Blog Archives

Statistik für Anfänger: Sprachliche Präzision

Wir werden hier im Laufe der Zeit ein paar Beiträge dazu veröffentlichen, wie man eine qualitative empirische Untersuchung durchführt und schreibt.

Heute fangen wir mit etwas einfachem an: Der Abgrenzung des Gegenstandsbereichs – also was Sie eigentlich untersuchen wollen.

Das Problem stellt sich insofern, als eine empirische Untersuchung nur dann Sinn macht, wenn das, was sie untersuchen wollen, auch gemessen werden kann. Dafür eignen sich objektive Kriterien wie das Einkommen einer Person oder der Umsatz eines Unternehmens. Schwieriger wird es mit subjektiven Empfindungen, beispielsweise der Markenaffinität. Aber auch dafür gibt es Messinstrumente (dazu in einem Folgeartikel mehr), insofern können Sie eigentlich alles messen, Sie müssen nur Ihrem Leser deutlich erklären, was sie eigentlich messen. Daher: Definieren Sie genau, was Sie eigentlich untersuchen wollen.

Warum das so wichtig ist? Nun, nehmen wir an, Sie sind  Mediziner und wollen beispielsweise sowas wie die Kollegen hier untersuchen:

Britische Forscher hatten sich die Krankenakten von mehr als 100.000 Schotten mit Typ-2-Diabetes angesehen, bei denen um den Zeitpunkt der Diabetesdiagnose herum auch der Body-Mass-Index [BMI] bestimmt worden war. Untersucht wurde die Sterberate der Patienten in Abhängigkeit von BMI-Werten […]. Todesfälle in den ersten beiden Jahren gingen nicht in die Berechnung ein, […].  (Quelle)

In dem Fall  brauchen Sie (zumindest) zwei Datenpunkte pro Patient: Erstens sein BMI und zweitens der Zeitpunkt seines Todes. Dazu brauchen Sie eine sinnvolle Fallzahl. Und dann müssen Sie überlegen, wie Sie vorgehen. In unserem Fall das relative Risiko zu sterben („Sterberate“) im Vergleich zwischen Menschen mit hohem und niedrigen Body Mass Index.  Das geht beispielsweise mit einer Regressionsanalyse (auch die wird hier in Zukunft erläutert). Und dann berichten Sie Ihre Ergebnisse:

A total of 9,631 deaths occurred between 2001 and 2007. Compared with reference group, mortality risk was higher in patients with BMI 20 to <25 kg/m2 (-HR 1.22 [95% CI 1.13–1.32] in men, 1.32 [1.22–1.44] in women) and patients with BMI ≥35 kg/m2 (for example, 1.70 [1.24–2.34] in men and 1.81 [1.46–2.24]) in women for BMI 45 to <50 kg/m2). Vascular mortality was higher for each 5-kg/m2 increase in BMI >30 kg/m2 by 24% (15–35%) in men and 23% (14–32%) in women, but was lower below this threshold. (Quelle)

Da das jetzt etwas kompliziert klingt, lässt sich das für den Mainstream schön zusammenfassen, wie es die Ärztezeitung macht:

Das niedrigste Sterberisiko hatten Diabetiker mit einem BMI zwischen 25 und 30. Demgegenüber war die Sterberate bei diabeteskranken Männern mit einem normalen BMI zwischen 20 und 25 um 22 Prozent, bei Frauen um 32 Prozent erhöht.

Das hat nun beides die gleiche Aussage, möchte man meinen. Hat es aber leider nicht: Das „Sterberisiko“, ohne weitere Zusätze oder Erläuterungen, ist für jeden Menschen immer definitiv 100%. Hier fehlt das Wort „relativ“, und auch wenn man gutmütig darüber hinwegsehen könnte, ist es einfach nur schlampig. Wenn Sie also das relative Sterberisiko untersuchen, nennen Sie es auch so. Wenn Sie die Kaufabsicht untersuchen (dazu können Sie Leute einfach fragen), schreiben Sie nicht, dass sie das Kaufverhalten messen (dazu müssen sie es wirklich kaufen). Denken Sie also vorher nach, ob Sie Ihre Einflussvariablen und die abhängigen Größen auch wirklich messen können, dafür Daten haben und das Sinn macht. Und dann schreiben Sie es bitte präzise hin – Sie sind ja Wissenschaftler wie die Autoren um Jennifer Logue und nicht Schreiber bei der Ärztezeitung.

Tags: , , , ,
Kategorien: Allgemein, Statistik, Wissenschaftlich arbeiten