STATISTIK-FORUM.de

[Elly]

Hallo,

ich habe eine Stichprobe von n=29. einerseits habe ich subj. Daten erhoben (fragebogen) und andererseits objektiv (messwiederholung: 2 MZP's). Die objektiven Daten wurden nun automat. mit einer Software ausgewertet. Diese Auswertung ist jedoch bei n=6 unlogisch (validität der software soll nicht überprüft werden). Meine frage ist nun, muss ich die 6 "ausreisser" von allen stat. Berechnungen ausschliessen oder nur, wenn ich berechnungen mit objekt. Daten mache. Objekte daten n=23, subj. D. =n=29. ein vergleich dürfte ich dann aber nicht ziehen, oder? Oder überhaupt nicht ausschliessen, weil n eh schon sehr klein ist? Und dies so begründen?

Wäre über eine Antwort sehr dankbar, weil ich echt nicht weisd, was ich tun soll!!!

Gruss,
Elly

[Elly]

Vielleicht muss ich noch präzisieren: bei 3 von den 6 von mir als Ausreisser betitelten probanden fehlen die obj. Daten gänzlich, die anderen 3 sind aufgrund der auswertung mit der software unlogisch.

Danke für eine Antwort!

[PonderStibbons]

Worum geht es in der Studie konkret, und was konkret wurde gemessen?

Mit freundlichen Grüßen

P.

[Andiego]

Hallo Elly,

aus deinem Anfangspost geht mir nicht ganz hervor, was das Problem ist. Trotzdem versuche ich es mal so zu formulieren: Wenn du Fälle hast, die nicht plausibel sind, dann eliminierst du sie aus deinem Datenset.
Ob du die ganzen Fälle eliminierst, oder nur die Variablen, für die keine plausiblen Daten vorliegen, lässt sich nicht eindeutig beantworten. Ich würde die Fälle behalten, wenn ich die Daten unbedingt benötige. Ansonsten komplett raus.
Vielleicht solltest du dir überlegen, wie du deine Entscheidung anschließend begründest. Argumente lassen sich für beide Varianten finden, insofern ist deine Ausgangslage nicht die schlechteste

Ich hoffe das hilft ein wenig.

Beste Grüße!

[PonderStibbons]

Wenn du Fälle hast, die nicht plausibel sind, dann eliminierst du sie aus deinem Datenset.

So allgemein formuliert widerspricht das allerdings der guten Praxis in der
statistischen Analyse von Forschungsdaten diametral. Dort gilt nur die
Eliminierung von eindeutig fehlerhaften Daten als gerechtfertigt. Alles andere
wird sehr skrupulös gehandhabt, da die sonst die Verfälschung von
Datensätzen gerechtfertigt würde. "Plausibel" ist im Prozess des
Datenselektierens meist das, was den favorisierten Ergebnissen entspricht.

Mit freundlichen Grüßen

P.

[Andiego]

Hallo Ponder,

aus theoretischer Sicht hast du vollkommen recht. Habe ich es mit Daten zu tun, die ich nicht erklären kann, heißt es natürlich nicht, dass ich diese entfernen sollte.
In der Praxis sind solche explorative Plausibilitätskontrollen dennoch üblich, bei denen im Anschluss Daten entfernt werden. Ich sage mal vorsichtig, dass ich diesen Pragmatismus in vielen Fällen nachvollziehen kann.

Tatsächlich kann es zum Beispiel bei der Modellierung von Regressionen auch sehr Sinnvoll sein Fälle zu ignorieren. Auch wenn es zugegebenermaßen ein etwas anders gelagerter Fall sein mag

[PonderStibbons]

aus theoretischer Sicht hast du vollkommen recht.

Das ist eine eher praktische Sicht. In klinischen Studien darf man es
ohnedies nicht nach Belieben machen, in Grundlagenstudien produziert
lässiger Umgang mit unerwünschten Daten unreplizierbare Befunde.
Natürlich spart das Streichen unerwünschter Daten oft Arbeit, aber
dann muss man ausblenden, dass man in Gefahr ist, Murks zu produzieren.

[Andiego]

Um das noch nachzureichen: Das streichen von Fällen heißt nicht weniger Arbeit. Und eine Dokumentation über den Vorgang und eine Begründung darüber, warum man Ausreißer eliminiert, halte ich für unabdinglich.
Bspw.Clusteranalyse. Wenn der Silhouetten Koeffizient 0 ist, dann bringt es nichts, das Objekt einem Cluster zuzuordnen. Oder Regression. Wenn der Hebel eines Falles zu groß, dann sollte man darüber nachdenken, den Fall zu entfernen.

[Elly]

Vielen Dank für eure Hilfe. Ich werde die Fälle nun eliminieren.

[DHA3000]

Hallo Ponder,

aus theoretischer Sicht hast du vollkommen recht. Habe ich es mit Daten zu tun, die ich nicht erklären kann, heißt es natürlich nicht, dass ich diese entfernen sollte.
In der Praxis sind solche explorative Plausibilitätskontrollen dennoch üblich, bei denen im Anschluss Daten entfernt werden. Ich sage mal vorsichtig, dass ich diesen Pragmatismus in vielen Fällen nachvollziehen kann.

Tatsächlich kann es zum Beispiel bei der Modellierung von Regressionen auch sehr Sinnvoll sein Fälle zu ignorieren. Auch wenn es zugegebenermaßen ein etwas anders gelagerter Fall sein mag

Ehm, nein. Gerade bei Regressionsmodellen kann man entsprechende Techniken anwenden, um ein wenig mehr Klarheit zu haben.
Wo kommen wir denn bitteschön hin, wenn ich Daten, die nicht fehlerhaft sind, ich aber nicht erklären kann, einfach weglasse? Damit drehe ich mir doch automatisch mein Ergebnis zurecht. Keine Ahnung, wo du so etwas anwendest, aber das ist grob fahrlässig.

Abgesehen davon: Das Eliminieren dieser "Fälle" bei 29 Beobachtungen wird dazu führen, dass die Ergebnisse garnicht mehr interpretiert werden können.