Welchen Statistik_Test bei niedriger Fallzahl?

[Pinsel]

Hallöle,

danke wieder für Eure Infos! Ich denke, ich werde mir mal so ein Buch kaufen.
Kennt jemand p value, was kann ich damit anfangen?
VG,

Pinsel

[AGH]

Liebe/r Pinsel!

Auch ich empfehle Dir, Dir die Statistikgrundbegriffe (p value gehört dazu) anzueignen und dann erst mit der Diss anzufangen! Ich glaube, es gibt speziell für Mediziner ein gutes Statistikbuch - ich werde mal schauen, ob ich es irgendwo finde, dann poste ich es natürlich! Ich bin mir sicher, dass Du auch hier Hilfe findest, aber im Moment sind Deine Fragen sicherlich sehr gut in den Grundbüchern beantwortet!

[Vielleicht hilft ein Vergleich um etwas klarer zu machen, wie Deine derzeitigen Fragen einzuordnen sind, und das ist in KEINER Weise böse gemeint!: Es ist ein bißchen so, wie wenn ich als Nicht-Medizinerin in einem Medizinerforum sage, dass ich eine Operation durchführen soll, an einem Mann. Und meine Frage wäre dann: was soll ich operieren. Für eine gute Antwort fehlt da noch Information! Die Gegenfrage der Mediziner wird dann sein, was der Mann denn hat. Das hast Du eh schon zum Teil beschrieben (wir wissen jetzt (aufs Beispiel übertragen), dass der Mann 30 Jahre alt ist. Und wir wissen, dass er einen Unfall hatte. Und wir wissen, dass es ein Röntgenbild gibt.) Die Frage nach p value ist jetzt ungefähr so wie meine (theoretische) Frage (im Beispiel), ob die KollegInnen wissen, was ein CT ist. Naja, das ist jetzt vielleicht übertrieben. Sagen wir, es ist vielleicht so wie die Frage, ob jemand weiß, was ein Spannungspneumothorax ist oder so. -> Ich bin mir sicher, dass ich in einem Forum, das so extrem nett ist wie dieses hier, auch durch Fragenstellen sehr sehr weit komme, bei meiner "Operation". Ein Anatomie-(oder Chirurgie oder so)Buch wird mir aber nicht erspart bleiben...]

Liebe Grüße!
AGH

[Pinsel]

Ups, das war deutlich, hast Dir wirklich sehr, sehr, sehr viel Mühe gegeben, mir zu erklären, dass ich noch keine Ahnung habe. Ich glaube, um mir p value zu erklären, hättest Du erstens weniger Zeit und zweitens weniger Mühe gebraucht, als um diesen langen Text zu verfassen!
Nichts desto trotz, auch Dir vielen Dank für Deine Nachricht.

Gruß,

Pinsel

[Pinsel]

Hallo AGH,

würde mich aber auch über Deinen Buchtipp freuen.

Gruß,

Pinsel

[AGH]

Lieber Pinsel!

Es war auch wirklich nicht böse gemeint oder so! (Ich glaube aber, das hast Du eh nicht so verstanden - zum Glück)
Ich sehe morgen zwei Freunde von mir, die als Mediziner wissenschaftlich arbeiten und werde sie nach dem Buch fragen. Sobald ich die Info habe (ich hoffe, sie wissen noch, mit welchem Buch sie sich eingearbeitet haben), kommt sie natürlich

