Healthcare and Medicine Reference
In-Depth Information
Weitere Kniffe, mit denen sich Daten oder Testergebnisse »frisieren« lassen und
so zu irreführenden Schlussfolgerungen verleiten, liest man auf unterhaltsame Weise
in Dubben u. Beck-Bornholdt (2006; 7 Anhang ). Man kann zwar mit derlei Tricks
gewaltsam ein signifikantes Ergebnis herbeiführen und dieses mit etwas Glück sogar
veröffentlichen. Die wissenschaftliche Arbeit ist damit aber wertlos. Fälschungen
könnten bei späteren Verifikationen auffallen und sehr unangenehme Folgen für alle
Beteiligten haben. Die beste Methode, zu einem signifikanten Testergebnis zu kom-
men und einen α-Fehler zu vermeiden, besteht immer noch darin, vor der Datenerhe-
bung die Fragestellung theoretisch zu überdenken und inhaltlich abzusichern.
Multiples Testen***
9.2.6
Im klinischen Alltag werden in der Regel sehr viele Daten erhoben. Mit einer passenden Soft-
ware stellen deren Analyse kein nennenswertes Problem dar. So ist man oft geneigt, einen Test
nach dem anderen durchzuführen in der Hoffnung, wenigstens ein signifikantes Ergebnis zu
erhalten. Aber: Bei mehrmaligem Testen steigt der α-Fehler enorm an. Bei einem einzelnen Test
beträgt die Wahrscheinlichkeit, unter der Nullhypothese richtig zu entscheiden, 1 - α; bei 10 un-
abhängig durchgeführten Tests liegt diese Wahrscheinlichkeit nur noch bei (1 - α) 10 . Bei α = 5%
sind dies etwa 60% - das heißt, der gesamte Fehler 1. Art liegt bei 40%!
Beim multiplen Testen wird daher häufig eine Korrektur benutzt. Nach der Bonferroni-Korrektur
wird ein einzelnes Testergebnis erst dann als signifikant gewertet, wenn der p -Wert kleiner als
α/ k ist (k ist die Anzahl der Tests). Der Nachteil dieses Verfahrens liegt allerdings darin, dass da-
durch der β-Fehler höher wird.
Das Problem des multiplen Testens lässt sich dadurch entschärfen, dass man nicht wahllos jeden
theoretisch denkbaren Test durchführt, sondern vorab die konkrete Fragestellung präzise for-
muliert und dann überlegt, welche Tests dem inhaltlichen Problem angemessen sind. Häufig ist
es sinnvoll, statt mehrerer einfacher Tests ein komplexeres Verfahren zu verwenden (z. B. eine
Varianzanalyse statt mehrerer t- Tests), da dies eine effizientere Datenanalyse ermöglicht.
Zum Schluss sei betont: Es ist selbstverständlich legitim, ein signifikantes Ergebnis anzustreben
und zu veröffentlichen. Dies sollte aber nicht durch Manipulation der Daten oder unsachgemä-
ßer Handhabung der Verfahren, sondern aufgrund einer ordentlichen Versuchsplanung erzielt
werden. Die statistische Analyse ist dann nur noch das »Tüpfelchen auf dem i«.
9
Klassifikation der Testmethoden
9.3
Es gibt diverse Testverfahren für die unterschiedlichsten Fragestellungen. Diese lassen
sich nach mehreren Aspekten einteilen:
Anzahl der Stichproben Man unterscheidet Ein-Stichproben-Tests, Zwei-Stichpro-
 
Search Pocayo ::




Custom Search