PSY: Forschungsmethodik 1

0:41 Sag mal, wo war die Sex bei dir? Sport. Sport? Nein. Handballgott. Ich hätte mal Biologie in so einem unangekündigten Test. Ich habe nichts abgegeben.

0:54 Das hat doch, glaube ich, jeder schon mal geschafft, oder?

0:55 Und deswegen habe ich Medizin nicht studiert.

1:00 Situs in Berlin. Der Vorklinik-Podcast.

1:14 Hallo und herzlich willkommen bei Situsin versus der Vorklinik-Podcast, euer Podcast für die Vorklinik. Heute bewegen wir uns ein bisschen fachfremde Gewässer. Wir haben jetzt doch schon einiges an den klassischen naturwissenschaftlichen Themen abgearbeitet und steuern heute in die Tiefsee der Psychologie.

1:38 Da wir ja auch in Anführungsstrichen nur Medizinstudierende sind, haben uns dafür jemanden eingeladen. Und zwar den Kai. Hallo Kai. Hallo Leo. Der Kai studiert nämlich Psychologie und hat den weiten Weg hier nach Heidelberg gefunden, um mit uns und für euch die nächsten Folgen zu gestalten. Und ganz kurz, dass ihr Kai auch mal kennenlernt.

2:03 Kai ist ein guter Freund von Tim und mir. Wir haben uns vor sieben Jahren schon kennengelernt und auch wenn unsere Wege hin wieder mal auf andere Kontinente gelaufen sind, haben wir es dann doch geschafft, uns ein, zweimal im Jahr zu treffen. Und haben tatsächlich beide, oder wir alle drei, haben dann angefangen, einen Podcast zu machen.

2:23 Den Podcast, den Tim und ich gemacht haben, kennt ihr wahrscheinlich schon. Und ja, gute Frage, da muss man muss nochmal recherchieren. Und Kai hat quasi fast zeitgleich dann mit einem Psychologie-Podcast angefangen, positiv korreliert. Und da schon mal die Vorstellung, falls euch unsere Folgen nicht tief genug gehen und ihr noch ein bisschen weiter in die Welt der P-Werte einsteigen wollt, dann könnt ihr gerne mal in den Podcast reinhören.

2:49 Wir verlinken den auf jeden Fall. Und genau, Kai, wie ich schon gesagt habe, ist kommt über den Teich, hat zwar im Saarland angefangen, aber studiert jetzt gerade in Boston und promoviert gerade in der Psychologie. Und deswegen würde ich sagen, steigen wir nochmal direkt rein in das Thema Psychologie-Soziologie mit bisschen Statistik und Forschungsmethoden.

3:14 Bedeutet, das Ganze kann natürlich jetzt fürs Physikum spaßig sein, aber wenn man auch später mal vorhat zu promovieren, wird man über den ein oder anderen P-Wert dann doch stolpern müssen. Also pausch auf.

3:27 Ich hoffe doch.

3:30 Ganz kurze Werbung.

3:32 Wir haben in diesem Semester einen richtig coolen Werbepartner, Meditrix, und den wollen wir euch jetzt einmal vorstellen.

3:38 Einige von euch fragen uns manchmal auf Insta, ob wir irgendwie so Lernstrategien oder Lerntipps haben. Keine Ahnung, warum wir dafür die Autorität haben. Aber es ist ja schon so im Medizinstudium, es gibt so Sachen, die versteht man einmal und dann kann man die. Und dann gibt es so diese vielen Fakten, die man wirklich relativ stumpf auswendig lernen muss.

4:00 Und das hilft einfach nichts, die müssen einfach rein. In der Vorklinik erinnere ich mich an die Hirnnerven, die Anatomie oder sonstiges. Manche Sachen muss man sich einfach auswendig merken. Und da ist der Game Changer schlechthin tatsächlich Meditrix. Meditrix, das sind quasi Eselsbrücken als Bilder.

4:16 Ihr findet bei Meditrix ganz viele verschiedene Szenen, die jeweils die Themen, die für euch relevant sind, zusammenfassen. Und da gibt es so viele Details, die dann wiederum für die Fakten stehen, die ihr können müsst. Und diese Szenen sind tatsächlich so bunt und wild und lustig, dass ihr gar nicht anders könnt, als sie euch nachhaltig zu merken.

4:33 Ja, und das macht dann einfach viel mehr Spaß. Ich glaube, das kann man sich auch schlecht vorstellen, wenn wir jetzt so drüber reden. Deshalb schaut euch mal die Demo auf meditrix.de an. Ihr könnt euch nicht vorstellen, was euch da erwartet. Ja, genau. Und das lohnt sich auf jeden Fall da mal reinzuschauen, ob das was für euch ist.

4:52 Vielleicht hat eure Uni auch eine Campuslizenz für Meditrix. Und falls nicht, haben wir was für euch.

4:58 Nämlich einen Code SitusIs15. Damit bekommt ihr 15% Rabatt auf jedes neu abgeschlossene Abonnement bei Meditrix. Genau, einen höheren Rabatt werdet ihr nicht finden.

5:07 Genau, also SitusI15 bei meditrix.de. Viel Spaß.

5:15 Das war's schon.

5:16 Ja, also danke Kai, dass du hier bist. Nur noch kurz, also Kai ist glaube ich, also Kai ist die Person, die ich immer fragen würde, wenn es irgendwie um Statistik geht. Und wie gesagt, wenn euch das hier für die Doktorarbeit nicht reicht, schaut mal bei positiv korreliert vorbei. Gut, bei der Statistik gibt es allgemein, kann man zwei Geschmäcker unterscheiden, ja nämlich die deskriptive und die Inferenzstatistik.

5:44 Also bei der deskriptiven, beschreibenden Statistik geht es halt um die Charakterisierung der Strichprobe. Da gibt es dann so Maßzahlen wie Mittelwert, Standardabweichung etc. Und das kann man dann wunderschön in irgendwelchen Plots, Diagrammen etc. darstellen. In der induktiven oder auch schließenden Statistik werden bestimmte Dinge überprüft.

