8
Paradigmenlehre (Fach) / Vorlesung 7 (Lektion)
- Warum Hypothesen? - Einfachstes Beispiel:o UV (quasi-experimentell): Männer vs Fraueno AV: mg Chili ins Essen nach verabreichten Stromschlägen - Rückschluss auf Aggressivität- Männer würzen gerne scharf und tun deshalb mehr ins essen- Frauen weniger schmerzempfindlich deshalb empfinden sie die Elektroschocks als weniger schlimm- Männer haben mehr Testosteron àaggressiver - Frauen sensibler bzgl. Elektroschocks- Gar nicht Aggression sondern Rache- Männer allgemein aggressiver, aber wenn es ums Essen geht nicht Abbildungen
- Beispiel: PSI (Bem, 2011) - Prä-Kognition (können die Zukunft fühlen, können vorhersagen was für ein Bild gleich gezeigt wird) àhat eigentlich nur vorhergesagt dass IRGENDWAS passiert- Hypothese fehlt- Es muss Geschlechterunterschiede geben- Nulleffekte sind unwahrscheinlich- Die Welt ist nicht unsystematisch àH0 sagt alles gleich, alles Zufall àirgendeinen Effekt gibt es immer- Zwei Punkteo Spezifische Hypotheseo Alternativ – Hypothese (Null-Hypothese ist immer falsch!)
- Beispiel: PSI (Bem, 2011) Probleme - Statistische Signifikanz immer eine Funktion der Stichprobengröße- Jeder Unterschied kann statistisch bedeutsam werden- Post-hoc lassen sich alle Ergebnisse interpretieren Hypothesen immer vorher treffen!! - Aber: Null-Hypothese muss falsch sein- Auch bei formulierter Alternativ-Hypothese: ist der Schluss gerechtfertigt?- Mit einer Wahrscheinlichkeit von p <.05 sind Männer aggressiver als Fraueno S.a. Probleme der Operationalisierung und der Messung- A priori einig sein, dass Chili im Essen Form der Aggression ist Dilemma: - Beispiel: Studie zeigt signifikant, dass Frauen mehr Chili ins Essen tun als Männer- Lösung:o Schritt 1: Replikation (Möglicher Alpha oder Beta Fehler) àist es ein replizierbarer Befund?o Schritt 2: Möglichen Mechanismus identifizieren und testen (bspw. Bei küchen-bezogener Aggression sind Männer aggressiver) Problem: Statistisches testen von Hypothesen - Standard-Verfahreno H0 aufstelleno H1aufstelleno Daten sammelno H0 verwerfen und H1 annehmeno Aber: ist dieses Vorgehen korrekt?
- „The earth is round, p < .05“ - Ein Pamphlet gegen statistisches Testen von Nullhypothesen (NHST)o Meehl (1967) beschreibt NHST als „ a potent but sterile intellectual rake who leaves in his merry path a long train of ravished maidens but no viable scientific offspring“o „What we want to know is „Given these data, what is the probability that H0 is true?“ But as most of us know, what this tells us is „Given that H0 is true, what ist he probability of these (or more extreme) data?“- Der H0-Test beantwortet uns eine Frage, die wir gar nicht gestellt haben- Wollen wissen, wahrscheinlich es ist dass unsere Hypothese korrekt oder inkorrekt ist- Unser statistisches Vorgehen: Wie wahrscheinlcih sind die Daten, gegeben die H0 wäre korrekt àeinzige Aussage die man damit treffen kann: gegeben die H0 ist korrekt, sind diese Daten sehr unwahrscheinlich àTest sagt nicht H0 ist unwahrscheinlich/H0 ist gegeben àkeine Aussagen über die H0 möglich
- „The earth is round, p < .05“ Modus tollens - Beinahe, aber nicht ganz exakt die Logik des NHSTo Wenn H0 korrekt ist, darf dieses Datum/dieser Datensatz nicht auftaucheno Es ist aber aufgetaucht, deshalb muss H0 falsch sein- Die Antezendenz über die Konsequenz wiederlegen: Alle Schwäne sind weiß àfinden eines schwarzen Schwans widerlegt diese Aussage
- „The earth is round, p < .05“ Was aber tut NHST? - Vermeintliche Logik des NHSTo Wenn H0 korrekt ist, dann sind diese Daten unwahrscheinlicho Die Daten haben sich ergeben, und deshalb ist H0 unwahrscheinlich- INVALIDER SCHLUSSo Nicht: alle Schwäne sind weiß, sondern: „Schwarze Schwäne sind unwahrscheinlich“o Finden eines Schwarzen Schwans, deshalb sind weiße Schwäne unwahrscheinlich
- „The earth is round, p < .05“ Lösung nach Popper - Nicht Theorien „bestätigen“ indem die Null-Hypothese verworfen wird, sondern versuchen, die Theorie zu widerlegen- D.h. H0 als Vorhersage der Theorie als gegeben annehmen und versuchen zu widerlegen- „In null hypothesis testing terms, one takes a central prediction of the theory, say, a point value of some crucial variable, sets it up as the H0, and challenges the theorie by attempting to reject it“ - kaum praktiziert in der experimentellen Psychologie àaber: Zusammenhangs- vs. Unterschiedshypothesen (d.h. Regressionsmodelle) àAussagen über die Stärke des Zusammenhangs- Theorie als Nullhypothese testen und gucken ob die Daten dafür ausreichen
- „The earth is round, p < .05“ Problem - Wir haben Annahmen über die Verteilung der Daten gegeben H0, aber keine Ahnung über die Verteilung der Daten gegeben H1- P < .05 sagt uns p (D I H0), aber was wir wissen wollen ist p(H0 I D)- Nach Bayes Theorem brauchen wir dafür p (H0) ist klein, dann ist p(H0 I D) immer automatisch sehr klein- Wenn man sagt, dass die H0 unwahrscheinlichist, dann braucht man nur wenig Daten- Wenn man sagt es gibt nur weiße Schwänedann braucht man eine sehr große Stichprobe (muss man sehr sehr viele schwarze Schwänen finden um Hypothese zu widerlegen, da H0 wahrscheinlich ist)- Man muss einen Prior (Grundannahme aus Theorie) haben, z.B. H0: Männer und Frauen unterscheiden sich sehr unwahrscheinlich àohne prior kommt man auch mit bayesianischer Methode nicht weiter- Wenn die Evidenz 20x so hoch ist für die H1 als für die H0 hat man den 0,5 Faktor vom Pearson testen aber im Bayes Theorem ist das kein Fehlschluss sondern ein valider Schluss- Empirisches Ergebnis hängt davon nicht ab- Wenn man mehr Daten habt dann wird auch der Schluss besser
Anzeige