12. Treatmentimplementierung/Attrition Flashcards
1
Q
Warum muss die Treatmentrealisierung hinterfragt werden?
A
zur Absicherung der Validitaet
2
Q
Fragestellungen zur Treatmentrealisierung: Grundlagenforschung
A
- werden die Reizmaterialien korrekt dargeboten?
- ist das Treatment von der Laborsituation abhaengig?
- werden Anweisungen gefolgt?
3
Q
Fragestellungen zur Treatmentrealisierung:
A&O Psychologie
A
- neuer Entlohnungssysteme ergibt Erfolg fuer ALLE Mitarbeiter?
4
Q
Fragestellungen zur Treatmentrealisierung:
paedagogische Psychologie
A
- wird die neue Unterrichtsform wirklich in allen Faechern verwendet?
5
Q
Fragestellungen zur Treatmentrealisierung: Beispiel
A
KLINISCHE FORSCHUNG
- nehmen die Patienten die Medikamente korrekt ein?
- Werden Frageboegen zur richtigen Zeit beantwortet?
- wird der mit dem Therapeuten abgesprochenen Tagesablauf eingehalten?
- gibt es sprachliche Hindernisse?
6
Q
Nenne die drei Stufen der Treatmentrealisierung
A
- Bereitstellung des Treatments
- Entgegennhame des Treatments
- Einhaltung des Treatments
7
Q
- Beretstellung des Treatments
A
Medikament wird bereitgestellt
8
Q
- Entgegennahme des Treatments
A
Medikament wird uebergeben
9
Q
- Einhaltung des Treatments
A
Medikament wird nach Anweisung eingenommen
10
Q
Wie wird die Bereitstellung des Treatments kontrolliert?
A
- Anleitungen
- Training der Versuchsleiter
- Standardisierung der Treatmentgabe (oft schwierig)
- Supervision
- Austausch unter verschiedenen Versuchsleitern
- genuegend Zeit?
- muendlich/schriftlich
- Motivation (vorsichtig: Uebermotivation koennte gefaehrlich fuer die Validitaet sein)
- Ueberpruefung des ermittelten Wissens durch Wissenstest/Beobachtung/Befragung
11
Q
Wie wird die Einhaltung des Treatments kontrolliert?
A
z.B
Erhebung von Blutparametern (Ueberpruefung von Medikamenteneinnahme)
Analyse von Koerperschweiss (Drogenabstinenz)
12
Q
Wie wird die Einhaltung des Treatments kontrolliert? (in der experimentellen Forschung)
A
z.B
sind die Reaktionszeiten ueberhaupt realistisch?
(<100ms wahrscheinlich zufaellig)
13
Q
Treatmentrealisierung: Haeufige Fehler
A
a) fanden noch zusaetzliche Interventionen statt?
b) haben die KG Faelle nicht DOCH eine Form des Treatments erhalten?
c) Fanden unvorhergesehene Dinge statt?
14
Q
Haeufige Fehler: a) fanden noch zusaetzliche Interventionen statt?
A
Patienten nehmen an mehreren Experimenten teil
grosse Gefahr bei Studien ueber laengere Zeitraeume
15
Q
Haeufige Fehler: b) haben die KG Faelle nicht DOCH eine Form des Treatments erhalten?
A
es kann nicht immr davon ausgegangen dass bei der KG “nichts” passiert ist
16
Q
Haeufige Fehler: c) Fanden unvorhergesehene Dinge statt?
A
Therapeuten erweitern “kreativ” das Experiment, weil sie durch die Studie auf neue Ideen kommen
17
Q
Treatmentimplementierung: 3 Probleme
A
1) Treatment ist nicht vollstaendig kontinuierlich
2) Treatment wird ausversehen in unterschiedlicher Staerke gegeben
3) Zuordnung zu EG und KG ist mit einem Bias belastet
18
Q
Treatment nicht vollstaendige kontinuierlich: Loesung
A
Intent-To-Treat-Analysis
19
Q
Treatment in unterschiedliche Staerken: Loesung
A
stat. Analysen unter Beruecksichtigung der Treatmentstaerke
20
Q
Zuordnung zu EG und KG mit Bias: Loesung
A
instrumental variable Analyse (IV-Analysen)
21
Q
Intent-to-Treat-Analyse: wann wird es eingesetzt?
