Unit 9: Quantitative Forschung/ Empirie Flashcards
(23 cards)
Nominalskala
Kategorien, die sich voneinander unterscheiden, ohne Reihenfolge.
Wichtig: Man kann nicht sagen, dass Kategorie A „größer“ o. „kleiner“ ist als Kategorie B.
Bsp.: Geschlecht: männlich, weiblich, divers
Ordinalskala
Kategorien mit Reihenfolge, aber Abstände gleich o. unbekannt.
Wichtig: Man weiß, dass z.B. Platz 1 besser ist als Platz 2, aber nicht, wie groß der Unterschied genau ist.
Bsp.:
Platzierungen im Wettbewerb: 1., 2., 3. Platz
Zufriedenheit: zufrieden, neutral, unzufrieden
Intervallskala
Zahlen mit gleichen Abständen zw. Werten, ohne Nullpunkt.
-> Man kann sagen, wie viel größer o. kleiner Werte sind (z.B. Unterschied zw. 2 & 3 ist gleich groß wie zw. 3 & 4).
-> Man kann addieren & subtrahieren, aber nicht multiplizieren o. teilen.
Bsp.:
Bewertung auf einer Skala von 1 bis 5 (Likert-Skala)
Mittelwert (Lageparameter)
= Durchschnitt
Wichtig:
Mittelwert nicht für Kategorien ohne Reihenfolge (z.B. Geschlecht).
-> Werte müssen immer Reihenfolge & gleiche Abstände haben (z.B. Alter, Punktzahlen).
Median (Lageparameter)
= Wert, der genau in Mitte liegt, wenn alle Werte der Größe nach sortiert sind.
Wichtig für geordnete Werte (z.B. Ranglisten, Alter).
Modalwert (Lageparameter)
= Wert, der am häufigsten vorkommt.
Bsp.: Du fragst Leute nach ihrer Muttersprache. Wenn „Deutsch“ am häufigsten genannt wird, ist das der Modalwert.
Wichtig bei Kategorien ohne Reihenfolge (z.B. Sprache, Geschlecht).
Was ist eine Korrelation?
Zusammenhang zw. 2 Variablen
Beide Variablen sind kontinuierlich (z.B. Körpergröße, Alter, Anzahl der Schritte pro Tag)
Korrelationskoeffizient r
Wert zw. −1 & +1
+1 → perfekte positive
−1 → perfekte negative
0 → keine Korrelation, d.h. Unabhängigkeit der Variablen.
Korrelation ≠ Kausalität
Auch wenn 2 Dinge zusammen auftreten, heißt das nicht, dass eins das andere verursacht!
z.B. Drittvariablen, zufällige Zusammenhänge etc.
Was ist Standardisierung?
Einzelwerte vergleichbar machen, durch Nutzung von z-Werten
=> z-Transformation: Mittelwert (μ) & Standardabweichung (σ) bekannt!!!
z-Wert
Gibt an, wie viele Standardabweichungen ein Wert vom Mittelwert entfernt ist
Wann verwende ich z-Wert?
=> Normalverteilung gegeben
Zentrale Grenzwertsatz (3)
- Mittelwert aller Stichprobenmittelwerte = Populationsmittelwert (μ).
- Standardabweichung der Stichprobenmittelwerte = Standardfehler (SE)
- Normalverteilungsannahme: n > 30
Nullhypothese (H₀)
Alternativhypothese (H₁)
=> Was ist das Ziel der Hypothesentestung?
H0 = Kein Effekt (z.B. Puls bleibt gleich nach Treppensteigen).
H1 = Effekt (z.B. Puls verändert sich nach Treppensteigen).
H0 Ablehnung, um H1 zu unterstützen.
Typ-I-Fehler (Fehlalarm)
H0 abgelehnt, obwohl sie stimmt.
→ Durch Signifikanzniveau Alpha (p=.01) vermeiden.
→ Risiko für Typ-II-Fehler
Typ-II-Fehler (Übersehen eines echten Effekts)
H0 angenommen, obwohl sie falsch ist ➜ Power
Power erhöhen durch:
↑ Stichprobe
↑ Effekt (↑ Cohen’s d)
↑ Alpha-Niveau (aber Risiko für Typ-I-Fehler)
Chi-Quadrat-Test
-> Chi-Quadrat-Goodness-of-Fit
-> Chi-Quadrat-Test auf Unabhängigkeit
-> Chi-Quadrat-Test auf Homogenität
Kategoriale Daten (z.B. Geschlecht, Ja/Nein, Farben, Gruppen etc.)