6:11 In der Regel zum Beispiel, ob sich eine Stichprobe auf die Grundgesamtheit übertragen lässt. Also da spielt dann sowas wie Wahrscheinlichkeitsrechnung etc. eine Rolle. Und auch in Experimenten grundsätzlich ist einfach die induktive Statistik super wichtig. Und dann kommt auch sowas wie der P-Wert rein, was Leo ja schon angeteasert hat.

6:32 Genau, und heute beschäftigen wir uns aber primär erstmal mit der Deskriptivstatistik. Nächste Folge geht es dann endlich um die P-Werte. Aber heute geht es quasi darum, erstmal, wie kann ich überhaupt Dinge messen und wie kann ich sie dann danach auch irgendwie darstellen und oder skalieren.

6:53 Ganz genau. Eine große Herausforderung in der Psychologie ist häufig, dass diese Dinge zu messen, ist ja erstmal gar nicht so einfach. Also wenn ihr so an so ganz typische Variablen denkt, die wir irgendwie in der Psychologie häufig anschauen, zum Beispiel Gesundheit, Intelligenz, Lebensqualität, Depression.

7:12 Das ist nichts irgendwie, was einem im Gehirn drinsteht, auch wenn man das vor ein paar Jahrhunderten vielleicht mal gedacht hat. Sondern wir müssen irgendwelche Indikatoren finden, wie wir etwas messen können. Und das ist einer der Punkte, der die Psychologie und Medizin daneben auch von vielen anderen Disziplinen, wie zum Beispiel der Physik, abgrenzt, in viele physikalische Größen, jetzt Kilogramm, Meter und so weiter, können wir ganz einfach messen, weil wir dafür Instrumente entwickelt haben.

7:39 Und in der Psychologie müssen wir diese Instrumente häufig erst selbst entwickeln, zum Beispiel durch Fragebögen oder ähnliche Arten. Das heißt, um solche Merkmale zu erfassen, bedienen wir uns dann sogenannten empirisch beobachtbaren Größen, die wir dann Indikatoren nennen. Und diese Indikatoren müssen quasi messbar gemacht werden und das funktioniert durch einen Prozess, der Operationalisierung genannt wird.

8:05 Genau, und das nennt man dann latent und manifest. Latent ist quasi verborgen, das ist das, was man nicht sehen kann, so wie es in der Psychologie häufig der Fall ist. Und Manifest sind dann aber Dinge, die man eben sehr gut erfassen kann, wie zum Beispiel, wie eben genannt, Körpergröße und so weiter.

8:22 Aber dann eben, wie gesagt, dieser Prozess, latente Konstrukte können wir nicht sehen, müssen aber irgendwie in Zahlen verwandelt werden. Es muss irgendwie sichtbar gemacht werden und das nennt man dann Operationalisierung. Genau.

8:35 Das ist auch so ein Wort, jetzt, ich meine, Kai, das ist das Einzige, was wir dir voraus haben, wir können die MC-Glocke läuten. Das ist nämlich was, das wird definitiv mal abgefragt werden, wahrscheinlich, was dieses Wort bedeutet. Und nochmal die Definition bezeichnet, die Vorgehensweise zur Messung sowie die verwendeten Messinstrumente, die zur Messung eines theoretischen Konstrukts eingesetzt werden.

9:01 Und erstmal kann man festhalten, dass man jedes Merkmal oft auf sehr viele verschiedene Art und Weisen messen kann. Und deswegen muss man sich auch dann, wenn man zum Beispiel Fragebögen oder sowas entwirft, genau überlegen, was will ich denn jetzt eigentlich überhaupt genau wissen?

10:27 Genau, und machen wir direkt mal weiter mit einem weiteren ganz wichtigen, zentralen Begriff, nämlich der Variable. Also erstmal, die Variable kennen wir ab von der Konstante. Die Konstante ist konstant, die bleibt gleich. Danke. Die Variable ist aber was, was variiert. Und es gibt auch die Variable wieder in ganz vielen verschiedenen Geschmäckern.

10:51 Es gibt einmal unabhängige Variablen oder auch erklärende Variablen. Das ist letztendlich die Stellgröße, das Stellrädchen, an der wir in einem Experiment gezielt schrauben, um dann zu sehen, wie die Auswirkung auf eine andere Variable ist, nämlich auf die abhängige Variable. Die abhängige Variable ist Stil, die durch Variation der unabhängigen Variablen irgendeine Veränderung durchmacht.

11:21 Ja, jetzt mal anders gesagt, wenn ich beispielsweise als unabhängige Variable das Thermostat nehme, was ich hochdrehen kann auf 40 Grad hier in Leos Wohnung. Dann die abhängige Variable Leos Schwitzz-Zustand wäre, dann würde der sich halt dementsprechend verändern. Gut, dann gibt es noch Störvariablen oder auch sogenannte Confounder.

11:52 Das sind welche, die in der Studie nicht berücksichtigt werden, aber das Ergebnis beeinflussen können. Zum Beispiel, vielleicht ist Leo zusätzlich gestresst, weil er von Kai angeschrien wird. Dass er dann Störvariable. Dann gibt es noch weitere Dinge, nämlich die Mediatorvariable. Die steht so als Bindeglied zwischen unabhängiger und abhängiger Variable.

12:19 Tut mir leid, dass ich dieses komische Beispiel gewählt habe. Aber in dem Beispiel wäre es dann, wären Mediator-Variablen beispielsweise wie die Temperaturregulation in Leos Hypothalamus funktioniert, sodass es dann am Ende dazu kommt, dass er tatsächlich schwitzt. Und dann gibt es noch Moderator-Variablen.

12:38 Die beeinflussen den Effekt der unabhängigen Variable auch und somit das Ergebnis. Was ist da nochmal so ein bisschen der Unterschied zur Mediator-Variable, Kai?

12:53 Ein Mediator ist quasi so vermittelnd im Zusammenhang. Das heißt, du hast jetzt verändert und deswegen ist es hier anscheinend in diesem Raum auch gerade so heiß. Und damit passiert dann irgendwas in deinem Körper, womit ich überhaupt nichts anfangen kann und das hat dann irgendeinen Effekt. Aber ein Moderator verändert quasi den Zusammenhang.

