkenntnisse nur auf einer großen und [[Randomisierung|randomisierten]] Anzahl von Fällen fundieren können. Mittlerweile hat man jedoch den großen Vorteil der Einzelfallforschung erkannt: dass individuelle Ergebnisse nicht in einer gemittelten Masse von vielen Ergebnissen untergehen (vgl. Mittelwertsfalle, Korrelationsfalle). Ein weiterer positiver Aspekt von Einzelfallplänen ist die Möglichkeit, individuelle Verläufe zu erfassen. Dies kann mit Gruppenuntersuchungen nicht geschehen. Weiterhin können selten auftretende Phänomene nur auf diese Art und Weise erforscht werden, da für ein randomisiertes [[Experimente|Experiment]] eine zu geringe Anzahl von Fällen existiert.

Natürlich sind die Untersuchungen in ihrer [[experimentelle Validität|internen Validität]] eingeschränkt, und zwar aufgrund von [[Sequenzeffekte|Übungseffekten]] sowie [[Zeiteinflüsse]]n und [[Reifung]]seffekten. Ihre Interpretation ist also mit Schwierigkeiten verbunden. Durch das Fehlen von Kontrollmöglichkeiten durch andere Personen, wie es sie in Gruppenuntersuchungen gibt ([[Kontrollgruppen-Designs|Kontrollgruppen]]), müssen [[Störvariablen]] hier anderweitig kontrolliert werden. Dies geschieht im Regelfall durch eine zeitliche Variation der zu testenden Faktorstufen, es müssen also Zeitabschnitte abgegrenzt werden. Somit entstehen Phasen, in denen die [[abhängige Variablen|abhängige Variable]] (AV) unter der Experimentalbedingung (Experimentalphase B, Einführung einer [[unabhängige Variablen|unabhängigen Variable]] (UV): z. B. ein Training oder eine Therapie) erhoben wird. Hinzu kommen Phasen, in denen die individuellen Ausgangwerte, d. h. die AV unter "normalen" und unmanipulierten Umständen, erfasst werden. Dies nennt man Erhebung einer Grundrate bzw. Baseline (Phase A). Die Baseline wirkt als Kontrollbedingung und ersetzt somit die Kontrollgruppe. Wichtig ist, dass diese Grundratenphase so lange erhoben wird, bis sie stabil ist. Vorher darf nicht mit einer Experimentalbedingung (B) begonnen werden. Im Gegensatz zu Gruppenversuchen erfolgt bei Einzelfalluntersuchungen die Kontrolle von Störvariablen intraindividuell, sie erfolgt durch die Untersuchungsphase ohne Intervention. Das Untersuchungsobjekt stellt so seine eigene Kontrolle dar und wird mit sich selbst in interventionsfreien Phasen verglichen. Dabei herrscht die Logik, dass die Störvariablen in den Phasen A und B dieselben sind und somit Veränderungen der AV in der Experimentalphase auf das Treatment zurückgeführt werden können.
Die Experimentalbedingung (B) und die Baseline (A) werden in einer systematisch variierten Abfolge dargeboten. Der Plan wird also zu einem [[Small-N-Designs#ausbalancierte Pläne|ausbalancierten Plan]], in dem nur eine Person untersucht wird.

Nach diesem Prinzip (Baseline bzw. Grundratenphase und Experimental- bzw. Interventionsphasen) werden verschiedene Untersuchungsdesigns unterschieden. Grundsätzlich muss jedoch sehr darauf geachtet werden, nicht gegen ethische und moralische Normen zu verstoßen. Immer dann, wenn sich an eine Interventions- eine erneute Grundratenphase anschließt, muss man beim "Entfernen" der Intervention vorsichtig sein. Es ist wichtig, zu schauen, ob ein Interventionsentzug (vor allem der Entzug von Therapien und gesundheitliche Hilfestellungen, die zur Besserung einer Person in der Experimentalphase geführt haben) gerechtfertigt und zumutbar für die Versuchsperson ist. Es gibt zwei Möglichkeiten die Intervention zu entziehen: die Ausblendung und die Umkehrung. Ausblendung bedeutet, dass ein Treatment abgesetzt wird. Umkehrung hingegen bedeutet, dass das erste Treatment durch ein Treatment mit entgegengesetzter Wirkung ersetzt wird (z.B. erfolgt zunächst auf ein bestimmtes Verhalten eine Belohnung, in der Umkehrphase jedoch auf das gleiche Verhalten Bestrafung).

Einzelfalluntersuchungen sind Quasiexperimente und können damit nicht nur für explorative und diagnostische Zwecke, sondern auch zur Kausalhypothesenprüfung eingesetzt werden. Um [[Hypothesen]] intern valide prüfen zu können, müssen jedoch wie auch bei Gruppenuntersuchungen [[Einfache Zufallsstichprobe|Zufallsstichproben]] gezogen werden. Diese beziehen sich dann jedoch nicht auf Personen, sondern auf Situationen, Zeitpunkte oder verschiedene Aufgabenstellungen. Beispielsweise muss ein soziales Kompetenztraining in (möglichst zufällig ausgewählten) verschiedenen Situationen durchgeführt werden, damit man seinen Erfolg nicht nur in einer mehrfach geübten Situation nachweisen, sondern auch auf weitere Situationen im Alltag generalisieren kann. Und um zu testen, ob Frau X auf berufliche Misserfolge mit Migräne reagiert, müssen zufällig erfolglose und erfolgreiche Phasen untersucht werden.

Die [[experimentelle Validität|externe Validität]] von Einzelfalluntersuchungen erscheint augenscheinlich sehr gering, da es sich immer nur um ein einziges Untersuchungsobjekt handelt. Um die Ergebnisse generalisieren zu können, gibt es jedoch zwei Strategien zur Gewährleistung der externen Validität:

* Wahl eines repräsentativen Normalfalls für die Einzelfallstudie
* Replikation

Wenn ein für die Population repräsentativer Einzelfall untersucht wird und die [[Populationen|Population]] hinsichtlich des untersuchten Merkmals homogen ist, können die Ergebnisse von diesem Einzelfall auf die Population generalisiert werden. Wenn wiederholt durchgeführte Einzelfallstudien alle dieselben Ergebnisse liefern, können diese als gesichert gelten und auf ebenfalls die Population generalisiert werden. Bei [[Small-N-Designs#ABAB Design|ABAB Design]]s sind die Phasen A2 und B2 gewissermaßen Replikationen der Phasen A1 und B1. Bei [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]]s erfolgen Replikationen in den einzelnen Phasen über die verschiedenen Situationen, Verhaltensweisen, Materialien oder Personen.

Die Auswertung von Einzelfalldesigns erfolgt visuell ([https://www.msu.edu/course/sw/830/2008/ssd/01.intro/isd129.htm Split-Middle-Technik]) oder statistisch.

Small-N-Designs

2016-07-04T10:17:10Z

Johannes:

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

==AB Design==

Bei diesem Design wird die [[abhängige Variablen|abhängige Variable]](AV) zuerst in Phase A mehrfach als Grundrate erhoben. In der Experimentalphase (B) wird dann die [[unabhängige Variablen|unabhängige Variable]](UV) eingeführt und weiterhin die AV erhoben. Aus dem Vergleich der Ausprägungen der AV zwischen den Phasen A und B werden dann Schlussfolgerungen über die Wirkung des Treatments gezogen. Der Einfluss der [[Störvariablen]] wird als in beiden Phasen gleich angesehen, er wird also durch Konstanthaltung kontrolliert.

Die [[interne Validität]] des AB-Designs ist jedoch trotzdem mangelhaft, da nur einmalig gezeigt wird, dass mit der Intervention (UV in Experimentalphase) eine Veränderung eintritt. Dabei werden jedoch [[Probleme der internen Validität#Konfundierung|Konfundierungseffekte]] mit dem zwischenzeitlichen Geschehen und mit [[Reifung|Reifungseffekten]] nicht kontrolliert.

Schema:

[[File:AB_Design.jpg|550px]]

==ABA Design==

Dieser Plan stellt eine Erweiterung des [[Small-N-Designs#AB Design|AB Design]]s dar. An die Grundratenphase (A1) und die Experimentalphase (B) schließt sich hier erneut eine Phase ohne Intervention (A2) an. Um diese herbeizuführen, muss der Einfluss der [[unabhängige Variablen|UV]] "rückgängig" gemacht werden. Dies kann geschehen, indem die UV entweder ausgeblendet oder umgekehrt wird.

Wenn in der zweiten A-Phase die Auswirkung der [[abhängige Variablen|AV]] auf das Niveau der ersten A-Phase zurückgeht (bei Ausblendung der UV) bzw. die Daten entgegen der Richtung der B-Phase gehen (bei Umkehrung der UV), dann kann als hinreichend gesichert gelten, dass die Ausprägungen der AV von der Wirkung bzw. Nichtwirkung der UV beeinflusst wurde.

Schema:

[[File:aba_design.jpg|550px]]

==BAB Design==

Das Prinzip des BAB-Plans ist ähnlich wie das des [[Small-N-Designs#ABA Design|ABA Design]]s. Hier beginnt und endet man jedoch nicht mit einer Grundratenerhebung (A), sondern mit der Experimentalbedingung (B1 und B2). Dies kann zum Beispiel in klinischen oder pädagogischen Studien sinnvoller und ethisch vertretbarer sein. Denn nun wird die Versuchsperson nicht mit einer wieder entzogenen Hilfe oder gar einem gegenteiligen Treatment aus der Studie entlassen.

Dieses Vorgehen wirft jedoch auch Probleme auf, denn die Erhebung der Grundphase kann von der vorherigen Experimentalphase beeinflusst sein ([[Sequenzeffekte|Pretesteffekt]]). Dies wirkt sich negativ auf die [[externe Validität]] von BAB-Plänen aus. Außerdem ist die Baseline, also das „Normalverhalten“ durch die vorgeschobene B-Phase womöglich schlecht erfasst.

==ABAB Design==

Diese Pläne werden auch als Ausblendungs- oder Umkehrdesigns bezeichnet. ABAB-Pläne sind Erweiterungen der [[Small-N-Designs#AB Design|AB-]] bzw. [[Small-N-Designs#ABA Design|ABA Design]]s. Die Grundratenphasen A1 und A2 stellen Kontrollphasen dar. Die Phase A2 kann durch Ausblendung oder durch Umkehrung der UV herbeigeführt werden. Es findet nach der zweiten Grundratenerhebung eine erneute Experimentalphase (B2) statt. Ziel dabei ist es durch Alternieren von B und A einen Interventionseffekt bei derselben Untersuchungseinheit zu replizieren. Durch den Vergleich der Phasen B1 und B2 und insgesamt der A- mit den B-Phasen ist ein valider Rückschluss auf die Wirkung der Intervention möglich. Durch die erhöhte Anzahl von Messphasen werden [[Zeiteinflüsse]] gut kontrolliert, da es als unwahrscheinlich angesehen wird, dass diese nur in den Experimentalphasen auftreten.

Das ABAB-Design kann allerdings in der Therapieforschung als problematisch aufgefasst werden, wenn eine wirksame Behandlung bei einer Person zeitweilig unterbrochen wird, um die experimentelle Kontrolle zu demonstrieren.

Außerdem ist manches einmal gelerntes Verhalten in der Phase B1 nicht mehr reversibel und kann dadurch nicht mehr ausgeblendet oder umgekehrt werden, so dass eine mit der A1-Phase identischen Grundratenphase nach begonnener Intervention nicht mehr hergestellt werden kann.

==ABE Design==

ABE-Design steht für AB-Extension-Design. Auf Deutsch bedeutet das so viel wie AB-Erweiterungs-Design. Es handelt sich um ein [[Small-N-Designs#AB Design|AB Design]], bei dem nach der Experimentalphase eine erneute Messung stattfindet (Follow-up-Messung). Das Ziel dabei ist die Nachhaltigkeit einer Intervention zu überprüfen, indem die Beobachtung des Zielverhaltens fortgesetzt wird. Die Zeitspanne zwischen der Beendigung der B-Phase und der Follow-up-Messung muss dabei je nach inhaltlicher Fragestellung bei jeder Untersuchung individuell gewählt werden. Mit einem ABE-Plan kann überprüft werden, ob die gefundenen Effekte nachhaltig anhalten. Somit kann die Aussagekraft der Ergebnisse erhöht werden.

==Changing Criterion Design==

Das Changing Criterion Design (CCD – deutsch: Kriterien-Veränderungs-Design) wird angewendet, um die Wirksamkeit von Interventionen anhand sukzessiver Verhaltensänderungen nachzuweisen. Viele Verhaltensänderungen (z. B. Gewichtsreduktion, Aufbau von sozial kompetentem Verhalten) entstehen nur schrittweise und nicht "von jetzt auf gleich". Die kleinen Fortschritte sind dann schwer mit herkömmlichen Experimenten nachweisbar, da die Effekte zu gering sind, um als bedeutsam zu gelten. Das CCD berücksichtigt dieses Problem und weist nacheinander die Teilergebnisse nach.

Prinzipiell kann man das CCD als Adaption eines [[Small-N-Designs#AB Design|AB Design]]s begreifen, bei dem sich die B-Phase in mehrere Teilphasen aufsplittet. Für jede dieser Teilphasen wird ein Kriterium festgelegt, welches erreicht werden muss, um mit der nächsten Teilphase beginnen zu können. Beispielsweise soll ein Diätprogramm zunächst zu einer Gewichtsreduktion von 3 kg führen, dann einmal von 4 kg und in Phase B3 zu erneut -3 kg. Insgesamt hat das Programm dann zu einer Gewichtsabnahme von 10 kg geführt und kann damit als wirksam gelten.

Wichtig ist, dass diese Teilkriterien mit sinnvollen Differenzen festgelegt werden – es muss insgesamt ein eindeutiger Effekt nachgewiesen werden können, aber ein einzelner Teilschritt muss erreichbar und mit dem nächsten Teilschritt gut vereinbar sein.

Weiterhin ist die Dauer der Teilphasen von Belang. Im Beispiel der Gewichtsreduktion wäre es unrealistisch und dementsprechend für einen wissenschaftlichen Versuch unangemessen, die Teilphasen nur jeweils einen Tag oder – das andere Extrem – ein Jahr anzusetzen. Eine zu kurze Dauer verhindert die Erreichung der Zielkriterien, da es sich um träge und langsam in Gang kommende Prozesse handelt. Da jede Teilphase als Grundrate für die darauf folgende Teilphase dient, müssen die Datenreihen stabil sein, bevor die nächste Teilphase beginnt. Generell sagt man, dass man mindestens drei stabile Datenpunkte (Messungen) erfasst haben sollte, bevor die nächste Teilphase beginnt. Ein zu langer Zeitraum würde jedoch ebenfalls keine relevanten Ergebnisse bringen, hier würden zu viele externe [[Störvariablen]] ([[Zeiteinflüsse]]) wirken. Im Beispiel wäre eine Dauer von jeweils 1-2 Wochen realistisch und sinnvoll.

Ebenfalls beachtet werden müssen in einem CCD die Anzahl der Teilphasen. Diese müssen wie auch die Dauer und die einzelnen Teilkriterien je nach Versuchsinhalt sinnvoll gewählt werden. Meist werden 6-8 Teilphasen anberaumt, mindestens müssen zwei vorhanden sein.

[[File:changing_criterion_design.jpg|600px]]

==Ausbalancierte Pläne==

Ausbalancierte Versuchspläne (auch "Anordnungen mit gleichartigen Zeitstichproben") werden dann eingesetzt, wenn eine Gruppe (oder Person) [[Quasi-Experimente|quasiexperimentell]] untersucht werden soll, jedoch keine [[Kontrollgruppen-Designs|Kontrollgruppe]] (bzw. -person) vorhanden ist. Anstatt die verschiedenen Faktorstufen an verschiedenen Gruppierungen zu testen, werden die Bedingungen an ein und denselben Personen zu unterschiedlichen Zeitpunkten untersucht. Bei einer zweifach gestuften [[unabhängige Variablen|unabhängigen Variablen]] (UV) läuft eine ausbalancierte Untersuchung nach dem Schema ABBA ab, wobei A zum Beispiel die Arbeit mit einem traditionellen Lehrbuch sein kann und B die Arbeit mit einem neuen Lehrbuch. Bei drei Faktorstufen, beispielsweise mit zusätzlichen Phasen ganz ohne Lehrbuch (C), erfolgt der Ablauf nach dem Schema ABCCBA. Die Kontrollgruppen werden also gewissermaßen durch Kontrollbedingungen ersetzt.

Wichtig ist, dass die Bedingungen systematisch variiert werden – sie werden ausbalanciert. Dies verhindert das Auftreten von Reihenfolgeeffekten (wie sie bei nicht ausbalancierten Wiederholungsdesigns auftreten können) und erhöht somit die [[interne Validität]] des Designs. Der störende Einfluss zwischenzeitlicher Geschehnisse wird in ausbalancierten Plänen ebenfalls kontrolliert, da die Wahrscheinlichkeit als gering angesehen wird, dass diese ausgerechnet nur in den Interventionsphasen auftreten.

Bei [[Übertragungseffekten]] sind diese Pläne nicht anwendbar. Um sie zu verhindern, sind Parallelversionen vom Untersuchungsmaterial erforderlich (z. B. unterschiedliche, aber gleich schwere Rechenaufgaben oder unterschiedliche, aber emotional gleich stark wirkende Bilder).

==Multi-Treatment-Design==

Multi-Treatment bedeutet, dass mehrere Treatments (also [[unabhängige Variablen|UVs]]) vorhanden sind. Neben der Grundrate A und der Intervention B kommt also noch mindestens eine weitere Intervention hinzu (C, D, … etc.). Auch eine Kombination von Treatments ist möglich (z. B. BC). Ein Multi-Treatment-Design kann zum Beispiel A BC B BC sein.

Vorteilhaft an Multi-Treatment-Plänen ist die Effektivität. Es können in einer Versuchsreihe mehrere Treatments miteinander verglichen werden. Allerdings ist die [[interne Validität]] dieser Designs beeinträchtigt durch [[Reifung|Reifungseffekte]], zudem können hier [[Sequenzeffekte]] zwischen den einzelnen Treatments die [[externe Validität]] reduzieren.

==Alternating Treatment Design==

Alternating Treatment bedeutet übersetzt "alternierende Behandlung". Das alternating Treatment Design (ATD) bezeichnet also einen Versuchsaufbau, bei dem im Wechsel verschiedene Interventionen untersucht werden. Dadurch kann von mehreren Interventionen die effektivste bestimmt werden. Zunächst wird die Grundrate der [[abhängige Variablen|AV]] erhoben (Phase A). Im Anschluss daran erfolgen abwechselnd mehrere Interventionsphasen.

'''Beispiel:'''

Ein Kind zeigt häufig aggressives Verhalten, welches abgebaut werden soll. Dazu stehen zwei Strategien (X und Y) zur Verfügung, von denen die beste ermittelt werden soll.

Nach der Ermittlung der Grundrate und der Erlernung beider Strategien wird das Kind angewiesen, die Strategien X und Y zu vorher festgelegten Zeitpunkten anzuwenden. Diese Zeitpunkte sind alternierend. Die [[abhängige Variablen|AV]] wird weiter erfasst und immer der in dem Moment angewendeten Strategie zugeordnet. Die Ergebnisse werden dann prozentual verglichen, beispielsweise grafisch (siehe Abbildung). Die Strategie mit den besseren bzw. den schneller erreichten Effekten ist die wirksamere.

[[File:alternating_treatment_design.jpg|550px]]

==Multiple Grundraten Design==

Multiple Grundratenversuchspläne (MGV) können zum Beispiel dann eingesetzt werden, wenn Ausblendungs- und Umkehrdesigns nicht zur Anwendung kommen können. Sie stellen eine Kombination mehrerer AB-Phasen mit zeitversetzten Interventionen dar. Nach unterschiedlich langen Grundratenphasen (A) beginnen die Interventionsphasen (B) mehrfach zeitlich versetzt. Die unterschiedlich langen Grundratenphasen kommen dadurch zustande, dass pro Grundrate das Augenmerk auf verschiedenen [[abhängige Variablen|abhängigen Variablen]] liegt. Man bezeichnet dies als Replikation. Diese können erfolgen über
* Verhaltensweisen (z. B. Melden im Unterricht, Quatschen mit dem Banknachbarn, Verhalten in der Pause, Pünktlichkeit zu Unterrichtsbeginn)
* Situationen (z. B. im Mathe-, Deutsch-, Geschichte- und Musikunterricht)
* Materialien (z. B. Arbeitsheft, Tagebuch, Hefter, Tafel)
* Personen (z. B. verschiedene Klassen oder verschiedene Schüler).

In einem MGV werden also verschiedene Verhaltensweisen, Situationen, Materialien oder Personen festgelegt, die untersucht werden sollen (i. S. v. [[abhängige Variablen|abhängigen Variablen]]). Dann beginnt die erste Grundratenphase, in der die Ausprägungen aller Variablen im "Normalzustand" erfasst werden, bis stabile Daten erkennbar sind. Nun wird die Intervention, deren Wirkung herausgefunden werden soll ([[unabhängige Variablen]], z. B. Motivationstraining bei Schülern), eingeführt. Allerdings nicht bei allen AVs gleichzeitig, sondern zunächst nur bei einer. Die anderen sind noch unbeeinflusst davon und befinden sich weiterhin in der Grundrate. Wenn dann an der ersten AV ein Effekt auftritt und einige Zeit stabil beobachtet werden kann, wird die Intervention an der nächsten AV eingeführt. Die restlichen AVs bleiben nach wie vor unberührt davon. Wenn auch in diesem Bereich stabile Effekte auftreten, kommt die nächste AV an die Reihe usw.

Zur besseren Veranschaulichung hier die beispielhafte grafische Darstellung eines MGV:

[[File:multiple_grundraten_design.jpg|350px]]

Wenn dann immer ab dem Zeitpunkt der Einführung der Intervention eine Veränderung der verschiedenen AVs eintritt, kann auf die Intervention als verursachende Variable geschlossen werden. Dabei sollten gleiche Interventionen zu ähnlich stark ausgeprägten Verhaltensänderungen bei allen Datenreihen führen. Wenn dies auf mindestens drei Situationen (oder Verhaltensweisen, Materialien, Personen) zutrifft, gilt die interne Validität eines MGV als gesichert.

Damit die Logik der MGV funktioniert, muss eine wichtige Voraussetzung erfüllt sein: Die Zielverhaltensweisen (oder Situationen, Materialien, Personen) müssen voneinander unabhängig sein, es darf keinen Transfer zwischen ihnen geben. Das ist sehr wichtig, weil sonst die Einführung der Intervention sofort auf alle AVs übergreift und keine versetzten Grundraten mehr entstehen können.

==Wechselnde Replikationen Design==

In diesem Design erhält jede Gruppe das Treatment, nur in zeitlich versetzter Reihenfolge. So können [[Zeiteinflüsse]] und [[Sequenzeffekte|Lerneffekte]] kontrolliert werden. Z.B. erhält die erste Untersuchungsgruppe nach der Erhebung der Grundrate (A) das Treatment (B) und im dritten Durchgang wieder kein Treatment (A). Die Zweite Gruppe wird hingegen nach dem Schema AAB untersucht.

Damit entspricht dieses Design im Prinzip einem [[Small-N-Designs#Multiple Grundraten Design|Multiple Grundraten Design]] über verschiedene Personen.

