Psychother Psychosom Med Psychol 2012; 62(01): 40-41
DOI: 10.1055/s-0031-1292888
Fragen aus der Forschungspraxis
© Georg Thieme Verlag KG Stuttgart · New York

Was tun mit dem „Therapeuten-Effekt“?

How to Handle the Therapists’ Effect?
U. Berger
Universitätsklinikum Jena der Friedrich-Schiller-Universität Jena, Institut für Psychosoziale Medizin und Psychotherapie
,
K. Wick
Universitätsklinikum Jena der Friedrich-Schiller-Universität Jena, Institut für Psychosoziale Medizin und Psychotherapie
› Author Affiliations
Further Information

Publication History

Publication Date:
23 January 2012 (online)

Was wird erklärt?

Studien zur Wirksamkeit von (Psycho-)Therapien haben häufig das Problem, dass mehrere Patienten einer Stichprobe vom selben Therapeuten behandelt werden. Die einzelnen Messungen sind damit nicht mehr unabhängig voneinander, und eine Grundvoraussetzung zum Einsatz einfacher Verfahren zur Überprüfung von Mittelwertunterschieden (wie t-Test oder Varianzanalyse) ist verletzt. Was kann bzw. was muss ich in einem solchen Fall tun?

Das angesprochene Problem wird in der Methodenlehre u. a. als „Design-Effekt“, „Nested Design Effect“, „Clustered Data Effect“, „Mixed“ bzw. „Random Effect“ oder „Hierarchischer Effekt“ bezeichnet. Einfache statistische Tests setzen die Unabhängigkeit aller Messeinheiten (Versuchspersonen, „Subjects“ oder allgemein „Units“) voraus. So ist der F-Wert der Varianzanalyse definiert als Quotient:

Varianz zwischen Units (= Treatment-Varianz) ÷ Varianz innerhalb der Units (= Fehlervarianz).

Beruht die Varianz innerhalb der Units nicht auf unabhängigen Messungen, weil die Units z. B. Patienten einer Therapiegruppe sind, wird ihr Anteil unterschätzt und damit die Treatment-Varianz überschätzt. Dadurch wird ein Mittelwertunterschied eher als signifikant ausgewiesen. Da diese Verzerrung in Richtung der leichteren Annahme der Alternativ-Hypothese (es wird ein Unterschied zwischen den Versuchsbedingungen erwartet) arbeitet, kommt sie einer Inflation des Alpha-Fehlers gleich. Studienergebnisse auf der Basis von Designs, die einen potenziellen Gruppierungs- oder Cluster-Effekt enthalten, sind daher unter Umständen nicht valide [1] [2]. Um diesem Problem zu begegnen, können spezielle statistische Verfahren (s. u.) eingesetzt werden. Da diese Methoden aufwendiger zu rechnen und zu interpretieren sind als einfache Verfahren zum Vergleich von Mittelwertunterschieden, ist deren Einsatz jedoch nur sinnvoll, wenn die Höhe des Verzerrungspotenzials, d. h. die Größe des Design-Effekts, bekannt ist.

 
  • Literatur

  • 1 Snijders TA, Bosker RJ. Multilevel analysis. An introduction to basic and advanced multilevel modelling. Thousand Oakes, CA: Sage; 1999
  • 2 Brown H, Prescott R. Applied mixed models in medicine. New York: John Wiley & Sons; 2006
  • 3 Raudenbush SW, Bryk AS. Hierarchical linear models. 2nd. ed. Newbury Park, CA: Sage; 2002
  • 4 Kish L. Survey Sampling. New York: John Wiley & Sons; 1965
  • 5 McCoach DB, Adelson JL. Dealing With Dependence (Part I): Understanding the Effects of Clustered Data. Gift Child Q 2010; 54: 152-155