13:12 Das heißt, dieser Effekt, den man hat auf den Körper zum Beispiel, könnte unterschiedlich aussehen für Frauen oder Männer zum Beispiel. Das heißt, ein Mediator merke ich mir so, dass es vermittelt und ein Moderator ändert und wird deswegen häufig auch Interaktionseffekt genannt.

13:28 Also ein Mediator ist quasi eher so in der Kausalkatche auch.

13:31 Richtig, quasi A führt zu B führt zu C.

13:35 Und dann gibt es noch einen Konstrukt, nämlich den Risikoindikator, der für die Medizin und auch Psychologie relevant ist. Das sind nämlich einfach Variablen, die auf eine Erkrankung hinweisen. Und die werden in der Epidemiologie dann in der Regel rein deskriptiv festgestellt. Und wir haben schon gesagt, Risikoindikator, das Wichtige ist, das hat eben im Gegensatz zum Risikofaktor nicht unbedingt einen kausalen Zusammenhang, den man kennt.

14:08 Diese verschiedenen Formen der Variablen, die sollte man bestenfalls berücksichtigen, wenn man irgendwas designt. Und sollte man berücksichtigen, wenn man fürs Risikum kreuzt, weil das ist auch wichtig. Jetzt haben wir diese verschiedenen Variablen und versuchen Tests rauszufinden und irgendwie muss man das Ganze jetzt skalieren.

14:26 Und dafür gibt es Skalenniveaus. Also einmal halt fürs Rechnen und die statistische Auswertung dahinter und danach halt eben einfach und halt eben, um dann quasi die Unterkategorien so besser herausarbeiten zu können. Und je nachdem, mit was für Größen man arbeitet, muss man verschiedene Skalen anwenden.

14:45 Zum Beispiel ist jetzt eine Körpergröße, die fängt irgendwann mal bei 0 an und hört bei vielleicht 2,50 Meter auf, je nachdem. Und Augenfarbe, die fängt ja nicht bei Null an, sondern es gibt ja nur 1, 2 und 3. Und deswegen, wie ihr schon merkt, gibt es verschiedene Skalenniveaus und die geben darüber Auskunft, wie ich damit rechnen darf und so auf schlau, welche Operationen man durchführen darf.

15:10 Und im Allgemeinen, je höher das Skalenniveau, desto mehr kann ich mit der Skala machen, desto mehr darf ich damit rechnen. Und deswegen ist jetzt die Frage, welche Skalen gibt es denn überhaupt?

15:23 Wir fangen einfach direkt mal an mit der Nominalskala. Die ist rein qualitativ. Also das ist so eine Skala von Kategorien, wo letztendlich nur bestimmt werden kann, wie häufig ist eine bestimmte Kategorie. Und das war's. Beispiele sind Augenfarbe, was Leo gerade schon erwähnt hat, oder sowas wie Lieblingstier.

15:45 Job, Lieblingstier?

15:48 Roter Fuchs. Husky?

15:52 Husky, nice, okay. Oh, äh, da habe ich jetzt nicht gemacht. Früher fand ich den Löwen immer toll. Aber jetzt mit Hugo mag ich halt Hamster.

16:02 Ja, und jetzt könnte man halt, genau, und jetzt, wenn wir eine riesige Stichprobe hätten, hätten wir halt ganz, ganz viele verschiedene Tiere, aber manche würden ja öfter vorkommen. Und dann könnten wir sagen, wie häufig kommt jedes Tier vor.

16:14 Und das kann man sich dann häufig zum Beispiel in Tabellen oder so am besten anschauen. Als nächstes, direkt hinter der Nominalskala kommt die Ordinalskala, mein Lieblingsskalenniveau, falls man das so nennen kann. Ist aber auch noch eher qualitativ als quantitativ. Ähnlich wie bei der Nominalskala gibt es bei der Ordinalskala auch verschiedene Kategorien, aber diese Kategorien sind geordnet.

16:39 Um da direkt Beispiele zu nennen, da gibt es zum Beispiel den Art des Schulabschlusses, zum Beispiel Abitur oder Realschulabschluss oder Hauptschulabschluss. Oder Schulnoten mit sehr gut, gut, befriedigend eine Platzierung im Autorennen, erster, zweiter, dritter und so weiter. Man merkt also, das sind noch keine Zahlen.

17:01 Wir können diesen unterschiedlichen Kategorien Zahlen zuordnen, zum Beispiel eine 1, 2 oder 3, aber an sich ist es eigentlich eher noch qualitativ, es wird aber trotzdem in eine sinnvolle Reihenfolge gebracht.

17:14 Und der nächste Schritt sozusagen ist dann die Intervallskala. Die kann man dann schon als quantitativ bezeichnen. Die Variable nimmt einen bestimmten Zahlenwert an. Und hier ist quasi auch der, also der Abstand zwischen zum Beispiel 1 und 2 und 2 und 3 ist gleich groß. Also der sagt was aus. Das ist eigentlich der große Unterschied zur Ordinalskala auch.

17:43 Und zusätzlich zur Häufigkeitsbestimmung und zur Ordnung können wir bei der Intervallskala eben auch noch diesen Abstand, nämlich das Intervall zwischen zwei Werten als Wert ausdrücken. Und damit werden dann natürlich mehr Wächenoperationen an sich möglich. Beispiele dafür sind Intelligenzniveau, natürlich im IQ gemessen dann die Jahreszahl oder auch was immer als Beispiel kommt, die Temperatur in Grad Celsius.

18:18 Und da ist nochmal kurz relevant zu sagen, dass 0 Grad Celsius ja irgendwann mal festgelegt wurde. Ja, das ist ja nicht Natur gegeben, das wurde einfach irgendwann mal so festgelegt, dass es der Punkt ist, wo Wasser seinen Aggregatszustand von fest zu flüssig wechselt. Und also Eis schmilzt. Und das Spannende ist jetzt nämlich, es gibt noch was drüber.