[[File:wechselnde_replikationen_design.png|600px]]

Small-N-Designs

2016-07-04T10:14:11Z

Johannes:

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

==AB Design==

Bei diesem Design wird die [[abhängige Variablen|abhängige Variable]](AV) zuerst in Phase A mehrfach als Grundrate erhoben. In der Experimentalphase (B) wird dann die [[unabhängige Variablen|unabhängige Variable]](UV) eingeführt und weiterhin die AV erhoben. Aus dem Vergleich der Ausprägungen der AV zwischen den Phasen A und B werden dann Schlussfolgerungen über die Wirkung des Treatments gezogen. Der Einfluss der [[Störvariablen]] wird als in beiden Phasen gleich angesehen, er wird also durch Konstanthaltung kontrolliert.

Die [[interne Validität]] des AB-Designs ist jedoch trotzdem mangelhaft, da nur einmalig gezeigt wird, dass mit der Intervention (UV in Experimentalphase) eine Veränderung eintritt. Dabei werden jedoch [[Probleme der internen Validität#Konfundierung|Konfundierungseffekte]] mit dem zwischenzeitlichen Geschehen und mit [[Reifung|Reifungseffekten]] nicht kontrolliert.

Schema:

[[File:AB_Design.jpg|550px]]

==ABA Design==

Dieser Plan stellt eine Erweiterung des [[Small-N-Designs#AB Design|AB Design]]s dar. An die Grundratenphase (A1) und die Experimentalphase (B) schließt sich hier erneut eine Phase ohne Intervention (A2) an. Um diese herbeizuführen, muss der Einfluss der [[unabhängige Variablen|UV]] "rückgängig" gemacht werden. Dies kann geschehen, indem die UV entweder ausgeblendet oder umgekehrt wird.

Wenn in der zweiten A-Phase die Auswirkung der [[abhängige Variablen|AV]] auf das Niveau der ersten A-Phase zurückgeht (bei Ausblendung der UV) bzw. die Daten entgegen der Richtung der B-Phase gehen (bei Umkehrung der UV), dann kann als hinreichend gesichert gelten, dass die Ausprägungen der AV von der Wirkung bzw. Nichtwirkung der UV beeinflusst wurde.

Schema:

[[File:aba_design.jpg|550px]]

==BAB Design==

Das Prinzip des BAB-Plans ist ähnlich wie das des [[ABA Design]]s. Hier beginnt und endet man jedoch nicht mit einer Grundratenerhebung (A), sondern mit der Experimentalbedingung (B1 und B2). Dies kann zum Beispiel in klinischen oder pädagogischen Studien sinnvoller und ethisch vertretbarer sein. Denn nun wird die Versuchsperson nicht mit einer wieder entzogenen Hilfe oder gar einem gegenteiligen Treatment aus der Studie entlassen.

Dieses Vorgehen wirft jedoch auch Probleme auf, denn die Erhebung der Grundphase kann von der vorherigen Experimentalphase beeinflusst sein ([[Sequenzeffekte|Pretesteffekt]]). Dies wirkt sich negativ auf die [[externe Validität]] von BAB-Plänen aus. Außerdem ist die Baseline, also das „Normalverhalten“ durch die vorgeschobene B-Phase womöglich schlecht erfasst.

==ABAB Design==

Diese Pläne werden auch als Ausblendungs- oder Umkehrdesigns bezeichnet. ABAB-Pläne sind Erweiterungen der [[AB Design|AB-]] bzw. [[ABA Design]]s. Die Grundratenphasen A1 und A2 stellen Kontrollphasen dar. Die Phase A2 kann durch Ausblendung oder durch Umkehrung der UV herbeigeführt werden. Es findet nach der zweiten Grundratenerhebung eine erneute Experimentalphase (B2) statt. Ziel dabei ist es durch Alternieren von B und A einen Interventionseffekt bei derselben Untersuchungseinheit zu replizieren. Durch den Vergleich der Phasen B1 und B2 und insgesamt der A- mit den B-Phasen ist ein valider Rückschluss auf die Wirkung der Intervention möglich. Durch die erhöhte Anzahl von Messphasen werden [[Zeiteinflüsse]] gut kontrolliert, da es als unwahrscheinlich angesehen wird, dass diese nur in den Experimentalphasen auftreten.

Das ABAB-Design kann allerdings in der Therapieforschung als problematisch aufgefasst werden, wenn eine wirksame Behandlung bei einer Person zeitweilig unterbrochen wird, um die experimentelle Kontrolle zu demonstrieren.

Außerdem ist manches einmal gelerntes Verhalten in der Phase B1 nicht mehr reversibel und kann dadurch nicht mehr ausgeblendet oder umgekehrt werden, so dass eine mit der A1-Phase identischen Grundratenphase nach begonnener Intervention nicht mehr hergestellt werden kann.

==ABE Design==

ABE-Design steht für AB-Extension-Design. Auf Deutsch bedeutet das so viel wie AB-Erweiterungs-Design. Es handelt sich um ein [[AB Design]], bei dem nach der Experimentalphase eine erneute Messung stattfindet (Follow-up-Messung). Das Ziel dabei ist die Nachhaltigkeit einer Intervention zu überprüfen, indem die Beobachtung des Zielverhaltens fortgesetzt wird. Die Zeitspanne zwischen der Beendigung der B-Phase und der Follow-up-Messung muss dabei je nach inhaltlicher Fragestellung bei jeder Untersuchung individuell gewählt werden. Mit einem ABE-Plan kann überprüft werden, ob die gefundenen Effekte nachhaltig anhalten. Somit kann die Aussagekraft der Ergebnisse erhöht werden.

==Changing Criterion Design==

Das Changing Criterion Design (CCD – deutsch: Kriterien-Veränderungs-Design) wird angewendet, um die Wirksamkeit von Interventionen anhand sukzessiver Verhaltensänderungen nachzuweisen. Viele Verhaltensänderungen (z. B. Gewichtsreduktion, Aufbau von sozial kompetentem Verhalten) entstehen nur schrittweise und nicht "von jetzt auf gleich". Die kleinen Fortschritte sind dann schwer mit herkömmlichen Experimenten nachweisbar, da die Effekte zu gering sind, um als bedeutsam zu gelten. Das CCD berücksichtigt dieses Problem und weist nacheinander die Teilergebnisse nach.

Prinzipiell kann man das CCD als Adaption eines [[AB Design]]s begreifen, bei dem sich die B-Phase in mehrere Teilphasen aufsplittet. Für jede dieser Teilphasen wird ein Kriterium festgelegt, welches erreicht werden muss, um mit der nächsten Teilphase beginnen zu können. Beispielsweise soll ein Diätprogramm zunächst zu einer Gewichtsreduktion von 3 kg führen, dann einmal von 4 kg und in Phase B3 zu erneut -3 kg. Insgesamt hat das Programm dann zu einer Gewichtsabnahme von 10 kg geführt und kann damit als wirksam gelten.

Wichtig ist, dass diese Teilkriterien mit sinnvollen Differenzen festgelegt werden – es muss insgesamt ein eindeutiger Effekt nachgewiesen werden können, aber ein einzelner Teilschritt muss erreichbar und mit dem nächsten Teilschritt gut vereinbar sein.

Weiterhin ist die Dauer der Teilphasen von Belang. Im Beispiel der Gewichtsreduktion wäre es unrealistisch und dementsprechend für einen wissenschaftlichen Versuch unangemessen, die Teilphasen nur jeweils einen Tag oder – das andere Extrem – ein Jahr anzusetzen. Eine zu kurze Dauer verhindert die Erreichung der Zielkriterien, da es sich um träge und langsam in Gang kommende Prozesse handelt. Da jede Teilphase als Grundrate für die darauf folgende Teilphase dient, müssen die Datenreihen stabil sein, bevor die nächste Teilphase beginnt. Generell sagt man, dass man mindestens drei stabile Datenpunkte (Messungen) erfasst haben sollte, bevor die nächste Teilphase beginnt. Ein zu langer Zeitraum würde jedoch ebenfalls keine relevanten Ergebnisse bringen, hier würden zu viele externe [[Störvariablen]] ([[Zeiteinflüsse]]) wirken. Im Beispiel wäre eine Dauer von jeweils 1-2 Wochen realistisch und sinnvoll.

Ebenfalls beachtet werden müssen in einem CCD die Anzahl der Teilphasen. Diese müssen wie auch die Dauer und die einzelnen Teilkriterien je nach Versuchsinhalt sinnvoll gewählt werden. Meist werden 6-8 Teilphasen anberaumt, mindestens müssen zwei vorhanden sein.

[[File:changing_criterion_design.jpg|600px]]

==Ausbalancierte Pläne==

Ausbalancierte Versuchspläne (auch "Anordnungen mit gleichartigen Zeitstichproben") werden dann eingesetzt, wenn eine Gruppe (oder Person) [[Quasi-Experimente|quasiexperimentell]] untersucht werden soll, jedoch keine [[Kontrollgruppen-Designs|Kontrollgruppe]] (bzw. -person) vorhanden ist. Anstatt die verschiedenen Faktorstufen an verschiedenen Gruppierungen zu testen, werden die Bedingungen an ein und denselben Personen zu unterschiedlichen Zeitpunkten untersucht. Bei einer zweifach gestuften [[unabhängige Variablen|unabhängigen Variablen]] (UV) läuft eine ausbalancierte Untersuchung nach dem Schema ABBA ab, wobei A zum Beispiel die Arbeit mit einem traditionellen Lehrbuch sein kann und B die Arbeit mit einem neuen Lehrbuch. Bei drei Faktorstufen, beispielsweise mit zusätzlichen Phasen ganz ohne Lehrbuch (C), erfolgt der Ablauf nach dem Schema ABCCBA. Die Kontrollgruppen werden also gewissermaßen durch Kontrollbedingungen ersetzt.

Wichtig ist, dass die Bedingungen systematisch variiert werden – sie werden ausbalanciert. Dies verhindert das Auftreten von Reihenfolgeeffekten (wie sie bei nicht ausbalancierten Wiederholungsdesigns auftreten können) und erhöht somit die [[interne Validität]] des Designs. Der störende Einfluss zwischenzeitlicher Geschehnisse wird in ausbalancierten Plänen ebenfalls kontrolliert, da die Wahrscheinlichkeit als gering angesehen wird, dass diese ausgerechnet nur in den Interventionsphasen auftreten.

Bei [[Übertragungseffekten]] sind diese Pläne nicht anwendbar. Um sie zu verhindern, sind Parallelversionen vom Untersuchungsmaterial erforderlich (z. B. unterschiedliche, aber gleich schwere Rechenaufgaben oder unterschiedliche, aber emotional gleich stark wirkende Bilder).

==Multi-Treatment-Design==

Multi-Treatment bedeutet, dass mehrere Treatments (also [[unabhängige Variablen|UVs]]) vorhanden sind. Neben der Grundrate A und der Intervention B kommt also noch mindestens eine weitere Intervention hinzu (C, D, … etc.). Auch eine Kombination von Treatments ist möglich (z. B. BC). Ein Multi-Treatment-Design kann zum Beispiel A BC B BC sein.

Vorteilhaft an Multi-Treatment-Plänen ist die Effektivität. Es können in einer Versuchsreihe mehrere Treatments miteinander verglichen werden. Allerdings ist die [[interne Validität]] dieser Designs beeinträchtigt durch [[Reifung|Reifungseffekte]], zudem können hier [[Sequenzeffekte]] zwischen den einzelnen Treatments die [[externe Validität]] reduzieren.

==Alternating Treatment Design==

Alternating Treatment bedeutet übersetzt "alternierende Behandlung". Das alternating Treatment Design (ATD) bezeichnet also einen Versuchsaufbau, bei dem im Wechsel verschiedene Interventionen untersucht werden. Dadurch kann von mehreren Interventionen die effektivste bestimmt werden. Zunächst wird die Grundrate der [[abhängige Variablen|AV]] erhoben (Phase A). Im Anschluss daran erfolgen abwechselnd mehrere Interventionsphasen.

'''Beispiel:'''

Ein Kind zeigt häufig aggressives Verhalten, welches abgebaut werden soll. Dazu stehen zwei Strategien (X und Y) zur Verfügung, von denen die beste ermittelt werden soll.

Nach der Ermittlung der Grundrate und der Erlernung beider Strategien wird das Kind angewiesen, die Strategien X und Y zu vorher festgelegten Zeitpunkten anzuwenden. Diese Zeitpunkte sind alternierend. Die [[abhängige Variablen|AV]] wird weiter erfasst und immer der in dem Moment angewendeten Strategie zugeordnet. Die Ergebnisse werden dann prozentual verglichen, beispielsweise grafisch (siehe Abbildung). Die Strategie mit den besseren bzw. den schneller erreichten Effekten ist die wirksamere.

[[File:alternating_treatment_design.jpg|550px]]

==Multiple Grundraten Design==

Multiple Grundratenversuchspläne (MGV) können zum Beispiel dann eingesetzt werden, wenn Ausblendungs- und Umkehrdesigns nicht zur Anwendung kommen können. Sie stellen eine Kombination mehrerer AB-Phasen mit zeitversetzten Interventionen dar. Nach unterschiedlich langen Grundratenphasen (A) beginnen die Interventionsphasen (B) mehrfach zeitlich versetzt. Die unterschiedlich langen Grundratenphasen kommen dadurch zustande, dass pro Grundrate das Augenmerk auf verschiedenen [[abhängige Variablen|abhängigen Variablen]] liegt. Man bezeichnet dies als Replikation. Diese können erfolgen über
* Verhaltensweisen (z. B. Melden im Unterricht, Quatschen mit dem Banknachbarn, Verhalten in der Pause, Pünktlichkeit zu Unterrichtsbeginn)
* Situationen (z. B. im Mathe-, Deutsch-, Geschichte- und Musikunterricht)
* Materialien (z. B. Arbeitsheft, Tagebuch, Hefter, Tafel)
* Personen (z. B. verschiedene Klassen oder verschiedene Schüler).

In einem MGV werden also verschiedene Verhaltensweisen, Situationen, Materialien oder Personen festgelegt, die untersucht werden sollen (i. S. v. [[abhängige Variablen|abhängigen Variablen]]). Dann beginnt die erste Grundratenphase, in der die Ausprägungen aller Variablen im "Normalzustand" erfasst werden, bis stabile Daten erkennbar sind. Nun wird die Intervention, deren Wirkung herausgefunden werden soll ([[unabhängige Variablen]], z. B. Motivationstraining bei Schülern), eingeführt. Allerdings nicht bei allen AVs gleichzeitig, sondern zunächst nur bei einer. Die anderen sind noch unbeeinflusst davon und befinden sich weiterhin in der Grundrate. Wenn dann an der ersten AV ein Effekt auftritt und einige Zeit stabil beobachtet werden kann, wird die Intervention an der nächsten AV eingeführt. Die restlichen AVs bleiben nach wie vor unberührt davon. Wenn auch in diesem Bereich stabile Effekte auftreten, kommt die nächste AV an die Reihe usw.

Zur besseren Veranschaulichung hier die beispielhafte grafische Darstellung eines MGV:

[[File:multiple_grundraten_design.jpg|350px]]

Wenn dann immer ab dem Zeitpunkt der Einführung der Intervention eine Veränderung der verschiedenen AVs eintritt, kann auf die Intervention als verursachende Variable geschlossen werden. Dabei sollten gleiche Interventionen zu ähnlich stark ausgeprägten Verhaltensänderungen bei allen Datenreihen führen. Wenn dies auf mindestens drei Situationen (oder Verhaltensweisen, Materialien, Personen) zutrifft, gilt die interne Validität eines MGV als gesichert.

Damit die Logik der MGV funktioniert, muss eine wichtige Voraussetzung erfüllt sein: Die Zielverhaltensweisen (oder Situationen, Materialien, Personen) müssen voneinander unabhängig sein, es darf keinen Transfer zwischen ihnen geben. Das ist sehr wichtig, weil sonst die Einführung der Intervention sofort auf alle AVs übergreift und keine versetzten Grundraten mehr entstehen können.

==Wechselnde Replikationen Design==

In diesem Design erhält jede Gruppe das Treatment, nur in zeitlich versetzter Reihenfolge. So können [[Zeiteinflüsse]] und [[Sequenzeffekte|Lerneffekte]] kontrolliert werden. Z.B. erhält die erste Untersuchungsgruppe nach der Erhebung der Grundrate (A) das Treatment (B) und im dritten Durchgang wieder kein Treatment (A). Die Zweite Gruppe wird hingegen nach dem Schema AAB untersucht.

Damit entspricht dieses Design im Prinzip einem [[Multiple Grundraten Design]] über verschiedene Personen.

[[File:wechselnde_replikationen_design.png|600px]]

Small-N-Designs

2016-07-04T10:13:52Z

Johannes:

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

==AB Design==

Bei diesem Design wird die [[abhängige Variablen|abhängige Variable]](AV) zuerst in Phase A mehrfach als Grundrate erhoben. In der Experimentalphase (B) wird dann die [[unabhängige Variablen|unabhängige Variable]](UV) eingeführt und weiterhin die AV erhoben. Aus dem Vergleich der Ausprägungen der AV zwischen den Phasen A und B werden dann Schlussfolgerungen über die Wirkung des Treatments gezogen. Der Einfluss der [[Störvariablen]] wird als in beiden Phasen gleich angesehen, er wird also durch Konstanthaltung kontrolliert.

Die [[interne Validität]] des AB-Designs ist jedoch trotzdem mangelhaft, da nur einmalig gezeigt wird, dass mit der Intervention (UV in Experimentalphase) eine Veränderung eintritt. Dabei werden jedoch [[Probleme der internen Validität#Konfundierung|Konfundierungseffekte]] mit dem zwischenzeitlichen Geschehen und mit [[Reifung|Reifungseffekten]] nicht kontrolliert.

Schema:

[[File:AB_Design.jpg|550px]]

==ABA Design==

Dieser Plan stellt eine Erweiterung des [[Small-N-Designs#AB Design]]s dar. An die Grundratenphase (A1) und die Experimentalphase (B) schließt sich hier erneut eine Phase ohne Intervention (A2) an. Um diese herbeizuführen, muss der Einfluss der [[unabhängige Variablen|UV]] "rückgängig" gemacht werden. Dies kann geschehen, indem die UV entweder ausgeblendet oder umgekehrt wird.

Wenn in der zweiten A-Phase die Auswirkung der [[abhängige Variablen|AV]] auf das Niveau der ersten A-Phase zurückgeht (bei Ausblendung der UV) bzw. die Daten entgegen der Richtung der B-Phase gehen (bei Umkehrung der UV), dann kann als hinreichend gesichert gelten, dass die Ausprägungen der AV von der Wirkung bzw. Nichtwirkung der UV beeinflusst wurde.

Schema:

[[File:aba_design.jpg|550px]]

==BAB Design==

Das Prinzip des BAB-Plans ist ähnlich wie das des [[ABA Design]]s. Hier beginnt und endet man jedoch nicht mit einer Grundratenerhebung (A), sondern mit der Experimentalbedingung (B1 und B2). Dies kann zum Beispiel in klinischen oder pädagogischen Studien sinnvoller und ethisch vertretbarer sein. Denn nun wird die Versuchsperson nicht mit einer wieder entzogenen Hilfe oder gar einem gegenteiligen Treatment aus der Studie entlassen.

Dieses Vorgehen wirft jedoch auch Probleme auf, denn die Erhebung der Grundphase kann von der vorherigen Experimentalphase beeinflusst sein ([[Sequenzeffekte|Pretesteffekt]]). Dies wirkt sich negativ auf die [[externe Validität]] von BAB-Plänen aus. Außerdem ist die Baseline, also das „Normalverhalten“ durch die vorgeschobene B-Phase womöglich schlecht erfasst.

==ABAB Design==

Diese Pläne werden auch als Ausblendungs- oder Umkehrdesigns bezeichnet. ABAB-Pläne sind Erweiterungen der [[AB Design|AB-]] bzw. [[ABA Design]]s. Die Grundratenphasen A1 und A2 stellen Kontrollphasen dar. Die Phase A2 kann durch Ausblendung oder durch Umkehrung der UV herbeigeführt werden. Es findet nach der zweiten Grundratenerhebung eine erneute Experimentalphase (B2) statt. Ziel dabei ist es durch Alternieren von B und A einen Interventionseffekt bei derselben Untersuchungseinheit zu replizieren. Durch den Vergleich der Phasen B1 und B2 und insgesamt der A- mit den B-Phasen ist ein valider Rückschluss auf die Wirkung der Intervention möglich. Durch die erhöhte Anzahl von Messphasen werden [[Zeiteinflüsse]] gut kontrolliert, da es als unwahrscheinlich angesehen wird, dass diese nur in den Experimentalphasen auftreten.

Das ABAB-Design kann allerdings in der Therapieforschung als problematisch aufgefasst werden, wenn eine wirksame Behandlung bei einer Person zeitweilig unterbrochen wird, um die experimentelle Kontrolle zu demonstrieren.

Außerdem ist manches einmal gelerntes Verhalten in der Phase B1 nicht mehr reversibel und kann dadurch nicht mehr ausgeblendet oder umgekehrt werden, so dass eine mit der A1-Phase identischen Grundratenphase nach begonnener Intervention nicht mehr hergestellt werden kann.

==ABE Design==

ABE-Design steht für AB-Extension-Design. Auf Deutsch bedeutet das so viel wie AB-Erweiterungs-Design. Es handelt sich um ein [[AB Design]], bei dem nach der Experimentalphase eine erneute Messung stattfindet (Follow-up-Messung). Das Ziel dabei ist die Nachhaltigkeit einer Intervention zu überprüfen, indem die Beobachtung des Zielverhaltens fortgesetzt wird. Die Zeitspanne zwischen der Beendigung der B-Phase und der Follow-up-Messung muss dabei je nach inhaltlicher Fragestellung bei jeder Untersuchung individuell gewählt werden. Mit einem ABE-Plan kann überprüft werden, ob die gefundenen Effekte nachhaltig anhalten. Somit kann die Aussagekraft der Ergebnisse erhöht werden.

==Changing Criterion Design==

Das Changing Criterion Design (CCD – deutsch: Kriterien-Veränderungs-Design) wird angewendet, um die Wirksamkeit von Interventionen anhand sukzessiver Verhaltensänderungen nachzuweisen. Viele Verhaltensänderungen (z. B. Gewichtsreduktion, Aufbau von sozial kompetentem Verhalten) entstehen nur schrittweise und nicht "von jetzt auf gleich". Die kleinen Fortschritte sind dann schwer mit herkömmlichen Experimenten nachweisbar, da die Effekte zu gering sind, um als bedeutsam zu gelten. Das CCD berücksichtigt dieses Problem und weist nacheinander die Teilergebnisse nach.

Prinzipiell kann man das CCD als Adaption eines [[AB Design]]s begreifen, bei dem sich die B-Phase in mehrere Teilphasen aufsplittet. Für jede dieser Teilphasen wird ein Kriterium festgelegt, welches erreicht werden muss, um mit der nächsten Teilphase beginnen zu können. Beispielsweise soll ein Diätprogramm zunächst zu einer Gewichtsreduktion von 3 kg führen, dann einmal von 4 kg und in Phase B3 zu erneut -3 kg. Insgesamt hat das Programm dann zu einer Gewichtsabnahme von 10 kg geführt und kann damit als wirksam gelten.

Wichtig ist, dass diese Teilkriterien mit sinnvollen Differenzen festgelegt werden – es muss insgesamt ein eindeutiger Effekt nachgewiesen werden können, aber ein einzelner Teilschritt muss erreichbar und mit dem nächsten Teilschritt gut vereinbar sein.

