Dr. Rainer Roth, Universität des Saarlandes: Verarbeitung sozialer Information Verarbeitung...

Dr. Rainer Roth, Universität des Saarlandes: Verarbeitung sozialer Information

Verarbeitung Sozialer Information Dr. Rainer Roth

SS 2006

Grundlagen experimenteller Forschung


Seminar „Verarbeitung sozialer Information“Rainer Roth

SS 2006Semesterprogramm

26. April Vorbesprechung

03. Mai experimentelle Designs / Varianzanalyse (R.R.)

10. Mai Methoden zur Untersuchung von Persongedächtnis und sozialer Kognition (Pascal Dick)

17. Mai Das Gedächtnis als assoziatives Netzwerk / Verarbeitung inkonsistenter Information (Jasmin Schneider)

24. Mai Konzeptgesteuerte Informationsverarbeitung – Die Rolle von Schemata bei der sozialen Informationsverarbeitung (Jennifer Hussong)

31. Mai Das Kontinuum-Modell von Fiske und Neuberg (Nadine Klees)

07. Juni Stereotype (Luisa Jendrik)

14. Juni Spontane Trait Inferenzen (Katja Franke)

21. Juni Das Elaboration-Likelihood-Modell von Petty und Cacioppo (Nadine Heinz)

28. Juni Urteilsheuristiken (Anna Christin Warnecke)

05. Juli Common Ground (Eva Schumacher)

12. Juli Online vs. gedächtnisbasierte Urteilsbildung (Christine Knauß)

19. Juli Abschlussveranstaltung


Was steht heute an? Grundlagen experimenteller Forschung

Warum experimentieren wir? Merkmale experimenteller Forschung (und

Abgrenzung zu korrelativer Forschung) Klassifikation von Experimenten Varianzanalytische Versuchspläne / Designs

(grundlegende Begriffe) Ein- vs. mehrfaktorielle Designs / Haupteffekte und

Interaktionen Gekreuzte vs. geschachtelte Faktoren Designs mit vs. ohne Messwiederholung Aufgaben / Übungen zu Designs Varianzanalyse / Hypothesentesten


Warum wird in der Sozialpsychologie experimentiert?

Gewinnung neuer Erkenntnisse; Erklärung von Phänomenen

Ziel wissenschaftlicher Forschung: Konstruktion einer Theorie über den jeweiligen Forschungsbereich


Theorie

Hypothesen

Empirische Methoden(z.B. Experiment)

Daten ( Auswertung)

Theorien, Hypothesen und Daten


experimentelle Forschung

Ziel: Information über kausale Beziehungen zwischen Variablen

Ein Merkmal wird absichtlich verändert Veränderung geschieht auf kontrollierte Weise Beobachtet wird die Auswirkung auf das interessierende

Phänomen

Abhängige und unabhängige Variablen kausale Beziehung: Veränderung der unabhängigen

Variablen als eindeutige Ursache für resultierende Veränderung in der abhängigen Variablen


Definition Experiment

Ein Experiment ist eine Untersuchung, in der der Versuchleiter

eine oder mehrere Variablen manipuliert (unabhängige Variable; bzw. Faktor oder Treatmentvariable)

andere wichtige Variablen kontrolliert eine oder mehrere Variablen beobachtet

oder misst (abhängige Variablen)


Variablen: Alle Gegebenheiten, die sich in ihrer Quantität oder Qualität ändern können; mindestens zwei Abstufungen möglich

Arten von Variablen unabhängige Variable

vom Versuchsleiter manipuliert

ihr Einfluss auf die a.V. soll festgestellt werden

abgetragen auf der Abszisse abhängige Variable

ihre Veränderung durch die Manipulation der u.V. wird beobachtet

abgetragen auf der Ordinate


Darstellung der Beziehung zwischen unabhängiger und abhängiger Variablen

0

100

200

300

400

500

600

Reaktions-zeit

Alkoholkonsum

Stufen der unabhängigen Variablen x-Achse (Abszisse)

Stufen der abhängigen Variablen y-Achse (Ordinate)


Frage: Führt Hitze zu aggressivem Verhalten?

