Angenommen, ich möchte auswerten, wie effektiv zwei Lehrerinnen und Lehrer deutschen Kindern Englisch beibringen. Beide Lehrer unterrichten seit zwanzig Jahren an derselben High School und beide verwenden eine deutlich unterschiedliche pädagogische Methodik. Tatsächlich ist zwischen ihnen ein kleiner Wettbewerb entstanden: Sie haben ihre Ideen und ihre Praxis in für ihren Beruf relevanten Zeitschriften veröffentlicht und diskutiert, und sie haben jetzt einen Datenanalysten (Sie) hinzugezogen, um diese Bewertung durchzuführen, die, so hoffen sie, entscheiden wird ihren Wettbewerb und versöhnen die ehemaligen Freunde.
Die Schule, an der sie beide arbeiten, ist die einzige Schule für ihre kleine Stadt. Beim Eintritt in diese Schule werden die Schüler nach dem Zufallsprinzip in Klassen eingeteilt: Die eine Hälfte der Kinder wird einer Klasse (und einem Mathematiklehrer) zugeteilt, die andere Hälfte der anderen Klasse (und dem anderen Mathematiklehrer).
Die beiden Lehrer sind es leid, nicht zu wissen, welche Methode die beste ist. Im Interesse ihrer Schüler wollen sie sich endlich für das Bessere entscheiden und beide nutzen das fortan. Sie hoffen, dass man nicht eine Kohorte von Kindern testen muss, wenn sie die Grundschule beendet haben, sie die 8 Jahre von der 5. Klasse bis zum Abitur unterrichten lassen und dann ihre mathematischen Fähigkeiten erneut messen müssen, um zu einem zu kommen Fazit. Deshalb fragen sie dich:
Reicht es aus, die Niveaus der abhängigen Variablen nach der Intervention zu vergleichen? Oder müssen Sie es auch vor dem Eingriff messen? Wieso den?
Beachten Sie, dass diese Antwort ursprünglich auf der Grundlage Ihres ersten Beispiels geschrieben wurde, in dem Sie gefragt haben:
Angenommen, ich habe eine neue Intervention für Menschen mit leichten Depressionen entwickelt. Ich möchte die Wirksamkeit dieser Intervention (E) mit einer bestehenden Intervention (C) vergleichen. Dazu rekrutiere ich Probanden aus der örtlichen psychotherapeutischen Ambulanz und teile sie nach dem Zufallsprinzip entweder der Experimental- (E) oder der Kontrollgruppe (C) zu. Die interessante abhängige Variable ist natürlich die Depressivität.
Im Allgemeinen müssen Sie die Vorbehandlung für die abhängige Variable nicht messen . Bei der Grenzzufallszuordnung wird dafür gesorgt, dass die Gruppen gleich sind. Oder anders ausgedrückt: Die zufällige Zuweisung stellt sicher, dass die Gruppen nicht voreingenommen sind, bei der abhängigen Variablen zu Studienbeginn höher oder niedriger zu sein. Ein typischer t-Test zwischen Subjekten, der die Ergebnisse nach der Behandlung vergleicht, würde typischerweise einen unvoreingenommenen Test liefern, ob die Intervention eine Wirkung auf die abhängige Variable (dh Depression) im Vergleich zur Kontrollintervention hatte.
Allerdings bietet die Einbeziehung einer Basismessung viele Vorteile :
Beachten Sie, dass es mehrere Optionen für die Analyse von Kontrolldesigns vor und nach der Behandlung gibt, darunter ANCOVA, Differenzwerte und Interaktionseffekte. Siehe diese Diskussion für weitere Ideen .
Beachten Sie auch, dass es gute Gründe gibt, eine Intervention durch Messung von mehr als zwei Zeitpunkten zu bewerten . Beispielsweise könnten Sie (a) mehrere Basismessungen erhalten, um ein Gefühl für die Stabilität vor der Intervention zu bekommen, (b) mehrere Messungen während der Intervention, um die Depression während der Intervention zu beurteilen, und (c) insbesondere mehrere Folgemessungen sehen Sie sowohl die unmittelbaren als auch die längerfristigen Auswirkungen der Intervention.
Anna
Benutzer3116
Gala
Benutzer3116
Gala
Nik Stauner