Weiterhin ist die Dauer der Teilphasen von Belang. Im Beispiel der Gewichtsreduktion wäre es unrealistisch und dementsprechend für einen wissenschaftlichen Versuch unangemessen, die Teilphasen nur jeweils einen Tag oder – das andere Extrem – ein Jahr anzusetzen. Eine zu kurze Dauer verhindert die Erreichung der Zielkriterien, da es sich um träge und langsam in Gang kommende Prozesse handelt. Da jede Teilphase als Grundrate für die darauf folgende Teilphase dient, müssen die Datenreihen stabil sein, bevor die nächste Teilphase beginnt. Generell sagt man, dass man mindestens drei stabile Datenpunkte (Messungen) erfasst haben sollte, bevor die nächste Teilphase beginnt. Ein zu langer Zeitraum würde jedoch ebenfalls keine relevanten Ergebnisse bringen, hier würden zu viele externe [[Störvariablen]] ([[Zeiteinflüsse]]) wirken. Im Beispiel wäre eine Dauer von jeweils 1-2 Wochen realistisch und sinnvoll.

Ebenfalls beachtet werden müssen in einem CCD die Anzahl der Teilphasen. Diese müssen wie auch die Dauer und die einzelnen Teilkriterien je nach Versuchsinhalt sinnvoll gewählt werden. Meist werden 6-8 Teilphasen anberaumt, mindestens müssen zwei vorhanden sein.

[[File:changing_criterion_design.jpg|600px]]

==Ausbalancierte Pläne==

Ausbalancierte Versuchspläne (auch "Anordnungen mit gleichartigen Zeitstichproben") werden dann eingesetzt, wenn eine Gruppe (oder Person) [[Quasi-Experimente|quasiexperimentell]] untersucht werden soll, jedoch keine [[Kontrollgruppen-Designs|Kontrollgruppe]] (bzw. -person) vorhanden ist. Anstatt die verschiedenen Faktorstufen an verschiedenen Gruppierungen zu testen, werden die Bedingungen an ein und denselben Personen zu unterschiedlichen Zeitpunkten untersucht. Bei einer zweifach gestuften [[unabhängige Variablen|unabhängigen Variablen]] (UV) läuft eine ausbalancierte Untersuchung nach dem Schema ABBA ab, wobei A zum Beispiel die Arbeit mit einem traditionellen Lehrbuch sein kann und B die Arbeit mit einem neuen Lehrbuch. Bei drei Faktorstufen, beispielsweise mit zusätzlichen Phasen ganz ohne Lehrbuch (C), erfolgt der Ablauf nach dem Schema ABCCBA. Die Kontrollgruppen werden also gewissermaßen durch Kontrollbedingungen ersetzt.

Wichtig ist, dass die Bedingungen systematisch variiert werden – sie werden ausbalanciert. Dies verhindert das Auftreten von Reihenfolgeeffekten (wie sie bei nicht ausbalancierten Wiederholungsdesigns auftreten können) und erhöht somit die [[interne Validität]] des Designs. Der störende Einfluss zwischenzeitlicher Geschehnisse wird in ausbalancierten Plänen ebenfalls kontrolliert, da die Wahrscheinlichkeit als gering angesehen wird, dass diese ausgerechnet nur in den Interventionsphasen auftreten.

Bei [[Übertragungseffekten]] sind diese Pläne nicht anwendbar. Um sie zu verhindern, sind Parallelversionen vom Untersuchungsmaterial erforderlich (z. B. unterschiedliche, aber gleich schwere Rechenaufgaben oder unterschiedliche, aber emotional gleich stark wirkende Bilder).

==Multi-Treatment-Design==

Multi-Treatment bedeutet, dass mehrere Treatments (also [[unabhängige Variablen|UVs]]) vorhanden sind. Neben der Grundrate A und der Intervention B kommt also noch mindestens eine weitere Intervention hinzu (C, D, … etc.). Auch eine Kombination von Treatments ist möglich (z. B. BC). Ein Multi-Treatment-Design kann zum Beispiel A BC B BC sein.

Vorteilhaft an Multi-Treatment-Plänen ist die Effektivität. Es können in einer Versuchsreihe mehrere Treatments miteinander verglichen werden. Allerdings ist die [[interne Validität]] dieser Designs beeinträchtigt durch [[Reifung|Reifungseffekte]], zudem können hier [[Sequenzeffekte]] zwischen den einzelnen Treatments die [[externe Validität]] reduzieren.

==Alternating Treatment Design==

Alternating Treatment bedeutet übersetzt "alternierende Behandlung". Das alternating Treatment Design (ATD) bezeichnet also einen Versuchsaufbau, bei dem im Wechsel verschiedene Interventionen untersucht werden. Dadurch kann von mehreren Interventionen die effektivste bestimmt werden. Zunächst wird die Grundrate der [[abhängige Variablen|AV]] erhoben (Phase A). Im Anschluss daran erfolgen abwechselnd mehrere Interventionsphasen.

'''Beispiel:'''

Ein Kind zeigt häufig aggressives Verhalten, welches abgebaut werden soll. Dazu stehen zwei Strategien (X und Y) zur Verfügung, von denen die beste ermittelt werden soll.

Nach der Ermittlung der Grundrate und der Erlernung beider Strategien wird das Kind angewiesen, die Strategien X und Y zu vorher festgelegten Zeitpunkten anzuwenden. Diese Zeitpunkte sind alternierend. Die [[abhängige Variablen|AV]] wird weiter erfasst und immer der in dem Moment angewendeten Strategie zugeordnet. Die Ergebnisse werden dann prozentual verglichen, beispielsweise grafisch (siehe Abbildung). Die Strategie mit den besseren bzw. den schneller erreichten Effekten ist die wirksamere.

[[File:alternating_treatment_design.jpg|550px]]

==Multiple Grundraten Design==

Multiple Grundratenversuchspläne (MGV) können zum Beispiel dann eingesetzt werden, wenn Ausblendungs- und Umkehrdesigns nicht zur Anwendung kommen können. Sie stellen eine Kombination mehrerer AB-Phasen mit zeitversetzten Interventionen dar. Nach unterschiedlich langen Grundratenphasen (A) beginnen die Interventionsphasen (B) mehrfach zeitlich versetzt. Die unterschiedlich langen Grundratenphasen kommen dadurch zustande, dass pro Grundrate das Augenmerk auf verschiedenen [[abhängige Variablen|abhängigen Variablen]] liegt. Man bezeichnet dies als Replikation. Diese können erfolgen über
* Verhaltensweisen (z. B. Melden im Unterricht, Quatschen mit dem Banknachbarn, Verhalten in der Pause, Pünktlichkeit zu Unterrichtsbeginn)
* Situationen (z. B. im Mathe-, Deutsch-, Geschichte- und Musikunterricht)
* Materialien (z. B. Arbeitsheft, Tagebuch, Hefter, Tafel)
* Personen (z. B. verschiedene Klassen oder verschiedene Schüler).

In einem MGV werden also verschiedene Verhaltensweisen, Situationen, Materialien oder Personen festgelegt, die untersucht werden sollen (i. S. v. [[abhängige Variablen|abhängigen Variablen]]). Dann beginnt die erste Grundratenphase, in der die Ausprägungen aller Variablen im "Normalzustand" erfasst werden, bis stabile Daten erkennbar sind. Nun wird die Intervention, deren Wirkung herausgefunden werden soll ([[unabhängige Variablen]], z. B. Motivationstraining bei Schülern), eingeführt. Allerdings nicht bei allen AVs gleichzeitig, sondern zunächst nur bei einer. Die anderen sind noch unbeeinflusst davon und befinden sich weiterhin in der Grundrate. Wenn dann an der ersten AV ein Effekt auftritt und einige Zeit stabil beobachtet werden kann, wird die Intervention an der nächsten AV eingeführt. Die restlichen AVs bleiben nach wie vor unberührt davon. Wenn auch in diesem Bereich stabile Effekte auftreten, kommt die nächste AV an die Reihe usw.

Zur besseren Veranschaulichung hier die beispielhafte grafische Darstellung eines MGV:

[[File:multiple_grundraten_design.jpg|350px]]

Wenn dann immer ab dem Zeitpunkt der Einführung der Intervention eine Veränderung der verschiedenen AVs eintritt, kann auf die Intervention als verursachende Variable geschlossen werden. Dabei sollten gleiche Interventionen zu ähnlich stark ausgeprägten Verhaltensänderungen bei allen Datenreihen führen. Wenn dies auf mindestens drei Situationen (oder Verhaltensweisen, Materialien, Personen) zutrifft, gilt die interne Validität eines MGV als gesichert.

Damit die Logik der MGV funktioniert, muss eine wichtige Voraussetzung erfüllt sein: Die Zielverhaltensweisen (oder Situationen, Materialien, Personen) müssen voneinander unabhängig sein, es darf keinen Transfer zwischen ihnen geben. Das ist sehr wichtig, weil sonst die Einführung der Intervention sofort auf alle AVs übergreift und keine versetzten Grundraten mehr entstehen können.

==Wechselnde Replikationen Design==

In diesem Design erhält jede Gruppe das Treatment, nur in zeitlich versetzter Reihenfolge. So können [[Zeiteinflüsse]] und [[Sequenzeffekte|Lerneffekte]] kontrolliert werden. Z.B. erhält die erste Untersuchungsgruppe nach der Erhebung der Grundrate (A) das Treatment (B) und im dritten Durchgang wieder kein Treatment (A). Die Zweite Gruppe wird hingegen nach dem Schema AAB untersucht.

Damit entspricht dieses Design im Prinzip einem [[Multiple Grundraten Design]] über verschiedene Personen.

[[File:wechselnde_replikationen_design.png|600px]]

Small-N-Designs im Vgl. zu (quasi-)experimentellen Designs

2016-07-04T10:12:35Z

Johannes:

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

In der Small-N Forschung basieren die verschiedenen Designs auf Techniken, um die [[interne Validität]] trotz kleiner Stichprobe zu maximieren. Da sich diese Techniken größtenteils mit denen der (quasi-)experimentellen Forschung decken, sind sie in der folgenden Tabelle einmal einander gegenübergestellt.

{| class="wikitable" style="width:600px;"
| '''[[Quasi-Experimente|(quasi-)]][[Experimente|experimentelle Forschung]]'''
| '''[[Small-N-Experimente]]'''
|-
| rowspan="5" | Eingruppen- [[Zeitreihendesigns]] [[Messwiederholungspläne]]
| [[AB Design]]
|-
| [[ABA Design]]
|-
| [[BAB Design]]
|-
| [[ABAB Design]]
|-
| [[ABE Design]]
|-
| rowspan="2" |mehrstufige [[unifaktorielle Versuchspläne]]
| [[Changing Criterion Design]]
|-
| [[Ausbalancierte Pläne]]
|-
| rowspan="2" | [[Mehrfaktorielle Versuchspläne]]
| [[Multi-Treatment-Design]]
|-
| [[Alternating Treatment Design]]
|-
| [[Multivariate Versuchspläne]]
| [[Multiple Grundraten Design]]
|-
| [[wechselnde Replikationen Design]]
| [[Multiple Grundraten Design]] über verschiedene Personen
|}

Small-N-Designs

2016-07-04T10:09:40Z

Johannes: Die Seite wurde neu angelegt: „{{Nav|Navigation|Nicht-Experimente|Nicht-Experimente}} ==AB Design== Bei diesem Design wird die abhängige Variable(AV) zuerst in Ph…“

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

==AB Design==

Bei diesem Design wird die [[abhängige Variablen|abhängige Variable]](AV) zuerst in Phase A mehrfach als Grundrate erhoben. In der Experimentalphase (B) wird dann die [[unabhängige Variablen|unabhängige Variable]](UV) eingeführt und weiterhin die AV erhoben. Aus dem Vergleich der Ausprägungen der AV zwischen den Phasen A und B werden dann Schlussfolgerungen über die Wirkung des Treatments gezogen. Der Einfluss der [[Störvariablen]] wird als in beiden Phasen gleich angesehen, er wird also durch Konstanthaltung kontrolliert.

Die [[interne Validität]] des AB-Designs ist jedoch trotzdem mangelhaft, da nur einmalig gezeigt wird, dass mit der Intervention (UV in Experimentalphase) eine Veränderung eintritt. Dabei werden jedoch [[Probleme der internen Validität#Konfundierung|Konfundierungseffekte]] mit dem zwischenzeitlichen Geschehen und mit [[Reifung|Reifungseffekten]] nicht kontrolliert.

Schema:

[[File:AB_Design.jpg|550px]]

==ABA Design==

Dieser Plan stellt eine Erweiterung des [[AB Design]]s dar. An die Grundratenphase (A1) und die Experimentalphase (B) schließt sich hier erneut eine Phase ohne Intervention (A2) an. Um diese herbeizuführen, muss der Einfluss der [[unabhängige Variablen|UV]] "rückgängig" gemacht werden. Dies kann geschehen, indem die UV entweder ausgeblendet oder umgekehrt wird.

Wenn in der zweiten A-Phase die Auswirkung der [[abhängige Variablen|AV]] auf das Niveau der ersten A-Phase zurückgeht (bei Ausblendung der UV) bzw. die Daten entgegen der Richtung der B-Phase gehen (bei Umkehrung der UV), dann kann als hinreichend gesichert gelten, dass die Ausprägungen der AV von der Wirkung bzw. Nichtwirkung der UV beeinflusst wurde.

Schema:

[[File:aba_design.jpg|550px]]

==BAB Design==

Das Prinzip des BAB-Plans ist ähnlich wie das des [[ABA Design]]s. Hier beginnt und endet man jedoch nicht mit einer Grundratenerhebung (A), sondern mit der Experimentalbedingung (B1 und B2). Dies kann zum Beispiel in klinischen oder pädagogischen Studien sinnvoller und ethisch vertretbarer sein. Denn nun wird die Versuchsperson nicht mit einer wieder entzogenen Hilfe oder gar einem gegenteiligen Treatment aus der Studie entlassen.

Dieses Vorgehen wirft jedoch auch Probleme auf, denn die Erhebung der Grundphase kann von der vorherigen Experimentalphase beeinflusst sein ([[Sequenzeffekte|Pretesteffekt]]). Dies wirkt sich negativ auf die [[externe Validität]] von BAB-Plänen aus. Außerdem ist die Baseline, also das „Normalverhalten“ durch die vorgeschobene B-Phase womöglich schlecht erfasst.

==ABAB Design==

Diese Pläne werden auch als Ausblendungs- oder Umkehrdesigns bezeichnet. ABAB-Pläne sind Erweiterungen der [[AB Design|AB-]] bzw. [[ABA Design]]s. Die Grundratenphasen A1 und A2 stellen Kontrollphasen dar. Die Phase A2 kann durch Ausblendung oder durch Umkehrung der UV herbeigeführt werden. Es findet nach der zweiten Grundratenerhebung eine erneute Experimentalphase (B2) statt. Ziel dabei ist es durch Alternieren von B und A einen Interventionseffekt bei derselben Untersuchungseinheit zu replizieren. Durch den Vergleich der Phasen B1 und B2 und insgesamt der A- mit den B-Phasen ist ein valider Rückschluss auf die Wirkung der Intervention möglich. Durch die erhöhte Anzahl von Messphasen werden [[Zeiteinflüsse]] gut kontrolliert, da es als unwahrscheinlich angesehen wird, dass diese nur in den Experimentalphasen auftreten.

Das ABAB-Design kann allerdings in der Therapieforschung als problematisch aufgefasst werden, wenn eine wirksame Behandlung bei einer Person zeitweilig unterbrochen wird, um die experimentelle Kontrolle zu demonstrieren.

Außerdem ist manches einmal gelerntes Verhalten in der Phase B1 nicht mehr reversibel und kann dadurch nicht mehr ausgeblendet oder umgekehrt werden, so dass eine mit der A1-Phase identischen Grundratenphase nach begonnener Intervention nicht mehr hergestellt werden kann.

==ABE Design==

ABE-Design steht für AB-Extension-Design. Auf Deutsch bedeutet das so viel wie AB-Erweiterungs-Design. Es handelt sich um ein [[AB Design]], bei dem nach der Experimentalphase eine erneute Messung stattfindet (Follow-up-Messung). Das Ziel dabei ist die Nachhaltigkeit einer Intervention zu überprüfen, indem die Beobachtung des Zielverhaltens fortgesetzt wird. Die Zeitspanne zwischen der Beendigung der B-Phase und der Follow-up-Messung muss dabei je nach inhaltlicher Fragestellung bei jeder Untersuchung individuell gewählt werden. Mit einem ABE-Plan kann überprüft werden, ob die gefundenen Effekte nachhaltig anhalten. Somit kann die Aussagekraft der Ergebnisse erhöht werden.

==Changing Criterion Design==

Das Changing Criterion Design (CCD – deutsch: Kriterien-Veränderungs-Design) wird angewendet, um die Wirksamkeit von Interventionen anhand sukzessiver Verhaltensänderungen nachzuweisen. Viele Verhaltensänderungen (z. B. Gewichtsreduktion, Aufbau von sozial kompetentem Verhalten) entstehen nur schrittweise und nicht "von jetzt auf gleich". Die kleinen Fortschritte sind dann schwer mit herkömmlichen Experimenten nachweisbar, da die Effekte zu gering sind, um als bedeutsam zu gelten. Das CCD berücksichtigt dieses Problem und weist nacheinander die Teilergebnisse nach.

Prinzipiell kann man das CCD als Adaption eines [[AB Design]]s begreifen, bei dem sich die B-Phase in mehrere Teilphasen aufsplittet. Für jede dieser Teilphasen wird ein Kriterium festgelegt, welches erreicht werden muss, um mit der nächsten Teilphase beginnen zu können. Beispielsweise soll ein Diätprogramm zunächst zu einer Gewichtsreduktion von 3 kg führen, dann einmal von 4 kg und in Phase B3 zu erneut -3 kg. Insgesamt hat das Programm dann zu einer Gewichtsabnahme von 10 kg geführt und kann damit als wirksam gelten.

Wichtig ist, dass diese Teilkriterien mit sinnvollen Differenzen festgelegt werden – es muss insgesamt ein eindeutiger Effekt nachgewiesen werden können, aber ein einzelner Teilschritt muss erreichbar und mit dem nächsten Teilschritt gut vereinbar sein.

Weiterhin ist die Dauer der Teilphasen von Belang. Im Beispiel der Gewichtsreduktion wäre es unrealistisch und dementsprechend für einen wissenschaftlichen Versuch unangemessen, die Teilphasen nur jeweils einen Tag oder – das andere Extrem – ein Jahr anzusetzen. Eine zu kurze Dauer verhindert die Erreichung der Zielkriterien, da es sich um träge und langsam in Gang kommende Prozesse handelt. Da jede Teilphase als Grundrate für die darauf folgende Teilphase dient, müssen die Datenreihen stabil sein, bevor die nächste Teilphase beginnt. Generell sagt man, dass man mindestens drei stabile Datenpunkte (Messungen) erfasst haben sollte, bevor die nächste Teilphase beginnt. Ein zu langer Zeitraum würde jedoch ebenfalls keine relevanten Ergebnisse bringen, hier würden zu viele externe [[Störvariablen]] ([[Zeiteinflüsse]]) wirken. Im Beispiel wäre eine Dauer von jeweils 1-2 Wochen realistisch und sinnvoll.

Ebenfalls beachtet werden müssen in einem CCD die Anzahl der Teilphasen. Diese müssen wie auch die Dauer und die einzelnen Teilkriterien je nach Versuchsinhalt sinnvoll gewählt werden. Meist werden 6-8 Teilphasen anberaumt, mindestens müssen zwei vorhanden sein.

[[File:changing_criterion_design.jpg|600px]]

==Ausbalancierte Pläne==

Ausbalancierte Versuchspläne (auch "Anordnungen mit gleichartigen Zeitstichproben") werden dann eingesetzt, wenn eine Gruppe (oder Person) [[Quasi-Experimente|quasiexperimentell]] untersucht werden soll, jedoch keine [[Kontrollgruppen-Designs|Kontrollgruppe]] (bzw. -person) vorhanden ist. Anstatt die verschiedenen Faktorstufen an verschiedenen Gruppierungen zu testen, werden die Bedingungen an ein und denselben Personen zu unterschiedlichen Zeitpunkten untersucht. Bei einer zweifach gestuften [[unabhängige Variablen|unabhängigen Variablen]] (UV) läuft eine ausbalancierte Untersuchung nach dem Schema ABBA ab, wobei A zum Beispiel die Arbeit mit einem traditionellen Lehrbuch sein kann und B die Arbeit mit einem neuen Lehrbuch. Bei drei Faktorstufen, beispielsweise mit zusätzlichen Phasen ganz ohne Lehrbuch (C), erfolgt der Ablauf nach dem Schema ABCCBA. Die Kontrollgruppen werden also gewissermaßen durch Kontrollbedingungen ersetzt.

Wichtig ist, dass die Bedingungen systematisch variiert werden – sie werden ausbalanciert. Dies verhindert das Auftreten von Reihenfolgeeffekten (wie sie bei nicht ausbalancierten Wiederholungsdesigns auftreten können) und erhöht somit die [[interne Validität]] des Designs. Der störende Einfluss zwischenzeitlicher Geschehnisse wird in ausbalancierten Plänen ebenfalls kontrolliert, da die Wahrscheinlichkeit als gering angesehen wird, dass diese ausgerechnet nur in den Interventionsphasen auftreten.

Bei [[Übertragungseffekten]] sind diese Pläne nicht anwendbar. Um sie zu verhindern, sind Parallelversionen vom Untersuchungsmaterial erforderlich (z. B. unterschiedliche, aber gleich schwere Rechenaufgaben oder unterschiedliche, aber emotional gleich stark wirkende Bilder).

==Multi-Treatment-Design==

Multi-Treatment bedeutet, dass mehrere Treatments (also [[unabhängige Variablen|UVs]]) vorhanden sind. Neben der Grundrate A und der Intervention B kommt also noch mindestens eine weitere Intervention hinzu (C, D, … etc.). Auch eine Kombination von Treatments ist möglich (z. B. BC). Ein Multi-Treatment-Design kann zum Beispiel A BC B BC sein.

Vorteilhaft an Multi-Treatment-Plänen ist die Effektivität. Es können in einer Versuchsreihe mehrere Treatments miteinander verglichen werden. Allerdings ist die [[interne Validität]] dieser Designs beeinträchtigt durch [[Reifung|Reifungseffekte]], zudem können hier [[Sequenzeffekte]] zwischen den einzelnen Treatments die [[externe Validität]] reduzieren.

==Alternating Treatment Design==

Alternating Treatment bedeutet übersetzt "alternierende Behandlung". Das alternating Treatment Design (ATD) bezeichnet also einen Versuchsaufbau, bei dem im Wechsel verschiedene Interventionen untersucht werden. Dadurch kann von mehreren Interventionen die effektivste bestimmt werden. Zunächst wird die Grundrate der [[abhängige Variablen|AV]] erhoben (Phase A). Im Anschluss daran erfolgen abwechselnd mehrere Interventionsphasen.

'''Beispiel:'''

Ein Kind zeigt häufig aggressives Verhalten, welches abgebaut werden soll. Dazu stehen zwei Strategien (X und Y) zur Verfügung, von denen die beste ermittelt werden soll.

Nach der Ermittlung der Grundrate und der Erlernung beider Strategien wird das Kind angewiesen, die Strategien X und Y zu vorher festgelegten Zeitpunkten anzuwenden. Diese Zeitpunkte sind alternierend. Die [[abhängige Variablen|AV]] wird weiter erfasst und immer der in dem Moment angewendeten Strategie zugeordnet. Die Ergebnisse werden dann prozentual verglichen, beispielsweise grafisch (siehe Abbildung). Die Strategie mit den besseren bzw. den schneller erreichten Effekten ist die wirksamere.

