Deutsches R-Forum

Hallo liebes Forum,

ich hoffe ich bin an dieser Stelle richtig

Eine Bekannte von mir schreibt derzeit ihre Masterarbeit (in Ergotherapie) und hat von Statistik wenig bis keine Ahnung. Leider sind auch ihre Professoren/ Professorinnen nicht wirklich eine große Hilfe. Aus Ehrgeiz und Neugierde bin daher ich an dieser Stelle eingesprungen.

Ich versuche im folgenden das Versuchsdesign zu schildern:
Die abhängige Variable ist das subjektive Schmerzempfinden. Die unabhängige Variable sind Kombinationen von Kraftrainings-Übungen. Es soll überprüft werden, ob eine bestimmte Kombination im Vergleich zu einer anderen zu einer verbesstern Schmerzreduktion beiträgt.

So weit so gut. Nun die Details:

Es gibt 2 Gruppen (mit jeweils n=10). Gruppe 1 (G1) erhält dabei einmal Treatment A und danach Treatment C. Gruppe 2 (G2) erhält einmal Treatment B und einmal Treatment C. Die beiden Gruppen unterscheiden sich daher lediglich anhand des ersten Treatments (A bzw. B).
Geprüft werden soll, ob es sig. Unterschiede zwischen den Treatment-Kombinationen gibt; genauer gesagt: hilft Treatmenat A+C besser bei der Schmerzlinderung als B+C.
In der Literatur hat sich gezeigt, dass Treatment C immer (!!) zu einer Verbesserung führt. Die Kombination B + C bringt hingegen keine sig. Verbesserung im Vergleich zu C mit sich. Jetzt soll herausgefunden werden, ob A + C schmerzlindernder wirkt als B + C.

Gemessen wird die abhängige Variable als Ordinalskala (Schmerz von 0-10), die dann als Intervallskala gehandhabt werden soll/ kann. Es gibt 3 Messzeitpunkte für beide Gruppen: T1 ist dabei der Ausgangswert, T2 ist der Wert nach dem ersten Treatment für jede Gruppe (also bei G1 nach A, bei G2 nach B) und T3 ist der Wert für jede Gruppe nach dem zweiten Treatment (C).

Zur Veranschaulichung hier eine Tabelle:

______T1__T2__T3
G1____/___A___C
G2____/___B___C

Leider können noch keine Aussagen über die Daten gemacht werden (Normalverteilung, ....), weil die Erhebung noch nicht begonnen hat, die Arbeit prinzipiell noch recht am Anfang steht.

Ich habe auch schon eine Vermutung, würde aber ganz gern, unvoreingenommen sozusagen, eure Meinung dazu hören. Welche Art von Hypothesentest würde sich hier am besten eignen?

Lg

Hallo data_sky,

Dir ist aber schon klar, dass dies ein R-Forum ist?
Bisher hast Du noch nicht darlegen können, was das alles mit R zu tun hat.

Gruß, Jörg

Lieber Jörg,

ja das ist mir klar. Ich habe trotzdem gehofft hier den ein oder anderen Denkanstoß aus der R-Community zu erhalten

Sollte dies nicht möglich sein, entschuldige ich mich für den Fehlpost und würd dich bitten das Thema zu schließen/ löschen.

Lg

Welche Art von Hypothesentest würde sich hier am besten eignen?

Ich würde ein linear Model nehmen.

In der Literatur hat sich gezeigt, dass Treatment C immer (!!) zu einer Verbesserung führt. Die Kombination B + C bringt hingegen keine sig. Verbesserung im Vergleich zu C mit sich. Jetzt soll herausgefunden werden, ob A + C schmerzlindernder wirkt als B + C.

Wieso die Literatur nicht direkt mit überprüfen und zwei weitere Gruppen mit reinnehmen?

Kontrolle, C, A+C, B+C

Aus C - Kontrolle bekommt man den C-Effekt
Aus C - C+A bzw. C - C+B bekommen man den zusätzlichen A bzw. zusätzlichen B effekt
Aus C+A - C+B bekommt man den Überschied zwischen den beiden Zusätzlichen Effekten.

Aber ja, hat nichts mit R zu tun...

data_sky hat geschrieben: Mo Sep 23, 2019 3:08 pmhilft Treatmenat A+C besser bei der Schmerzlinderung als B+C.

Das ist bei mittleren und großen Stichproben mit einem t-Test und bei kleinen Stichproben mit einem Rangsummentest zu beantworten. Die "Hilfe" ist die Differenz der Schmerzwerte von T1 und T3 und diese Differenzen muss man zwischen G1 und G2 vergleichen, ob eine von beiden größere Differenzen aufweist.

Irgendwo zwischen 20 und 30 Probanden spielen die Normalverteilungsannahmen etc. bei t-Test keine Rolle mehr und dann ist das ein t-Test. Und ein t-Test steht nicht im Widerspruch zu EDis Vorschlag, bei einem linearen Modell zu bleiben. Bei kleinen Stichproben, wie sie bei Bachelor-Arbeiten vorkommen können, entbindet einen die Anwendung von nichtparametrischen Test wie dem Wilcoxon-Rangsummentest von der Notwendigkeit solcher Argumentation.

Natürlich sollte man auch die Differenzen zwischen T1 und T2 in der Arbeit untersuchen, aber das scheint nicht die Hauptfragestellung zu sein.

Beim t-Test wird sich dann die Frage stellen, ob man einen Test für gleiche Varianzen oder einen für ungleiche Varianzen wählt und obwohl beides mit SPSS und beides mit R geht, legen einem beide Softwaresysteme unterschiedliches nahe. Die Frage nach der zu verwendenden Software drängt sich damit dann doch wieder auf.

LG,
Bernhard

Und ein t-Test steht nicht im Widerspruch zu EDis Vorschlag, bei einem linearen Modell zu bleiben.

Im Gegenteil, es ist das gleiche
https://lindeloev.github.io/tests-as-linear/

Ich bin ja generell nicht so der Freund von Rangstatistiken... Aber auch da sollte man die Annahmen prüfen!
https://einglasrotwein.github.io/wilcoxon_wars.html

Hallo Edi,

der letzte Link braucht eine Zusammenfassung. In Beispiel 1 erkennt man bei n=10 sehr schön, dass der Rangsummentest seltener falsch positiv wird als der t-test, wenn auch nur geringfügig.
Welche Voraussetzungen sollte man tatsächlich prüfen?

LG,
Bernhard

Welche Voraussetzungen sollte man tatsächlich prüfen?

Ähnliche Verteilungen (=Form, Standardabweichung) zwischen den Gruppen.
Sonst greift Wilcoxon auch andere Unterschiede in den Verteilungen auf... (siehe Beispiel 4 5, 6, 7).

Spät aber doch: vielen Dank für euren Input!

Schlußendlich werden jetzt, wenn möglich, die t-Tests durchgeführt

lg