Zum Thema p value:
[Ich hole ein bißchen aus, eine Definition des p-Werts kommt dann noch.]
Stell Dir vor, Du hast eine Münze. Und Du möchtest wissen, ob sie fair ist, also ob es wirklich nur auf den Zufall ankommt, ob Kopf oder Zahl kommt. Du möchtest wissen, ob sie eh nicht gezinkt ist. Dazu machst Du einen Versuch: Du wirfst sie einmal. Es kommt Kopf. Es ist gut möglich, dass das reiner Zufall ist; es kann aber auch sein, dass die Münze schon gezinkt ist, das kannst Du nur jetzt noch nicht sagen. Deswegen wirfst Du sie ein zweites Mal. Es kommt wieder Kopf. Hm, das fällt Dir zwar auf, aber es ist immer noch gut möglich, dass das rein zufällig ist, dass wieder Kopf gekommen ist. Du wirfst sie ein drittes Mal. Wieder Kopf. Jetzt wirst Du langsam ein bißchen stutzig. Du wirfst sie noch öfters, sagen wir insgesamt 10 Mal, immer kommt Kopf. Das kommt Dir komisch vor. Du berechnest daher die Wahrscheinlichkeit (dazu gibt es spezielle Formeln, die interessieren uns aber jetzt nicht), dass bei einer fairen Münze genau die Daten kommen, die Du gesehen hast, nämlich Kopf-Kopf-Kopf-Kopf-Kopf-Kopf-Kopf-Kopf-Kopf-Kopf (wäre die Münze fair, hätten wir 5 Mal Kopf und 5 Mal Zahl erwartet). Da kommt dann irgend ein Wert für diese Wahrscheinlichkeit heraus. Ist der Wert klein, dann ist es eher unwahrscheinlich, dass die Münze fair ist. Ist der Wert groß, ist es eher wahrscheinlich, dass die Münze fair ist (und Deine Daten wirklich nur zufällig so sind, wie sie sind).
Ich habe den Münzwurf als Beispiel gewählt, weil das recht einleuchtend ist, denke ich. Es gibt aber auch jede Menge andere Situationen, bei denen andere Verfahren (als die Formeln vom Münzwurf) angewandt werden (ich glaube, dazu hast Du schon einen Link geschickt bekommen?). Dein Statistikprogramm wird da aber auch (fast) immer (je nach Verfahren) einen Wert mitberechnen, der Dir Auskunft darüber gibt, wie wahrscheinlich Deine Beobachtung der Daten (oder eine extremere Beobachtung) unter Annahme der Nullhypothese ist. Und dieser Wert ist der p-Wert (falls Du wo nachlesen möchtest, schau mal unter Signifikanztest).
Du musst vor Deinen Berechnungen noch festlegen, welcher Wert noch "akzeptabel" ist, um von "vielleicht ist mein Ergebnis nur zufällig entstanden" sprechen zu können. Da ist das Stichwort "Alpha". Du legst vorher eine Grenze fest (meist 1% oder 5%) und schaust, ob Dein p-Wert über oder unter dieser Grenze liegt. p<Alpha bedeutet sinngemäß, es ist so unwahrscheinlich, dass die Daten von Dir zufällig sind, dass Du die Nullhypothese verwirfst. p>Alpha bedeutet, Du bleibst aufgrund Deiner Daten bei der Nullhypothese. (Bei der Interpretation musst Du sprachlich durchaus genauer sein, als ich es jetzt von der Formulierung her bin! Aber das ist ein anderes Kapitel, zu einem späteren Zeitpunkt )

Puh, das zum Thema schnell mal kurz erklären

Liebe Grüße!
AGH

[jake2042]

Hallo Mathilda,

das ist schön erklärt, praktisch nach Lehrbuch. Dennoch hätte ich eine Anmerkung zu machen. Du schreibst:

Mal ein Beispiel: Stell Dir vor, Du hast nominal skalierte Daten (männlich/weiblich). Die hast Du codiert in Deinem Statistik-Programm mit männlich=1 und weiblich=2. Du KÖNNTEST jetzt natürlich irgendwelche Mittelwerte daraus bilden, denn Du hast ja Zahlen - macht aber genau Null Sinn, weil die Zahlen nichts aussagen. Du hättest genauso gut männlich mit der 12.394 und weiblich mit der 354.494 belegen können oder mit x und y oder was Dir sonst Lustiges einfällt.

Das ist im Pronzip richtig. Variablen mit nur zwei Ausprägungen (männlich/weiblich, Ja/Nein, trifft zu/trifft nicht zu usw.) können allerdings wie mindestens intervallskalierte ("metrische") Variablen behandelt werden, wenn die beiden Ausprägungen mit 0 und 1 kodiert werden. Als Beispiel kann wieder das Geschlecht dienen. Es ist, wie Du richtig schreibst, nominal skaliert. Wenn Du aber männlich mit 0 und weiblich mit 1 kodierst und dann das arithmetische Mittel (den "Durchschnitt") berechnest, dann gibt der errechnete Wert die relative Häufigkeit der mit 1 kodierten Ausprägung an. Wenn Du also einen Mittelwert von 0,52 errechnest, dann heißt das, dass Du in etwa 52 Prozent Frauen in Deiner Stichprobe hast (da "weiblich" mit 1 kodiert ist). Du hast also eine interpretierbare Aussage. Das bedeutet: auf dichotome ("zweiwertige") Variablen kannst Du das ganze metrische Analyseinstrumentarium (Berechnung von Mittelwerten und Standardabweichungen, T-Tests, Varianz- und Regressionsanalysen) loslassen, wenn die beiden Ausprägungen mit 0 und 1 kodiert werden. Bei nominal skalierten dichotomen Variablen (wie Geschlecht) erfolgt die Interpretation der Ergebnisse immer unter Rückgriff auf die Kodierung. Bei ordinal skalierten dichotomen Variablen (mit Ausprägungen wie Ja/Nein, trifft zu/trifft nicht zu, angegeben/nicht angegeben, eher positiv/eher negativ, mittleres und hohes Einkommen/geringes Einkommen usw.) sollte die positive Ausprägung (Ja, trifft zu, eher positiv usw.) mit 1 und die negative mit 0 kodiert werden.

Viele Grüße
Marcus