18:45 Aber ganz kurz, um es nochmal klarzustellen, weil jetzt, weil ich finde nämlich, in der ersten Sekunde könnte man jetzt Intelligenz und Platzierung im Autorennen, könnte man sich fragen, was genau ist da der Unterschied. Der Unterschied ist, dass ich bei den Autorennen nicht weiß, wie viel besser denn der erste Platz jetzt zum zweiten war.

19:01 Also es kann sein, dass das eine Sekunde war, es kann aber auch sein, dass er eine Minute schneller war. Und bei Temperaturen weiß ich genau, von einem Grad zum zweiten, zum dritten ist es immer gleich viel. Und so unterscheidet man die quasi.

19:14 Genau, und dann kann man sich ja eigentlich fragen, okay, warum brauchen wir jetzt eigentlich noch eine vierte Kategorie, die wird jetzt nämlich kommen und wird auch Verhältnissskala dann genannt. Das ist gerade selbst gesagt, Leo. Wenn ich irgendwie mir den Unterschied anschaue zwischen 20 und 21 Grad Celsius, der Unterschied ist genauso groß wie der Unterschied von 23 zu 24 Grad Celsius.

19:36 Das kann die Intervallskala, aber die Intervallskala kann eine Sache nicht, nämlich quasi sich Vergleiche oder Verhältnisse anschauen. 40 Grad Celsius ist nicht doppelt so warm wie 20 Grad Celsius. Diesen Vergleich können wir bei intervallskalierten Variablen wie der Temperatur in Grad Celsius eben nicht machen.

19:56 Bei der Verhältnissskala können wir das aber. Das ist das höchste Skalenniveau. Auch hier nehmen alle Variablen wieder einen Zahlenwert an. Wir können sehr viel damit rechnen. Und der große Unterschied ist, eine Verhältnisskala beinhaltet einen natürlichen Nullpunkt. Das heißt, die Null ist ein möglicher Wert der Variable und muss auch in Bezug auf die Variable Sinn ergeben.

20:19 Das ist nicht festgelegt wie bei Grad Celsius, dass man sagt, die Null, da passiert was ganz Tolles, sondern die Null hat eine ganz sinnvolle Bedeutung, zum Beispiel bei der Körpergröße. 0 Zentimeter ist der Startpunkt. 0 Kilogramm Körpergewicht ist auch der Startpunkt. Es ist schwierig, weniger als 0 Zentimeter oder 0 Kilogramm zu bieten.

20:40 Das heißt, was erlaubt uns das? 100 Kilogramm ist doppelt so schwer wie 50 Kilogramm. Wir können eben diese Vergleiche ziehen. Die Zeitdauer ist auch Verhältnis skaliert, weil 0 Sekunden ergibt sind. Entfernung, Blutzuckerspiegel, Einkommen, das sind alles verhältnisskalierte Variablen. Und dann vielleicht noch ein Fun Fact, die bei der Temperatur, wenn wir uns Kelvin anschauen, die ist tatsächlich auch Verhältnis skaliert, obwohl die Grad-Celsius-Temperatur Intervall skaliert ist.

21:11 Und das liegt daran, dass bei Kelvin, da haben wir einen Nullpunkt und der liegt bei minus 273 Grad oder irgendwas in Grad Celsius. Das ist null Kelvin, genau.

21:22 Und somit einmal. Und dieser Nullpunkt ergibt Sinn, weil 0 Grad Kelvin, da bewegt sich einfach nichts mehr. Also da sind alle Mole Kelvin.

21:31 Ist es nicht so, dass es eigentlich ein theoretisches Konstrukt ist und man noch nie 0 Kelvin gemessen hat? Das heißt theoretisch ja vielleicht so Verhältnis-Skala light.

21:41 Es ist vielleicht Verhältnis-Skala leid, aber was ich gestern nachgeschaut habe, tatsächlich kann man sagen, 40 Kelvin ist doppelt so warm wie 20 Kelvin. Okay. Spannend. Kann man das bei Celsius wirklich nicht? Also in der Welt der Statistik kannst du es nicht sagen. Aber ich weiß auch nicht, würdest du sagen, 40 Grad fühlt sich doppelt so warm an wie 20 Kelten?

22:01 Ich finde tatsächlich, dass bei der Sache das Problem ja nochmal ein anderes ist, nämlich wie du es wahrnimmst. Ja. Stimmt. Das gleiche Problem hast du ja auch bei Lautstärke oder so. Nicht den Dezibel mess. Die Wahrnehmung ist ja eine andere. Stimmt.

22:20 Weil ich finde zum Beispiel Unterschied zwischen 6 Grad und 12 Grad, den merkt man ganz klar. Und Unterschied zwischen minus 25 und minus 15, merkt man nicht so wirklich, finde ich.

22:31 Citos inversus der Temperaturpodcast. Ja, kannst du gucken. Sollen wir mal weitergehen?

22:35 Genau. Und das, was natürlich jetzt spannend ist, jetzt haben wir das Ganze skaliert und jetzt liegen diese Skalen darum mit bestenfalls vielen Werten. Und jetzt wollen wir aber halt wissen, was kam denn jetzt überhaupt raus bei dieser Skala, bei unserer Erhebung. Und dafür sieht man das Lagemaß zur Rate.

22:52 Und warum haben wir jetzt diese ganzen Skalenniveaus durchgekaut? Weil bei verschiedenen Skalenniveaus kann man verschiedene Lagemaße verwenden. Wie zum Beispiel den Modalwert, Median oder was jeder schon mal gehört hat, den Mittelwert.

23:05 Genau, den Mittelwert ist vermutlich der offensichtlichste Wert. Den hat man irgendwie mal in der Schulzeit verwendet, wenn man sich irgendwie seine Noten auf dem Zeugnis die Durchnittsnote berechnen wollte. Wie berechnet man den Mittelwert? Man summiert alle Werte, die man hat und teilt dann durch die Anzahl der Werte.