A
- Einsatz bei randomisiert kontrollierte Studien
- klinischer Kontext
22
Q
Intent-to-Treat-Analyse: Berechnung
A
Berechnung nach “urspruenglicher Absicht, wie man behandelt werden wollte”
23
Q
Erfasse
Intent-to-Treat-Analyse
A
- Patienten werden in der Gruppe analysiert der sie zu Studienbeginn zugeteilt wurde
- —-> unabhaengig davon, ob die Patienten eine andere Behandlung erhielten als geplant war
24
Q
Intent-to-Treat-Analyse: Vorteile
A
- Uebertragbarkeit in die Praxis ist sicher gestellt
- erfasst Verhaeltnisse
- ein Medikamentwechsel/schlechte Compliance kann z.B durch das Treatment bedingt sein
- kausale Bewertung vom Einfluss der Zuordnung
25
Loesungsansatz: Analysen unter Beruecksichtigung der Treatmentstaerken
erfasst wird:
- --> ob ein treatment erhalten wurde (J/N)
- --> wie stark das Treatment war
- Probanden haben die Wahl
- Zugehoerigkeit zu einer Analysegruppe
- Kovariate in die Statistische Auswertung
26
Analysen unter Beruecksichtigung der Treatmentstaerken: Vorteile
- Treatment nicht "auferzwungen"
| - "geeignete Teilnehmer" suchen sich das Experiment aus
27
Analysen unter Beruecksichtigung der Treatmentstaerken: Nachteile
- kausale Zusammenhaenge sind schwer zu interpretieren
- ---> wegen Selbstselektion
- Messfehler
28
IV-Analyse: Anwendung, Primaeres Einsatzgebiet
ANWENDUNG:
- falls Randomisierung nicht moeglich ist (z.B aus ethischen Gruenden)
PRIMAERES EINSATZGEBIET: Wirtschaftswissenschaft
29
Erfasse die IV-Analyse
Neben dem Kriterium Y und dem Praediktor D, wird eine weitere Randomisierte Variable Z hinzugefuegt
30
IV-Analyse: Beispiel
ANREIZ-DESIGN
Fragestellung: wie beeinflusst das Verhalten D (Schulbesuch (J/N)) das Kriterium Y (Einkommen mit 30 Jahren)?
PROBLEME:
- Schulbesuch nicht randomisierbar (aus ethischen Gruenden)
- deswegen werden sich die Gruppen auch in Hinsicht anderer Variablen signifikant unterscheiden
Loesungsansatz: IV-Analyse
- randomisierte Zuteilung eines Anreizes Z (Subvention des Schulbesuchs) [instrumental Variable]
- D soll hierdurch auf Y besser erfasst werden
31
Anreiz-Design: wenn es jedoch einen Bias gibt...
kann der Bias durch eine KORRELATION zwischen Praediktor und Vorhersagefehler erfasst werden
32
Instruentalvariabln: Voraussetzungen
KKKK
- Korrelation mit dem Praediktor
- KEINE "direkte" Korrelation zwischen Instrument Variable und Kriterium
- KEINE Korrelation mit dem Vorhersagefehler
- KEIN Bestandteil der eigentlichen Regressionsgleichung
33
Was ist Attrition?
Schwund an Probanden
34
Attrition: Vermeidung
- gute Pflege um VPN "bei Laune" zu halten
- Aktualisierung der Datenbank mit den Kontaktdetaillen
- Beachtung vn Datenschutz --> nicht "Detektiv" spielen, Nachbarn fragen
- Differenzierung zwischen VPN "erinnern" und VPN "belaestigen"
- Keine Drohungen
- Ermittlung eines "Zwischenberichts" um die Interesse der Probanden einzubehalten
35
Attrition kann wie unterteilt werden?
Vermeidbaren Ursachen z.B kein Interesse vom Probanden
| Nicht-vermeidbaren Ursachen z.B Todesfall
36
Erklaere eine moegliche Loesung fuer das ewige "Erinnern" fuer Termine
zu Beginn der Studie:
| - erklaerung der Relevanz von vollstaendigen daten
37
Welche VPN Daten sollen erhoben werden?
- Name, Addresse, Telefonnummer, E-Mail, Arbeitsplatz, Umzugsplaene
- Daten von verwandten Personen/Freunde
- Daten von Arzten, Sozialarbeiter etc. (auch zur Ueberpruefung der Richtigkeit der Daten)
38
Methoden um VPN-Kontakt langfristig zu erhalten?
- Bitte um Mitteilung von adressaenderungen
- erste Rueckfragen schon 2/3 Wochen nach dem ersten Kontakt
- Rueckfragen immer zu aehnlichen Zeiten
- Kontaktadresse ausgeben
- Fahrtkosten bezahlen fuer Interviews
- geburtstagsglueckwuensche (kommt die Post an?)
39
Wenn VPN nicht mehr erreichbar sind: Loesungsansaetze?
NACHFRAGEN
- Nachfragen bei Verwandten/Freunde
- Nachfragen bei der Post, ob es eine Adressaenderung gab
- Nachfragen beim Telefonanbieter
40
Vor dem experimentellen Termin...
- VPN extra errinern
| - besonders die die in der Vergangenheit schon mehrere Erinnerungshilfen brauchten
41
erfasse Fehlende werte
wenn Angaben im Datenschutz fehlen obwohl die entsprechende Merkmalsauspraegungen empirische vorliegen
42
Fehlende Werte: Probleme
1. Verringerte Effizienz und Power
| 2. Verzerrung bei der Identifikation der vorliegende Strukturen
43
Fehlende Werte: Probleme
----> VERRINGERTE EFFIZIENZ UND POWER
wie kommt es dazu?
- Faelle mt fehlende Werte werden komplett ausgeschlossen
| - Reduktion der Stichprobengroesse
44
Fehlende Werte: Probleme
----> VERRINGERTE EFFIZIENZ UND POWER
wie kommt es dazu?