Chi-Quadrat-Goodness-of-Fit:
➜ Weicht Verteilung einer Variable A von erwarteten Verteilung ab?
➜ Bsp.: Stimmen die Anteile männlicher, weiblicher & non-binärer Psychologie-Studierender mit denen der gesamten Uni überein?
Chi-Quadrat-Test auf Unabhängigkeit:
➜ 2 Kategoriale Variablen unabhängig voneinander?
➜ Bsp.: Hängt das Wahlverhalten von der Altersgruppe ab?
Chi-Quadrat-Test auf Homogenität:
➜ Haben 2 Gruppen die gleiche Verteilung einer kategorialen Variable.
➜ Bsp.: Haben Studierende aus zwei Städten das gleiche Freizeitverhalten?
t-Test
-> One-Sample t-Test
-> Independent Samples t-Test
-> Paired Samples t-Test (Repeated Measures)
Unterscheiden sich Mittelwerte von 2 Gruppen signifikant voneinander?
➜ µ bekannt
➜ σ unbekannt
One-Sample t-Test
➜ 1 Mittelwert mit 1 bekannten Wert verglichen
Bsp.: “Hat die neue Diätgruppe einen BMI ≠ 25?”
Independent Sample t-Test
➜ 2 unabhängige Gruppen vergleichen
Paired Sample t-Test
➜ gleiche VP 2x messen (z.B. “Puls vor & nach Sport bei derselben Person”)
➜ Paare messen (z.B. “Ehemann & Ehefrau”)
ANOVA
signifikante Unterschiede zw. Mittelwerten von 3 o. mehr Gruppen auf 1 AV.
Unterschied zu t-Test:
➜ t-Test vergleicht 2 Gruppen
➜ ANOVA: vergleicht 3 o. mehr Gruppen gleichzeitig
Aber: ANOVA sagt nicht, welche Gruppen sich unterscheiden – nur dass ein Unterschied besteht.
=> ANOVA signifikant -> Post-hoc-Vergleiche
Wo können Fehler bei der Datenerhebung entstehen und wie kann man sie vorbeugen? (5)
- Planung
▷Methoden (Validierung, Expertenfeedback wichtig) - Arbeitsplan
▷Puffer einplanen
▷Pilotstudie - Budgetplanung
- Team
▷Kernteam = 1 Person mit Erfahrung in Datenerhebung.
▷Feldteam (Datensammler) = Verständnis über Studie, Wissen, wo typische Fehler passieren & wie man darauf reagiert.
▷Feld-Supervisor (Überwacht Studie täglich).
▷Studienleitung muss vor Ort sein (Erhöht Motivation des Teams & zeigt VP, dass Studie wichtig ist) - Grenzen
▷Harte Grenzen: Werte, die biologisch o. logisch unmöglich sind
▷Weiche Grenzen: Werte, die ungewöhnlich, aber möglich sind (z. B. 10-mal verheiratet – kann eingegeben werden, wird aber markiert zur Nachprüfung)
Fehler korrigieren: Allgemeine Regeln bei Datenkorrekturen
Nie in Originaldatei Änderungen machen.
▷KOPIE NUTZEN
▷Protokoll führen: Wer Änderung gemacht? Wann Änderung gemacht? Warum Änderung gemacht?
▷Änderung von weiteren Person prüfen lassen.
Fehler Korrigieren: Umgang mit fehlenden Werten
-> Frage 1: Kann man fehlenden Wert ersetzen?
-> Frage 2: Sind alle fehlenden Werte gleich zu behandeln?
Frage 1: Kann man fehlenden Wert ersetzen?
▷ Ja → Bei VP nachfragen
Frage 2: Sind alle fehlenden Werte gleich zu behandeln?
▷Nein. Manchmal ist „weiß nicht“ eine wichtige Info.
Fehler Korrigieren: Umgang mit unmöglichen Werten
Prüfen, ob richtiger Wert nachträglich gefunden werden kann.
▷Nein → Wert als fehlend markieren, aber gut kennzeichnen (z. B. „vorher: unmöglicher Wert“).
Fehler Korrigieren: Umgang mit fragwürdigen (aber möglichen) Werten
Keine Änderungen bei Verdacht allein! Nur bei Beweisen (z.B. durch Nachfragen).