Operationalisierung „Übersetzung“ der Variablen in messbare Form;

eine Zuordnung zu beobachtbaren Phänomenen In unserem Beispiel

Hitze: z.B. °C Aggression: z.B. Anzahl direkter Gewaltakte oder

Erfassung der Aggression durch Fragebogen Weiteres Beispiel: Wie wirkt sich Lärm auf die

Lernleistung aus? UV / AV? Operationalisierung?


Vorexperimentelle Versuchspläne einmalige Untersuchung einer Gruppe

Behandlung MessungX YG

Problem kein Feststellen einer Veränderung möglich Effekt der unabhängigen Variablen auf abhängige

Variable?


Vorexperimentelle Versuchspläne

Vorher-Nachher Messung einer Gruppe

Behandlung NachhermessungX YnachG

VorhermessungYvor

Vorteile (gegenüber Plan ohne Vorhermessung) Vergleich von zwei Messwerten

Problem Grund für die Differenz zwischen Vorher- und Nachhermessung?

Zeiteinflüsse Testeffekte durch Vorhermessung

Lösung: Vergleich mit Kontrollgruppe


Experimentelle Versuchspläne

Eine Experimental- und eine Kontrollgruppe

Experimentalgruppe: Gruppe, die der unabhängigen Variablen ausgesetzt war

Kontrollgruppe: Versuchsgruppe im Experiment, die sich von der anderen Gruppe nur durch die nicht erfolgte Behandlung unterscheidet

R = Randomisierung (Zufällige Zuordnung der Vpn zu den beiden Gruppen + zufällige Zuteilung der Gruppen zu den Experimentalbedingungen) Kontrolle von unbekannten Unterschieden zwischen den beiden

Gruppen

Behandlung NachhermessungX Y1G1

Vorhermessung-

- Y2G2 -R


Unterschiede können nur auf die experimentelle Behandlung zurückgeführt werden (Einfluss von Störvariablen ist in der Kontrollgruppe genauso vorhanden wie in der Experimentalgruppe)

ermöglicht kausale Schlüsse

interne Validität Gültigkeit der Annahme, dass beobachtete Veränderungen der abhängigen Variablen auf die vorgenommenen Veränderungen der unabhängigen Variablen (und nicht der Störvariablen) zurückzuführen sind. Bedrohung durch konfundierende Variablen (Variable, die sich systematisch mit der Merkmalsausprägung der UV verändert; Beispiel: Untersuchung von Reaktionszeiten)


Experimentelle vs. korrelative Forschung….

Eine Untersuchung hat gezeigt, dass Körpergewicht und Einkommen positiv korreliert sind, d.h. mit steigendem Gewicht steigt auch das Einkommen. Kann man daraus schlussfolgern, dass eine Möglichkeit, zu einem besseren Einkommen zu gelangen darin besteht, sich „ein paar zusätzliche Pfunde anzuessen“?

korrelative Studie: Messen der Ausprägung von zwei Variablen und Überprüfen, ob Zusammenhang zwischen beiden besteht; keine aktive Variation der UV

Korrelation macht keine Aussagen über Kausalität! Es gibt mehrere Möglichkeiten, wodurch der Zusammenhang zwischen Körpergewicht und Einkommen bedingt sein kann: Körpergewicht Einkommen Einkommen Körpergewicht Drittvariable (z.B. Alter) beeinflusst beide Variablen


Merkmale eines Experimentes (Kerlinger, 1973)

Replizierbarkeit (Wiederholbarkeit) Kontrolle von Bedingungen Manipulation von mindestens einer

unabhängigen Variablen Zufällige Zuordnung von Personen zu

Versuchsbedingungen


Überblick: Klassifikation von Experimenten1. Klassifikation nach Untersuchungsziel:

Hypothesenprüfung

Erkundungsexperiment (exploratives E.)

