STATISTIK-FORUM.de

[Franzi_19]

Liebe Community,

ich habe zwei kurze Fragen und wäre für jeden Rat extrem dankbar:

1. Kann man erwartete Häufigkeiten, wie sie bspw. für den Chi-Quadrat-Test berechnet werden, auch sinnvoll für andere Tabellen berechnen? Ich denke da an eine Tabelle mit einer nominalen und einer metrischen Variable, um leichte Tendenzen eines Zusammenhangs deskriptiv sichtbar zu machen. Grund: Der Korrelationskoeffizient zeigt einen schwachen Zusammenhang auf und weil dieser auf einer sehr kleinen Stichprobe beruht, wollte ich die geringe Bedeutsamkeit damit zum Ausdruck bringen.

2. Ich nutze eine validierte Skala zur Erfassung einer Variable. Diese sieht es vor, Personen anhand des Skalenwertes (Summe über alle Items) mithilfe eines Cut-Off-Wertes in die Gruppen geringe und hohe Ausprägung einzuteilen. Kann ich auf diese Dichotomisierung auch verzichten und mit den Skalenwerten als metrische Daten weiterarbeiten? Grundsätzlich steht ein höherer Wert ja für eine höhere Ausprägung. Oder ist das nicht erlaubt/gerne gesehen, weil die Skala darauf nicht validiert wurde?

Ich freue mich wirklich über jede Hilfe und wünsche allen ein schönes Wochenende.

Herzlichen Dank und liebe Grüße
Franzi

[bele]

Hallo Franzi,

zu Problem eins würde ich eher an eine Grafik denken als eine Tabelle. Kontiniuierlich verteilte Variablen lassen sich da am besten darstellen.

Zu 2: Nutze die Skalenwerte! Die Chance, dass die Skala tatsächlich damit validiert und später erst dichotomisiert wurde ist gar nicht schlecht.

LG, Bernhard

[PonderStibbons]

2. Ich nutze eine validierte Skala zur Erfassung einer Variable. Diese sieht es vor, Personen anhand des Skalenwertes (Summe über alle Items) mithilfe eines Cut-Off-Wertes in die Gruppen geringe und hohe Ausprägung einzuteilen.

Das klingt so absurd (wieso ist z.B. jemand auf dem Cutoff so ganz anders als sein direkter Nachbar einen Punkt niedriger,
aber dafür gleich einem, der den Maximalwert hat?), das vielleicht noch mehr dahinter steckt. Was für eine Skala ist
das, was wird damit gemessen?

Kann ich auf diese Dichotomisierung auch verzichten und mit den Skalenwerten als metrische Daten weiterarbeiten?

Auf Dichotomisierung sollte man im Regelfalle verzichten. Sie vernichtet statistische Informationen und kann zu
widersinnigen (s.o.) Ergebnissen führen. Aber es hängt vom konkreten Thema, Ziel und Zweck ab, das ist uns
alles nicht bekannt.

Mit freundlichen Grüßen

PonderStibbons

[Franzi_19]

Hallo Bernhard, Hallo PonderStibbons,

lieben Dank erstmal für Eure Antworten!

Als kurze Hintergrundinformationen: In der Untersuchung geht es darum, Zusammenhänge (Korrelationen) zwischen 10 Variablen und einer Krankheit (dichotom: Ja/Nein) zu untersuchen. Die Stichprobengröße und insbesondere die Zahl derer, bei denen die Krankheit vorliegt, ist nur sehr gering. Daher kann bspw. keine logistische Regression durchgeführt werden, um Kausalität zu untersuchen.

Zu 1.: Den Vorschlag mit der Grafik finde ich grundsätzlich gut! Ich hatte nur an eine Tabelle gedacht, um die Ergebnisse der 10 Variablen einheitlich zu präsentieren. Unter den Variablen sind nämlich auch dichotome (z. B. Geschlecht) und ordinalskalierte. Bei den dichotom erhobenen Variablen hatte ich an die Darstellung einer Kreuztabelle gedacht, mit beobachteten und erwarteten Häufigkeiten. Ich dachte es wäre vielleicht am besten dies auch bei den anderen Variablen so darzustellen? Was meint ihr?

Zu 2.: Eine Skala die ich verwende, ist z. B. der AUDIT-C. Dieser erfasst "riskanten Alkoholkonsum" durch 3 Items zu Menge und Häufigkeit von Alkoholkonsum. Normal werden die Personen dann entsprechend eines Cut-Off-Wertes von >= 4 in nicht-riskanten und riskanten Alkoholkonsum aufgeteilt. Für meine Untersuchung könnten aber ja auch die Abstufungen dazwischen interessant sein, quasi als geringerer und höherer Alkoholkonsum interpretiert. Mir ist nur nicht klar, ob es "erlaubt" ist, die Skalenwerte in dieser Weise (und ohne Dichotomisierung) zu interpretieren. Aber wenn ich das -auch aufgrund Eurer Antworten- richtig einordne, kann man schon davon ausgehen, dass die Skalenwerte eine entsprechende Aussagekraft besitzen, oder?

Herzlichen Dank noch einmal für Eure Unterstützung!
Liebe Grüße
Franzi

[PonderStibbons]

Zu 2.: Eine Skala die ich verwende, ist z. B. der AUDIT-C. Dieser erfasst mit 3 Items einen "riskanten Alkoholkonsum". Normal werden die Personen dann entsprechend eines Cut-Off-Wertes von >= 4 in nicht-riskanten und riskanten Alkoholkonsum aufgeteilt.

Ok, das auch in Deiner Studie so zu machen, kann vor dem Hintergrund der gepflegten klinischen Praxis Sinn ergeben.
Bei einem Screening--Verfahren wie dem AUDIT braucht man tatsächlich mindestens einen Cutoff.

Für meine Untersuchung könnten aber ja auch die Abstufungen dazwischen interessant sein, quasi als geringerer und höherer Alkoholkonsum interpretiert.

Der AUDIT misst ja nicht Alkoholkonsum per se, sondern screent auf alkoholbezogene Störung. Aber davon ab:
wenn im Kontext Deiner Studie ein Ergebnis des Typs "die AUDIT-Scores sind bei den kranken statistisch signifikant
höher als bei den nicht erkrankten Probanden" zweckmäßig ist, dann wäre das der U-Test. Wenn Du etwas brauchst
wie "die Rate derjenigen mit einer mutmaßlichen alkoholbezogenen Störung ist bei den Kranken [nicht] statistisch
signifikant höher als bei den nicht Erkrankten" dann eben Dichotomisierung & Chi². Das kannst Du m.E. tatsächlich
selbst entscheiden. Alternativ die 4 Risikogruppen (als Ordinalskala oder als Kategorien) statt dem Score.

Mit freundlichen Grüßen

Ponderstibbons