- Faelle mt fehlende Werte werden komplett ausgeschlossen
| - Reduktion der Stichprobengroesse
45
Fehlende Werte: Probleme
----> VERZERRUNG
wie kommt es dazu?
- NUR eine Subgroup fuehrt die Untersuchung bis zum Ende durch
- Verfaelschung der Ergebnisse in Richtung der Subgruppe
46
Missing-Data-Diagnose: Erklaeren Sie den Vorgang
1. Festlegung der Anzahl der fehlenden Werte.
- Je Variable
- Je Person / subject
2. Ausschluss einzelner Personen oder Variablen.
-----> Unterschiede EG und KG?
47
Was ist der Missing-Data-Prozess?
Die Suche nach “Ursachen” des Fehlens von Daten
48
Missing-Data-prozess: Problem?
teilweise nur eine Annahme
49
Nenne die drei Typen von fehlenden Werten?
Missing Completely at Random (MCAR)
Missing at Random (MAR)
Not Missing at Random (NMAR )
50
MCAR
Missing Completely at Random
51
Wann tritt MCAR auf?
- wenn fehlenden Werte über alle
Beobachtungen hinweg zufällig verteilt sind
- Fälle mit fehlenden Werten unterscheiden sich nicht von Fällen ohne fehlende Werte.
- Das Fehlen kann nicht vorhergesagt werden
52
MCAR/MAR: Loesungsmoeglichkeiten?
- multiple imputation
| - maximum likelihood.
53
MAR
Missing at Random
54
Wann tritt MAR auf?
- wenn das Fehlen eines Wertes vollständig durch andere Variablen erklärt werden kann
- Fälle mit fehlenden Werten unterscheiden sich von Fällen ohne fehlende Werte.
- Das Fehlen kann aber nicht der Variablen selbst begründet sein
55
MAR: Beispiel
Frauen geben ihr Gewicht nicht an
56
NMAR/NRM
Not Missing at Random
| Nonrandom Missing
57
wass erfasst NMAR?
Ob ein fehlender Wert in der abhängigen Variablen Y
| auftritt, steht nur in Zusammenhang mit der Variablen Y selbst
58
NMAR: Beispiel
- Personen mit hoeherem Gewicht geben dies nicht gerne an
| - im Datensatz gibt es jedoch keine Variablen zur Vorhersage dieses Fehlens
59
NMAR: Problem
Ersetzung ist schwierig
60
NMAR: Loesungsansaetze
- selection models
| - pattern mixture
61
Nenne die klassischen Verfahren zum Umgang mit fehlenden Daten
- listwise deletion
- pairwise deletion
- Mittelwertsersetzung
62
Listwise Deletion
Person faellt aus der Berechnung aller Kennwerte heraus
63
Pairwise Deletion
- Person hat fehlende werte in einer Variablen
| - wird nur in der Auswertung dieser Variablen nicht beruecksichtigt
64
Mittelwertsersetzung
- Fehlende Werte werden durch Mittelwert aus der Variable ersetzt
65
Wozu fuehrt die Strategie der Mittelwertsersetzung?
Varianzvernichtung
66
regression imputation
- Ermittlung einer Regressionsgeraden (bei vollstaendige Daten) -----> Vorhersage der fehlenden Werte (bei unvollstaendige Daten)
67
Regression Imputation ---> Problem?
Zusammenhangsueberschaetzung
68
EM-Algorithmus
Expectation-Maximization-Algorithmus
69
Erfasse die Funktion des EM-Algorithmus
Modell erfasst:
- Beziehung zwischen vorhandenen daten und fehlenden Werten
- Zufallsvariablitaet der Daten
70
EM-Algorithmus: Voraussetzung
intervallskalierte Variablen
71
EM-Algorithmus: Software
Norm von Schaefer
72
Multiple Imputation
Mehrfache Ersetzung von fehlenden
| Werten durch m > 1 plausible Werte
73
Imputation =
Ersetzung
74
Welches ist die beste Methode um mit fehlenden Daten umzugehen?
Multiple Imputation
75
Multiple Imputation: Vorteile
- - Nutzung der verfügbaren Infos
- - Komfortable Auswertung von vollständigen Datensätzen möglich
- - universeller Einsatz
- - Berücksichtigung der Unsicherheit aufgrund von fehlenden Werten
76
wie wird MAR systematisch erzeugt?
- planung der Datenerhebung
| - es sollen aufschlussreiche Kovariaten berücksichtigt werden
77
Wie sollen Fehlende Werte analysiert werden?
- Kodierung unterschiedlicher Arten von Missings (erhebungsproblem, Antwortverweigerung, keine logische Antwort moeglich)
- mehr als 5% Missings bei einer Variable --> MD-Diagnostik
- Eliminierung --> Verzerrung
- Indexbildung, verwendung alternativer, hochkorrelierter aber vollstaendiger Daten
78
Wann soll eine MD-Diagnostik durchgefuehrt werden?
wenn mehr als 5% Missings bei einer Varibale vorkommen
79
MD-Gruppe soll als...
uV aufgenommen werden
80
Drop-Out Analyse
Charakterisierung von MD im Kontrast zu Respondern
| wichtig