[[File:alternating_treatment_design.jpg|550px]]

==Multiple Grundraten Design==

Multiple Grundratenversuchspläne (MGV) können zum Beispiel dann eingesetzt werden, wenn Ausblendungs- und Umkehrdesigns nicht zur Anwendung kommen können. Sie stellen eine Kombination mehrerer AB-Phasen mit zeitversetzten Interventionen dar. Nach unterschiedlich langen Grundratenphasen (A) beginnen die Interventionsphasen (B) mehrfach zeitlich versetzt. Die unterschiedlich langen Grundratenphasen kommen dadurch zustande, dass pro Grundrate das Augenmerk auf verschiedenen [[abhängige Variablen|abhängigen Variablen]] liegt. Man bezeichnet dies als Replikation. Diese können erfolgen über
* Verhaltensweisen (z. B. Melden im Unterricht, Quatschen mit dem Banknachbarn, Verhalten in der Pause, Pünktlichkeit zu Unterrichtsbeginn)
* Situationen (z. B. im Mathe-, Deutsch-, Geschichte- und Musikunterricht)
* Materialien (z. B. Arbeitsheft, Tagebuch, Hefter, Tafel)
* Personen (z. B. verschiedene Klassen oder verschiedene Schüler).

In einem MGV werden also verschiedene Verhaltensweisen, Situationen, Materialien oder Personen festgelegt, die untersucht werden sollen (i. S. v. [[abhängige Variablen|abhängigen Variablen]]). Dann beginnt die erste Grundratenphase, in der die Ausprägungen aller Variablen im "Normalzustand" erfasst werden, bis stabile Daten erkennbar sind. Nun wird die Intervention, deren Wirkung herausgefunden werden soll ([[unabhängige Variablen]], z. B. Motivationstraining bei Schülern), eingeführt. Allerdings nicht bei allen AVs gleichzeitig, sondern zunächst nur bei einer. Die anderen sind noch unbeeinflusst davon und befinden sich weiterhin in der Grundrate. Wenn dann an der ersten AV ein Effekt auftritt und einige Zeit stabil beobachtet werden kann, wird die Intervention an der nächsten AV eingeführt. Die restlichen AVs bleiben nach wie vor unberührt davon. Wenn auch in diesem Bereich stabile Effekte auftreten, kommt die nächste AV an die Reihe usw.

Zur besseren Veranschaulichung hier die beispielhafte grafische Darstellung eines MGV:

[[File:multiple_grundraten_design.jpg|350px]]

Wenn dann immer ab dem Zeitpunkt der Einführung der Intervention eine Veränderung der verschiedenen AVs eintritt, kann auf die Intervention als verursachende Variable geschlossen werden. Dabei sollten gleiche Interventionen zu ähnlich stark ausgeprägten Verhaltensänderungen bei allen Datenreihen führen. Wenn dies auf mindestens drei Situationen (oder Verhaltensweisen, Materialien, Personen) zutrifft, gilt die interne Validität eines MGV als gesichert.

Damit die Logik der MGV funktioniert, muss eine wichtige Voraussetzung erfüllt sein: Die Zielverhaltensweisen (oder Situationen, Materialien, Personen) müssen voneinander unabhängig sein, es darf keinen Transfer zwischen ihnen geben. Das ist sehr wichtig, weil sonst die Einführung der Intervention sofort auf alle AVs übergreift und keine versetzten Grundraten mehr entstehen können.

==Wechselnde Replikationen Design==

In diesem Design erhält jede Gruppe das Treatment, nur in zeitlich versetzter Reihenfolge. So können [[Zeiteinflüsse]] und [[Sequenzeffekte|Lerneffekte]] kontrolliert werden. Z.B. erhält die erste Untersuchungsgruppe nach der Erhebung der Grundrate (A) das Treatment (B) und im dritten Durchgang wieder kein Treatment (A). Die Zweite Gruppe wird hingegen nach dem Schema AAB untersucht.

Damit entspricht dieses Design im Prinzip einem [[Multiple Grundraten Design]] über verschiedene Personen.

[[File:wechselnde_replikationen_design.png|600px]]

Artikelliste:Nicht-Experimente

2016-07-04T10:03:04Z

Johannes:

* [[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]]

Artikelliste:Validität

2016-05-26T06:53:20Z

Johannes:

*[[Validität]]
**[[interne Validität]]
**[[externe Validität]]
**[[Vorhersage- und Übereinstimmungsvalidität]]
**[[Konstruktvalidität]]
**[[Kriteriumsvalidität]]
**[[Inhaltsvalidität]]
**[[weitere Validitätsarten]]

Kriteriumsvalidität

2016-05-26T06:52:24Z

Johannes:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}

Kriteriumsvalidität gibt an, inwieweit ein Untersuchungsverfahren ein interessierendes Merkmal so misst, dass es mit einem für das Merkmal relevanten Außenkriterium übereinstimmt
Die Kriteriumsvalidität ist eine Form der [[Validität]]. Sie dient der Überprüfung, ob ein Verfahren das angestrebte Merkmal gültig misst.
Um zu prüfen, ob ein Verfahren kriteriumsvalide ist, werden dessen Ergebnisse mit einem Außenkriterium verglichen ([[Korrelation|korreliert]]). Zeigt sich ein hoher Zusammenhang zwischen den Ergebnissen, so ist das Verfahren valide. Außenkriterien zu finden ist häufig schwierig.
Mögliche Außenkriterien können durch folgende Vorgehensweisen genutzt werden:

'''Etablierte Verfahren:''' 
Man kann einen neu entwickelten Test an einem alten, aber etablierten Verfahren validieren. Beispielsweise kann man die Ergebnisse eines neuen Konzentrationstests mit den Ergebnissen des bewährten d2 (Brickenkamp, 1994) korrelieren.

'''Methodisch verschiedene Verfahren:''' 
Genauso kann man auch Tests an anderen methodischen Verfahren validieren. Beispielsweise kann man die Ergebnisse von Beanspruchungsratings mit den objektiven Benaspruchungsdaten (Puls, Blutdruck, o.ä.) korrelieren.

Man unterscheidet die Kriteriumsvalidität zusätzlich danach, wann das gewählte Kriterium erhoben wurde: 

'''Übereinstimmungsvalidität''' (konkurrente Validität): 
Die Erhebung des Kriteriums fand gleichzeitig mit der Erhebung der Testergebnisse statt. Beispielsweise wird in einer psychologisch-therapeutischen Untersuchung im Erstgespräch der Patient nach seinen Beschwerden befragt. Gibt er an, dass er sich sehr lustlos fühlt, schlecht schläft und häufig weinen muss, werden diese Informationen in einer weiteren Untersuchung validiert. Das kann der Therapeut machen, indem er das standardisierte Diagnostik-Interview CIDI durchführt und schaut, ob die Diagnose mit den Beschwerden übereinstimmt.

'''Vorhersagevalidität''' (prognostische oder prädiktive Validität): 
Die Kriteriumsdaten werden zeitlich später erhoben. Beispielsweisel kann man die gemessene Intelligenz von Grundschulkindern mit ihrem späteren Schulerfolg (Abschlussnote) korrelieren.

Kriteriumsvalidität

2016-05-26T06:51:56Z

Johannes:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}

Kriteriumsvalidität gibt an, inwieweit ein Untersuchungsverfahren ein interessierendes Merkmal so misst, dass es mit einem für das Merkmal relevanten Außenkriterium übereinstimmt
Die Kriteriumsvalidität ist eine Form der [[Validität]]. Sie dient der Überprüfung, ob ein Verfahren das angestrebte Merkmal gültig misst.
Um zu prüfen, ob ein Verfahren kriteriumsvalide ist, werden dessen Ergebnisse mit einem Außenkriterium verglichen ([[Korrelation|korreliert]]). Zeigt sich ein hoher Zusammenhang zwischen den Ergebnissen, so ist das Verfahren valide. Außenkriterien zu finden ist häufig schwierig.
Mögliche Außenkriterien können durch folgende Vorgehensweisen genutzt werden:

'''Etablierte Verfahren:''' 
Man kann einen neu entwickelten Test an einem alten, aber etablierten Verfahren validieren. Beispielsweise kann man die Ergebnisse eines neuen Konzentrationstests mit den Ergebnissen des bewährten d2 (Brickenkamp, 1994) korrelieren.

'''Methodisch verschiedene Verfahren:''' 
Genauso kann man auch Tests an anderen methodischen Verfahren validieren. Beispielsweise kann man die Ergebnisse von Beanspruchungsratings mit den objektiven Benaspruchungsdaten (Puls, Blutdruck, o.ä.) korrelieren.

Man unterscheidet die Kriteriumsvalidität zusätzlich danach, wann das gewählte Kriterium erhoben wurde: 

'''Übereinstimmungsvalidität''' (konkurrente Validität):
Die Erhebung des Kriteriums fand gleichzeitig mit der Erhebung der Testergebnisse statt. Beispielsweise wird in einer psychologisch-therapeutischen Untersuchung im Erstgespräch der Patient nach seinen Beschwerden befragt. Gibt er an, dass er sich sehr lustlos fühlt, schlecht schläft und häufig weinen muss, werden diese Informationen in einer weiteren Untersuchung validiert. Das kann der Therapeut machen, indem er das standardisierte Diagnostik-Interview CIDI durchführt und schaut, ob die Diagnose mit den Beschwerden übereinstimmt.

'''Vorhersagevalidität''' (prognostische oder prädiktive Validität):
Die Kriteriumsdaten werden zeitlich später erhoben. Beispielsweisel kann man die gemessene Intelligenz von Grundschulkindern mit ihrem späteren Schulerfolg (Abschlussnote) korrelieren.

Kriteriumsvalidität

2016-05-26T06:51:44Z

Johannes:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}

Kriteriumsvalidität gibt an, inwieweit ein Untersuchungsverfahren ein interessierendes Merkmal so misst, dass es mit einem für das Merkmal relevanten Außenkriterium übereinstimmt
Die Kriteriumsvalidität ist eine Form der [[Validität]]. Sie dient der Überprüfung, ob ein Verfahren das angestrebte Merkmal gültig misst.
Um zu prüfen, ob ein Verfahren kriteriumsvalide ist, werden dessen Ergebnisse mit einem Außenkriterium verglichen ([[Korrelation|korreliert]]). Zeigt sich ein hoher Zusammenhang zwischen den Ergebnissen, so ist das Verfahren valide. Außenkriterien zu finden ist häufig schwierig.
Mögliche Außenkriterien können durch folgende Vorgehensweisen genutzt werden:

'''Etablierte Verfahren:''' 
Man kann einen neu entwickelten Test an einem alten, aber etablierten Verfahren validieren. Beispielsweise kann man die Ergebnisse eines neuen Konzentrationstests mit den Ergebnissen des bewährten d2 (Brickenkamp, 1994) korrelieren.

'''Methodisch verschiedene Verfahren:''' 
Genauso kann man auch Tests an anderen methodischen Verfahren validieren. Beispielsweise kann man die Ergebnisse von Beanspruchungsratings mit den objektiven Benaspruchungsdaten (Puls, Blutdruck, o.ä.) korrelieren.

Man unterscheidet die Kriteriumsvalidität zusätzlich danach, wann das gewählte Kriterium erhoben wurde: 
'''Übereinstimmungsvalidität''' (konkurrente Validität):
Die Erhebung des Kriteriums fand gleichzeitig mit der Erhebung der Testergebnisse statt. Beispielsweise wird in einer psychologisch-therapeutischen Untersuchung im Erstgespräch der Patient nach seinen Beschwerden befragt. Gibt er an, dass er sich sehr lustlos fühlt, schlecht schläft und häufig weinen muss, werden diese Informationen in einer weiteren Untersuchung validiert. Das kann der Therapeut machen, indem er das standardisierte Diagnostik-Interview CIDI durchführt und schaut, ob die Diagnose mit den Beschwerden übereinstimmt.

'''Vorhersagevalidität''' (prognostische oder prädiktive Validität):
Die Kriteriumsdaten werden zeitlich später erhoben. Beispielsweisel kann man die gemessene Intelligenz von Grundschulkindern mit ihrem späteren Schulerfolg (Abschlussnote) korrelieren.

Inhaltsvalidität

2016-05-26T06:46:44Z

Johannes:

{{Nav|Navigation|Kriterien wissenschaftlichen Arbeitens|Wissenschaftliches Arbeiten}}

Inhaltsvalidität (auch Kontentvalidität) gibt an, inwieweit ein Erhebungsverfahren die Inhalte eines interessierenden Merkmals vollständig und erschöpfend erfasst.
Die Inhaltsvalidität ist eine Form der [[Validität]]. Sie dient der Überprüfung, ob ein Verfahren das interessierende Merkmal gültig misst. Hierfür ist es wichtig, dass ein Merkmal in seiner Ganzheit definiert und abgegrenzt wird. Dadurch kann es vollständig und erschöpfend im [[Tests|Test]] oder Verfahren abgebildet werden. Beides zusammen macht ein Verfahren inhaltsvalide. Inhaltsvalidität kann nicht [[Objektivität|objektiv]] und quantitativ bestimmt, sondern muss theoriegeleitet durch den Experimentator beurteilt werden.

'''Beispiel''' 
Zur Erfassung der Schreibkompetenz einer Sekretärin lässt man diese einen Probebrief verfassen. Der Probebrief ist repräsentativ für die Schreibkompetenz, da er die wesentlichen inhaltlichen Komponenten des Schreibens enthält und zudem ein Inhaltsbestandteil der Tätigkeit einer Sekretärin ist.

Organismusvariablen

2016-05-26T06:40:19Z

Johannes:

{{Nav|Navigation|Grundelemente|Wissenschaftliches Arbeiten}}

Organismusvariablen sind Eigenschaften eines Individuums, die vom Forscher als unabhängige Variablen selektiert werden.
Organismusvariablen sind [[unabhängige Variablen]] (UV). Sie bezeichnen Eigenschaften des Organismus. Sie sind in einer Untersuchung nicht manipulierbar, sondern können nur selektiert und sortiert werden. Organismusvariablen in [[Versuchsplanung|Versuchsplänen]] bedingen, dass die Konstruktion von Erklärungen nicht möglich ist. Das bedeutet, dass ein solcher Haupteffekt nicht [[interne Validität|intern valide]] überprüft werden kann. Die Sortiervariable kann mit der Wirkvariable konfundiert sein.

'''Beispiel''' 
Es soll untersucht werden, inwieweit der Erziehungsstil durch die Familiengröße (1 Kind, 2 Kinder, 3 und mehr Kinder) beeinflusst wird. Zusätzlich werden die teilnehmenden Kinder nach ihrem Geschlecht (Organismusvariable) sortiert. Die abhängige Variable ist der Erziehungsstil. Dieser wird sowohl von der Familiengröße, als auch von der Variable Geschlecht beeinflusst. Die Ergebnisse sind also konfundiert.

'''weitere Beispiele''' 
Geschlecht, Alter, Intelligenz.

Organismusvariablen

2016-05-26T06:39:04Z

Johannes: Die Seite wurde neu angelegt: „Organismusvariablen sind Eigenschaften eines Individuums, die vom Forscher als unabhängige Variablen selektiert werden. Organismusvariablen sind unabhängig…“

Organismusvariablen sind Eigenschaften eines Individuums, die vom Forscher als unabhängige Variablen selektiert werden.
Organismusvariablen sind [[unabhängige Variablen]] (UV). Sie bezeichnen Eigenschaften des Organismus. Sie sind in einer Untersuchung nicht manipulierbar, sondern können nur selektiert und sortiert werden. Organismusvariablen in [[Versuchsplanung|Versuchsplänen]] bedingen, dass die Konstruktion von Erklärungen nicht möglich ist. Das bedeutet, dass ein solcher Haupteffekt nicht [[interne Validität|intern valide]] überprüft werden kann. Die Sortiervariable kann mit der Wirkvariable konfundiert sein.

'''Beispiel'''
Es soll untersucht werden, inwieweit der Erziehungsstil durch die Familiengröße (1 Kind, 2 Kinder, 3 und mehr Kinder) beeinflusst wird. Zusätzlich werden die teilnehmenden Kinder nach ihrem Geschlecht (Organismusvariable) sortiert. Die abhängige Variable ist der Erziehungsstil. Dieser wird sowohl von der Familiengröße, als auch von der Variable Geschlecht beeinflusst. Die Ergebnisse sind also konfundiert.

'''weitere Beispiele'''
Geschlecht, Alter, Intelligenz.

Artikelliste:Grundelemente

2016-05-26T06:35:38Z

Johannes:

*[[Variablen]]
**[[Abhängige Variablen]]
**[[Unabhängige Variablen]]
**[[Kovariablen]]
**[[Störvariablen]]
**[[Organismusvariablen]]
**[[Prädiktor- und Kriteriumsvariablen]]
*[[Datenbeschreibung]]
**[[Konfidenzintervall]]
**[[Standardfehler]]
**[[Prävalenz und Inzidenz]]
*[[Statistisches Testen]]
**[[Alpha-Fehler]]
**[[Beta-Fehler]]
**[[Effektgröße]]

Messungs-Validität

2016-05-26T06:22:59Z

Johannes:

Im Bezug auf das Messen (im Gegensatz zur [[experimentelle Validität]]) unterscheidet man drei Arten der Validität: 
 
==Inhaltsvalidität== 
 Hier geht es um die Frage: Erfasst meine Messung das Konstrukt in seinen wichtigsten Aspekten erschöpfend? Hierauf ist besonders im Zuge der [[Operationalisierung]] zu achten. Da es aber keine formalen Kriterien gibt, gilt es hier die eigene Erfahrung und die Erfahrung anderer Forscher zu berücksichtigen (siehe Beispiel oben und auch [[Begriffsbildung]]). 
 ==Kriteriumsvalidität== 
 Die Kriteriumsvalidität fragt nach einer Korrespondenz der gemessenen Merkmalsausprägung mit einem passenden Außenkriterium. Die ''prognostische'' Validität bezieht sich als Außenkriterium auf ein späteres Ereignis, z.B. dem Zusammenhang aus Intelligenztest-Ergebnis und späterem Schulerfolg. Die Übereinstimmungsvalidität dagegen sucht nach einem Außenkriterium in der Gegenwart. Hierzu kann die Technik bekannter Gruppen verwendet werden, z.B. kann ein Kreativitätstest anhand der Unterschiede zwischen Künstlern und Sachbearbeitern validiert werden (wobei mit diesem Beispiel nicht jedem Sachbearbeiter individuelle Kreativität abgesprochen werden soll). 
 ==Konstruktvalidität== 
 Die Konstruktvalidität befasst sich damit, inwieweit die Messung den Bedeutungsumfang des zu messenden Konstruktes richtig erfasst. Die ''konvergente Validität'' bestimmt die Übereinstimmung mit anderen Messungen desselben Zielkonstruktes (z.B. Korrelation eines Intelligenztests und Tests zur Problemlösefähigkeit). Die ''diskriminante Validität'' bestimmt die Unabhängigkeit/Nichtübereinstimmung einer Messung zur Messung anderer Konstrukte (z.B. keine/niedrige Korrelation eines Intelligenztests mit einem Test zum Selbstvertrauen).

Übungen

2016-05-25T14:00:49Z

Johannes:

[http://elearning.tu-dresden.de/versuchsplanung/e137/ Die Übungen befinden sich hier]

Vorhersagen

2016-01-17T16:17:30Z

Johannes:

{{Nav|Navigation|Ziele|Ziele}}

Wenn man Zusammenhänge und Gesetze entdeckt hat, kann man diese nutzen, um zukünftige Ereignisse vorherzusagen.
Dabei gilt: Je stärker der Zusammenhang, desto sicherer die Prognose. Dabei ist eine Kenntnis der unterliegenden Kausalzusammenhänge nicht unbedingt nötig, es kann die Beobachtung eines Zusammenhanges ausreichen.
 ''Beispiel: Wenn ich beobachtet habe, dass sich Paare, die kirchlich heiraten, seltener Trennen, muss ich die unterliegende Kausalverknüpfung nicht kennen, um für eine neue Gruppe von Paaren zu schätzen, ob ihre Beziehungen überdauern.''

Die Sicherheit, mit welcher eine Vorhersage zutrifft wird durch die Prognosegüte angegeben.
Diese wird beeinflusst von der [[Operationalisierung]] der [[Variablen]], dem betrachteten Zeitraum, sowie der Auswahl und der Gewichtung der [[Prädiktor- und Kriteriumsvariablen|Prädiktoren]].

''Beispiel: Wenn Berufserfolg vorhergesagt werden soll, ist es wichtig, nicht etwa Haarfarbe zu erheben, sondern Prädiktoren wie Gewissenhaftigkeit und Intelligenz (Auswahl). Hat die Gewissenhaftigkeit einen stärkeren Einfluss, sollte sie auch vermehrt in die Vorhersage einfließen (Gewichtung). Es wird wenig Sinn ergeben, die Untersuchung an Säuglingen durchzuführen – genauso wenig wie an Rentnern (Zeitraum). Und letztlich würde man zur Intelligenzmessung lieber einen IQ-Test verwenden, als die Versuchspersonen zu fragen, wie intelligent sie sich selbst einschätzen (Operationalisierung). ''

Im Unterschied zur [[Erklären|Erklärung]] wird bei der Vorhersage die [[Unabhängige Variablen|UV]] als Prädiktorvarialbe und die [[Abhängige Variablen|AV]] als [[Prädiktor- und Kriteriumsvariablen|Kriteriumsvariable]] bezeichnet.

Entscheiden: Signaldetektion

2015-12-27T14:33:31Z

Johannes:

{{Nav|Navigation|Messtheorie|Messtheorie}}

Ein zentrales Problem der psychologischen Forschung bildet die Entscheidung zwischen Zufall und begründeter Existenz: ab wann gilt ein gemessenes Signal als tatsächlich vorhanden?
 Die '''Signalentdeckungstheorie''' beschäftigt sich mit Entscheidungskriterien in eben diesen Problemsituationen.
Sie basiert auf der Annahme, dass alles, was wir wahrnehmen und messen, stets eine Mischung aus dem uns interessierenden '''Signal''' und einer Art "Hintergrundrauschen", dem '''Noise''' ist. Ziel ist es nun, möglichst akkurat zu unterscheiden zwischen Situationen, in denen nur Noise vorhanden ist und Situationen, in denen zusätzlich zum Noise auch das relevante Signal existiert.
''(Zur Illustration: Steht man unter der Dusche, bildet das Geräusch des Wassers das Hintergrundrauschen. Man würde sich nun wünschen, korrekt unterscheiden zu können, wann man zusätzlich zum Rauschen auch noch das Klingeln des Telefons gehört hat. Diese Unterscheidung sollte möglichst akkurat geschehen – einerseits möchte man den möglichen Anruf nicht verpassen, andererseits möchte man aber auch nicht umsonst aus der Dusche gesprungen sein.)''
 