Demonstrationsexperiment

3. Klassifikation nach Zahl der abhängigen Variablen:

univariates Experiment

multivariates Experiment

6. Klassifikation nach Untersuchungsort:

Laborexperiment

Feldexperiment

5. Klassifikation nach Versuchsplanung:

echtes Experiment

Quasi-Experiment

2. Klassifikation nach Zahl der unabhängigen Variablen:

einfaktorielles Experiment

mehrfaktorielles Experiment

4. Klassifikation nach Messwiederholung:

mit Messwiederholung (innerhalb Vpn Design)

ohne Messwiederholung (zwischen Vpn Design)


einfaktorielles / mehrfaktorielles Experiment

einfaktorielles Experiment (eine unabhängige Variable) Untersuchung des Einflusses einer unabhängiger Variablen auf

eine/mehrere abhängige Variable(n) Bsp.: UV Fernsehkonsum

AV Aggression

Einfaktorieller Versuchsplan mit zwei Ausprägungen (Stufen):

A1 A2

y11

Y21

.

.

.yn1

y12

y22

.

.

.ym2

•eine unabhängige Variable (Fernsehkonsum) mit den Faktorstufen A1 („30 min“) und A2 („90 min“)

•y-Werte symbolisieren Werte der abhängigen Variablen: erster Index bezeichnet die Zeile, zweiter Index die Spalte


einfaktorielles / mehrfaktorielles Experiment

mehrfaktorielles Experiment (mehrere unabhängige Variablen) Untersuchung des Einflusses mehrerer unabhängiger Variablen auf

eine/mehrere abhängige Variable(n) Bsp.: UV Fernsehkonsum

HitzeAV Aggression

Untersuchung von Interaktionen

Zweifaktorieller Versuchsplan mit jeweils zwei Ausprägungen (Stufen):

A1 A2

B1

y111

Y211

.

.yn11

y112

y212

.

.yn12

B2

y121

Y221

.

.Yn21

y122

y222

.

.Yn22

•zwei unabhängige Variablen: Fernsehkonsum mit den Ausprägungen A1 („30 min“) und A2 („90 min“) und Hitze mit den Ausprägungen B1 (20°C) und B2 (35°C)

•insgesamt 4 Experimentalbedingungen

•y-Werte symbolisieren Werte der abhängigen Variablen: erster Index bezeichnet die Nummer der Vp in der Experimentalbedingung; zweiter Index bezeichnet die Zeile, dritter Index die Spalte


Bei der Auswertung mehrfaktorieller Designs kann man sowohl Haupteffekte als auch Interaktionen (wenn es sich um gekreuzte Faktoren handelt) feststellen

Haupteffekte: Veränderungen in der abhängigen Variablen, die auf das alleinige Wirken eines Faktors zurück gehen durch Manipulation einer unabhängigen Variablen kommt es zu signifikanten Veränderungen in der abhängigen Variablen

Interaktion: Effekt des einen Faktors hängt davon ab, welche Stufe auf einem anderen Faktor vorliegt die gemeinsame Wirkung der Faktoren setzt sich also nicht additiv aus den Einzelwirkungen der Faktoren zusammen


Das Konzept der Interaktion

0

10

20

30

40

50

60

70

80

90

100

A1 A2

B1 B2

bzw.

bzw.

0

10

20

30

40

50

60

70

80

90

100

A1 A2

B1 B2A1(30min) A2(90min)

B1(20°C)

B2(35°C)

weder A noch B wirken

B1(20°C)

B2(35°C)

A1(30min) A2(90min) nur A wirkt


Das Konzept der Interaktion II

0

10

20

30

40

50

60

70

80

90

100

A1 A2

B1 B2

bzw.

bzw.010203040

50607080

90100

A1 A2

B1 B2

A1 A2

B1

B2

sowohl A als auch B wirken

A1(30min) A2(90min)

B2(35°C) B1(20°C)

nur B wirkt


Das Konzept der Interaktion III

0

10

20

30

40

50

60

70

80

90

100

A1 A2

B1 B2

bzw.

bzw.010

20304050

60708090

100

A1 A2

B1 B2

A1 A2

B1

B2

disordinale Interaktion

B2(35°C)

B1(20°C)