23:22 Und vielleicht interessant, man benötigt dafür mindestens intervallskalierte Variablen, also quantitative Variablen. Irgendwie, wenn wir nur Kategorien haben, selbst wenn die geordnet sind, ist es sehr schwierig, für unseren Mittelwert zu berechnen. Ein Vorteil vom Mittelwert ist, dass er alle Informationen unserer Werte irgendwie benutzt.

23:42 Ein Nachteil, und das ist ein ziemlich wichtiger Nachteil vom Mittelwert, ist, dass er sehr empfindlich gegenüber Extremwerten ist. Was bedeutet das? Dass wenn ich jetzt irgendwie 10 oder 11 Schulnoten habe und ich habe zehnmal eine Eins geschrieben und einmal eine Sex, dann wird diese Sex trotzdem ziemlich reinhauen und meinen Mittelwert insgesamt ziemlich runterziehen.

24:05 Und deswegen wird zum Beispiel beim Einkommen häufig nicht der Mittelwert angegeben, sondern der Median. Über den sprechen wir gleich.

24:12 Sag mal, wo war die 6 bei dir?

24:14 Sport. Sport? Nein. Du bist doch so ein Marsch. Ich hatte mal Biologie in so einem unangekündigten Test. Einfach nichts abgegeben.

24:25 Das hat doch, glaube ich, jeder schon mal geschafft, oder?

24:26 Und deswegen habe ich Medizin nicht studiert.

24:29 Ja, doch. Das war der Grund, ne? Klar.

24:35 Machen wir weiter mit dem Modalwert oder auch Modus. Der Modalwert ist auch eigentlich sehr simpler Wert. Das ist nämlich einfach der häufigste Wert einer Verteilung. Und wir haben ja ganz am Anfang schon gesagt, das können wir ja wirklich bei jedem Skalenniveau machen. Selbst beim Lieblingstier können wir einfach sagen, was ist der Modus, was ist das Häufigste.

24:59 Vorteil also, einerseits überall anwendbar, andererseits ist ja auch unempfindlich gegenüber Extremwerten. Also typisches Beispiel ist, wenn es um Gehälter geht, dann hat man irgendwie eine Verteilung und es gibt vielleicht eine Person, die eine Milliarde verdient. Rich Money. Die dann den Mittelwert total nach oben ziehen würde.

25:23 Der Modalwert ist davon überhaupt nicht beeinflusst. Gut, und es gibt natürlich auch Nachteile am Modalwert, nämlich, ja, er gibt eigentlich gar nicht so viele Informationen. Also man weiß eigentlich wirklich nur, was das Häufigste ist, über den Rest weiß man gar nichts. Und es gibt ja nicht nur Häufigkeitsverteilungen, wo es quasi so eine klare Mitte gibt, sozusagen, ja, wo dann auch der Modalwert drin liegt.

25:53 Es gibt ja auch Häufigkeitsverteilungen, wo es vielleicht nur die zwei Extreme gibt. Wo uns der Modalwert dann nur über ein Extrem was sagen würde. Aber es gibt vielleicht noch ein anderes. Also bei mehrgipfligen Häufigkeitsverteilungen ist er auch kaum zu verwerten.

26:09 Stell dir mal vor, jemand macht eine Analyse von der Eisdiele. Die meisten Leute mögen Zitronen-Eis, aber viel mehr Leute mögen Milcheis im Allgemeinen und dann würde der nur noch so B machen. Das wäre eine Katastrophe. Was ein Glück gibt es noch, auch den Median.

26:23 Ein Glück, ne? Median ist auch ein sehr schöner Wert. Der ist nämlich weniger anfällig für Extremwerte, genau wie der Modalwert auch. Der Median nimmt quasi alle Werte und nimmt genau den mittleren Wert. Das heißt, wie rechnet man den aus? Man nimmt quasi alle Werte, die man hat und sortiert die von klein nach groß und schaut dann genau in der Mitte, welcher Wert liegt da genau dazwischen.

26:49 Bei einer ungeraden Häufigkeit an Werten ist das ganz einfach, weil dann ist der mittlere Wert genau isoliert in der Mitte. Man kann den einfach rausgreifen. Und bei einer geraden Anzahl von Zahlen nimmt man quasi die zwei mittleren und rechnet nochmal den arithmetischen Mittelwert von diesen beiden Zahlen.

27:06 So berechnet man den Median. Der Median kann übrigens auch bezeichnet werden als das 50. Quantil oder das zweite Quartil oder den Prozentrang 50. Das sind alles ganz viele unterschiedliche Begriffe für genau das gleiche. Prozentrang kennt übrigens jeder Mediziner wahrscheinlich.

27:25 Woher kennt man den von dem Medizinertest? Vom TMS, ja. Aber da können wir jetzt nochmal genau drauf eingehen, was das bedeutet. Kurze Frage noch, bei welchen Skalenniveaus kann ich den Median verwenden?

27:37 Den Median kann man, Gottes Willen, Median kann man eigentlich bei Nominal skaliert kannst du den nicht verwenden, aber bei ordinal skaliert kannst du den schon machen. Ordinal skaliert, ne? Richtig. Weil du kannst ja quasi Kategorien, wenn sie sortiert sind, kannst du auch schon dann quasi die mittlere Kategorie raussuchen.

27:56 Kannst du den aber gerade nochmal nicht. Kurz aber gerettet.

28:00 Ja, muss ich einmal kurz durcharbeiten.

28:05 Von wegen Schweißperlen. Da haben wir den Moderator hier.

28:08 Das ist, weil Tim noch das Thermostat auf 40 Grad eingeschnitten hat. Genau, Prozentrang, habt ihr gesagt, kennt man, aber ein Prozentrang ist eigentlich das gleiche wie ein Quantil. Und ein Quantil bezeichnet grundsätzlich einen Wert, der eine Menge an Zahlen in zwei Gruppen teilt. Und es gibt ganz viele unterschiedliche Quantile.