 In der Psychologie ergibt sich bei Messungen zumeist eine annähernde [http://de.wikipedia.org/wiki/Normalverteilung Normalverteilung]. Das bedeutet: bei der Erhebung diverser anwesender Signale (z.B. dem Vorliegen einer Depression), werden die Ergebnisse der meisten Messungen auch für ein Signal sprechen. Einige Messungen werden jedoch fälschlicherweise auf reinen Noise hinweisen (z.B. eine Person ohne psychische Störung). Andersherum gilt dies ebenso, auch Messungen ohne Signal ergeben teilweise Daten, die wiederrum für ein anwesendes Signal sprechen würden (z.B. eine Person ohne psychische Störung, bei der eine Depression diagnostiziert wird). Das Problem das sich nun stellt, ist es, lediglich anhand der Messergebnisse zu entscheiden, um welche der Situationen es sich handelt: war ein Signal da oder nicht.
''(Bezogen auf die Situation in der Dusche, heißt dies: Wenn das Telefon nicht klingelt, hört es sich in den meisten Momenten auch genauso an. In einigen Momenten jedoch, glaubt man, ein klingelndes Telefon zu hören, obwohl dies gar nicht der Fall ist. Und andersherum: Ein Klingeln wird meist auch als eines erkannt – teilweise hört es sich jedoch so an, als sei das nur das Rauschen der Dusche gewesen.)''
 [[Datei:Signal1.png|500px]]
 Aus der Abbildung wird das Problem klar ersichtlich: es liegt in der Überschneidung der beiden Verteilungen. Gewisse Messergebnisse können sich sowohl wenn ein Signal anwesend ist ergeben (rechter Graph), als auch wenn es nicht anwesend ist (linker Graph). Aus solchen Ergebnissen auf die Existenz des Signals zu schließen, stellt uns also vor ein Problem.
 
 
== Gute Messung ==
Dieser Lösungsansatz ist recht intuitiv: Je geringer der "Noise" und je deutlicher das Signal, desto akkurater fällt die Entscheidung aus. Dies ist das Prinzip der [http://de.wikipedia.org/wiki/Varianzanalyse#Grundidee Varianzanalyse].
Das Rauschen (Noise) entspricht dabei der [[Varianz]] innerhalb der "Gruppen" (Gruppe 1 umfasst alle Messungen, bei denen das Signal, z.B. eine Depression, nicht anwesend war – Gruppe 2 die Messungen, bei denen das Signal da war). Minimiert man das Rauschen, werden die Normalverteilungen schmaler und der Überschneidungsbereich somit automatisch kleiner:
 [[Datei:Signal2.png|500px]]
 Die "Streuung zwischen den Gruppen" entspricht hier dem Abstand der Mittelwerte der einzelnen Gruppen – also wie sehr sich eine durchschnittliche Messung bei anwesendem Signal von einer durchschnittlichen Messung bei abwesendem Signal unterscheidet (je größer diese [http://de.wikipedia.org/wiki/Streuung_%28Statistik%29 Streuung], desto "weiter entfernt" sind die Verteilungen voneinander). Ziel ist es also, die Varianz innerhalb der Gruppen zu minimieren und die Varianz zwischen den Gruppen zu maximieren – denn dann sind die exaktesten Entscheidungen möglich (siehe auch [[Max-Kon-Min-Prinzip]]).
''(Diesem Ansatz entspräche es, das Telefon lauter zu stellen und die Dusche etwas schwächer laufen zu lassen.)''
 
== Entscheidungskriterium ==
 Auch durch alle Bemühungen ist es oft nicht möglich, komplett eindeutige Messergebnisse zu erhalten. Deshalb ist es nötig, ein '''Entscheidungskriterium''' festzulegen – also zu bestimmen, ab wann eine falsche Entscheidung unwahrscheinlich genug ist, um eine Annahme zu akzeptieren.
In der Statistik wird dies [http://de.wikipedia.org/wiki/Statistische_Signifikanz Alpha-Niveau] genannt und häufig auf 5% angesetzt. Das bedeutet: Wenn die Wahrscheinlichkeit, dass die Messwerte aus der Gruppe 1 stammen, unter 5% liegt, ist es legitim, anzunehmen, dass sie aus Gruppe 2 stammen (also, dass das Signal anwesend war).
 Generell gibt es 4 mögliche Entscheidungen, von denen 2 eine Fehlentscheidung darstellen:
 [[Datei:Signal3.png|400px]]
 Obwohl das Signal anwesend war, den Fall der Gruppe 1 zuzuordnen ''(den Anruf nicht zu hören)" wird als '''False Rejection''' bezeichnet. Den umgekehrten Fehler – die Messwerte einer Bedingung, bei denen nur Noise existierte, als Signal zu interpretieren ''(umsonst aus der Dusche zu springen)'' – nennt man '''False Alarm'''.

 Das Entscheidungskriterium bestimmt nun die Höhe der Wahrscheinlichkeit dieser beiden Fehlerarten. Dabei gilt: Je unwahrscheinlicher die eine, desto wahrscheinlicher die andere ''(je höher die Wahrscheinlichkeit für einen False Alarm, desto niedriger die Wahrscheinlichkeit für eine False Rejection, und umgekehrt)''. Häufig hängt das Entscheidungskriterium von den Konsequenzen ab, die die jeweiligen Fehler nach sich ziehen würden.
 Ein '''liberales Kriterium''' wird angesetzt, wenn es besonders wichtig ist, ein existentes Signal nicht versehentlich zu übersehen.
''Beispielsweise wird es bei Bluttests auf tödliche Krankheiten lieber in Kauf genommen, dass der Tests fälschlicherweise ausschlägt, als dass eine tatsächlich erkrankte Person ein negatives Ergebnis erhält und so nicht über ihre Krankheit informiert wird. (In unserem Duschbeispiel entspräche das der Situation eines hoch wichtigen Anrufs, den man auf keinen Fall verpassen möchte.)''
 Ein '''konservatives''' Kriterium wird angesetzt, wenn ein falscher Alarm mit großen Kosten verbunden ist.
''Krankenkassen verlangen bei vielen Diagnosen ein sehr eindeutiges Ergebnis über das tatsächliche Vorhandensein der Krankheit. Aus ihrer Sicht wäre es fatal, eine Behandlung zu finanzieren, wenn sich im Nachhinein herausstellt, dass gar keine Krankheit vorlag. (In der Dusche würde man ein konservatives Kriterium ansetzen, wenn man keinen wichtigen Anruf erwartet und wirklich nicht aus der Dusche in die Kälte hüpfen möchte.)''
 [[Datei:Signal4.png|600px]]
 
 Als Psychologe ist man in verschiedensten Bereichen vom Problem der Signaldetektion betroffen.
 
 Als Forscher spielt Signaldetektion bei der Auswertung vieler Versuchsdaten eine Rolle, denn eine Versuchsperson kann sich z.B. entscheiden, viele Fehler in einem Test zu machen und dafür schnell zu reagieren, oder wenige Fehler zu machen und dafür langsamer zu reagieren. In solchen Fällen kann z.B. von der Reaktionszeit alleine nicht auf die Leistungsfähigkeit einer Person geschlossen werden – vielleicht hatte eine schnelle Person eben auch nur ein liberales Antwortkriterium. Abhilfe für dieses sogennante „Speed-Accuracy-Tradeoff“ Problem kann entweder ein {Index} dienen, welcher Reaktionszeit und Fehlerrate kombiniert oder ein Signalentdeckungstheorietisches Vorgehen, welches die Sensitität der Person (das Signal-Noise-Verhältnis) und das Kriterium der Person errechnet.
 Als Forscher spielt Signaldetektion aber auch in der statistischen Auswertung eine Rolle. Die Inferenzstatistik gibt letztlich Auskunft, ob man aufgrund einer experimentellen Manipulation einen Unterschied zwischen Gruppen herstellen konnte oder nicht. In der Regel gilt hier ein recht konservatives Entscheidungskriterium, welches die Forschungscommunity auf 5% Irrtumswahrscheinlichkeit festgelegt hat. Ein Unterschied wird also nur dann als existent akzeptiert, wenn die vorliegenden Daten sehr sicher durch die Manipulation entstanden sind und nur eine 5%ige Wahrscheinlichkeit besteht, dieses Daten zu messen, obwohl kein echter Gruppenunterschied da war.
 Als Therapeut spielt Signaldetektion bei der Diagnose psychischer Störungen eine Rolle. Welche und wie viele Kriterien muss eine Person erfüllen, um z.B. als depressiv diagnostiziert zu werden. Das Entscheidungskriterium unterliegt hier sowohl persönlichen Vorlieben, welche vom konservativen Therapeuten bis zum „Viel-hilft-viel“-Therapeuten reichen mag, wirtschaftlichen Interessen des Therapeuten, denn jeder Patient ist auch eine Einnahmequelle, aber auch wirtschaftlichen Interessen des Gesundheitssystems, denn jede Therapie kostet schließlich Geld.

Max-Kon-Min-Prinzip

2015-07-10T08:22:06Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Das Max-Kon-Min-Prinzip (nach Kerlinger, 1973) umfasst praktische Maßnahmen zur MAXimierung der
[[Varianz#Primärvarianz|Primärvarianz]], zur KONtrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] und zur MINimierung der [[Varianz#Fehlervarianz|Fehlervarianz]]. Es wird als grundlegendes Prinzip der Versuchsplanung angesehen.
Das Ziel ist es, die experimentelle Primärvarianz, also die erwünschte Varianz, im Verhältnis zur Sekundärvarianz (systematische Fehlervarianz) und Zufallsvarianz (unsystematische Fehlervarianz) zu maximieren (Sarris, 1992).

Die Bezeichnung Max-Kon-Min-Prinzip (oder auch "Max-Kon-Min-Strategie") steht kurz gesagt für 1. "Maximiere die Primärvarianz", 2. "Kontrolliere die Sekundärvarianz" und 3. "Minimiere die Fehlervarianz".

'''1. Maximierung der Primärvarianz'''

Durch die Wahl von extremen oder optimalen Werten der [[unabhängige Variablen|unabhängigen Variable]] kann die Primärvarianz maximiert werden.
Optimale Werte ermittelt man hierbei durch die Wahl zahlreicher Stufen der UV. Indem man die unabhängige Variable mehrfach stuft, lässt sich herausfinden, ob etwa ein linearer, ein bitoner oder ein tritoner Zusammenhang besteht. Auf diese Weise bestimmt man auch die optimale Stufenanzahl der UV für eine Untersuchung.
Sarris führt zudem die "Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Korntrollvariable")" (Sarris, 1992, S. 214) als Möglichkeit zur Maximierung der Primärvarianz an.

'''2. Kontrolle der Sekundärvarianz'''

Um die Sekundärvarianz zu verringern werden verschiedene Kontrolltechniken angewandt. Hierzu gehören die
#[[Eliminierung]]
#[[Konstanthaltung]]
#[[Randomisierung]]
#[[Störvariable in UV Umwandlung|Umwandlung eines Störfaktors in eine UV]]
#[[Blockbildung]]/[[Parallelisierung]]
#[[Wiederholungsmessung]]
#(nachträgliche statistische Kontrolle)

'''3. Minimierung der Fehlervarianz'''

Die [[Varianz#Fehlervarianz|Fehlervarianz]] oder auch "Zufallsvarianz" entsteht durch unsystematische Einflüsse auf die Werte der [[abhängige Variablen|abhängigen Variable]] und ist in einem [[Experimente|Experiment]] nicht erwünscht. Um sie möglichst gering zu halten, kann man verschiedene Maßnahmen ergreifen. Wichtig ist dafür die Standardisierung der Untersuchungssituation. Nicht identifizierbare und damit unsystematische individuelle Differenzen erhöhen ebenfalls die Fehlervarianz und können durch Kontrolltechniken wie Wiederholungsmessung oder Blockbildung gering gehalten werden. Eine weitere wichtige Einflussgröße auf die Fehlervarianz sind die Messfehler. Die Zuverlässigkeit kann durch die Wahl [[Reliabilität|reliabler]] Messinstrumente erhöht werden.

Das Max-Kon-Min-Prinzip wird angewendet, um eine möglichst hohe [[interne Validität]] in einem Experiment zu gewährleisten, indem mit den oben genannten Kontrolltechniken unerwünschte Einflussfaktoren auf diese vermindert werden. Damit wird der gültige Rückschluss von Veränderungen der abhängigen Variable auf die Variation der unabhängigen Variable möglich.

'''Übersicht über die typischen Maßnahmen zur Gewährleistung der internen Validität gemäß dem Max-Kon-Min-Prinzip der Versuchsplanung''' (modifiziert nach Sarris, 1992):

{| class="wikitable" style="width:800px;"

! style="width:20%" | '''1. Maximiere die Primärvarianz'''
|
* Wahl von Extremgruppen
* Wahl von so genannten optimalen Stufen
* Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Kontrollvariable")

|-

! style="width:20%" | '''2. Kontrolliere die Sekundärvarianz (systematische Fehler)'''
|
* Eliminierung eines Störfaktors
* Konstanthaltung eines Störfaktors für alle Versuchsgruppen und experimentellen Bedingungen
* Randomisierung der Probanden und der Bedingungen
* Blockbildung/Parallelisierung
* Wiederhoulgsmessung
* Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Kontrollvariable")
* Nachträgliche statistische Kontrolle: Kovarianzanalyse

|-

! style="width:20%" | ''' 3. Minimiere die Fehlervarianz ("Rauschen"- zufällige Fehler)'''
|
* Wahl eines Wiederholungs- oder Blockversuchsplans
* Anheben der Standardisierung der Untersuchungssituation
* Erhöhung der Zuverlässigkeit (und Gültigkeit) des Messinstruments
|}

'''Beispiel'''

Ein Forscher möchte untersuchen, inwieweit sich Stress auf die Konzentrationsleistung bei Autofahrern auswirkt. Er nimmt an, dass Stress zu einer schlechteren Konzentrationsleistung führt. Der Forscher möchte ein Laborexperiment durchführen und seine 100 Probanden in einem Fahrsimulator untersuchen.

Nun muss er überlegen, wie er eine Studie plant, die sicherstellt, dass die Veränderungen der Konzentrationsleistungen (also der AV) tatsächlich auf die Stressbedingungen (Stufung der UV) zurückzuführen sind. Er bedient sich dabei der Checkliste des Max-Kon-Min-Prinzips und entscheidet sich für ein Randomisierungsdesign mit dreifacher Abstufung der UV (gar nicht gestresst, ein bisschen gestresst, sehr gestresst).

Durch die mehrfache Abstufung der UV erhöht er die Primärvarianz (siehe oben). Die Sekundärvarianz wird kontrolliert durch das Randomisierungsprinzip: per Zufall sucht der Forscher die Stichprobe aus der Grundgesamtheit aus, sodass er eine repräsentative Stichprobe erhält. Diese werden per Zufall in drei Gruppen eingeteilt, sodass sich alle möglichen Störvariablen "gleichmäßig" auf die Gruppen verteilen. Verzerrungen durch beispielsweise interindividuelle Unterschiede werden damit vermieden. Zu guter Letzt teilt der Forscher die drei Gruppen zufällig den drei Versuchsbedingungen zu.

Die unsystematische Fehlervarianz ist niemals vollständig kontrollierbar, jedoch versucht der Forscher, die Untersuchungssituation so weit wie möglich zu standardisieren. Er testet alle Versuchspersonen im Labor unter den gleichen Bedingungen. Außerdem achtet er darauf, zuverlässige und gültige Messinstrumente zu verwenden.

Diese Vorgehensweise verspricht eine hohe interne Validität des Experiments. Der Forscher kann also nach der Durchführung sagen, ob Stress tatsächlich einen Einfluss auf die Konzentrationsleistung der Probanden hat.

Parallelisierung

2015-07-10T08:19:48Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Parallelisierung ist die Zuordnung von Versuchspersonen anhand eines [[blockbildendes Merkmal|blockbildenden Merkmals]] zu Paaren. Sie ist eine der [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]].

Die Parallelisierung ist ein Sonderfall der [[Blockbildung]]. Von Parallelisierung spricht man dann, wenn es genau zwei Versuchsbedingungen gibt und somit jedem Block zwei Versuchspersonen anhand des blockbildenden Merkmals (oder Parallelisierungsmerkmal (Sarris, 1990)) zugeordnet werden müssen. Diese aus zwei Versuchspersonen bestehenden Blöcke nennt man in dem Fall "Paare".

Das Vorgehen entspricht dabei im Ganzen der Blockbildung – der einzige Unterschied besteht in der Anzahl der Versuchsbedingungen, aus der eine veränderte Bezeichnung hervorgeht (Parallelisierung statt Blockbildung, Paare statt Blöcke).

'''Beispiel'''

Ein junger Psychologiestudent möchte in seiner Projektarbeit untersuchen, wie sich die Konzentration auf die prospektiven Gedächtnisleistungen auswirkt. Die Probanden werden durch Ablenkung oder keine Ablenkung (zweifach gestufte UV) in einen unkonzentrierten oder konzentrierten Zustand versetzt. Da er weiß, dass das Alter einen zentralen Einfluss auf die prospektiven Gedächtnisleitungen hat, wählt er für seine Untersuchung die Kontrollmethode der Parallelisierung. Das Alter bildet dabei die blockbildende Variable. Er bringt seine Probanden also dem Alter nach in eine Rangreihe und bildet daraufhin Paare. Die Personen aus den Paaren werden dann jeweils einer der beiden Bedingungen (abgelenkt vs. nicht abgelenkt) zugeordnet. Damit verteilt sich der Einfluss der Störvariable "Alter" gleichmäßig auf die beiden Bedingungen und führt nicht zur Verzerrung der Messwerte der AV.

Wiederholungsmessung

2015-07-10T08:19:36Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Wiederholungsmessung ist die Untersuchung ein und desselben Versuchsteilnehmers unter sämtlichen experimentellen Bedingungen (Sarris, 1990). Damit werden personelle [[Störvariablen]] bei verschiedenen Stufen der [[unabhängige Variablen|UV]] konstant gehalten. Sie zählt zu den [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in [[Experimente]]n.

Ebenso wie [[Randomisierung]] und [[Blockbildung]] hat die Wiederholungsmessung das Ziel, interindividuelle Störvariablen auszuschließen. Zusätzlich hat die Wiederholungsmessung den Vorteil, dass die Störvariablen dem Versuchsleiter nicht bekannt sein müssen und dass im Gegensatz zur Randomisierung eine relativ kleine Stichprobengröße ausreichend ist.
Die einfache Wiederholungsmessung hat jedoch auch viele Nachteile. Einflussgrößen auf die [[interne Validität]] wie [[Reifung]], [[Zeiteinflüsse]], [[Testeffekte]] und [[Sequenzeffekte]] können bei einem solchen Design wirksam werden. Durch Ausbalancieren (siehe unten) der Reihenfolge bzw. durch Zufallsabfolge werden diese Effekte kontrolliert.

Wiederholungsmessung ist also nur eingeschränkt anwendbar. Es sollte stets darauf geachtet werden, dass die zu messenden Variablen nicht den oben genannten Einflussgrößen unterliegen oder dass diese zumindest in der Interpretation berücksichtigt werden.
Ergebnisse, die auf der Grundlage von vorgetesteten Personen entstanden sind, lassen sich beispielsweise nicht auf nicht vorgetestete Personen generalisieren (vgl. Externe Validität).

Es ergeben sich also durch Messwiederholung sowohl Einschränkungen für die [[interne Validität]] als auch Einschränkungen für [[externe Validität]].

'''Beispiel'''

Herr Müller möchte untersuchen, ob Menschen eine Gefahrensituation in Abhängigkeit von der Fahrgeschwindigkeit schneller bzw. langsamer erkennen.
Ihm stehen zehn Versuchspersonen zur Verfügung, die er per Zufall aus einer Grundgesamtheit gewonnen hat. Seine UV, also die Fahrgeschwindigkeit, ist aber fünffach gestuft (10 km/h, 30 km/h, 50 km/h, 80 km/h, 120 km/h). Ein Randomisierungsexperiment mit so wenigen Versuchspersonen ist unmöglich.
Deswegen entscheidet er sich für die Wiederholungsmessung. Jede der zehn Versuchspersonen durchläuft alle fünf Stufen der UV. Damit erhält Herr Müller trotz der geringen Probandenzahl eine ganze Reihe Daten. Außerdem hält er mit diesem Design alle interindividuellen Störvariablen konstant und kann ausschließen, dass etwa Intelligenz oder Alter einen Effekt auf seine Messwerte gehabt haben könnten.
Leider hat dieser Versuchsaufbau eine sehr geringe externe Validität.

==Ausbalancierung==

Untersuchungen mit Wiederholungsmessung sind dann ausbalanciert, wenn die Reihenfolge der experimentellen Bedingungen ausgeglichen variiert wird.

In Untersuchungen mit mehreren Stufen einer unabhängigen Variablen können [[Sequenzeffekte]] auftreten. Um diesen Effekten vorzubeugen, sollte die Abfolge der experimentellen Bedingungen ausbalanciert werden. Dies geschieht in einem Zweistichprobenplan mit Wiederholungsmessung indem die eine Hälfte der Probanden mit Bedingung A beginnt und im Anschluss Bedingung B erhält, während die andere Hälfte der Probanden die Bedingungen genau anders herum erhält. Je mehr Stufen der UV untersucht werden, umso komplizierter wird das Ausbalancieren. Wichtig ist, dass die Reihenfolge der einzelnen Bedingungen variiert wird, sich möglichst nicht wiederholt oder gleichmäßig verteilt ist. Man kann die Reihenfolge der Bedingungen auch per Zufall zuteilen, allerdings nur dann, wenn eine genügend hohe Anzahl an Versuchspersonen verfügbar ist (Gesetz der großen Zahlen).
Die Ausbalancierung ist dem Versuchsplan nicht zu entnehmen, da die einzelnen Messwerte pro Bedingung über die gesamten Probanden zu Mittelwerten zusammengefasst werden.

'''Arten von Ausbalancierung'''

Wenn die Stimuli des Versuchs keine wiederholte Präsentation am Probanden zulassen, also nur eine Messung pro Bedingung möglich ist (z.B. durch starke Übungseffekte bei Stimuli für Lernexperimenten), dann muss interindividuell ausbalanciert werden. Dazu zählen das vollständige- und das unvollständige Ausbalancieren.
Wenn es aber möglich ist, mehrere Messungen pro Bedingung durchzuführen (z.B. in der Psychophysik), dann ist es ökonomischer, intraindividuell auszubalancieren. Hierzu zählen die ABBA-Balancierung sowie die Block-Randomisierung.

''Interindividuell: Vollständiges Ausbalancieren''

Beim vollständigen Ausbalancieren wird interindividuell ausbalanciert. Die Sequenz der Stimuli variiert also zwischen den Probanden, wobei jede mögliche Sequenz vergeben werden muss. Für jede Sequenz wird dann ein Proband benötigt. Bei drei Bedingungen ergeben sich z.B. 6 mögliche Sequenzen:

ABC, ACB, BCA, BAC, CAB, CBA

Die Anzahl der möglichen Sequenzen errechnet sich hierbei durch 3 x 2 x 1 = 6 = 3! (Fakultät), allgemein: Bedingungenanzahl! (Fakultät).
Hier liegt der Nachteil dieser Balancierung, denn diese Anzahl der möglichen Sequenzen steigt mit mehr Bedingungen explosionsartig in die Höhe:
4 Bedingungen = 24 Sequenzen = 24 Versuchspersonen
5 Bedingungen = 120 Sequenzen = 120 Versuchspersonen

''Interindividuell: Unvollständiges Ausbalancieren''

Beim unvollständigen Ausbalancieren wird auch interindividuell ausbalanciert genauso wie beim vollständigen Ausbalancieren - nur dass nicht alle Sequenzen vergeben werden müssen, sondern zufällig einige aus allen möglichen Sequenzen ausgewählt werden. So ist es z.B. möglich bei 3 Bedingungen nur 4 statt 6 Versuchspersonen einzusetzen.
Das Problem dieser Vorgehensweise ist, dass sich zufällig Bedingungen an bestimmten Stellen häufen können. Werden für die 4 Versuchspersonen z.B. die Sequenzen ABC, ACB, CAB, CBA gewählt, dann war die Bedingung B nie an erster Stelle, dafür aber häufiger an zweiter und dritter Stelle.
Eine Lösung dieses Problems bietet das lateinische Quadrat. Dabei werden die Sequenzen nicht zufällig gewählt, sondern im Beispiel anhand eines 3x3 Quadrates, in dem jeder Buchstabe pro Zeile und Spalte nur einmal vorkommt:

A B C 
B C A 
C A B

Nun kann jede Zeile als Sequenz für eine Versuchsperson genommen werden.
So ist jede Bedingung einmal an jeder Stelle und die Anzahl der gebrauchten Versuchspersonen ist nur so groß wie die Anzahl der Bedingungen.
Solche Pläne sind allerdings nur in Bezug auf die [[Haupteffekte]] ausbalanciert, nicht aber in Bezug auf [[Interaktionseffekte]], da nicht jede mögliche Kombination untersucht wird.

