Analyse von Beobachtungsstudien

Matthias Gondan, Psychologie, Universität Innsbruck

Teil 1: Korrelation und Regression

Aufgabe 1
Dalmaijer et al. (2015) untersuchten den Einfluss des Set-ready-Intervals auf die Laufzeit
beim Sprint. Schauen Sie sich nur die Frauen an.
a) Rechnen Sie eine lineare Regression, in der Sie die Laufzeit durch das Set-Ready-
Intervall vorhersagen. Schreiben Sie die Regressionsgleichung hin:

Laufzeit = 36.2 + 0.672 * Set-Ready-Intervall

b) Wie viel Zeit laufen die Athletinnen im Mittel langsamer, wenn das Set-Ready-
Intervall um 100 ms länger wird?

Set-Ready-Intervall‘ = Set-Ready-Intervall + 100 ms

→ Laufzeit‘ = Laufzeit = 36.2 + 0.672 * Set-Ready-Intervall‘ = Laufzeit = 36.2 + 0.672
* (Set-Ready-Intervall + 100 ms)
Laufzeit – Laufzeit‘ = 36.2 + 0.672 * Set-Ready-Intervall – (36.2 + 0.672 * (Set-Ready-
Intervall + 100 ms)) = - (0.672 * 100 ms) = - 0.672 * 0.1 s = -0.0672 s

Dementsprechend werden die Athletinnen 0.0672 s langsamer.

Aufgabe 2
Rechnen Sie Aufgabe 1 noch einmal für die Männer.
a) Regressionsgleichung: Laufzeit = 34.4 + 0.299 * Set-Ready-Intervall
b) Effekt des Set-Ready-Intervalls:
Kleiner als bei den Frauen. (Steigung ist geringer)

Bevor Sie weitermachen, überlegen Sie, was Sie erwarten, wenn Sie die Analyse nun für die
Gesamtgruppe wiederholen, also Männer und Frauen in einen Topf.
c) Antwort: Der Koeffizient des Set-Ready-Intervalls liegt zwischen dem von Frauen
und dem von Männern.
Was kommt in dieser Analyse tatsächlich raus?
d) Regressionsgleichung: Laufzeit = 34.3 + 0.711 * Set-Ready-Intervall
 e) Effekt des Set-Ready-Intervalls: stärker als erwartet (sogar stärker als nur bei
Frauen, obwohl der Effekt in der Regression nur von Männern deutlich geringer
war)
Bevor Sie weitermachen, überlegen Sie, was Sie erwarten, wenn Sie nun eine multiple
Regression, mit Geschlecht und Set-Ready-Intervall als Prädiktoren. In SPSS müssen Sie die
Variable gender möglicherweise in eine 0/1-Variable umcodieren.
f) Antwort: Wahrscheinlich jetzt das erwartete Ergebnis von oben. Erklärungsversuch:
Regression mit mehr Variablen ist detaillierter (wie Polynome höherer Ordnung
manche Verteilungen besser beschreiben können. Aber klar, lineare Regression
heißt immer noch 1ste Ordung).

Was kommt in dieser Analyse tatsächlich raus?

g) Regressionsgleichung: Laufzeit = 37.1 + 0.467 * Set-Ready-Intervall – 3.39 * gender

gender: 0= female; 1 = male
h) Effekt des Set-Ready-Intervalls: Okay, jetzt so wie erwartet. Koeffizient liegt
zwischen dem von nur Männern und nur Frauen
Wichtig: Sinn solcher Aufgaben ist nicht das Training von Mausbewegungen in der SPSS-
Umgebung. Denken Sie über die Ergebnisse nach, machen Sie sich darauf gefasst, dass in
der Klausur auch Verständnisfragen gestellt werden.

Aufgabe 3
Bestimmen Sie nun die Korrelation von Set-Ready-Intervall und Laufzeit, wieder separat für
die Frauen und die Männer.
a) Korrelation Intervall mit Zeit bei den Frauen: 0.5225
b) Korrelation Intervall mit Zeit bei den Männern: 0.2309

Aufgabe 4
Erstellen Sie eine schöne Abbildung, aus der der Zusammenhang zwischen Set-Ready-
Intervall und Laufzeit ersichtlich wird. Entweder separat für die Männer und die Frauen
oder alles in eine Abbildung, mit unterschiedlichen Farben für Männer und Frauen. Da
müssen Sie selbst ein wenig recherchieren und herausfinden, wie es funktioniert.
Aufgabe 5 (Lidcombe-Studie per Regression auswerten)
Die Prädiktoren einer linearen Regression können auch dazu verwendet werden, zwei
randomisierte Gruppen zu vergleichen. Werten Sie den Datensatz der Lidcombe-Studie
zweimal aus, einmal mit einem 𝑡-Test für unabhängige Stichproben und einmal mit einer
linearen Regression. Für die lineare Regression codieren Sie die Therapiegruppen wie
zuvor mit 0 für die Kontrollgruppe und 1 für die Lidcombe-Gruppe. Vergleichen Sie das
Ergebnis des 𝑡-Tests (homogene Varianz) mit der Regression.
Beachten Sie wieder, dass der SPSS-Datensatz 01-lidcombe.xlsx neu generiert wurde, es
stimmen also weder Gruppengröße noch Ergebnisse mehr mit dem Artikel von Jones et al.
(2005) überein.
a) Output des 𝑡-Tests: p< 0.001
 b) Output der linearen Regression: p < 0.001

c) Was entspricht wem?

T-Test sagt nur: Es gibt signifikante Gruppenunterschiede.
Lin. Regr. sagt: Unterschied von Lidcombe ist so und so hoch.

Aufgabe 6 (Lidcombe-Studie per Korrelation auswerten)

Werten Sie den Datensatz der Lidcombe-Studie nun per Korrelation aus, korrelieren Sie
also die 0/1-Therapiegruppe mit der Anzahl der gestotterten Silben. Anmerkung: Das
würde niemand so machen, aber Sie sollen die Zusammenhänge zwischen den Verfahren
erkennen.
a) Output des 𝑡-Tests (hatten wir schon in Aufgabe 5): p < .001

b) Output der Korrelation: R= .436 ; p < .001

c) Was entspricht wem? Sowohl Korrel als auch Regress haben die gleichen
Koeffizienten..

Literatur
Dalmaijer, E. S., Nijenhuis, B. G., & Stigchel, S. Van der. (2015). Life is unfair, and so are
racing sports: Some athletes can randomly benefit from alerting effects due to inconsistent
starting procedures. Frontiers in Psychology, 6, 1618.
http://doi.org/10.3389/fpsyg.2015.01618

Jones, M., Onslow, M., Packman, A., Williams, S., Ormond, T., Schwarz, I., & Gebski, V. (2005).
Randomised controlled trial of the Lidcombe programme of early stuttering intervention.
BMJ.