A1(30min) A2(90min)Allgemeine Regel für Interaktion: Die Unterschiede zwischen den Faktorenstufen des einen Faktors fallen unter den Stufen des anderen Faktors ungleich aus

ordinale Interaktion


Mehrfaktorielle DesignsBei mehrfaktoriellen Designs ergeben sich verschiedene

Möglichkeiten der Kombination der verschiedenen Faktoren: gekreuzte Faktoren

jede Stufe des Faktors A mit jeder Stufe von Faktor B kombiniert (vollständig gekreuzt)

geschachtelte Faktoren Jede Stufe des Faktors A kommt nur unter bestimmten

Stufen den Faktors B vor

geschachtelte Faktoren sollten nur dann gewählt werden, wenn es aus organisatorischen Gründen nicht möglich ist, alle Faktorstufenkombinationen zu realisieren

nur vollständig gekreuzte Versuchspläne ermöglichen Aussagen über Interaktionen der Faktoren

Warum? Bsp.

Überblick: Arten von Experimenten


ohne Messwiederholung (zwischen Versuchspersonendesign / between subject design) vs. mit Messwiederholung (innerhalb / within design)

bisher nur zwischen Versuchspersonendesigns: jede Versuchsperson wird nur einer Stufe der unabhängigen Variablen ausgesetzt (Variation der UV zwischen Vpn)

innerhalb Versuchspersonen (Messwiederholung): jede Versuchsperson wird mehreren Stufen der unabhängigen Variablen ausgesetzt (Variation der UV innerhalb Vpn)

Bsp.: Untersuchung der Frage, wie sich Lärm auf die Bearbeitung von Mathematikaufgaben auswirkt

Vp 20Vp 10

..

..

..

Vp 12Vp 2

Vp 11Vp 1

Level 2(Viel Lärm)

Level 1(wenig Lärm)

Zwischen-Vpn Design

Unabhängige Variable

Vp 10Vp 10

..

..

..

Vp 2Vp 2

Vp 1Vp 1

Level 2(Viel Lärm)

Level 1(wenig Lärm)

Innerhalb-Vpn Design

Unabhängige Variable


Zwischen vs. innerhalb Versuchspersonen Design

Zwischen Versuchspersonen Design Vorteile

Bearbeitung einer Versuchsbedingung kann keinen Einfluss auf Bearbeitung einer anderen ausüben („carry-over“-Effekte)

viele Fragestellungen nicht mit innerhalb Design zu untersuchen (Bsp. Untersuchung inzidentelles Lernen)

Nachteile evtl. unterscheiden sich die Gruppen in den

unterschiedlichen Experimentalbedingungen Mehr Vpn erforderlich

Innerhalb Versuchspersonen Design Vorteile

weniger Vpn nötig keine Unterschiede zwischen den Versuchspersonen

Nachteile Reihenfolgeeffekte


Bsp. für unterschiedliche Designs*

2x2 Design: Wie wirkt sich Menge an Alkohol (1l Bier vs. 2l Bier) bei Männern vs. Frauen auf die Reaktionszeit aus?

Exemplarische Darstellung; ausführliche Darstellung Honeck, R.P., Kibler, C.T. & Sugar, J. (1983). Experimental design and analysis. Lanham: University Press of America.


3x2x2 Design: Experiment zum Persongedächtnis Faktor 1: Instruktion (Gedächtnisinstruktion vs. Eindrucksbildung vs. Verhaltensvorhersage); Faktor 2: Vorerwartung (mit vs. ohne); Faktor 3: Art der Stimuluspräsentation (schriftlich vs. mündlich)

wie oben, aber Messwiederholung über 3. Faktor (Stimuluspräsentation) sinnvoll?