''Intraindividuell: ABBA-Balancierung''

Die ABBA-Balancierung ist eine intraindividuelle Balancierung. D.h. jede Bedingung wird an einem Probanden mehrfach gemessen und so kann die Reihenfolge variiert werden. Bei ABBA wird jede Bedingung zweimal gemessen, wobei beim zweiten Messdurchgang die Sequenz umgedreht wird. Bei 4 Bedingungen ergibt sich so z.B.:

A B C D D C B A

Durch diese Balancierung können [[Sequenzeffekte|Übungs- und Ermüdungseffekte]] kompensiert werden. Problematisch ist jedoch die Gefahr der Vorhersehbarkeit durch die Probanden.

''Intraindividuell: Block-Randomisierung''

Die Block-Randomisierung ist eine intraindividuelle Ausbalancierung. Im Gegensatz zur ABBA-Balancierung wird hier die Sequenz nicht gespiegelt, sondern in den einzelnen Messdurchgängen (Blöcken) randomisiert (z.B. ABDC, BCDA, CADB, CABD ...). Dabei sind allerdings viele Messdurchgänge (Blöcke) notwendig, damit wirklich alle [[Sequenzeffekte]] ausgeschlossen werden können. Eine Lösung für dieses Problem könnte sein, die randomisierten Blöcke auf verschieden Probanden aufzuteilen. Allerdings entspricht dies im Prinzip wieder einer unvollständigen Ausbalancierung.

'''Beispiel:'''

In einer Studie zum Einfluss des Schwierigkeitsgrades eines Puzzles auf die Frustrationsäußerungen werden 6 PsychologiestudentInnen untersucht. Die drei verschieden schweren Puzzles (leicht, mittel und schwer) werden den Probanden nacheinander vorgelegt. Dabei wird darauf geachtet, dass die Reihenfolge ausbalanciert wird (Vollständige Ausbalancierung):

[[Datei:ausblanacierung.jpg|350px]]

Blockbildung

2015-07-10T08:19:22Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Als Blockbildung (oder auch "Matched Samples") bezeichnet man die zufällige Zuordnung der Versuchspersonen anhand eines [[Blockbildendes Merkmal|blockbildenden Merkmals]] zu verschiedenen Versuchsbedingungen. Sie dient als [[Kontrollprinzipien|Kontrolltechnik]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] und zur Verminderung der [[Varianz#Fehlervarianz|Fehlervarianz]] (Sarris, 1990).

Wenn nur eine geringe Anzahl an Versuchspersonen für einen Versuch zur Verfügung steht, so ist die Kontrolltechnik der [[Randomisierung]] nicht durchführbar. Stattdessen bietet sich die Blockbildung zur Kontrolle der Sekundärvarianz an, da hierfür eine geringere Zahl Versuchspersonen ausreicht.
Bei der Blockbildung wird zunächst ein blockbildendes Merkmal erhoben. Häufig ist hierfür ein Vortest notwendig. Das blockbildende Merkmal weist einen hohen Zusammenhang mit der [[abhängige Variablen|abhängigen Variablen]] auf und ist typischerweise eine [[Organismusvariable]] wie "Alter", "Intelligenz", "Geschlecht" etc. (Sarris, 1990).
Anhand des blockbildenden Merkmals werden die Versuchspersonen in einem ersten Schritt in eine Rangreihe gebracht. Aus der Rangreihenfolge werden daraufhin Blöcke gebildet. Die Anzahl der Versuchspersonen innerhalb eines Blocks richtet sich nach den Abstufungen der [[unabhängige Variablen|UV]]. Ähnliche Personen hinsichtlich des blockbildenden Merkmals werden zufällig den verschiedenen Bedingungen zugeteilt.

'''Beispiel'''

Wir möchten eine Gruppe von 9 Probanden anhand ihrer Haarlänge (zu Demonstrationszwecken) in eine Rangreihenfolge bringen. Die Haarlänge ist dabei das blockbildende Merkmal. Anhand des blockbildenden Merkmals sollen die Versuchspersonen daraufhin in Blöcke eingeteilt werden. Da wir eine dreifach abgestufte UV haben, müssen bei neun Probanden in jedem Block drei Versuchspersonen sein. Die Versuchspersonen aus den Blöcken werden dann per Zufall auf die verschiedenen Bedingungen verteilt:

[[Datei:Blockbildung.jpg|600px]]

Max-Kon-Min-Prinzip

2015-07-10T08:18:37Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Das Max-Kon-Min-Prinzip (nach Kerlinger, 1973) umfasst praktische Maßnahmen zur MAXimierung der
[[Varianz#Primärvarianz|Primärvarianz]], zur KONtrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] und zur MINimierung der [[Varianz#Fehlervarianz|Fehlervarianz]]. Es wird als grundlegendes Prinzip der Versuchsplanung angesehen.
Das Ziel ist es, die experimentelle Primärvarianz, also die erwünschte Varianz, im Verhältnis zur Sekundärvarianz (systematische Fehlervarianz) und Zufallsvarianz (unsystematische Fehlervarianz) zu maximieren (Sarris, 1992).

Die Bezeichnung Max-Kon-Min-Prinzip (oder auch "Max-Kon-Min-Strategie") steht kurz gesagt für 1. "Maximiere die Primärvarianz", 2. "Kontrolliere die Sekundärvarianz" und 3. "Minimiere die Fehlervarianz".

'''1. Maximierung der Primärvarianz'''

Durch die Wahl von extremen oder optimalen Werten der [[unabhängige Variablen|unabhängigen Variable]] kann die Primärvarianz maximiert werden.
Optimale Werte ermittelt man hierbei durch die Wahl zahlreicher Stufen der UV. Indem man die unabhängige Variable mehrfach stuft, lässt sich herausfinden, ob etwa ein linearer, ein bitoner oder ein tritoner Zusammenhang besteht. Auf diese Weise bestimmt man auch die optimale Stufenanzahl der UV für eine Untersuchung.
Sarris führt zudem die "Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Korntrollvariable")" (Sarris, 1992, S. 214) als Möglichkeit zur Maximierung der Primärvarianz an.

'''2. Kontrolle der Sekundärvarianz'''

Um die Sekundärvarianz zu verringern werden verschiedene Kontrolltechniken angewandt. Hierzu gehören die
#[[Eliminierung]]
#[[Konstanthaltung]]
#[[Randomisierung]]
#[[Störvariable in UV Umwandlung|Umwandlung eines Störfaktors in eine UV]]
#[[Blockbildung]]/[[Parallelisierung]]
#[[Wiederholungsmessung]]
#(nachträgliche statistische Kontrolle)

'''3. Minimierung der Fehlervarianz'''

Die [[Varianzkomponenten#Fehlervarianz|Fehlervarianz]] oder auch "Zufallsvarianz" entsteht durch unsystematische Einflüsse auf die Werte der [[abhängige Variablen|abhängigen Variable]] und ist in einem [[Experimente|Experiment]] nicht erwünscht. Um sie möglichst gering zu halten, kann man verschiedene Maßnahmen ergreifen. Wichtig ist dafür die Standardisierung der Untersuchungssituation. Nicht identifizierbare und damit unsystematische individuelle Differenzen erhöhen ebenfalls die Fehlervarianz und können durch Kontrolltechniken wie Wiederholungsmessung oder Blockbildung gering gehalten werden. Eine weitere wichtige Einflussgröße auf die Fehlervarianz sind die Messfehler. Die Zuverlässigkeit kann durch die Wahl [[Reliabilität|reliabler]] Messinstrumente erhöht werden.

Das Max-Kon-Min-Prinzip wird angewendet, um eine möglichst hohe [[interne Validität]] in einem Experiment zu gewährleisten, indem mit den oben genannten Kontrolltechniken unerwünschte Einflussfaktoren auf diese vermindert werden. Damit wird der gültige Rückschluss von Veränderungen der abhängigen Variable auf die Variation der unabhängigen Variable möglich.

'''Übersicht über die typischen Maßnahmen zur Gewährleistung der internen Validität gemäß dem Max-Kon-Min-Prinzip der Versuchsplanung''' (modifiziert nach Sarris, 1992):

{| class="wikitable" style="width:800px;"

! style="width:20%" | '''1. Maximiere die Primärvarianz'''
|
* Wahl von Extremgruppen
* Wahl von so genannten optimalen Stufen
* Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Kontrollvariable")

|-

! style="width:20%" | '''2. Kontrolliere die Sekundärvarianz (systematische Fehler)'''
|
* Eliminierung eines Störfaktors
* Konstanthaltung eines Störfaktors für alle Versuchsgruppen und experimentellen Bedingungen
* Randomisierung der Probanden und der Bedingungen
* Blockbildung/Parallelisierung
* Wiederhoulgsmessung
* Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Kontrollvariable")
* Nachträgliche statistische Kontrolle: Kovarianzanalyse

|-

! style="width:20%" | ''' 3. Minimiere die Fehlervarianz ("Rauschen"- zufällige Fehler)'''
|
* Wahl eines Wiederholungs- oder Blockversuchsplans
* Anheben der Standardisierung der Untersuchungssituation
* Erhöhung der Zuverlässigkeit (und Gültigkeit) des Messinstruments
|}

'''Beispiel'''

Ein Forscher möchte untersuchen, inwieweit sich Stress auf die Konzentrationsleistung bei Autofahrern auswirkt. Er nimmt an, dass Stress zu einer schlechteren Konzentrationsleistung führt. Der Forscher möchte ein Laborexperiment durchführen und seine 100 Probanden in einem Fahrsimulator untersuchen.

Nun muss er überlegen, wie er eine Studie plant, die sicherstellt, dass die Veränderungen der Konzentrationsleistungen (also der AV) tatsächlich auf die Stressbedingungen (Stufung der UV) zurückzuführen sind. Er bedient sich dabei der Checkliste des Max-Kon-Min-Prinzips und entscheidet sich für ein Randomisierungsdesign mit dreifacher Abstufung der UV (gar nicht gestresst, ein bisschen gestresst, sehr gestresst).

Durch die mehrfache Abstufung der UV erhöht er die Primärvarianz (siehe oben). Die Sekundärvarianz wird kontrolliert durch das Randomisierungsprinzip: per Zufall sucht der Forscher die Stichprobe aus der Grundgesamtheit aus, sodass er eine repräsentative Stichprobe erhält. Diese werden per Zufall in drei Gruppen eingeteilt, sodass sich alle möglichen Störvariablen "gleichmäßig" auf die Gruppen verteilen. Verzerrungen durch beispielsweise interindividuelle Unterschiede werden damit vermieden. Zu guter Letzt teilt der Forscher die drei Gruppen zufällig den drei Versuchsbedingungen zu.

Die unsystematische Fehlervarianz ist niemals vollständig kontrollierbar, jedoch versucht der Forscher, die Untersuchungssituation so weit wie möglich zu standardisieren. Er testet alle Versuchspersonen im Labor unter den gleichen Bedingungen. Außerdem achtet er darauf, zuverlässige und gültige Messinstrumente zu verwenden.

Diese Vorgehensweise verspricht eine hohe interne Validität des Experiments. Der Forscher kann also nach der Durchführung sagen, ob Stress tatsächlich einen Einfluss auf die Konzentrationsleistung der Probanden hat.

Quasi-Experimente

2015-07-10T08:18:19Z

Johannes:

{{Nav|Navigation|Nicht-Experimente|Versuchsplanung}}
Quasiexperimente besitzen, wie der Name schon vermuten lässt, einen geringeren kausaltheoretischen Status als "echte" [[Experimente]]. Sie sind jedoch kausaltheoretisch wertvoller als vorexperimentelle-, [[Ex-Post-Facto Designs|Ex-post-facto-]], und [[Korrelative Forschung|korrelative Studien]], sie nehmen also eine Mittelstellung ein. Quasiexperimentelle Designs beinhalten wie die experimentellen Pläne eine aktive Manipulation der [[unabhängige Variablen|unabhängigen Variable]] (UV) seitens des Versuchsleiters, '''allerdings finden die Untersuchungen meist nicht im Labor statt, sondern im Feld (Felduntersuchung)'''. Dort sind die Techniken der [[Randomisierung]], [[Blockbildung]] oder [[Wiederholungsmessung]] oft nicht anwendbar – dadurch wird die [[Varianz#Sekundärvarianz|Sekundärvarianz]] weniger stark kontrolliert. Deshalb ist die [[experimentelle Validität|interne Validität]] von Quasiexperimenten im Allgemeinen geringer als die von strengen Experimenten.

Nach Sarris (1992, S. 148) sind Quasiexperimente solche Designs, "bei denen eine oder mehrere […] Sekundarfehlerquellen methodisch nicht befriedigend kontrolliert bzw. kontrollierbar sind. Es ist meist nicht die Unzulänglichkeit […] des Untersuchers, sondern vielmehr die Natur des psychologischen Untersuchungsobjekts selbst, welche nur eine geringe Kontrolle der die interne Validität bedrohenden Faktoren ermöglicht, als dies vergleichsweise für die strengen experimentellen Designs zutrifft."

In vielen Felduntersuchungen ist es nicht möglich oder zu riskant die o. g. experimentellen Techniken anzuwenden. Beispielsweise wäre bei einer Untersuchung in einer Schule die Gefahr von [[Probandeneffekte|Reaktivitätseffekte]]n groß, wenn man nach dem Zufallsprinzip einzelne Schüler einer Klasse anders behandeln würde als andere. Deshalb nimmt man lieber ganze Schulklassen als feste Gruppen und damit die dadurch entstehenden [[Auswahlverzerrungen]]n in Kauf. Mit dem Quasiexperiment wendet man in solchen Situationen je nach Design andere Kontrollmöglichkeiten an. Im Beispiel könnte man eine zusätzliche Vorhermessung bei den Schulklassen durchführen, um Ausgangsunterschiede zu kontrollieren. Durch die Vorhermessung würde aber nicht jede, sondern nur die gemessene Variable kontrolliert. In Quasiexperimenten werden Auswahlverzerrungen also in Bezug auf die gemessene Variable kontrolliert. Im Beispiel wäre die Untersuchung dann nicht mehr vorexperimentell (statischer Gruppenvergleich), sondern quasiexperimentell (nichtäquivalenter Kontrollgruppenplan). Das Quasiexperiment zeichnet sich also dadurch aus, dass zwar keine Randomisierung möglich ist, aber die UV manipuliert wird und die interne Validität höher gehalten wird als bei Vorexperimenten.

Neben den [[Nicht-äquivalente Kontrolldesigns|Nicht-äquivalenten Kontrolldesigns]] zählen auch [[Zeitreihendesigns]] zu den Quasiexperimenten. Symbolisch gekennzeichnet werden sie nach Sarris (1992) mit einem Q.

Quasiexperimente sind bei sorgfältiger Planung für die angewandte Forschung unverzichtbar. Sie können im Gegensatz zu Vorexperimenten und "echten" Experimenten zugleich ein hohes Ausmaß an sowohl interner als auch [[experimentelle Validität|externer Validität]] erzielen. Strenge Experimente und Quasiexperimente können sich gegenseitig ergänzen.

Randomisierung

2015-07-10T08:17:33Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Bei der Randomisierung wird angenommen, dass sich alle bekannten und unbekannten Merkmale der Versuchspersonen, die in einem Versuch als [[Störvariablen]] wirksam werden könnten, zufällig auf die Versuchbedingungen verteilen (Sarris, 1990). Sie ist eine der [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]].

Die Randomisierung ist die sogenannte Königsdisziplin unter den Kontrolltechniken und wird mit der Faustregel 3x Zufall beschrieben: Zufällige Auswahl der [[Stichproben|Stichprobe]] aus der Grundgesamtheit (siehe [[Populationen|Population]]), zufällige Einteilung der Versuchspersonen in die Versuchsgruppen und zufällige Zuteilung der Versuchsgruppen zu den einzelnen Versuchsbedingungen.

Es wird davon ausgegangen, dass sich alle unbekannten und bekannten Störvariablen per Zufall auf die verschiedenen Versuchsbedingungen verteilen. Dadurch sind die Gruppen und deren Ausgangswerte vergleichbar. Das Zufallsprinzip kann beispielsweise mit Würfeln oder Zufallszahlentabellen realisiert werden.
Der große Vorteil des Randomisierungsprinzips ist die Kontrolle auch aller unbekannten Störvariablen. Die Versuchsgruppen unterscheiden sich also vor Versuchsbeginn nicht systematisch. Aus diesem Grund stellt die Randomisierung die ideale Kontrolltechnik zur Kontrolle der Sekundärvarianz dar. In der Praxis ist es häufig schwierig, tatsächlich das Prinzip im Sinne des "3xZufalls" zu realisieren. Stattdessen wird oft auf [[Quasi-Experimente|Quasiexperimentelle Pläne]] zurückgegriffen.

Bei der Randomisierung ist es sehr wichtig, dass das Gesetz der großen Zahlen berücksichtigt wird. Dieses besagt, dass für die Randomisierung ausreichend Versuchspersonen pro Gruppe zur Verfügung stehen sollten. Hinsichtlich der konkreten Zahlen finden sich viele Unterschiede in der Literatur. Je nach Fragestellung kann man sich an dem Richtwert 30-40 Versuchspersonen pro Gruppe orientieren.
Stehen einem Versuchsleiter nicht genug Versuchspersonen zur Verfügung, ist es ratsam, ein anderes Versuchsdesign, etwa die [[Blockbildung]] oder die [[Wiederholungsmessung]], zu wählen.

'''Übersicht Randomisierung'''

[[Datei:Randomisierung.jpg|600px]]

'''Beispiel'''

Eine Forschergruppe entscheidet sich auf Grund inhaltlicher Erwägungen, in ihrem nächsten Experiment das Randomisierungsprinzip zu realisieren.
Hierfür rekrutiert sie 120 Versuchspersonen per Zufall aus einer Grundgesamtheit, wodurch die Forschergruppe eine repräsentative Stichprobe erhält ("1xZufall").
Diese 120 Probanden ordnen die Forscher per Zufallszahlentabellen in vier verschiedene Versuchsgruppen ein ("2xZufall"). Damit ist das Gesetz der großen Zahlen erfüllt [120/4 ≥ 30].
In einem dritten Schritt teilen sie die Versuchsgruppen per Würfelwurf den vier verschiedenen Bedingungen zu ("3xZufall").

Störvariable in UV Umwandlung

2015-07-10T08:17:21Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Die Umwandlung einer [[Störvariablen]] in eine [[unabhängige Variablen|unabhängige Variable]] bedeutet, dass eine bekannte Störvariable als weitere unabhängige Variable in das Versuchsdesign aufgenommen wird. Sie ist eine der [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]].
Sarris führt die "Umwandlung eines Störfaktors in eine weitere experimentelle UV ("Korntrollvariable")" (Sarris, 1992, S. 214) zudem als Möglichkeit zur Maximierung der [[Varianz#Primärvarianz|Primärvarianz]] an.

Störvariablen und unabhängige Variablen unterscheiden sich nicht grundsätzlich voneinander. Ist der potentielle Einfluss einer Störvariablen bekannt, so ist auch die Umwandlung dieser Störvariablen in eine unabhängige Variable eine Möglichkeit, die Sekundärvarianz zu kontrollieren (vgl. [[Max-Kon-Min-Prinzip]]). Der Versuchsplan wird damit [[Mehrfaktorielle Versuchspläne|mehrfaktoriell]].

'''Beispiel'''

Ein Forscher hat in einer Pilotstudie festgestellt, dass neben der zweifach gestuften experimentellen Variable "Lernzeit" die Variable " Intelligenz" einen starken Einfluss auf die Mathenoten hat. In einem Folgeexperiment erhebt er deswegen neben den Stunden, die die Schüler mit dem Lernen verbracht haben, auch die Intelligenz durch einen Intelligenztest als eine unabhängige Variable. Er wandelt die Störvariable "Intelligenz" damit in eine weitere unabhängige Variable (in diesem Fall Organismusvariable) um, deren Einfluss auf die abhängige Variable gemessen werden kann.

Konstanthaltung

2015-07-10T08:17:04Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Bei der Konstanthaltung werden die Effekte der [[Störvariablen]] unter den verschiedenen Bedingungen gleich groß gehalten (Sarris, 1990). Sie ist eine der [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]].

Häufig ist es nicht möglich, den Einfluss von Störvariablen auszuschalten, d.h. zu [[Eliminierung|eliminieren]]. Dies gilt vor allem für personenimmanente Variablen wie Alter oder Größe, aber auch für viele andere Variablen, wie beispielsweise Licht, wenn etwas gesehen werden soll. In diesen Fällen eignet sich die weniger radikale Kontrolltechnik der "Konstanthaltung", um die Messwerte von unerwünschten Einflussgrößen frei zu halten.
Es wird angenommen, dass sich die Messwerte der [[abhängige Variablen|abhängigen Variable]] durch die Konstanthaltung jeweils nur um denselben Betrag verändern und deswegen keine Verzerrungen in den Messungen entstehen.

Achtung: Je mehr [[Variablen]] in einem Experiment konstant gehalten werden, desto geringer wird die Möglichkeit der Übertragung auf andere (natürliche) Situationen! (vgl. [[externe Validität]])

'''Beispiel'''

In einem gut organisierten Laborexperiment werden für gewöhnlich viele Bedingungen konstant gehalten. Häufig gehören hierzu Raumtemperaturen oder die Beleuchtung. Aber auch bei Instruktionen und Versuchsleitern ist es wichtig, dass diese sich im Laufe des Experiments nicht verändern. Deswegen werden beispielsweise Versuchsleiterschulungen durchgeführt, in denen diese trainiert werden, sich auf eine bestimmte, standardisierte Weise zu verhalten.

Eliminierung

2015-07-10T08:16:48Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Eliminierung bedeutet Ausschaltung eines [[Störvariablen|Störfaktors]]. Sie ist die radikalste [[Kontrollprinzipien|Kontrolltechnik]] zur Kontrolle der [[Varianz#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]] (Sarris, 1990).

Wird eine Störvariable eliminiert, so fällt ihr Einfluss auf die [[Varianz]] komplett weg. Eliminierung ist also die wirksamste Technik, um ungewollten Einfluss auf die Varianz zu vermeiden.
Es lassen sich jedoch nicht alle Einflüsse eliminieren. Dies gilt vor allem für personenimmanente Variablen. In diesem Fall muss eine andere Kontrolltechnik, wie zum Beispiel die [[Konstanthaltung]], die [[Wiederholungsmessung]], die [[Blockbildung]] oder die [[Störvariable in UV Umwandlung|Umwandlung einer Störvariable in eine UV]] angewendet werden.

