Krankheitseinsicht, dynamisch getestete Exekutivfunktionen und ...

307
Diskussion
Insbesondere scheint eine Kontrolle von Regressionseffekten keine dramatischen Auswirkungen
auf die Klassifikationsquoten zu haben: Die nonsignifikante Diskrepanz der
Resultate des klassischen RCI und des GLN-Index nach HSU (1989) und SCHÖTTKE et al.
(1993) bestätigen die Arbeiten von MCGLINCHEY et al. (2002), BAUER et al. (2004) und
ATKINS et al. (2005) erstmals für den WCSTdyn. Zwar ist es so, dass der GLN-Index
aufgrund der Kontrolle von Regressionseffekten Veränderungen aus dem unteren
Leistungsbereich hin zur Mitte etwas konservativer beurteilt (und Verbesserungen hin zur
Decke im oberen Leistungssegment entsprechend etwas liberaler). Entsprechend niedriger
fallen hier die kategorienspezifischen Kappas aus. Dies fällt aber, betrachtet man die sehr
hohe Konkordanz von GLN-Index und kRCI (κ = .90), selbst bei der gegebenen suboptimalen
Reliabilität (rtt = .70) offensichtlich kaum ins Gewicht. Dieser Befund bestätigt das
Argument von NACHTIGALL und SUHL (2002b, 2005), dass auch der klassische RCI in
Stichproben mit breitem Leistungsspektrum eine Bereinigung der Werte vornimmt. Die
sehr hohe Gesamt-Konkordanz mag auch auf die dünne Zellenbesetzung in diesbezüglich
störenden Extremkategorien zurückzuführen sein, dies allerdings dürfte die Populationsverhältnisse
widerspiegeln (d. h. sich signifikant verbessernde Highscorer und sich
signifikant, aber nicht klinisch verbessernde Nichtlerner sind seltene Ereignisse).
Für T-Werte fällt die kRCI-GLN-Übereinstimmung etwas geringer aus (κ = .84), was auf
eine effektive Anhebung der Leistungsdecke durch die Kontrolle von Alter und Ausbildungsdauer
und damit auf den höheren Anteil signifikant verbesserter Leistungsstarker
zurückgeht. Bei der klinisch meist interessierenden Differenzierung von Lernern und
Nichtlernern kommen kRCI und GLN-Index unabhängig von der Verwendung von Roh-
oder T-Werten zu hoch übereinstimmenden Ergebnissen (κ = .89).
Empfehlenswert mag also der Einsatz der Gulliksen-Lord-Novick-Methode bei Extremgruppen
sehr schwacher bzw. sehr leistungsfähiger Probanden sein, die aufgrund ihrer
Merkmalsausprägung selegiert wurden. Hier könnte der GLN-Index das Risiko von α- bzw.
β-Fehlern senken (wobei externe Validierungskriterien benötigt werden, um sinnvoll von
»Sensitivität« und »Spezifität« von RCI-Methoden sprechen zu können: vgl. HSU, 1999).
Dann allerdings sollte sich der Anwender Gedanken über die Auswahl eines adäquaten
Mittelwertes zur Kontrolle des Regressionseffektes durch die GLN-Methode machen. Es
könnte in einem solchen Fall empfehlenswert sein, den in Studie 2 gelieferten Mittelwert
dem Sample-Mittelwert vorzuziehen.
Bezüglich der statistischen Eigenschaften des URCI ließen sich erstens die Befunde von
HAFKENSCHEID (2000) und MCGLINCHEY et al. (2002) zur relativ größten Liberalität dieses
Prüfverfahrens bestätigen. Durch eine Regression von RCI-z-Werten auf Differenzen
konnte veranschaulicht werden, dass der URCI bereits bei einer Differenz von 11 korrekt
sortierten Karten den kritischen z-Wert (= 1,96) annimmt. Der kRCI weist hier nur z = 1,27
auf und erreicht den kritischen z-Wert erst bei 17 Karten, WIEDL (1999) hatte eine kritische
Differenz von 15 empfohlen. Diese deutlich geringere kritische Differenz als Resultat von
KELLEYs (1947) Formel zur Schätzung der wahren Differenzwerte ist die Ursache dafür,
dass der URCI die erwähnte Subgruppe der Aufwärts-Grenzfälle (GF+) beinahe zum
Verschwinden bringt (10 1 %), da er der nicht-perfekten Reliabilität der Differenzen
Tribut zollt. Dieser Umstand wird weiter unten bei der Diskussion der Konstruktion von
Performanz-Metatypen wieder aufgegriffen.
Zweitens erhärten die präsentierten Ergebnisse den Verdacht, dass die Ergebnisse von
Studien, die mit dem URCI geringere Anteile klinisch signifikanter Verbesserung gefunden
haben (MCGLINCHEY et al., 2002; ATKINS et al., 2005), auf die Verwendung des