Überblick: Arten von Experimenten


Laborexperiment, Feldexperimentund Feldstudie Laborexperiment

Durchführung im Labor / Experimentalraum kontrollierte Durchführung durch Versuchsleiter

relativ geringer Aufwand Konstanthaltung der Bedingungen Zufallsauswahl der Versuchspersonen zufällige Zuteilung zu den Versuchsbedingungen Manipulation einer exakt definierten unabhängigen Variablen exakte Registrierung der abhängigen Variablen

Beantwortung kausaler Fragen

Nachteile Künstlichkeit der Laborsituation Übertragbarkeit der

Befunde? Reaktivität


Laborexperiment, Feldexperimentund Feldstudie

Feldexperiment außerhalb des Labors /

Experimentalraums durchgeführt Manipulation der unabhängigen

Variablen i.d.R. höhere externe Validität der

Befunde als bei Laborexperiment Kontrolle von Störvariablen schlechter

als beim Laborexperiment


Laborexperiment, Feldexperimentund Feldstudie

Feldstudie außerhalb des Labor / Experimentalraums

durchgeführte korrelative Untersuchung keine Manipulation der unabhängigen

Variablen Registrierung von mehreren abhängigen

Variablen Beispiele: Umfragen von

Meinungsforschungsinstituten oder Beobachtung verhaltensgestörter Kinder


Auswertung faktorieller Designs: Varianzanalyse


Auswertung faktorieller Designs: Varianzanalyse Prüfung der Auswirkungen einer (oder

mehrerer) mehrfach abgestufter Variablen (Faktoren / Treatmentfaktoren) auf eine abhängige Variable

einfaktorielle vs. mehrfaktorielle Varianzanalyse

Bsp. (für einfaktorielle Varianzanalyse): Wie wirken sich unterschiedliche Instruktionen (Gedächtnisinstruktion vs. Eindrucksbildungsinstruktion vs. Verhaltensvorhersage) auf die Gedächtnisleistung (Anzahl korrekt erinnerter Items) aus?


Experimentelle Designs und Analyse – Varianzanalyse

Entwicklung von Forschungshypothesen (sich gegenseitig ausschließende Aussagen dazu, wie sich die UV auf die AV auswirkt) Nullhypothese (Treatment hat keinen Effekt; soll im Experiment

widerlegt werden) Alternativhypothese

zu jeder Forschungshypothese gibt es eine korrespondierende statistische Hypothese Nullhypothese (Ho) Treatment hat keinen Effekt: es wird angenommen, dass sich zwei

oder mehr Grundgesamtheiten bezüglich der Werte ihrer Parameter (z.B. Mittelwert) nicht unterscheiden. Die entsprechenden Stichprobenwerte bzw. -parameter weichen nur "zufällig" voneinander ab.Ho: μ1 = μ2 = μ3

Alternativhypothese (H1) Verneinung der Nullhypothese; formuliert den Zusammenhang, den

man zu finden hofft (in der Regel die Annahme, dass sich die Mittelwerte unterscheiden)H1: μ1 ≠ μ2 ≠ μ3


Experimentelle Designs und Analyse – Varianzanalyse

Problem: In Untersuchungen treten quasi immer Unterschiede in den Mittelwerten der Experimentalbedingungen auf: können entweder durch Zufallsfehler bedingt sein (H0) oder auf das Treatment zurückgehen (H1).

Wie können beide Effekte voneinander getrennt werden?

Wie kann der Anteil am Mittelwertsunterschied zwischen den Treatmentbedingungen der auf Fehler zurückgeht von Effekten des Treatments separiert werden?

Wie kann entschieden werden, ob die Null- oder die Alternativhypothese zutrifft?


Experimentelle Designs und Analyse – Varianzanalyse: Primär-, Sekundär- und Fehlervarianz Varianzanalyse geht von einem additiven Modell aus;

die Modellgleichung für die einfaktorielle Varianzanalyse heißt: xij = μ + αi + εij Mittelwert Wirkung des Treatments Fehlerwert

Primärvarianz: systematische Veränderung der abhängigen Variablen, die allein auf eine Veränderung der unabhängigen Variablen zurückzuführen ist (vom Versuchsleiter intendiert)

Sekundärvarianz: systematische Veränderung der abhängigen Variablen, die auf die Wirkung von Störvariablen zurückzuführen ist

Fehlervarianz: unsystematische Veränderung der abhängigen Variablen, die auf unsystematische Unterschiede, Einflüsse wie Messfehler oder interindividuelle Unterschiede bedingt ist


