58

Forschungsmethoden (Fach) / Evaluationsforschung (Lektion)

Diese Lektion wurde von Josi91 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 2 / 2

• Was sind wichtige Anwendungshinweise zur Kovariatenselektion aus der Methodenforschung? in WSC-Design schauen, ob mit allen Kovariaten ATE aus dem Experiment repliziert werden kann  schauen ob es systematisch überlegene Analysemethode (ANCOVA & PS) gibt am wichtigsten ist Auswahl der Kovariaten (hier: Vortests & Präferenzen)  man braucht die wichtigen Kovariaten zur Adjustierung dann geht es  Adjustierung für weitere Kovariate W, die nur mit X zs.hängt, verschlechtert zusätzlich auch Effizienz der ATE Schätzung (SE) --> Toy Models nehmen an, dass man alle Zsh. kennt
• Analytische Hinweise: Bias Amplifizierung & Kompensation BIAS IST DA Z.B. WEIL WICHTIGE KOVARIATE UNBERÜCKSICHTIGT IST (Beispiel: man adjustiert nicht für den Englisch Vortest)  Amplifizierung durch Instrumental Var. (nur Einfluss X) J Kompensation durch korrelierte Kovariate (nur Korrelation) J Auswirkung nur klar bei sehr einfachen Konstellationen! auch korrelierte Kovariate kann Bias amplifizieren z.B. wenn Bias in unterschiedliche Richtungen geht (Korrelation Mathe und English Vortest = 0.56 – trotzdem Amplifizierung)
• Wann erhöht sich die Gefahr für Bias? bei Auswahl der UVs für das PS-Modell sollte man darauf achten, Merkmale heranzuziehen,  die  den  späteren  Therapieerfolg (nicht etwa die Therapiezuteilung) vorhersagen, da diese die  Varianz des Behandlungseffekts  verringern,  ohne  zusätzl.  Bias  zu  erzeugen  bei Nutzung des vollständigen Datensatzes --> kleinere Varianz des Therapieeffekts --> größere Gefahr für Bias PS-Matching  vs. andere PS-Methoden = Ausgleich zw. einer verzerrten (Bias) o. ungenauen (Varianz)Schätzung d. Therapieeffektes PS-Matching sollte dann verwendet werden, wenn die Gr. möglichst  ähnlich  sein  sollen  (kein  Bias) man  muss  dann  allerdings  aufgrund  der  kleineren  Fallzahl  eine  größere  Varianz  in  Kauf  nehmen
• Was ist das Problem mit dem Messfehler? Was ist die Lösung? man nimmt an, dass Reliabilität abnimmt, weil Messfehler dazu kommt Messfehler verringert wie gut wir adjustieren können, v.a. wenn er auf Kovariaten liegt; nicht bei demografischen Var. wichtig Messfehler verringert die Biasreduktion von wichtigen Kovariaten --> hier Vortests und Präferenzen kann man in EffektLite R berechnnen Problem wenn zugrundeliegende Eigenschaft Kovariate ist --> Messfehler kontrollieren kein Problem wenn auf beobachten Testscores Messfehler drauf sind --> keine Kontrolle nötig Lösung: latente Kovariaten --> konfirmatorische Faktorenanalyse Latente Kovariaten um für Messfehler zu korrigieren wenn man einen Test mit mind. 2 Indikatoren hat  man kann Adjustierungverfahren z.B. ANCOVA mit latenten Var.n kombinieren --> z.B.: EffectLiteR nur wenn ich wiederholte Fragen gestellt habe, kann ich gucken, was ihnen gemeinsam ist --> Strukturgleichungsmodelle wenn latente Var. Outcome beeinflusst, muss ich den Messfehler kontrollieren
• Punktschätzer und Standardfehler: Für was ist die Genauigkeit der Schätzung wichtig? braucht man für Interferenzstatistiken (z.B. ob Regressionskoeffizient = 0 u.a. Hypothesen), wenn wir über Stprb. hinaus etwas generieren wollen (Wie ist es in der Population?) --> siehe ALM
• Was passiert wenn die Voraussetzungen für die Verteilung ? verletzt sind? Modell (Regressionsparameter) wird richtig geschätzt, damit können die Zusammenhänge in der SP beschrieben werden (deskriptive Statistik) Teststatistik (Standardfehler und p-Werte) sind nicht vertrauenswürdig, Generalisierbarkeit der Ergebnisse über die Stpr. hinaus ist fragwürdig (keine Inferenzstatistik)
• Average Treatment Effect (ATE) wird auf Populationsebene geschätzt) ATE =   E{ ∆i }   =    E{ Yi(1) - Yi(0)}    =   E{ Yi(1)} – E{Yi(0)} Grundidee: Wie ist der durchschnittl. Unterschied zw. TG & KG gemittelt über alle Prs. in der Stpr.
• Average Treatment Effect on the treated (ATT) Betrachtung der Subpopulation ATT =   E{ ∆i | Di = 1}   =   E{ Yi(1) - Yi(0) | Di = 1}   =   E{ Yi(1) | Di = 1} – E{Yi(0) | Di = 1} Bedingte Effekte sind „feiner“ Grundidee: Wie ist der durchschnittl. Unterschied zw. TG und KG gemittelt über best. Prs.Gr. in der Stpr.

zurück  |  weiter 2 / 2