Logik des Signifikanztests, Statistische Tests für Mittelwerte einer ...
Logik des Signifikanztests, Statistische Tests für Mittelwerte einer ...
Logik des Signifikanztests, Statistische Tests für Mittelwerte einer ...
- Keine Tags gefunden...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
weitere Forschung stoppt – für die Wissenschaft ist also die Gefahr <strong>des</strong> a-Fehlers vielernsthafter als die <strong>des</strong> b-Fehlers. (Bakan, 1966)3.4 Ohne Berücksichtigung der Stichprobengröße kann eine Signifikanztest in die IrreführenEin nicht-signifikantes Ergebnis bedeutet nicht, dass es keinen Effekt (z.B. keinen Mittelwertsunterschiedzwischen zwei Gruppen) gibt. Power-Analysen können zeigen, dass beieinem t-Test auf Mittelwertsunterschiede zweier unabhängiger Gruppen à 30 Versuchspersonenund einem zweiseitigen a-Niveau von 5 % die Wahrscheinlichkeit, dass einen Effektmittlerer Stärke signifikant wird, nur 47 %, also nur knapp 50:50 ist. Damit lässt sich eineTheorie kaum widerlegen. (Cohen, 1990)3.5 Die <strong>Logik</strong> <strong>des</strong> SNHT entspricht nicht unserer eigentlichen Forschungsfragea) Die <strong>Logik</strong>, auf der der SNHT basiert, ist mangelhaft. Der SNHT sagt uns nicht, was wireigentlich wissen wollen, nämlich P(H 0 |D) (lies: die Wahrscheinlichkeit von H 0 , gegeben dieDaten), sondern nur P(D| H 0 ) ((lies: die Wahrscheinlichkeit der Daten, gegeben H 0 ). Nurbayessche Statistik erlaubt eine Schätzung über P(H 0 |D). Ein häufiger Fehlschluss basiertauf der falschen Anwendung <strong>des</strong> modus tollens:Wenn H 0 wahr ist, dann würde dieses Ergebnis (statistische Signifikanz) wahrscheinlichnicht auftreten.Dieses Resultat ist aufgetreten.Dann ist H 0 wahrscheinlich nicht wahr und also formal ungültig.Es kann gezeigt werden, dass bei <strong>einer</strong> bekannten a-priori-Wahrscheinlichkeit von .02 fürSchizophrenie in <strong>einer</strong> Zufallsstichprobe bei einem Test mit a < .05 und <strong>einer</strong> Power = .95zwar P(D| H 0 ) < .05 (Wahrscheinlichkeit eines positiven <strong>Tests</strong>, gegeben der Fall ist normal)ist, dies aber nicht bedeutet, dass die Wahrscheinlichkeit, dass die Nullhypothese gilt (dassder Fall normal ist) < .05 beträgt. Das bayessche Manöver (das hier möglich ist, weil wir dieBasisrate in der Population kennen) zeigt, dass die Wahrscheinlichkeit, dass der Fall –gegeben ein positiver Test für Schizophrenie – normal ist, ungefähr .60 beträgt (vgl.Abschnitt 1.4). Veranschaulicht in <strong>einer</strong> 4-Felder-Tafel:Ergebnis normal schizophren totalnegativer Test (normal) 949 1 950positiver Test (schiz.) 30 20 50total 979 21 1000Die bedingte Wahrscheinlichkeit, dass ein Fall, der normal ist, als schizophren diagnostiziertwird, ist 60 % (30 von 50). Dies zeigt, wie verkehrt es sein kann, wenn man den p-Werteines typischen <strong>Signifikanztests</strong> als die Wahrscheinlichkeit interpretiert, dass dieNullhypothese für den entsprechenden Datensatz wahr ist. (Cohen, 1994)Eine schöne Illustration <strong>des</strong> „Fehlers der inversen Wahrscheinlichkeit“ findet sich bei Carver(1978, p. 384):“What is the probability of obtaining a dead person (label this part D) given the person washanged (label this part H); that is, in symbol form, what is p(D|H)? Obviously, it will be very20