STATISTIK-FORUM.de

[GPauer]

Hallo,

meine Teammitglieder und ich arbeiten seit einiger Zeit an einer "Replikationsstudie" und unsere Dozentin möchte, dass wir nun eine Poweranalyse in G*Power durchführen, um die Stichprobengröße zu berechnen.

Leider sind wir auf einem Holzweg und verstehen einfach nicht, welchen Test wir auswählen müssen, da unsere Dozentin uns Literatur zu Korrelationen und T Tests zugeschickt hat, aber in der gleichen Mail meinte, dass T Test wohl nicht der richtige Test für unsere Studie wäre.

Unsere Dozentin meinte ganz am Anfang, wir müssten wohl eine Lineare Regression rechnen.
Wir haben daraufhin Hypothesen formuliert:
Wir haben zwei Hypothesen, die jeweils eine Nullhypothese hat. Also insgesamt 4 Hypothesen (2x H0 und 2x H1).
Alle unsere Hypothesen sind gerichtet, dementsprechend haben wir in G*Power auch nur 1 Tail ausgewählt.

Wir haben eine Experimentalgruppe und eine Kontrollgruppe, die sich gegenseitig nicht beeinflussen.
Dementsprechend bräuchten wir einen Test, der zwei Stichproben unabhängig voneinander testet und eine Korrelation in beiden Gruppen unabhängig voneinander misst.

Für unsere Parameter haben wir uns basierend auf unserer Literatur mittlerweile entschieden (z.B. dass wir Cohen's d = 0.4 verwenden wollen). Jedoch fehlt uns der Test. Ich konnte euch unsere Poweranalyse als Anhang leider nicht beifügen, da Das Kontingent bereits ausgenutzt war?
Diese Poweranalyse haben wir auf Grundlage der Mail unserer Dozentin durchgeführt, da ihre beigefügte Literatur zu Korrelationen bivariat normal model und T Test war, sie jedoch anmerkte, dass T Test für uns wohl nicht der richtige Test wäre,
dementsprechend haben wir Bivariat Normal Model ausgewählt. Nun fiel uns jedoch auf, dass hier ja nur eine Stichprobe erhoben wird, wir aber zwei unabhängige Gruppen haben und dementsprechend einen Test brauchen der einen linearen Zusammenhang berechnet innerhalb zweier unabhängigen Gruppen.

Wir sind sehr verwirrt, da wir nicht wissen, was genau unsere Dozentin mit der beigefügten Literatur meinte, wenn sowohl T Test als auch Bivariat Normal Model nicht funktioniert für unsere Studie.

Context: Wir untersuchen, ob induzierter Zeitstress (durch Timer) einen Einfluss auf Wartezeit (bezüglich Entscheidungsprozessen) hat.
Die Kontrollgruppe hat keinen induzierten Zeitstress, jedoch die Experimentalgruppe.


Vielen Dank im vorraus.

[bele]

Hallo GPauer,

meine Teammitglieder und ich arbeiten seit einiger Zeit an einer "Replikationsstudie"

Wär es dann nicht sehr sinnvoll, sich an der Methodik der Originalstudie zu orientieren? Was haben die denn an statistischen Methoden eingesetzt?

Leider sind wir auf einem Holzweg und verstehen einfach nicht, welchen Test wir auswählen müssen, da unsere Dozentin uns Literatur zu Korrelationen und T Tests zugeschickt hat, aber in der gleichen Mail meinte, dass T Test wohl nicht der richtige Test für unsere Studie wäre.

Wir können in diesem Forum manchmal bei statistischen Fragestellungen helfen. Kommunikationsprobleme mit Dozentinnen können wir nicht korrigieren.

Wir haben zwei Hypothesen, die jeweils eine Nullhypothese hat.

So eine Nullhypothese kann schon nützlich sein, wenn man ein Testverfahren sucht. Oder mach sucht erst das geeignete Testverfahren und passt dann die Nullhypothese dem an, wofür man ein Rechenverfahren kennt.

Alle unsere Hypothesen sind gerichtet, dementsprechend haben wir in G*Power auch nur 1 Tail ausgewählt.

Wenn das der Logik Eurer Dozentin entsprecht, dann macht das so. Wir hier raten davon ab.

Dementsprechend bräuchten wir einen Test, der zwei Stichproben unabhängig voneinander testet und eine Korrelation in beiden Gruppen unabhängig voneinander misst.

Sorry, so abstrakt verstehe ich das nicht. Vielleicht reime ich es mir richtig zusammen, vielleicht nicht.

Jedoch fehlt uns der Test. Ich konnte euch unsere Poweranalyse als Anhang leider nicht beifügen, da Das Kontingent bereits ausgenutzt war?

Ihr habt eine Poweranalyse gerechnet ohne zu wissen, für welches Verfahren? Das haben wir im Studium scherzhaft über die Hautärzte gesagt, dass Kortisoncreme als Antwort schon feststehe, bevor man eine Diagnose hat.

Context: Wir untersuchen, ob induzierter Zeitstress (durch Timer) einen Einfluss auf Wartezeit (bezüglich Entscheidungsprozessen) hat.
Die Kontrollgruppe hat keinen induzierten Zeitstress, jedoch die Experimentalgruppe.