28:30 Ich kann mir zum Beispiel das 10% Quantil anschauen, ich kann mir das 50% Quantil anschauen und so weiter. Und das ist dann immer quasi die Prozentzahl, wo eine Menge an Zahlen quasi genau dort durchgeschnitten werden. Das heißt, 50% Quantil ist quasi der Median, das ist genau in der Hälfte durchgeschnitten.

28:49 25% Quantil ist quasi oder 25% Perzentil oder Prozentrang, 25% ist quasi das untere Quartil, das heißt 25% aller Werte, wo durchgeschnitten wird, sind kleiner als dieser Wert. Dann das 75% Perzentil oder Prozentrang, 75% und so weiter, bedeutet, dass 25% aller Werte kleiner sind als dieser Wert und so weiter.

29:16 Größer dann, oder?

29:17 Bei 75%.

29:18 Bei 75% bedeutet, dass der Wert, wo dieses dritte Quartil ist, dass 75% der Werte kleiner sind. Genau, 25% der Werte sind größer. Richtig. Und ich merke mir, dass ganz häufig durch Normalverteilungen. Über Normalverteilung haben wir jetzt aber noch gar nicht gesprochen. Normalverteilung ist definiert durch einen Mittelwert und eine Standardabweichung.

29:41 Standardabweichung kommt jetzt auch erst gleich. Normalverteilung kennen wir aber alle von Intelligenz. Bedeutet quasi, sehr viele Werte liegen um den Mittelwert herum und sehr wenig Werte liegen quasi außen. Und auch dort kennt man dann irgendwie den Prozentrang, dass man sagt, bei einem Prozentrang von 98 bedeutet es, dass 98% der Leute einen niedrigeren IQ haben als dieser Wert und 2% der Leute haben einen Wert, der höher ist.

30:08 Und 98% ist dann zum Beispiel zwei Standardabweichungen und zum Beispiel Leute, die als hochbegabt gelten, haben einen Wert in der Intelligenz, der höher als der Prozentragen 98 ist.

30:19 Genau, so und jetzt hat Kai das schon angeteasert, die Standardabweichung. Das nächste Thema beschäftigt sich nämlich mit den Streuungsmaßen, also quasi wie variabel sind meine Ergebnisse. Und da kommt quasi die Ehrenrettung von deinem Zeugnis. Weil ja, der Mittelwert ist empfindlich gegenüber Streuungen, aber normalerweise ein guter Statistiker gibt nämlich neben dem Mittelwert oder den Minearen oder sowas auch die Streuung an.

30:47 Und es gibt verschiedene Art und Weisen, das da anzuzeigen. Aber ich meine, es ist ja auch sehr wichtig, wenn ich mich jemandem unterhalte, ist der Mittelwert wirklich so, dass ungefähr alle denen so rum um diesen Wert liegen oder streut es halt eben sehr, weil dementsprechend würde ich dem halt eben nicht glauben, wenn er mir sagt, die Leute in Deutschland verdienen so und so viel Geld, wenn sich das so sehr verteilt.

31:10 Und deswegen jetzt die Frage, wie kann ich denn die Streuung darstellen?

31:16 Das allereinfachste Streuungsmaß ist einfach die Spannweite. Also da sage ich einfach, was ist das Maximum und was ist das Minimum bei meiner Verteilung? Und dann bilde ich die Differenz und habe meine Spannweite. Die ist natürlich super empfindlich gegenüber Ausreißern, aber stellt auch tatsächlich mal dar, welche Werte denn grundsätzlich so möglich sind in der Stichprobe.

31:42 Quarilsabstand wäre dann das nächste. Streuungsmaß. Kai hat ja gerade schon Quartile erwähnt. Und der Quartilsabstand ist einfach der Abstand zwischen dem 75%-Quartil und dem 25%-Quartier. Also die 50%-Werte in der Mitte, wenn man das so sagen kann. Da werden also die Ränder nicht berücksichtigt und dadurch hat man auch weniger Ausreißer.

32:07 Das war ein schöner Versuch, Tim, aber niemand in der Praxis berechnet diese Werte. Ich stelle euch jetzt die wirklich wichtigen Werte vor für die Variabilität, nämlich die Varianz und die Standardabweichung. Wir haben jetzt ja zum Beispiel unseren Mittelwert schon berechnet und wir wollen wissen, wie du es vorhin meintest, Leo, wir wollen wissen, wie sehr streuen eigentlich die Werte um diesen Mittelwert.

32:31 Das heißt, wir können von jedem einzelnen Wert mal die Abweichung berechnen zwischen dem Wert und dem Mittelwert. Für manche Werte ist diese Abweichung positiv, für andere Werte ist diese Abweichung negativ. Für manche Werte sind über dem Mittelwert und andere Werte sind unter dem Mittelwert. Wenn wir jetzt diese Abweichung alle aufsummieren würden, würde welche Zahl rauskommen?

32:53 Eins.

32:56 Leo. Leo, ey.

32:58 Die positiven Zahlen und die negativen Abweichungen gleichen sich komplett aus. So ist der Mittelwert quasi definiert. Er ist quasi der Balancepunkt der Verteilung, sagt man auch. Das heißt, wir müssen irgendwas anderes machen. Und die Idee, die die Statistiker vor ein paar hundert Jahren hatten, waren, wir können doch einfach diese Abweichungen immer quadrieren, weil wenn wir etwas quadrieren, dann ist es immer positiv und dann können wir es aufsummieren.

33:22 Das heißt, was man macht, um die Varianz zu berechnen, ist, man nimmt die Abweichung von jedem Wert zum Mittelwert, quadriert das, dann wird es positiv und dann summieren wir es auf. Und dann wird es noch durch die Gesamtzahl an Stichproben geteilt, ne? Richtig, das wird quasi noch gemacht. Das heißt, wenn wir 100 Leute oder 100 Werte haben, dann müssen wir am Ende noch durch 100 teilen, damit wir quasi die durchschnittliche quadrierte Abweichung für jeden Wert haben.

33:51 Und noch als Funfact für die Super Nerds, man kann entweder durch n, also durch die Anzahl teilen, wenn man es ganz genau berechnen will, dann teilt man eigentlich durch n minus 1 für Stichproben als empirischen Schätzer. Aber das nur nebenbei. Warum Kai? Warum?

