Konfidenzintervall

Konfidenzintervalle geben einen Bereich um einen Punktschätzer an (z. B. den Bereich um den Mittelwert der erhobenen Stichprobe), der den zu schätzenden wahren Parameter innerhalb der in ihrer Gesamtheit nicht messbaren Grundpopulation mit einer Sicherheitswahrscheinlichkeit von 1 – ɑ (häufig 95%, siehe: ɑ-Niveau) überdeckt.

Das bedeutet: Die Aufgabe von Konfidenzintervallen ist es uns einen Eindruck darüber zu vermitteln, wie gut der innerhalb der Stichprobe berechnete Parameter dem wirklichen Wert innerhalb der Gesamtpopulation entspricht.

Da wir diesen wahren Wert nicht kennen, weil wir die Gesamtpopulation nicht messen können, gibt uns das Konfidenzintervall einen Sicherheitsbereich an, der den wahren Wert mit einer Wahrscheinlichkeit von 95% überdeckt.

Wir wissen also: Irgendwo innerhalb des Konfidenzintervalls liegt mit sehr hoher wahrscheinlichkeit der wirkliche Mittelwert. Daraus ergibt sich direkt, dass ein schmaleres Konfidenzintervall besser ist, weil es den wirklichen wahren Wert deutlich eingrenzt.

In SPSS lassen sich Konfidenzintervalle über Analysieren / Explorative Datenanalyse / Statistiken / Deskriptive Statistik Konfidenzintervalle (Häckchen setzen) berechnen.

 

 

Konfirmatorische Faktorenanalyse

Die Konfirmatorische Faktorenanalyse ist eine Version der Faktorenanalyse, bei der spezifische Hypothesen bzgl. der angenommenen Struktur latenter Faktoren anhand des Fits an den Daten getestet werden können.

Die konfirmatorische Faktorenanalyse wird häufig im Zuge der Konstruktvalidierung von Fragebögen genutzt, um die angenommene Struktur des Fragebogens zu prüfen. Sie wird weiterhin verwendet, um zu prüfen welches Maß der internen Konsistenz als Reliabilitätsmaß berechnet werden sollte (z. B. Cronbach´s ɑ vs. Omega´s H).

 

 

Konfundierende Variablen

Die Konfundierende Variable, auch Störvariable genannt, ist eine Variable, welche neben der von uns erhobenen unabhängigen Variable die abhängige Variable beeinflusst (unabhängig davon, ob diese Störvariable erhoben wurde oder nicht).

Eine Möglichkeit Störvariablen „auszuschalten“ wäre es diese mit zu erheben und dann deren Einfluss innerhalb der statistischen Analysen zu kontrollieren (sofern möglich). Da es aber in der Praxis unmöglich ist, alle Störvariablen zu kennen (geschweige denn zu erheben) empfiehlt es sich in experimentellen Studiendesigns die Zuteilung zu den Experimentalbedingungen randomisiert (also zufällig) vorzunehmen und möglichst große Gruppe zu erheben, da sich Störvariablen bei ausreichend großen Gruppen mit einiger Wahrscheinlichkeit auf alle Experimentalgruppen gleichmäßig verteilen und während der Analyse „rausmitteln“.

Wichtig: Berücksichtigt das Studiendesign nicht die Konfundierung durch mögliche Störvariablen, wird die Datenanalyse und die Diskussion der Studienergebnisse deutlich erschwert! Es ist daher ratsam viel Zeit in die Studienplanung und Erhebung der Daten zu investieren.

 

 

Kontingenztabelle

In Kontingenztabellen (auch Kontigenztafel oder Kreuztabelle genannt) wird die Häufigkeitsverteilung zweier kategorialer Variablen dargestellt (hier: Haarfarbe & Geschlecht).

Sie ist deshalb so praktisch, weil in ihr die Häufigkeiten der kombinierten Unterkategorien beider Variablen dargeboten werden .

Die Ränder der Tabelle (siehe Zeile und Spalte „Gesamt“) repräsentieren dabei die Randverteilungen. Unten rechts lässt sich die gesamte Stichprobengröße ablesen.

 

Vorgehen in SPSS: Die Kreuztabelle kann über Analysieren / Deskriptive Statistik / Kreuztabelle erstellt werden. Hier können auch der Chi-Quadrat-Test und weitere hilfreiche Kennwerte, wie z.B. die relative Häufigkeit zur Tabelle hinzugefügt werden.

 

Beispiel einer 2 x 3 Kontingenztabelle: 

Blond Braun Andere Gesamt
Männer 12 27 3 42
Frauen 22 10 4 36
Gesamt 34 37 7 78

 

 

 

Kontinuierliche Variable

Kontinuierliche Variablen werden auch metrische Variablen genannt und sind intervall- oder verhältnisskaliert.

Beispiele für kontinuierliche Variablen sind die Distanz in Metern, die gemessene Zeit in Minuten oder die Ängstlichkeit auf einer Skala von 1 bis 10. Kontinuierliche Variablen sind häufig (aber nicht immer) stetig, haben also unendlich viele denkbare Ausprägungen.

Im Rahmen der experimentellen Forschung bieten sie immer das größte Informationspotential. Frei nach dem Motto Downgrade geht immer, Upgrade aber nimmer, bietet es sich an eine Variable immer so hochaufgelöst wie möglich zu messen.

Das liegt daran, dass eine metrische Variablen nachträglich in Kategorien eingeteilt werden kann, eine kategoriale Variable aber nicht in eine metrische oder auch nur ordinale Variable.

Metrische bzw. kontinuierliche Variablen ermöglichen auch die Verwendung von parametrischen Tests, die das Optimum der statistischen Auswertung darstellen.

Im Zweifel sollte also schon während der Studienplanung – sofern möglich – das zu messende Konstrukt als metrischen Variable operationalisert werden.

 

 

Trag dich hier für Dr. Ortmanns beste Maildizin ein und erhalte regelmässige für deine empirische Promtion

You have Successfully Subscribed!