'''Beispiel'''

In einem Konditionierungsexperiment möchte man die Lidschlagrate der Versuchspersonen in Folge auf einen gezielt erzeugten Luftstoß als Maß der Konditionierung auf beispielsweise einen sehr lauten Ton messen. In diesem Fall ist es wichtig, dass der Lidschlag nicht durch unkontrollierte Luftzüge ausgelöst wird. Um dies sicherzustellen und damit die Störvariable "Luftzug" zu eliminieren, könnte man Fenster und Türen schließen.
Gleichmaßen ließen sich Experimente in schalldichten Räumen durchführen, wenn es wichtig ist, dass die Versuchspersonen gut hören können.

Variablen

2015-07-10T07:01:42Z

Johannes:

{{Nav|Navigation|Grundelemente|Wissenschaftliches Arbeiten}}

Variablen sind (im Gegensatz zu Konstanten) veränderliche Größen. Sie haben zwei oder mehr Abstufungen und können sich in ihrer Ausprägung qualitativ und/oder quantitativ verändern. Inhaltlich können Variablen einfach (z. B. Alter, Schulnoten) oder komplex (z. B. Gesundheitszustand, politische Einstellung) sein. Die Variablen, die direkt beobachtbar (manifest) sind, werden konkrete Variablen genannt. In der Wissenschaft treten jedoch meist abstrakte (nicht direkt beobachtbare, latente) Variablen (sgn. '''Konstrukte''') auf, d. h. die Variablen müssen mit vorher festgelegten beobachtbaren Kriterien beschrieben werden. Die Festlegung solcher relevanten Kriterien für die Beschreibung bzw. Erfassung eines abstrakten Sachverhaltes nennt man [[Operationalisierung]]. Dabei wird definiert, wie ein eigentlich abstrakter Sachverhalt konkret abgebildet werden soll. Beispielsweise kann man Intelligenz durch die Anzahl gelöster Aufgaben in einem Test operationalisieren und damit messbar machen.

Im [[Experimente|Experiment]] sind sie auch wesentliche Bestandteile von [[Hypothesen]]. „Variablen sind Ausschnitte der Beobachtungsrealität, über deren Ausprägung und Relationen in der empirischen Forschung Hypothesen formuliert und geprüft werden.“ (Bortz & Döring, 2005, S.692) In der Systematik der [[Versuchsplanung]] dienen sie zudem als abstrakte Platzhalter, die in konkrete Kontexte übersetzt werden können.

Variablen mit vielen Abstufungen können auf weniger Stufen reduziert werden. Beispielsweise kann man das Alter mit 100 Stufen in den konkreten Zahlen 0-99 angeben, oder aber in den zwei Stufen „unter 20“ und „über 20“. Eine stetige Variable wird dadurch in eine diskrete Variable umgewandelt. Eine solche Reduktion geht mit einem Informationsverlust einher.

Es sind verschiedene Typen von Variablen zu unterscheiden.

'''Beispiele'''

* Alter (<15; 15-25; 25-35; >35)
* Geschlecht (m, w)
* Intelligenz (unterdurchschnittlich, durchschnittlich, überdurchschnittlich)
* Extraversion (extrovertiert, eher extrovertiert, eher introvertiert, introvertiert)

Variablen

2015-07-10T07:01:21Z

Johannes:

{{Nav|Navigation|Grundelemente|Wissenschaftliches Arbeiten}}

Variablen sind (im Gegensatz zu Konstanten) veränderliche Größen. Sie haben zwei oder mehr Abstufungen und können sich in ihrer Ausprägung qualitativ und/oder quantitativ verändern. Inhaltlich können Variablen einfach (z. B. Alter, Schulnoten) oder komplex (z. B. Gesundheitszustand, politische Einstellung) sein. Die Variablen, die direkt beobachtbar (manifest) sind, werden konkrete Variablen genannt. In der Wissenschaft treten jedoch meist abstrakte (nicht direkt beobachtbare, latente) Variablen (sgn. '''Konstrukte''') auf, d. h. die Variablen müssen mit vorher festgelegten beobachtbaren Kriterien beschrieben werden. Die Festlegung solcher relevanten Kriterien für die Beschreibung bzw. Erfassung eines abstrakten Sachverhaltes nennt man [[Operationalisierung]]. Dabei wird definiert, wie ein eigentlich abstrakter Sachverhalt konkret abgebildet werden soll. Beispielsweise kann man Intelligenz durch die Anzahl gelöster Aufgaben in einem Test operationalisieren und damit messbar machen.

Im [[Experimente|Experiment]] sind sie auch wesentliche Bestandteile von [[Hypothesen]]. „Variablen sind Ausschnitte der Beobachtungsrealität, über deren Ausprägung und Relationen in der empirischen Forschung Hypothesen formuliert und geprüft werden.“ (Bortz & Döring, 2005, S.692) In der Systematik der [[Versuchsplanung]] dienen sie zudem als abstrakte Platzhalter, die in konkrete Kontexte übersetzt werden können.

Variablen mit vielen Abstufungen können auf weniger Stufen reduziert werden. Beispielsweise kann man das Alter mit 100 Stufen in den konkreten Zahlen 0-99 angeben, oder aber in den zwei Stufen „unter 20“ und „über 20“. Eine stetige Variable wird dadurch in eine diskrete Variable umgewandelt. Eine solche Reduktion geht mit einem Informationsverlust einher.

Es sind verschiedene Typen von Variablen zu unterscheiden.

'''Beispiele'''

Alter (<15; 15-25; 25-35; >35),

Geschlecht (m, w),

Intelligenz (unterdurchschnittlich, durchschnittlich, überdurchschnittlich),

Extraversion (extrovertiert, eher extrovertiert, eher introvertiert, introvertiert)

Variablen

2015-07-10T07:01:06Z

Johannes:

{{Nav|Navigation|Grundelemente|Wissenschaftliches Arbeiten}}

Variablen sind (im Gegensatz zu Konstanten) veränderliche Größen. Sie haben zwei oder mehr Abstufungen und können sich in ihrer Ausprägung qualitativ und/oder quantitativ verändern. Inhaltlich können Variablen einfach (z. B. Alter, Schulnoten) oder komplex (z. B. Gesundheitszustand, politische Einstellung) sein. Die Variablen, die direkt beobachtbar (manifest) sind, werden konkrete Variablen genannt. In der Wissenschaft treten jedoch meist abstrakte (nicht direkt beobachtbare, latente) Variablen (sgn. '''Konstrukte''') auf, d. h. die Variablen müssen mit vorher festgelegten beobachtbaren Kriterien beschrieben werden. Die Festlegung solcher relevanten Kriterien für die Beschreibung bzw. Erfassung eines abstrakten Sachverhaltes nennt man [[Operationalisierung]]. Dabei wird definiert, wie ein eigentlich abstrakter Sachverhalt konkret abgebildet werden soll. Beispielsweise kann man Intelligenz durch die Anzahl gelöster Aufgaben in einem Test operationalisieren und damit messbar machen.

Im [[Experimente|Experiment]] sind sie auch wesentliche Bestandteile von [[Hypothesen]]. „Variablen sind Ausschnitte der Beobachtungsrealität, über deren Ausprägung und Relationen in der empirischen Forschung Hypothesen formuliert und geprüft werden.“ (Bortz & Döring, 2005, S.692) In der Systematik der [[Versuchsplanung]] dienen sie zudem als abstrakte Platzhalter, die in konkrete Kontexte übersetzt werden können.

Variablen mit vielen Abstufungen können auf weniger Stufen reduziert werden. Beispielsweise kann man das Alter mit 100 Stufen in den konkreten Zahlen 0-99 angeben, oder aber in den zwei Stufen „unter 20“ und „über 20“. Eine stetige Variable wird dadurch in eine diskrete Variable umgewandelt. Eine solche Reduktion geht mit einem Informationsverlust einher.

Es sind verschiedene Typen von Variablen zu unterscheiden.

'''Beispiele'''

Alter (<15; 15-25; 25-35; >35),
Geschlecht (m, w),
Intelligenz (unterdurchschnittlich, durchschnittlich, überdurchschnittlich),
Extraversion (extrovertiert, eher extrovertiert, eher introvertiert, introvertiert)

Variablen

2015-07-10T06:58:48Z

Johannes:

{{Nav|Navigation|Grundelemente|Wissenschaftliches Arbeiten}}

Variablen sind (im Gegensatz zu Konstanten) veränderliche Größen. Sie haben zwei oder mehr Abstufungen und können sich in ihrer Ausprägung qualitativ und/oder quantitativ verändern. Inhaltlich können Variablen einfach (z. B. Alter, Schulnoten) oder komplex (z. B. Gesundheitszustand, politische Einstellung) sein. Die Variablen, die direkt beobachtbar (manifest) sind, werden konkrete Variablen genannt. In der Wissenschaft treten jedoch meist abstrakte (nicht direkt beobachtbare, latente) Variablen (sgn. Konstrukte) auf, d. h. die Variablen müssen mit vorher festgelegten beobachtbaren Kriterien beschrieben werden. Die Festlegung solcher relevanten Kriterien für die Beschreibung bzw. Erfassung eines abstrakten Sachverhaltes nennt man Operationalisierung. Dabei wird definiert, wie ein eigentlich abstrakter Sachverhalt konkret abgebildet werden soll. Beispielsweise kann man Intelligenz durch die Anzahl gelöster Aufgaben in einem Test operationalisieren und damit messbar machen.

Im Experiment sind sie auch wesentliche Bestandteile von Hypothesen. „Variablen sind Ausschnitte der Beobachtungsrealität, über deren Ausprägung und Relationen in der empirischen Forschung Hypothesen formuliert und geprüft werden.“ (Bortz & Döring, 2005, S.692) In der Systematik der Versuchsplanung dienen sie zudem als abstrakte Platzhalter, die in konkrete Kontexte übersetzt werden können.

Variablen mit vielen Abstufungen können auf weniger Stufen reduziert werden. Beispielsweise kann man das Alter mit 100 Stufen in den konkreten Zahlen 0-99 angeben, oder aber in den zwei Stufen „unter 20“ und „über 20“. Eine stetige Variable wird dadurch in eine diskrete Variable umgewandelt. Eine solche Reduktion geht mit einem Informationsverlust einher.

Es sind verschiedene Typen von Variablen zu unterscheiden.

'''Beispiele'''

Alter (<15; 15-25; 25-35; >35),
Geschlecht (m, w),
Intelligenz (unterdurchschnittlich, durchschnittlich, überdurchschnittlich),
Extraversion (extrovertiert, eher extrovertiert, eher introvertiert, introvertiert)

Variablen

2015-07-10T06:58:27Z

Johannes:

{Nav|Navigation|Variablen|wissenschaftliches arbeiten}

Variablen sind (im Gegensatz zu Konstanten) veränderliche Größen. Sie haben zwei oder mehr Abstufungen und können sich in ihrer Ausprägung qualitativ und/oder quantitativ verändern. Inhaltlich können Variablen einfach (z. B. Alter, Schulnoten) oder komplex (z. B. Gesundheitszustand, politische Einstellung) sein. Die Variablen, die direkt beobachtbar (manifest) sind, werden konkrete Variablen genannt. In der Wissenschaft treten jedoch meist abstrakte (nicht direkt beobachtbare, latente) Variablen (sgn. Konstrukte) auf, d. h. die Variablen müssen mit vorher festgelegten beobachtbaren Kriterien beschrieben werden. Die Festlegung solcher relevanten Kriterien für die Beschreibung bzw. Erfassung eines abstrakten Sachverhaltes nennt man Operationalisierung. Dabei wird definiert, wie ein eigentlich abstrakter Sachverhalt konkret abgebildet werden soll. Beispielsweise kann man Intelligenz durch die Anzahl gelöster Aufgaben in einem Test operationalisieren und damit messbar machen.

Im Experiment sind sie auch wesentliche Bestandteile von Hypothesen. „Variablen sind Ausschnitte der Beobachtungsrealität, über deren Ausprägung und Relationen in der empirischen Forschung Hypothesen formuliert und geprüft werden.“ (Bortz & Döring, 2005, S.692) In der Systematik der Versuchsplanung dienen sie zudem als abstrakte Platzhalter, die in konkrete Kontexte übersetzt werden können.

Variablen mit vielen Abstufungen können auf weniger Stufen reduziert werden. Beispielsweise kann man das Alter mit 100 Stufen in den konkreten Zahlen 0-99 angeben, oder aber in den zwei Stufen „unter 20“ und „über 20“. Eine stetige Variable wird dadurch in eine diskrete Variable umgewandelt. Eine solche Reduktion geht mit einem Informationsverlust einher.

Es sind verschiedene Typen von Variablen zu unterscheiden.

'''Beispiele'''

Alter (<15; 15-25; 25-35; >35),
Geschlecht (m, w),
Intelligenz (unterdurchschnittlich, durchschnittlich, überdurchschnittlich),
Extraversion (extrovertiert, eher extrovertiert, eher introvertiert, introvertiert)

Experimenteller Regress

2015-07-09T08:46:13Z

Johannes:

{{Nav|Wege der Erkenntnis|Normativ-Wertfrei|Wissenschaftstheorie}}

Der Begriff „Experimenteller Regress“ (original „the experimenter’s regress“) wurde vorwiegend von Harry Collins (*1943) geprägt. Er beschreibt ein Problem, das häufig in der Erforschung neuer Phänomene auftaucht.

 An der Basis des Problems liegt, dass Fehler beim Durchführen von Experimenten zur Verzerrung der Ergebnisse führen können. Gleichzeitig kann man solche Fehler beinahe nie mit kompletter Sicherheit ausschließen bzw. häufig nicht einmal ihr Ausmaß einschätzen.
 Wenn mit großer Sicherheit ein bestimmter Ausgang erwartet wird, und dieser tritt nicht ein, lassen sich begründet Fehler in der Durchführung vermuten.
 ''(Im Chemieunterricht in der Schule kommt es häufig zu missglückten Experimenten. Es ist von vornherein klar, welches Ergebnis auftreten „sollte“. Das „richtige“ Ergebnis ist keine Überraschung und ein anderes Ergebnis stellt nicht die Hypothese infrage, sondern kann mit großer Sicherheit auf Durchführungsfehler zurückgeführt werden.) ''
 Wenn mit großer Sicherheit die Durchführung fehlerfrei war, kann ein unerwartetes Ergebnis auf Hypothesenfehler oder unangemessene Umstände attribuiert werden.
'' (Ein Laser, der Löcher in Papier und Plastik brennt, mag bei bestimmten Gesteinen eine weniger fatale Wirkung haben. Jedoch ist es unwahrscheinlich, dass dies an einem plötzlichen Fehler in der Maschinerie liegt.)''

 Um die Durchführung angemessen bewerten zu können, muss der Ausgang des Experiments bei korrekter Durchführung gegeben sein. Um den Ausgang angemessen zu bewerten, muss die Durchführung unumstritten korrekt gewesen sein.
Bei Experimenten auf neuem Gebiet ist jedoch naturgemäß weder das eine noch das andere sicher der Fall. Dies ist das Problem, das Collins '''experimenter’s regress''' nennt.
 Hinzu kommt, dass viele Phänomene so komplex sind, dass es nicht nur an einem bei korrekter Durchführung definitiven Ergebnis mangelt, sondern teilweise schon an einer einfachen Ergebniserwartung. Es ist leicht vorstellbar, wie viel schwieriger das Problem des experimentellen Regress zu lösen ist, wenn man absolut nicht weiß, welches Ergebnis man erwarten könnte.

 Collins als Anhänger des [http://de.wikipedia.org/wiki/Konstruktivismus_%28Philosophie%29 Konstruktivismus] sieht die Lösung nicht in objektiven Kriterien, sondern in sozialer Übereinkunft der Wissenschaftler eines Forschungsfelds. Man müsse sich einigen, ob vorliegende Resultate der Wahrheit entsprechen oder nicht (siehe [[Intersubjektivität]]).
 
 [Buchempfehlung zum Thema: Collins, H., & Pinch, T. (1999). Der Golem der Forschung.]
 

----

''verwandte Artikel:'' [[Raffinierter Falsifikationismus (Lakatos)]], [[Strukturalismus nach Stegmüller]]

Varianz

2015-07-09T08:21:55Z

Johannes: Die Seite wurde neu angelegt: „{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}} Als Varianz bezeichnet man die Schwankungen der Messwerte der abhängigen Variable in…“

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Als Varianz bezeichnet man die Schwankungen der Messwerte der [[abhängige Variablen|abhängigen Variable]] in einem [[Experimente|Experiment]].

Datenvarianz bedeutet also, "dass eine durchschnittliche Veränderung der Messwerte der abhängigen Variable eingetreten ist" (Sarris, 2005, S. 36). Die Gesamtvariabilität (oder Totalvarianz) der Daten setzt sich aus drei theoretisch unterscheidbaren Varianzarten zusammen: aus der Primärvarianz, der Sekundärvarianz und der Fehlervarianz.

Schematische Darstellung der Komponenten der Varianz:

[[Datei:varianzkomponente.jpg|500px]]

Zusammenfassend lässt sich die Beziehung zwischen den einzelnen Varianzkomponenten folgendermaßen beschreiben: "Je höher die Primärvarianz gegenüber der Sekundärvarianz (und dem Zufallsfehler) ist, desto leichter lässt sich ein experimenteller Effekt nachweisen – falls dieser realiter existiert und umgekehrt" (Reiß & Sarris, 2005, S. 37).

Ziel des [[Max-Kon-Min-Prinzip]]s ist es, die Primärvarianz zu MAXimieren, die Sekundürvarianz zu KONtrollieren und die Fehlervarianz zu MINimieren.

==Primärvarianz==

Die Primärvarianz bezeichnet diejenigen Veränderungen der Messwerte der [[abhängige Variablen|AV]], die "allein auf die Variation der experimentellen (Instruktions-)Bedingung zurückzuführen" sind (Sarris, 1990, S.167).

Idealerweise werden die Veränderungen der Messwerte der AV in einem [[Experimente|Experiment]] durch die Manipulation der [[unabhängige Variablen|UV]], also durch die verschiedenen Bedingungen, verursacht. Diese Veränderungen der Messwerte nennt man Primärvarianz. Der Versuchsleiter ist daran interessiert, die Veränderungen der Messwerte der AV auf die Variation der Bedingungen der UV zurückzuführen um gültige Schlüsse aus seinem Experiment ziehen zu können. Die Primärvarianz ist also die gewünschte oder gewollte Varianz, die in einem Experiment möglichst maximiert werden sollte (siehe [[Max-Kon-Min-Prinzip]]).

Leider spiegeln die ermittelten Daten normalerweise nicht diese eigentliche Primärvarianz wider (Sarris, 1990). Es wirken neben dem Einfluss der Manipulation der UV [[Störvariablen]], die die Primärvarianz mit bedingen. Diese Störvariablen können systematisch (siehe Sekundärvarianz) oder unsystematisch (siehe Fehlervarianz) sein.

Neben experimentellen [[Kontrollprinzipien|Kontrolltechniken]] besteht auch die Möglichkeit nachträgliche statistische Kontrolle anzuwenden, um die eigentlich interessierende Primärvarianz der Daten auf Grund der experimentellen Einzeldaten eines Versuchs bestimmen zu können (Sarris, 1990).

'''Beispiel'''

Wenn ein Forscher den Einfluss von Wetter (UV) auf die Stimmungslage (AV) untersuchen möchte, so sind die wetterbedingten Änderungen in der Stimmungslage der Versuchspersonen die Primärvarianz.

==Sekundärvarianz==

Die Sekundärvarianz bezeichnet den Anteil der Gesamtvarianz, der durch systematische [[Störvariablen]] verursacht wird.

Neben der den Forscher interessierenden Primärvarianz werden die Messwerte auch durch die Sekundärvarianz mitbedingt. Diese kommt durch den systematischen Einfluss von Störvariablen zustande.
Da die Sekundärvarianz den gültigen Schluss der Messwerte der [[abhängige Variablen|AV]] auf die Manipulation der [[unabhängige Variablen|UV]] einschränkt, ist eine Kontrolle der Sekundärvarianz anzustreben (siehe [[Max-Kon-Min-Prinzip]]). Hierfür stehen dem Forscher verschiedene [[Kontrollprinzipien|Kontrolltechniken]] zur Verfügung.

'''Beispiel'''

Wenn ein Forscher den Einfluss von Wetter (UV) auf die Stimmungslage (AV) untersuchen möchte, so sind die wetterbedingten Änderungen in der Stimmungslage der Versuchspersonen die Primärvarianz.
Die Veränderungen in der Stimmung könnte aber auch auf andere Einflüsse zurückgerührt werden, z.B. auf den systematischen Einfluss verschiedener Jahreszeiten oder auf die monatlich wiederkehrende Menstruation. Die Veränderungen der Messwerte, die hierdurch ausgelöst werden, würde man als Sekundärvarianz bezeichnen.

==Fehlervarianz==

Die Fehlervarianz beschreibt den Anteil der Gesamtvarianz, der durch unsystematische [[Störvariablen|Störeinflüsse]] verursacht wird.

Die Fehlervarianz bedingt neben der Sekundär- und der Primärvarianz einen Teil der Gesamtvarianz der Messwerte der [[abhängige Variablen|AV]]. Die Fehlervarianz wird dabei – im Gegensatz zu der Sekundärvarianz – durch den unsystematischen Einfluss von Störvariablen verursacht.
Dieser Teil der Varianz wird vom Versuchsleiter nicht gewünscht, da er den gültigen Rückschluss von den Veränderungen der Messwerte der AV auf die Manipulation der [[unabhängige Variablen|UV]] einschränkt. Deswegen strebt der Forscher im [[Experimente|Experiment]] möglichst eine Minimierung der Fehlervarianz an (siehe [[Max-Kon-Min-Prinzip]]).

'''Beispiel'''

Wenn ein Forscher den Einfluss von Wetter (UV) auf die Stimmungslage (AV) untersuchen möchte, so sind die wetterbedingten Änderungen in der Stimmungslage der Versuchspersonen die Primärvarianz.
Die Veränderungen in der Stimmung könnte aber auch auf andere Einflüsse zurückgerührt werden, z.B. auf den systematischen Einfluss verschiedener Jahreszeiten oder auf die monatlich wiederkehrende Menstruation. Die Veränderungen der Messwerte, die hierdurch ausgelöst werden, würde man als Sekundärvarianz bezeichnen.
Neben systematischen und damit kontrollierbaren Einflüssen gibt es zudem den unsystematischen Einfluss von Störvariablen, der Fehlervarianz genannt wird. Hier wären schwer erfassbare intra- und interindividuelle Differenzen als mögliche Störvariablen zu sehen (z.B. in der Nacht vor der Erhebung schlecht geschlafen, zuvor im Bus angerempelt, kurz vorher schlechte Nachricht von einem Freund erhalten etc.), aber auch jegliche Mess- oder Auswertungsfehler.
Weitere Beispiele: Alter, Lärm, Geschlecht, Hitze

Artikelliste:Max-Kon-Min

2015-07-09T08:21:42Z

Johannes:

*[[Max-Kon-Min-Prinzip]]
**[[Varianz]]
**[[Kontrollprinzipien]]
**[[Eliminierung]]
**[[Konstanthaltung]]
**[[Störvariable in UV Umwandlung]]
**[[Randomisierung]]
**[[Blockbildung]]
**[[Blockbildendes Merkmal]]
**[[Parallelisierung]]
**[[Wiederholungsmessung]]

Multivariate Versuchspläne

2015-07-08T19:13:09Z

Johannes:

{{Nav|Navigation|Experimente|Versuchsplanung}}

Multivariate Versuchspläne untersuchen den Einfluss einer oder mehrerer unabhängiger Variablen auf '''zwei oder mehr abhängige Variablen'''.