34:08 Dafür hört bei hört ihr nicht Citus Inversus, sondern positiv korreliert.

34:14 Danke, dass du mich gerettet hast, weil ich jetzt nicht erklären kann. Warum quadriert man? Weil man eben dann quasi diese Abweichung positiv bekommt, aber diese Quadrierung hat eben auch ein ganz großes Problem, weil die Einheit der Variablen wird mitquadriert. Und dadurch ist die Varianz eigentlich ganz schwer verwertbar und interpretierbar.

34:35 Ja, was zum Beispiel 50 IQ Quadrat.

34:39 Ja, damit können wir nicht so viel anfangen. Und deswegen gibt es dann die Lösung, was ist das Gegenteil vom Quadrieren? Naja, die Wurzel ziehen. Und wenn wir die Wurzel aus der Varianz ziehen, dann kommt unsere Lieblingsmaßeinheit raus, nämlich die Standardabweichung. Und die ist dann aber zum Glück wieder gut definierung, interpretierbar.

34:59 Das heißt einmal zusammengefasst, was ist die Standardabweichung? Die Standardabweichung ist die quadrierte Varianz oder anders ausgedrückt die quadrierte durchschnittliche Abweichung. Die Wurzel aus der quadrierten durchschnittlichen Abweichung.

35:15 Ja, okay. Für die Leute, die eher bildlicher sind, wenn man sich irgendwie mal ein wissenschaftliches Paper anschaut oder Balkendiagramme sind, dann ist die Balkenhöhe der Mittelwert und diese beiden Klammern, die man sieht, oder manchmal ist es doch nur eine nach oben, das ist eine Standardabweichung.

35:33 Bei Boxplot, oder?

35:35 Genau, ja. Bei Balkendiagrammen. Und je größer halt eben diese Klammer ist, desto höher es die Standardabweichung und desto weniger oder desto mehr sollte man diese Werte vielleicht mal hinterfragen, weil das eine sehr hohe Streuung darstellt und je höher die Streuung, desto wahrscheinlicher ist es, dass es, dass vielleicht das Ergebnis doch nicht ganz so ist, wie es jetzt da dargestellt oder in diesem Versuch gemessen wurde.

36:01 Deswegen sollte man sich halt vorhergut überlegen, wie man seine Studie oder sein Experiment designt. Und dafür gibt es noch verschiedene Möglichkeiten, verschiedene Techniken, wie man jetzt zum Beispiel gerade in der Psychologie sowas designen kann. Und das ist nämlich auch, was hoch und runter gefragt wird von unseren lieben Freunden im IMPP.

36:24 Und deswegen, jetzt in den letzten 10, 15 Minuten der Folge, geben wir nochmal die sechs verschiedenen Möglichkeiten durch, wie ihr denn so eure eure Studien so designen könnt.

36:36 Wir fangen doch mal direkt damit an, wenn man eigentlich kein Experiment durchführt, das gibt es nämlich auch und alles weitere Wittern sich auf Experimentier.

36:44 Das klingt nach medizinischer Doktorarbeit. Ich führe kein Experiment an.

36:47 Kein Experiment, ja. Es gibt aber auch viele Designs mit Experimenten und da geht es dann direkt weiter. Aber wenn man kein Experiment durchführen will, dann kann man auch sowas machen wie Umfragen oder eine Beobachtungsstudie. Da schaut man sich quasi nur bestehende Unterschiede oder Zusammenhänge an, aber man verändert nichts aktiv, kann deswegen aber auch schlechter kausale Schlüsse ziehen.

37:09 Dann kann man mal so ein bisschen weitergehen und sagt, man macht eine Feldstudie. Bei der Feldstudie geht man einfach raus in die Natur, ins wahre Leben sozusagen, raus aus dem Labor und untersucht in einer natürlichen Umgebung reale Verhaltensweisen oder Phänomene. Ja, beispielsweise, ich stelle mich in die Fußgängerzone und beobachte mal, wie die Leute so einkaufen und schaue mal, was sie so antreibt, das Kleid auszuwählen statt den Schuhen.

37:43 Das wäre eine spannende Studie. Als nächstes können wir uns anschauen, die Längsschnittstudie oder die Querschnittstudie. Wichtige Unterscheidung, bei der Querschnittstudie schauen wir uns quasi eine Stichprobe einmal an und können so quasi die Prävalenz von bestimmten Merkmalen oder Zuständen in der Population bestimmen.

38:03 Also eine Messung. Bei der Längsschnittstudie ist es genau andersrum. Da haben wir die gleichen Leute oder die gleichen Objekte, die wir aber mehrmals über die Zeit hinweg messen oder analysieren.

38:15 Bedeutet ja aber, dass es grundsätzlich jetzt nochmal so für die Nicht-Psychologen, dass Längs- und Querschnittstudien und Feldstudien nicht experimentelle Forschung sind.

38:25 Richtig? Ich würde sagen, Feldstudie kann ein Experiment sein, muss aber nicht ein Experiment sein. Das Beispiel, was Tim gegeben hat, quasi eine Beobachtungsstudie, wäre quasi nicht experimentell. Ich kann aber auch in ein Krankenhaus gehen und irgendwie 50% der Leute dann irgendeine Intervention geben und den anderen nicht.

38:47 Das würde trotzdem als Feldstudie.

38:49 Oder ich kann der Hälfte der Personen Werbung für Schuhe zeigen und der anderen Hälfte nicht. Genau, dass dann was passiert.

38:56 Ehrlich gesagt, Feldstudie, Längst- und Querschnittstudie kann experimentell sein, muss aber nicht. Okay, okay, alles klar.

39:03 Was aber auf jeden Fall nicht experimentell ist, ist die prospektive Kohortenstudie. Ja, also das ist auch eine Beobachtungsstudie, bei der eine Gruppe von Personen, also eine Kohorte, über einen bestimmten Zeitraum verfolgt wird, um dann beispielsweise die Entwicklung von Krankheiten oder andere Ergebnisse im Zusammenhang mit bestimmten Risikofaktoren zu untersuchen.