Dann habt Ihr einen Messwert in der einen Gruppe und einen Messwert in der anderen Gruppe und wollt vergleichen, ob die Zahlen in der einen Gruppe größer sind als in der anderen Gruppe. Soweit klingt das erstmal nach einem klassischen Anwendungsfall für einen t-Test. Reaktionszeiten sind oft schief verteilt, da stellt sich die Frage, ob man die Reaktionszeiten logarithmisch transformieren sollte, bevor man einen t-Test rechnet. Gibt es denn Gründe, die gegen einen t-Test sprechen (außer Hörensagen der Betreuerin die man nicht weiter fragen will)?

Das hier ist übersichtlicher als G*Power, kann damit zumindest als Plausibilitätskontrolle dienen: https://statistikguru.de/rechner/stichp ... chnen.html

LG,
Bernhard

[GPauer]

Hallo, vielen Dank für Ihre Antwort.

Leider hatte die Originalstudie nicht "viel" angegeben. Die Originalstudie hatte weder ein Effektmaß erhoben, noch Hypothesen formuliert. Es wurde lediglich in einem Satz erwähnt, dass ein T Test durchgeführt wurde.
Dementsprechend dachten wir auch erst, dass ein T Test sinnvoll wäre. Jedoch bekamen wir dann die Rückmeldung, dass ein T Test wohl nicht 100% passt, jedoch nur mit Verweis auf unsere Literatur.

Wieso raten Sie von einem Tail ab? Wir dachten, dadurch, dass alle unsere Hypothesen gerichtet sind, ergibt es sich daher dass es nur 1 Tail ist?

Zum Kontext:
Genau, wir haben zwei Messwerte also einen pro Gruppe, jedoch sind es keine Reaktionszeiten sondern die Zeit wird von den Probanden angegeben. Wir haben ein Militärszenario, bei dem Probanden in beiden Gruppen angeben müssen, wie viele Stunden sie auf weitere Informationen warten wollen (als Kommandant einer Einheit). Die Probanden müssen sich für eine von zwei Routen entscheiden, um einen Militäreinsatz durchzuführen und jede Route hat ein gewisses Risiko überfallen zu werden. Pro Stunde warten würden x fiktive Menschen sterben. Es ging bei der Oiriginalstudie also dabei, wie viele Stunden die Probanden bereit sind auf weitere Informationen für den Militäreinsatz zu warten, auch wenn sie keine 100% Sicherheit haben, dass noch bessere/ sichere Informationen kommen würden.
Innerhalb unserer Replikationsstudie replizieren wir dies innerhalb der Kontrollgruppe und für unsere Experimentalgruppe haben wir uns gefragt, ob induzierter Zeitstress (ein Timer) die Wartezeit um eine Entscheidung zu treffen verkürzt.

Leider hatte unsere Dozentin keine Begründung gegeben, wieso der T Test nicht zu 100% zu unserer Studie passt.

[bele]

Leider hatte die Originalstudie nicht "viel" angegeben. Die Originalstudie hatte weder ein Effektmaß erhoben, noch Hypothesen formuliert.

Das ist immer eine Frage der Usancen in den jeweiligen Kreisen. Ich würde beides in der Regel auch nicht tun, veröffentliche aber auch nicht in psychologischen Journals.

Es wurde lediglich in einem Satz erwähnt, dass ein T Test durchgeführt wurde.

Das wäre ein gutes Argument für einen t-Test.

Jedoch bekamen wir dann die Rückmeldung, dass ein T Test wohl nicht 100% passt, jedoch nur mit Verweis auf unsere Literatur.

Die Dozentin wird sich was gedacht haben, aber was sie sich gedacht hat kann ich auch nicht wissen.

Wieso raten Sie von einem Tail ab? Wir dachten, dadurch, dass alle unsere Hypothesen gerichtet sind, ergibt es sich daher dass es nur 1 Tail ist?

Stell Dir vor, Ihr führt diese Studie wirklich durch. Jetzt zeigt sich, dass der zusätzliche Timer den Leuten verdeutlicht, dass Zeitdruck nicht schön ist und sie deshalb längere Zeiten antworten und nicht wie geplant kürzere. Richtig viel langsamer. Würdest Du dann wissen wollen, ob das signifikant langsamer war oder wärest Du damit zufrieden, dass es nicht schneller war?

Wir haben ein Militärszenario,

Verstörend, geht mich aber nichts an.

Leider hatte unsere Dozentin keine Begründung gegeben, wieso der T Test nicht zu 100% zu unserer Studie passt.

Entweder müsst ihr sie besser fragen oder sie erwartet eine Erkenntnis als Prüfungsleistung.

LG,
Bernhard

[PonderStibbons]

Eine einfache lineare Regression mit einem dichotomen Prädiktor "Gruppe" ist 100% äquivalent einem
unkorrigierten* t-Test. Für die power-Annalyse ist das alsoo gleich. Vielleicht will sich die Dozentin die
Möglichkeit offenhalten, Co-Variablen in die Analyse aufzunehmen, was mit einer linearen Regression
recht einfach ginge.

Mit freundlichen Grüßen

PonderStibbons


*t-Test ohne Welch-Korrektur für etwaige ungleiche Varianzen der Gruppen.