Varianzzerlegung Varianzanalyse zerlegt die Varianz in den Daten in verschiedene Bestandteile Primärvarianz: Varianz zwischen den Gruppen

Varianz, die auf Treatment zurückzuführen (Treatmenteffekte)

Fehlervarianz: Varianz innerhalb der Gruppe (Sekundär- plus Fehlervarianz)

wenn der untersuchte Faktor einen Einfluss auf die abhängige Variable hat ist die Primärvarianz relativ groß im Vergleich zur Fehlervarianz

Schätzung der jeweiligen Varianzen über Quadratsummen* Berechung F-Wert...

Experimentelle Designs und Analyse – Varianzanalyse: Varianzzerlegung

*hier nicht näher ausgeführt; ausführliche Darstellung siehe Bortz, J. (1989). Statistik für Sozialwissenschaftler. Berlin: Springer.Honeck, R.P.; Kibler, C.T. & Sugar, J. (1983). Experimental design and analysis. Lanham: University Press of America.


im F-Wert werden Treatment und Fehlervarianz zueinander ins Verhältnis gesetzt:

Index, der angibt welchen Anteil der Streuung auf das Treatment zurück geht

F-Test: Vergleich des empirisch ermittelten F-Wertes mit kritischen F-Wert (für spezifische Freiheitsgrade und festgelegtes Signifikanzlevel Tabelle F-Verteilung) wenn der empirische F-Wert größer ist als der kritische F-Wert ist die Wahrscheinlichkeit, dass die Treatmentgruppen aus der gleichen Population stammen geringer als das entsprechende Signifikanzniveau und die Nullhypothese wird verworfen mindestens zwei Mittelwerte unterscheiden sich

Experimentelle Designs und Analyse – Varianzanalyse: F-Wert

Femp ˆ treat

2

ˆ Fehler2


Literaturhinweise

Winer, B.J. (1971). Statistical principles in experimental design. New York: Mc Graw-Hill

Bortz, J. (1989). Statistik für Sozialwissenschaftler. Berlin: Springer.

Honeck, R.P.; Kibler, C.T. & Sugar, J. (1983). Experimental design and analysis. Lanham: University Press of America.


Beim Hypothesentesten können 2 Arten von Fehlern auftreten: Der Fehler 1. Art (α, Alpha-Fehler) tritt auf, wenn die Nullhypothese richtig

ist, aber dennoch anhand der vorliegenden statistischen Daten abgelehnt wurde.

fälschliche Annahme von H1

Der Fehler 2. Art tritt auf, wenn die Alternativhypothese richtig ist, aber dennoch anhand der vorliegenden Daten zugunsten der Nullhypothese abgelehnt wurde. fälschliches Beibehalten von Ho

Nachtrag: Anmerkungen zu Alpha und Beta Fehler

In der Population giltdie:

In der Population giltdie:

H0 H1

Entscheidung aufGrund der Stich- H0

richtigeEntscheidung

ß-Fehler oderFehler zweiter Art

probe zugunsten der: H1

-Fehler oderFehler erster Art

richtigeEntscheidung


Statistische Signifikanz

Signifikanzaussagen sind Aussagen über die Wahrscheinlichkeit eines -Fehlers (bzw. -Fehlers).

Man fragt danach, mit welcher Wahrscheinlichkeit mit dem gefundenen oder einem extremeren Ergebnis zu rechnen ist, wenn wir davon ausgehen, daß die Nullhypothese richtig ist.

Diese Wahrscheinlichkeit entspricht der Wahrscheinlichkeit für einen -Fehler oder der Irrtumswahrscheinlichkeit, die wir in Kauf nehmen müssen, wenn wir aufgrund des Untersuchungsergebnisses die Nullhypothese verwerfen.

Dr. Rainer Roth, Universität des Saarlandes: Verarbeitung sozialer Information Verarbeitung...

Documents

Transcript of Dr. Rainer Roth, Universität des Saarlandes: Verarbeitung sozialer Information Verarbeitung...