KliPPs-Legacy

Dieser Beitrag stellt eine Einführung in R dar. Neben grundlegenden Funktionen werden das Einlesen und die Verarbeitung von Daten behandelt, außerdem werden einfache Datenanalysen durchgeführt. Besonderes Augenmerk liegt dabei auf den Grundlagen zur linearen Regression, die als Vorbereitung für die Regressionssitzung dienen. Zudem gibt es eine kleine Wiederholung einiger wichtiger inferenzstatistischer Begriffe.

In diesem Beitrag wird eine multiple Regression in R exemplarisch durchgeführt. Dabei wird erläutert, wie ein Regressionsmodell in R erstellt und der entsprechende R-Output interpretiert werden kann. Außerdem werden die Voraussetzungen für die multiple Regression behandelt. Der Fokus liegt dabei auf der Prüfung der Multikollinearität sowie der Identifikation möglicher Ausreißern und einflussreicher Datenpunkte.

In diesem Beitrag geht es um den Zusammenhang von ANOVA und Regression. Zunächst wird gezeigt, wie man Regressionsmodelle miteinander vergleicht. Dann betrachten wir die einfaktorielle und die zweifaktorielle ANOVA genauer an. Dabei gehen wir auf die verschiedenen Typen von Quadratsummen ein, die bei der zweifaktoriellen ANOVA zur Überprüfung unterschiedlicher Hypothesen verwendet werden. Der Beitrag verdeutlicht, dass Regression und ANOVA zu denselben Ergebnis kommen, wenn dieselben Hypothesen geprüft werden.

In diesem Beitrag werden die Kovarianzanalayse (ANCOVA) und die moderierte Regressionsanalyse behandelt. Zuerst wird die ANCOVA vorgeführt, bei der eine nominalskalierte Gruppierungsvariable in ein einfaches Regressionsmodell einbezogen wird, um Gruppenunterschiede zu berücksichtigen. Dann wird die moderierte Regression erläutert, bei der ein zusätzlicher kontinuierlicher Prädiktor, der Moderator genannt wird, in ein Regressionsmodell aufgenommen wird, um zu untersuchen, ob er die Beziehung zwischen Prädiktor und Kriterium beeinflusst. Zuletzt wird gezeigt, wie man sich gegen quadratische Effekte und Multikollinearität absichert.

In diesem Beitrag wird die logistische Regression behandelt, die sich im Falle einer dichotomen abhängigen Variable eignet. Dabei werden der Logit (die Linkfunktion), die Erfolgswahrscheinlichkeit und die Odds erläutert. Es erfolgt ein Vergleich zwischen logistischer Regression und normaler Regressionsanalyse sowie eine Demonstration der logistischen Regressionsanalyse, bei der die Beiträge einzelner Prädiktoren zur Vorhersage untersucht werden.

Dieser Beitrag behandelt die hierarchische Regression als Verfahren für hierarchischen Strukturen. Zunächst wird die sogenannte Intraklassenkorrelation erläutert. Weiterhin wird die Einbindung von festen Effekten und Zufallseffekten in ein Regressionsmodell vorgeführt. Schließlich wird demonstriert, wie Ebene-1 und Ebene-2 Prädiktoren sowie deren Interaktion in ein Modell integriert werden können.

In diesem Beitrag geht es um die Durchführung einer Metaanalyse im Kontext von Mittelwertsunterschieden. Zunächst wird das Fixed-Effects-Modell erläutert, das besagt, dass Effektstärken zufällig um einen wahren Wert streuen. Anschließend wird das Random-Effects-Modell eingeführt, dass zusätzlich eine Variable einschließt, die die Heterogenität zwischen den Studien beschreibt. Darüber hinaus wird das Moderatormodell präsentiert, dass zur Anwendung kommt, wenn erhebliche Heterogenität in den Daten vorliegt. Zusätzlich werden einige Anaylse-Plots zur grafischen Veranschaulichung der Streuung der Effektstärken vorgestellt.

In diesem Beitrag wird untersucht, wie Korrelationen metaanalytisch zusammengefasst werden können. Beispielhaft wird vorgeführt, wie untersucht werden kann, ob ein Zusammenhang zwischen zwei Variablen besteht. Zur Veranschaulichung der Unterschiedlichkeit der Korrelationskoeffizienten aus den verschiedenen Studien werden Regressionen betrachet. Um eine durchschnittliche Regressionsgerade zu bestimmen, werden alle Korrelationskoeffizienten in z-Werte transfomiert und unterschiedlich stark gewichtet. Dann wird das Random Effects Modell genauer betrachtet und darauf hingewiesen, dass der hier vorhergesagte z-Wert erst wieder in eine Korrelation retransformiert werden muss. Zuletzt wird gezeigt, wie Korrelationen mittels der Minderungskorrektur um deren Reliabilität korrigiert werden.

Dieser Beitrag behandelt die Bestimmung kausaler Effekte insbesondere in der klinisch-psychologischen Forschung. Ein Beispiel wird vorgestellt, bei dem ein Treatment nicht randomisiert zugeordnet werden konnte, weshalb es vorab bestehende Gruppenunterschiede gibt. Zunächst wird darauf hingedeutet, dass aus diesem Grund augenscheinliche Effekte des Treatments konfundiert sein können. Dann wird der Effekt des Treatments mit einer klassischen ANOVA unter Einbezug von Kovariaten geschätzt, die mutmaßlich die Selektion ins Treatment erklären. Daraufhin wird eine generalisierte ANCOVA durchgeführt, bei der zusätzlich die Wechselwirkungen zwischen den Kovariaten und dem Treatment hinzugenommen werden. Zuletzt wird der adjustierte Effekt mittels EffectLiteR geschätzt.

Dieser Beitrag behandelt erneut die Abschätzung von Kauseffekten anhand eines Datensatzes mit Patient:innen, die entweder sofort ein Treatment erhielten oder in der Wartekontrollgruppe verblieben. Zuerst wird ein sogenannter Propensity Score für beide Gruppen geschätzt, der die Treatment-Wahrscheinlichkeit vorhersagt. Fälle, die außerhalb des Überlappungsbereichs beider Gruppen (common support region) liegen, werden ausgeschlossen. Anschließend kann der Propensity Score als Kontrollvariable verwendet werden, um eine Schätzung des Treatmenteffekts vorzunehmen. Im Weiteren werden das Optimal Pair Matching, das Full Optimal Matching sowie die Stratifizierung gezeigt. Es erfolgt erneut eine Effektschätzung unter Verwendung der entsprechenden Datensätze.