Schließende Statistik
Die Wahl des korrekten Signifikanztests ist abhängig von einer Vielzahl von Faktoren. Hierzu gehören die Fragestellung (z. B. Unterschieds-, Zusammenhangshypothese), die Fallzahl, die Anzahl und Art (z. B. kategorial, metrisch) der unabhängigen und abhängigen Variablen und die Erfüllung diverser Voraussetzungen (z. B. Normalverteilung, Varianzhomogenität, Spherizität). Bei Verwendung kategorialer Variablen ist darüber hinaus die Anzahl der Abstufungen der Variablen und die Unterscheidung zwischen Gruppen- und Messwiederholungsvariablen von Bedeutung.
Auswahl des passenden Verfahrens
Ohne eine entsprechende statistische Ausbildung erweist sich die Auswahl des richtigen Verfahrens oft als schwierig, hier kann eine professionelle statistische Beratung helfen. Im Folgenden sollen einige häufig in medizinischen Doktorarbeiten verwendete Verfahren zur Signifikanztestung exemplarisch vorgestellt werden.
Signifikanztests
Um Zusammenhänge zwischen zwei kategorialen Variablen (vgl. Abb. 2) zu untersuchen, wird die Häufigkeitsverteilung auf Signifikanz überprüft. Ein p-Wert unterhalb des festgelegten Signifikanzniveaus (z. B. 5%) zeigt einen signifikanten Zusammenhang zwischen den beiden Variablen. Wenn es sich um zwei Gruppenvariablen handelt, wird häufig der Chi-Quadrat-Test oder bei kleinen Fallzahlen der exakte Fisher-Yates-Test verwendet. Bei Betrachtung des Zusammenhangs zwischen einer Gruppen- und einer Messwiederholungsvariable kommt oft der McNemar-Test zum Einsatz. Für die Untersuchung von Zusammenhängen zwischen drei oder mehr kategorialen Variablen stehen weitere Verfahren zur Verfügung.
Für die statistische Überprüfung von Zusammenhängen zwischen zwei metrischen Variablen (vgl. Abb. 6) kann eine Korrelation berechnet werden, zum Beispiel die Pearson-Korrelation, wenn beide Variablen annähernd normalverteilt sind, oder die Spearman-Korrelation, wenn diese Voraussetzung nicht erfüllt ist. Auch hier zeigt ein p-Wert unter dem Signifikanzniveau einen signifikanten Zusammenhang zwischen den beiden Variablen an. Für die Betrachtung von Zusammenhängen zwischen drei oder mehr metrischen Variablen stehen weitere Verfahren zur Verfügung.
Signifikanz und Metrische Variable
Für die Analyse von Unterschieden in einer metrischen Variable zwischen verschiedenen Gruppen bzw. Messzeitpunkten (vgl. Abb. 3–5) gibt es eine Vielzahl von Tests. Ein p-Wert unter dem Signifikanzniveau zeigt hier einen signifikanten Unterschied in der abhängigen metrischen Variable zwischen den Stufen der unabhängigen kategorialen Variablen, also zwischen den verschiedenen Gruppen oder Messzeitpunkten. Ein häufig verwendeter Test ist in diesem Zusammenhang der t-Test für unabhängige Stichproben für den Vergleich von zwei Gruppen mit normalverteilten Messwerten und gleichen Varianzen. Für den Vergleich zweier Messzeitpunkte gibt es einen entsprechenden t-Test für abhängige Stichproben. Sollten die Voraussetzungen der Normalverteilung und Varianzgleichheit nicht erfüllt sein, kann man zu nicht-parametrischen Alternativen greifen (z. B. Mann-Whitney-Test, Wilcoxon-Test). Bei einer kategorialen Variable mit mehr als zwei Stufen oder bei gleichzeitiger Betrachtung des Einflusses mehrerer kategorialer Variablen werden verschiedene varianzanalytische Verfahren (ANOVAs) oder ihre nicht-parametrischen Entsprechungen (z. B. Kruskal-Wallis-Test, Friedman-Test) verwendet. Sollen Unterschiede in mehr als einer abhängigen metrischen Variable untersucht werden, stehen weitere multivariate Verfahren zur Verfügung.
Weiterführende Quelle
Ausführlichere Informationen zur Datenanalyse in der medizinischen Doktorarbeit finden Sie in dem Buch J. Webinger, D. Keller, B. Budrich: Wie schreibe ich eine Doktorarbeit? Leitfaden für Mediziner und Zahnmediziner. Neben der Statistik und deren Umsetzung mit SPSS wird auch die Vorbereitung, Durchführung und das Schreiben der Dissertation behandelt. (Angebote bei Amazon)