39:30 Heißt, ich nehme mir jetzt, gehe ich auf die internistische Intensivstation und suche mir zwei Gruppen, nämlich die eine, die sind Raucher und die anderen nicht. Und dann schaue ich einfach in zehn Monaten nochmal, wie es denen dann geht. Das wäre eine prospektive Kohortenstudie. Ja, noch.

39:51 Und ich hatte am Anfang so viele experimentelle Designs angeteasert, kam aber nichts, aber ich verspreche es, jetzt kommt wirklich ein experimentelles Design, nämlich die Interventionsstudien oder Evaluationsstudien, was eine Unterkategorie der Kohortenstudie ist. Das ist ein ganz klassisches Experiment, bei der eine Gruppe zum Beispiel eine ganz spezifische Intervention erhält, eine Behandlung oder ein Programm.

40:15 Und dann gibt es ein oder mehrere Kontrollgruppen, die diese Behandlung eben nicht erhalten. Und so kann man sich dann quasi anschauen, kausal in Anführungszeichen, ob eine Intervention etwas bewirkt hat oder nicht.

40:28 Das ist so der Goldstandard in der klinischen medizinischen Forschung eigentlich.

40:32 Und wird häufig dann RCT oder Randomized Control Trial genannt.

40:39 Genau, und ich würde sagen, einfache Variante sozusagen wäre die Fallkontrollstudie. Ich weiß gar nicht, bei der Fallkontrollstudie, es kann auch beides wieder sein, oder experimentell oder nicht experimentell. An sich ist es einfach nur, ich vergleiche halt Fälle mit Kontrollen. Und Fälle sind dann in der Regel Personen, die eine bestimmte Erkrankung oder einen bestimmten Risikofaktor vielleicht auch haben, ja.

41:08 Und die Kontrollen, die das nicht haben, quasi eher jemand aus der Normalbevölkerung sozusagen. Und dann kann ich versuchen, daraus nochmal mögliche Ursachen für Krankheiten oder so zu identifizieren. Ich könnte hier natürlich auch in einer Fallkontrollstudie zum Beispiel Leute nehmen, die eine bestimmte Intervention bekommen und andere, die sie nicht bekommen, oder?

41:34 Dann wäre es wieder experimentell.

41:36 Wäre Fallkontrollstudien tendenziell eher was Retrospektives? Häufig retrospektiv und vor allem wird es häufig eingesetzt, wenn quasi Krankheiten selten sind. Da können wir nicht auf einmal jetzt tausend Leute erheben oder so, sondern wenn es jetzt einen ganz speziellen Fall gibt, lohnt es sich häufig, sich dann auf eine oder mehrere Personen zu konzentrieren und die mit anderen Kontrollprobanden dann zu vergleichen.

42:01 So, das sind die sechs Arten, wie ihr eure Doktorarbeit planen könnt.

42:06 Also nochmal beste Variante, würde ich sagen, war jetzt die Interventionsstudie, richtig?

42:11 Richtig, weil das ist quasi die einzige Möglichkeit, wie wir kausale Schlüsse ziehen können. Die anderen sind wahrscheinlich genauso valide, aber damit können wir nicht so viel anstellen.

42:22 Und es geht auch noch viel schneller, einfach mal einmal in die Innenstadt zu laufen und die Leute zu fragen, als die über 20 Jahre zu beobachten.

42:29 So ist das. Jetzt hast du auch schon von Validität und so gesprochen. Ich glaube, das teasert schon.

42:35 Das teasert. Bevor wir den Teaser ausführen, noch einmal kurz, was wir heute alles gelernt haben. Wir haben gelernt, dass zum Messen von Konstrukten, die ich nicht einfach so irgendwo ablesen kann, muss ich mir überlegen, wie ich das Ganze hinbekomme und muss dabei die verschiedenen Variablen berücksichtigen.

42:57 Diese Variablen, die ich dann erhoben habe, kann ich auf verschiedene Skalenniveaus einordnen und mir muss von Anfang an klar sein, welches Skalenniveau überhaupt passt. Um dann später die Skalen zu analysieren, gibt es verschiedene Lagemaße, wie den Mittelwert oder den Medianwert, die dann aber zusätzlich mit der Streuung angegeben werden sollten, um einen besseren Überblick darüber zu bekommen, was denn die Ergebnisse eigentlich aussagen.

43:21 Um Ergebnisse überhaupt zu bekommen, muss ich verschiedene Studien designen und auch da gibt es sehr viele verschiedene Möglichkeiten, wobei die Interventions- oder Evaluationsstudie schon so ein bisschen das Beste ist, was man so machen kann. So, und wenn ihr jetzt Lust bekommen habt, noch etwas mehr über Forschungsmethodik und Statistik zu erlernen und Kais Stimme nochmal zu hören, dann bleibt dran.

43:45 In den nächsten Folgen geht es weiter mit dem Statistikblock. Und selbst wenn ihr es nicht habt, würde ich es euch empfehlen, weil es ist im Physikum wirklich extrem wichtig. Weil 60 Fragen von 320 ist schon eine Menge.

43:56 Und für Doktorarbeit und so auch wirklich nicht zu vernachlässigen. Und es ist auch ganz cool, wenn man doch mal irgendwie in ein Paper oder Review reinschauen muss. Wenn man dann auch mal nachprüfen kann, ob das überhaupt Sinn ergibt, was die Leute da gemacht haben.

44:12 Genau. Deswegen freut ihr euch auf Forschungsmethodik 2 mit Kai von Positiv korreliert. Bis zum nächsten Mal. Ciao, ciao. Und tschüss. Ciao. Gut, dass du gerade Peace gezeigt hast in Podcast Schlag.

44:45 Für die Inhalte in diesem Podcast übernehmen wir keine Gewäre. Der Podcast kann den Besuch von Vorlesungen nicht ersetzen. Wir empfehlen das Studium von einstiegiger Fachliteratur über den Inhalt des Podcasts hinaus.