In den meisten Fällen wählt der Forscher eine globale AV (ein Konstrukt), die er anhand verschiedener Einzelmaße operationalisiert. Beispielsweise kann man das Konstrukt Angst über den Gesichtsausdruck (AV1), die elektrische Hautleitfähigkeit (AV2), den Puls (AV3) und das subjektive Empfinden (AV4) operational definieren. Wird ein Konstrukt durch verschiedene AVs erfasst, so spricht man von multivariaten Plänen (multi = viel; variat = Variablen). Im Design werden die verschiedenen AVs kenntlich gemacht durch eine geeignete Beschriftung mit P, Q, R, etc. oder AV1-n.
Konstrukte werden in multivariaten Untersuchungen facettenreicher erfasst. Es ist allerdings darauf zu achten, dass die Operationalisierungen auch sachrepräsentativ und aussagekräftig sind. Der Aufwand durch die verschiedenen Messungen und die umfangreichere statistische Analyse (multivariate Varianzanalyse und multiple univariate Varianzanalysen) sollte gerechtfertigt sein. So liefern multivariate Pläne nicht in jedem Fall bessere oder aufschlussreichere Ergebnisse als univariate Designs.

'''Beispiel:'''
In einer biopsychologischen Untersuchung soll der Einfluss von sozialer Unterstützung auf die Stressreaktion untersucht werden. Hierfür werden 70 PsychologiestudentInnen einem Trier Social Stress Test (TSST) ausgesetzt. Die Probanden werden per Zufall zwei Gruppen zugeordnet. Eine Gruppe darf eine Begleitperson auswählen, die sie während des TSST unterstützen kann, die Teilnehmer der anderen Gruppe machen den TSST allein (UV). Erfasst wird die Stressreaktion (globales Konstrukt) in Form von verschiedenen Einzelmaßen. Gemessen werden der Cortisolspiegel im Speichel (AV1: Ȳ(1)), der Puls (AV2: (2)), die elektrische Hautleitfähigkeit (AV3: (3))und die subjektive Einschätzung der Probanden (AV4: (4)). Dieses multivariate Design lässt sich folgendermaßen darstellen:

[[Datei:MultivariaterPlan1.jpg|400px]]

Haupteffekte und Interaktion

2015-07-08T19:12:38Z

Johannes:

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

In Experimenten mit mehrfaktoriellem Versuchsplan gibt es mehrere Effekte, die auftreten können. Zum einen [[Haupteffekte]] - die Effekte einer einzelnen [[unabhängige Variablen|UV]] unter Nicht-Berücksichtigung aller anderen Faktoren. Zum anderen [[Interaktionseffekte]] - Wirkungen eines Faktors in Abhängigkeit eines anderen Faktors.
Letzteres wird unterschieden in:
[[ordinale Interaktion]], [[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]], [[disordinale Interaktion]].

Haupteffekte und Interaktion

2015-07-08T19:12:14Z

Johannes:

{{Nav|Navigation|Haupteffekte und Interaktion|Experimente}}

In Experimenten mit mehrfaktoriellem Versuchsplan gibt es mehrere Effekte, die auftreten können. Zum einen [[Haupteffekte]] - die Effekte einer einzelnen [[unabhängige Variablen|UV]] unter Nicht-Berücksichtigung aller anderen Faktoren. Zum anderen [[Interaktionseffekte]] - Wirkungen eines Faktors in Abhängigkeit eines anderen Faktors.
Letzteres wird unterschieden in:
[[ordinale Interaktion]], [[semidisordinale Interaktion|hybride oder semidisordinale Interaktion]], [[disordinale Interaktion]].

Mehrfaktorielle Versuchspläne

2015-07-08T19:10:47Z

Johannes:

{{Nav|Navigation|Experimente|Versuchsplanung}}
"Unter einem mehrfaktoriellen Versuchsplan versteht man die Verallgemeinerung der [[unifaktorielle Versuchspläne|unifaktoriellen Versuchsplanung]] auf den Fall des Einflusses von zwei, drei oder mehr unabhängigen Faktoren in ein und derselben Versuchsanordnung“ (Sarris, 1992, S.75)

In mehrfaktoriellen Plänen werden also zwei oder mehr [[unabhängige Variablen]] (Faktoren) untersucht. Diese werden mit A, B, C, usw. bezeichnet und sind zwei oder mehrfach gestuft. Für jeden dieser Faktoren müssen [[Kontrollprinzipien|Kontrollstrategien]] festgelegt werden. Verwendet man für verschiedene Faktoren unterschiedliche Kontrollstrategien, spricht man von [[Mischversuchspläne]]n. Wird die gleiche Kontrollstrategie für alle Faktoren verwendet, so liegt eines der folgenden Designs vor:
* alle Faktoren sind [[Randomisierung|randomisiert]] (R): independent factorial design
* oder bei allen Faktoren wird [[Blockbildung]] vorgenommen (Bl): matched factorial design
* oder alle Faktoren werden über [[Wiederholungsmessung|Messwiederholung]] kontrolliert (W): repeated measures factorial design

Der einfachste Fall eines mehrfaktoriellen Plans ist ein 2x2-faktorielles Design. In diesem werden 2 Faktoren erforscht, die jeweils zweifach gestuft sind. Die Zahlen in der Bezeichnung geben jeweils die Anzahl der Stufen an, die Menge der Zahlen gibt Auskunft über die Menge der Faktoren. Ein 3x4x5 Design ist entsprechend ein dreifaktorielles Design mit einem Faktor à 3 Stufen, einem á 4 Stufen und einem à 5 Stufen.

In mehrfaktoriellen Designs werden sämtliche Faktorstufen miteinander kombiniert, beispielsweise in einer Kreuztabelle:

[[Datei: Mehrfaktoriell_Kreuztabelle.jpg|200px]]

In jeder Zelle befindet sich jetzt eine Faktorstufenkombination. Für diese braucht man jeweils eine Untersuchungsstichprobe. In einem 2x2-faktoriellen Design benötigt man 4 Gruppen, in einem 2x3x2-faktoriellen Design benötigt man schon 12 Gruppen. Nach Sarris (1992) sollte man in einem mehrfaktoriellen Randomisierungsdesign pro Zelle etwa 5-15 Versuchspersonen einplanen. Die Präzision steigt dabei mit zunehmender Probandenanzahl.
Durch die Untersuchung von mehr als einer [[unabhängige Variablen|unabhängige Variable]] gewinnt das Experiment an Komplexität. So können nicht nur Aussagen über die Wirkung der einzelnen Variablen ([[Haupteffekte und Interaktion|Haupteffekte]]), sondern auch über deren kombinierte Wirkung ([[Haupteffekte und Interaktion|Interaktionseffekte]]) gemacht werden. Entsprechend müssen auch mehrere Hypothesen formuliert werden: eine Hypothese für jeden Faktor und eine Hypothese für jede Kombination von mind. 2 Faktoren. Im 2x2-Design können insgesamt 3 Hypothesen untersucht werden:
a) Hypothese über den Haupteffekt von Faktor A.
b) Hypothese über den Haupteffekt von Faktor B.
c) Hypothese über den Interaktionseffekt von Faktor A x Faktor B.
In den zweifaktoriellen Designs können also mehr experimentell-statistische Daten und Informationen gewonnen werden. Je mehr Faktoren hinzukommen, umso aufwändiger wird ein mehrfaktorielles Design. Beispielsweise werden in einem dreifaktoriellen Design bereits 7 Hypothesen untersucht:
a) Hypothese über den Haupteffekt von Faktor A.
b) Hypothese über den Haupteffekt von Faktor B.
c) Hypothese über den Haupteffekt von Faktor C.
d) Hypothese über den Interaktionseffekt von Faktor A x Faktor B.
e) Hypothese über den Interaktionseffekt von Faktor A x Faktor C.
f) Hypothese über den Interaktionseffekt von Faktor C x Faktor B.
g) Hypothese über den Interaktionseffekt von Faktor A x Faktor B x Faktor C.
Die Interpretation solcher Interaktionen wird mit steigender Faktorzahl zunehmend kollektiver. Abgesehen davon nimmt die Anzahl der benötigten Versuchspersonen exponentiell zu, wodurch die Kosten steigen. Es ist daher notwendig bei der Verwendung von mehrfaktoriellen Designs Kosten und Nutzen sorgfältig abzuwägen. Es ist außerdem zu überlegen, durch eine andere geeignete Kontrollstrategie (Wiederholungsmessung oder Blockbildung) Versuchspersonen einzusparen.

'''Beispiel:'''
In einem Experiment wird der Einfluss von Kaffee (1. Faktor) und Milch (2. Faktor) auf die Konzentrationsleistung untersucht. Hierfür soll ein Teil der Versuchspersonen Kaffee trinken, der andere nicht. Zusätzlich soll ein Teil der Versuchspersonen Milch trinken und der andere nicht. Im Anschluss wird ein kurzer Konzentrationsleistungstest gemacht.
Als Design wird ein 2x2-faktorielles Design mit Randomisierung verwendet. Aus der Kreuztabelle werden die 4 Faktorstufenkombinationen ersichtlich:

[[Datei: Mehrfaktoriell Beispiel Glas.jpg|391px]]

Pro Faktorstufenkombination sollen mindestens 10 Versuchspersonen untersucht werden. Es werden also insgesamt 2 x 2 x 10 = 40 Versuchspersonen benötigt. Das zugrunde liegende Design sieht folgendermaßen aus:

[[Datei: Mehrfaktoriell Glas Plan.jpg|450px]]

Probandeneffekte

2015-07-08T19:09:59Z

Johannes:

{{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]].

'''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!

Versuchsleitereffekt

2015-07-08T19:09:23Z

Johannes:

{{Nav|Navigation|Kontrollprobleme|Versuchsplanung}}

Versuchsleitereffekte entstehen, wenn der Mensch als Versuchsleiter die Ergebnisse der Untersuchung durch sein eigenes Verhalten und durch Fehler mit beeinflusst. Der Versuchsleiter wird also als eine potentielle Störquelle angesehen.

Bei der Durchführung, Auswertung und Interpretation von Untersuchungen bzw. deren Ergebnissen können Fehler auftreten, die auf den Menschen als Messinstrument zurückzuführen sind. Messfehler (Beobachtungsfehler, Registrierfehler, usw.) beeinflussen die [[interne Validität]] von Untersuchungen. Durch ein Versuchsleiter- oder Beobachtertraining lassen sich solche Fehler vermeiden. Auch Rechenfehler oder Interpretationsfehler sollten bereits vor der Untersuchung bedacht und vermieden werden.
Neben solchen Fehlern können auch das Verhalten und Merkmale der Versuchsleiter (z.B. Geschlecht, Alter, Attraktivität, Ähnlichkeit zum Probanden, Autorität, Freundlichkeit) beeinflussend sein. Es sollte grundsätzlich unabhängig von der jeweiligen Versuchsperson sein, indem es möglichst einheitlich gehalten wird. In manchen Fällen verändern Versuchsleiter (unbewusst) ihr Verhalten aufgrund von bestimmten Erwartungen. Dann spricht man vom Versuchsleitererwartungseffekt (siehe unten).

'''Beispiel:'''

In einem Feldexperiment soll der Einfluss von Aufgabenvielfalt (UV) auf die Arbeitszufriedenheit (AV) in einem Unternehmen untersucht werden. Zwei Psychologiestudentinnen arbeiten als Versuchsleiterinnen. Eine der beiden ist sehr gesellig und gesprächig. Durch ihre freundliche Art macht sie sich schnell beliebt bei den Mitarbeitern des Unternehmens. Die andere Versuchsleiterin ist eher schüchtern und gewissenhaft. Sie redet wenig mit den Mitarbeitern und konzentriert sich mehr auf ihre Versuchsleiteraufgabe. Im Ergebnis zeigen sich verschiedene Ausprägungen der Arbeitszufriedenheit bei den Mitarbeitern in Anhängigkeit von den verschiedenen Versuchsleiterinnen. Unabhängig von der Ausprägung der UV zeigen sich die Mitarbeiter, die von der geselligeren Studentin untersucht wurden, signifikant zufriedener.

'''Lösungen:'''
* Versuchsleitertraining und klare Instruktionen
* [[Randomisierung|randomisierte]]/[[Blockbildung|balancierte]] Zuweisung der Versuchsleiter
* oder Standardisierung des Versuchs durch Mechanisierung (z.B. Computer-Tasks mit Instruktionen auf dem Monitor)

==Versuchsleitererwartungseffekt==

Versuchsleitererwartungseffekte treten dann auf, wenn ein Versuchsleiter die Ergebnisse der Untersuchung entsprechend seiner Erwartungen mehr oder weniger bewusst mit beeinflusst.

Der Versuchsleitererwartungseffekt (auch Rosenthal-Effekt oder Pygmalion-Effekt) gehört zu den Versuchsleitereffekte. Insbesondere bei Lehrer-Schüler-Verhältnissen zeigte sich in der Vergangenheit, dass der Lehrende/Anleitende eine besondere Rolle für die Lernergebnisse spielt. Ein Lehrer kann durch seine positiven Erwartungen in Bezug auf die Leistung eines Schülers diesen beispielsweise motivieren. Auch Versuchsleiter haben Erwartungen und zwar in Form von [[Hypothesen]], welche sie gerne bestätigen möchten. Diese Erwartungen können über verschiedene Signale (z.B. Kopfnicken, Stimmlage, Augenbrauenzucken) vermittelt werden. Häufig geschieht das unbewusst oder unwillkürlich. Im Sinne einer sich selbsterfüllenden Prophezeiung beeinflusst die Erwartung so unbemerkt den Schüler bzw. die Versuchsperson. Die Ergebnisse, die so zustande kommen, sind jedoch nicht unabhängig vom Versuchsleiter, d.h. nicht [[Objektivität|objektiv]]. In wissenschaftlichen Untersuchungen sollten solche [[Störvariablen|Artefakte]] vermieden werden.

'''Beispiel:'''
Der kluge Hans war das Pferd des Mathematiklehrers Herr von Osten. Dieser hatte seinem Pferd nach eigenen Angaben das Lesen und Rechnen beigebracht. Auf Fragen antwortete Hans durch Hufklopfen. In einer systematischen Versuchsserie stellten Psychologen fest, dass das Pferd nur dann „richtig antwortete“, wenn die fragende Person anwesend war und die korrekte Antwort selbst wusste. Das Pferd hatte nicht gelernt, zu rechnen, sondern den Fragensteller genau zu beobachten. Über einen leichten Kopfruck nach oben, ein Anheben der Augenbrauen und ein Blähen der Nasenflügel signalisierte Herr von Osten dem Pferd, dass es mit dem Klopfen aufhören sollte, bzw. die richtige Antwort erreicht wurde. (zum Nachlesen siehe Bortz & Döring, 2005, S.87, Tafel 10)

'''Lösungen:'''
* die Versuchsleiter nicht über die [[Hypothesen]] informieren
* einander unbekannte Versuchspersonen und –leiter
* oder durch '''Doppelblindstudien''': Hierbei wissen weder Versuchsleiter noch Versuchspersonen, in welcher Bedingung der [[unabhängige Variablen|UV]] sie sind. Leider ist diese "Blindheit des Versuchsleiters" nicht immer umsetzbar (z.B. in der [[Forschung nach Bereichen und Setting#Setting|Feldforschung]])

Konstanthaltung

2015-07-08T19:07:48Z

Johannes:

{{Nav|Navigation|Max-Kon-Min|Versuchsplanung}}

Bei der Konstanthaltung werden die Effekte der [[Störvariablen]] unter den verschiedenen Bedingungen gleich groß gehalten (Sarris, 1990). Sie ist eine der [[Kontrollprinzipien|Kontrolltechniken]] zur Kontrolle der [[Varianzkomponenten#Sekundärvarianz|Sekundärvarianz]] in einem [[Experimente|Experiment]].

Häufig ist es nicht möglich, den Einfluss von Störvariablen auszuschalten, d.h. zu [[Eliminierung|eliminieren]]. Dies gilt vor allem für personenimmanente Variablen wie Alter oder Größe, aber auch für viele andere Variablen, wie beispielsweise Licht, wenn etwas gesehen werden soll. In diesen Fällen eignet sich die weniger radikale Kontrolltechnik der "Konstanthaltung", um die Messwerte von unerwünschten Einflussgrößen frei zu halten.
Es wird angenommen, dass sich die Messwerte der [[abhängige Variablen|abhängigen Variable]] durch die Konstanthaltung jeweils nur um denselben Betrag verändern und deswegen keine Verzerrungen in den Messungen entstehen.

Achtung: Je mehr [[Variablen]] in einem Experiment konstant gehalten werden, desto geringer wird die Möglichkeit der Übertragung auf andere (natürliche) Situationen! (vgl. [[externe Validität]])

'''Beispiel'''

In einem gut organisierten Laborexperiment werden für gewöhnlich viele Bedingungen konstant gehalten. Häufig gehören hierzu Raumtemperaturen oder die Beleuchtung. Aber auch bei Instruktionen und Versuchsleitern ist es wichtig, dass diese sich im Laufe des Experiments nicht verändern. Deswegen werden beispielsweise Versuchsleiterschulungen durchgeführt, in denen diese trainiert werden, sich auf eine bestimmte, standardisierte Weise zu verhalten.

Beispielstudie

2015-07-08T19:06:51Z

Johannes:

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

Dr. Özen Odag untersuchte 2007 in einer komplexen Mixed-Methods-Studie das '''unterschiedliche Leseerlebnis von Männern und Frauen'''. Es gab bereits einige Evidenz für geschlechtsspezifische Unterschiede in Lektürepräferenzen und Lesemotiven. Nun sollten in dieser Studie die Auswirkungen von Geschlecht, Texttyp und Textinhalt ([[unabhängige Variablen]]) auf Gefühl und Erleben während des Lesens ([[abhängige Variablen]]) untersucht werden.

Dabei gab es einige methodische Herausforderungen, denn Gefühl und Erleben sind zwei sehr flüchtige und leicht veränderbare psychologische Phänomene und zudem sensibel für Störfaktoren.
Zunächst muss entschieden werden, zu welchem Zeitpunkt man die jeweilige Gefühlslage beim Lesen abfragt. Fragt man während des Lesens, werden die Versuchspersonen aus dem Leseerlebnis herausgerissen. Fragt man nach dem Lesen, ist der Großteil des Erlebens unter Umständen wieder vergessen oder ist in der Erinnerung verzerrt. Die Wahl der Örtlichkeit für die Untersuchung stellt ebenfalls eine Herausforderung dar. In der natürlichen Umwelt jeder Versuchsperson gibt es viele Störfaktoren (Geräuschpegel, Art der Wohnungseinrichtung, usw.). Im Labor sind zwar alle Personen den gleichen Bedingungen ausgesetzt, haben aber vermutlich auch ein völlig anderes Leseerlebnis als in ihrem ihnen vertrauten Zuhause. Darüber hinaus steht man vor dem Problem, wie subjektive Informationen über Gefühl und Erleben beim Lesen und Informationen über die Art der Lektüre in quantitative Daten umgewandelt werden können.

Um diese Probleme zu minimieren, entschied sich Odag für eine '''kombinierte Erhebung von qualitativen und quantitativen Daten (Triangulationsdesign)''' im Experiment. '''Qualitative Daten wurden mit Hilfe einer Remindingmethode''' erhoben: Die Versuchspersonen schrieben an den Rand der Lektüre vereinbarte Kürzel, wenn in ihnen ein Gefühl, eine Erinnerung oder ähnliches aufkam. Diese wurden dann später nach dem Lesen ausformuliert (verbale Daten) und anschließend einer Inhaltsanalyse unterzogen. Zusätzlich wurden nach dem Lesen '''quantitative Daten in Form eines Fragebogens''' mit 72 Items für 14 verschiedene Facetten des Leseerlebens (z.B. Spannung, Identifikation und Vergnügen) erhoben.

Das Experiment war ein 2x2x2 –[[Mehrfaktorielle Versuchspläne|faktorielles Design]] mit den drei Faktoren Geschlecht (männlich, weiblich), Texttyp (Fiction, Non-Fiction) und Textinhalt (Innenwelt, Außenwelt). Die Auswahl der Texte konnte dabei nicht einfach willkürlich geschehen, weil die Bewertung eines Textes (hier als fiktional oder non-fiktional, die Innenwelt- bzw. Außenwelt betreffend) sehr subjektiv ist. Aus diesem Grund wurde noch ein Vorversuch angestellt, bei dem Literaturexperten die ausgewählten Texte bezüglich ihrer Zuordnung zu den Kategorien analysierten. Dieser Vorversuch wurde sozusagen in die dominante Fragestellung des Gesamtversuchs eingebettet. Damit handelt es sich insgesamt sowohl um '''Triangulations- als auch Eingebettetes Design''' (siehe: [[Mixed-Methods-Designs]]).

Die Ergebnisse der Untersuchung veranschaulichen sehr gut den Nutzen einer [[Triangulation]]: höhere [[Validität]] durch zusätzliche, komplementäre Informationen. Die quantitative Methode - der Fragebogen zum Leseerlebnis – führte zu unerwarteten Geschlechtsunterschieden. Z.B. gaben männliche Versuchspersonen an, das Lesen intensiver erlebt zu haben. Mittels der qualitativen Reminding-Methode hingegen ergaben sich keine Unterschiede in der Intensität des Leseerlebens, auch nicht in der empfundenen Nähe zum Text, in den Bezugspunkten, u.v.m. Dafür gaben männliche Versuchspersonen hier mehr positive Emotionen beim Lesen an und wendeten mehrere verschiedene Lesestrategien an (Identifikation mit einzelnen Figuren, aber auch mit der gesamten Handlung), wobei Frauen sich ausschließlich mit Figuren identifizierten. Diese konträren Informationen quantitativer und qualitativer Methoden lassen sich nun gut in einem Gesamtbild zusammenbringen: Insgesamt gibt es wenige Geschlechtsunterschiede im Leseerleben - vermutlich vor allem in den verwendeten Lesestrategien. Während Frauen sich mit Figuren identifizieren und so bei einem tragischen Handlungsverlauf negative Emotionen der Figur teilen, wechseln Männer in diesem Fall eher auf eine globalere Identifikation mit dem gesamten Handlungsstrang und erleben so trotz Tragik positive Emotionen. Die größeren Geschlechtsunterschiede aus den Daten des Fragebogens entstehen vermutlich dadurch, dass die männlichen Teilnehmer der Studie aufgrund ihrer globaleren Strategie mehr positive Emotionen erleben und so das Geschehen auch mehr an sich heranlassen. Damit empfinden Sie ihre Leseerfahrung laut Fragebogen als intensiver als die weiblichen Teilnehmer. Zu erwähnen ist in diesem Zusammenhang, dass der Fragebogen als Selbstberichtsverfahren zudem anfällig für Verzerrungen aufgrund von sozialer Erwünschtheit: Im Gegensatz zur Reminding-Methode, die nur eine Beschreibung erfordert, fordert der Fragebogen nach einer Bewertung. Damit könnten die Ergebnisse auch teilweise dadurch erklärt werden, dass Angaben von positiven Emotionen als sozial erwünschter angesehen werden und deshalb ebenfalls zum quantitativen Datenmuster der Studie beigetragen haben könnten.