Kursthemen

  • Alles einklappen Alles aufklappen

    Dieser Kurs soll dich bei deinem empirischen Forschungsvorhaben vertieft unterstützen und ist auf die Lehre in den Psychologiestudiengängen an der Universität Kassel abgestimmt. Bei Fragen steht dir die (studentische) Methodenberatung des Fachgebiets Psychologische Forschungsmethoden zur Verfügung. Grundlegende Kenntnisse der Verfahren werden vorausgesetzt, wir geben aber auch wiederholende und ergänzende Literaturhinweise sowie kommentierte Code-Beispiele in R.

    Hinweise zur Navigation:
    • Klick einfach auf die Überschriften unter "Übersicht über die Themen", zu denen du dich informieren willst. Du kannst auch in der Seitenleiste links navigieren. 
    • Nach Begriffen suchen kannst du, indem du alles ausklappst (rechts oben) und mit Strg + F (Windows) oder cmd + F (Mac) nach Begriffen suchst.
    • Öffne Textseiten in neuem Tab über Rechtsklick + Öffnen in neuem Tab, um einfach und ohne Laden wieder zurückzunavigieren.

    Wir haben auch eine Checkliste für Empras und Abschlussarbeiten und für die Präregistrierung erstellt.

  • Übersicht über Themen und Entscheidungsbaum

  • Präregistrierung


    •  
      Was ist das?
      Vor jedem empirischen Forschungsvorhaben sollte eine Präregistrierung der zu testenden Hypothesen und des Versuchsdesigns sowie des Analyseplans vorgenommen werden. Nur dann kann das Forschungsvorhaben als konfirmatorisch gelten. Das ist insbesondere aus einer Open Science Perspektive heraus wichtig. 
      Außerdem kann es sehr hilfreich sein, schon bei der Planung die finale Datenanalyse im Kopf zu behalten. So können Fehler schon direkt im Versuchsplan vermieden werden, die sonst erst später bei der Datenanalyse auffallen würden.

      Hier findest du nützliche Onlinetools und Hinweise zur Präregistrierung.

    • Hinweise

      • Was ist konfirmatorische Forschung?

        Forschung ist dann konfirmatorisch, wenn sie im Vorhinein festgelegte Hypothesen mit festgelegten Mitteln testet. Das ist wichtig, um sicherzugehen, dass Forscher*innen nicht selbst Verzerrungen wie dem Confirmation Bias oder Hindsight Bias unterliegen oder ihre Daten für mehrere Tests benutzen, die im Vorhinein nicht geplant waren. Deswegen werden Forschungsprojekte präregistriert, um feststellen zu können wie das Experiment oder die Analyse ursprünglich geplant war.

        Trotzdem können explorative Analysen durchgeführt werden, um z.B. Hypothesen zu bilden. Das sollte als explorativ gekennzeichnet und im Idealfall an einem gesonderten Datensatz überprüft werden. Auch explorative Analysen können präregistriert werden, im Normalfall dann allgemeiner gehalten und ohne konkrete Hypothesen.

    • Onlineangebote zur konkreten Umsetzung der Präregistrierung

    • FAQ zur Präregistrierung

    • (Weiterführende) Literatur

      • Weshalb Präregistrierungen sehr nützlich sein können
        Wagenmakers, E.-J., Wetzels, R., Borsboom, D., van der Maas, H. L. J., & Kievit, R. A. (2012). An Agenda for Purely Confirmatory Research. Perspectives on Psychological Science, 7(6), 632-638. https://doi.org/10.1177/1745691612463078

  • Kausalität

    •  

      Was ist das?
      Ob du kausale Schlüsse aus deinem Modell ziehen kannst, kommt insbesondere auf das Versuchsdesign sowie inhaltliche Überlegungen an. Es ist sinnvoll, sich hierzu schon bei der Planung Gedanken zu machen.

    • Hinweise

    • (Weiterführende) Literatur

      • Methoden, um über kausale Prozesse nachzudenken
        Rohrer, J. M. (2018). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629

        Was ist die überhaupt der interessierende Effekt?
        Lundberg, I. Johnson, R., & Stewart, B. M. (2021). What Is Your Estimand? Defining the Target Quantity Connects Statistical Evidence to Theory. American Sociological Review, 86(3), 532-565. https://doi.org/10.1177/00031224211004187

        Statistical Control Requires Causal Justification
        Wysocki, A. C., Lawson, K. M., & Rhemtulla, M. (2022). Statistical Control Requires Causal Justification. Advances in Methods and Practices in Psychological Science, 5(2), 251524592210958. https://doi.org/10.1177/25152459221095823

        Instrumental Variables
        Maydeu-Olivares, A., Shi, D., & Fairchild, A. J. (2020). Estimating causal effects in linear regression models with observational data: The instrumental variables regression model. Psychological Methods, 25(2), 243–258. https://doi.org/10.1037/met0000226

        Vor- und Nachteile von ANCOVA vs Change-Score Ansätzen
        Lüdtke, O., & Robitzsch, A. (2023). ANCOVA versus Change Score for the Analysis of Two-Wave Data. The Journal of Experimental Education, 1–33. https://doi.org/10.1080/00220973.2023.2246187

        Versuchsplanerische Methoden
        Gollwitzer, M., Pohl, S., & Jäger, R. S. (2023). Evaluation kompakt: Mit Online-Material (3. Auflage). Julius Beltz GmbH & Co. KG.


  • Poweranalyse


    •  
      Was? Welche Frage wird beantwortet?
      Wie groß muss meine Stichprobe sein, damit ich eine realistische Chance habe, einen Effekt einer bestimmten Größe zu finden, sofern dieser wirklich in der Population vorliegt?

      Wann?
      Eine Poweranalyse ist nur vor der Datenanalyse zur Planung der Erhebung sinnvoll, niemals danach (post-hoc) auf Basis des beobachteten Effekts (siehe z.B. Hoening & Heisey, 2001).

  • Datenaufbereitung


    • Was? Welchen Zweck erfüllt die Datenaufbereitung?
      Wie bekomme ich meine erhobenen Daten in eine Form, die es mir erlaubt (inferenz-)statistische Verfahren anzuwenden?

      Wann? Welche Art von Umformungen werden typischerweise gemacht?

      • Möglicherweise möchtest du nur ein Subset des erhobenen Datensatzes auswerten. Wir zeigen dir, wie du bestimmte Variablen oder auch bestimmte Werte nach Erfüllung von Bedingungen auswählen kannst. Wir zeigen dir auch, wie du fehlende Werte in deinen Daten finden und ggf. ausschließen kannst.
      • Für unterschiedliche Analysen benötigt R die Daten in unterschiedlicher Anordnung (z.B. häufig long format für ANOVA vs. wide format für Regressionen). Wir zeigen dir, wie du zwischen unterschiedlichen Anordnungen der Daten wechseln kannst.
      • In Analysen, Tabellen oder Abbildungen werden häufig statistische Kennwerte (z.B. Mittelwerte & Standardabweichungen) abgebildet. Wir zeigen dir, wie du statistische Kennwerte für unterschiedliche Gruppen (Kombinationen von Variablenausprägungen) einfach berechnen kannst.

    • Hinweise zur konkreten Umsetzung

      • How to Datenaufbereitung

        Schritte der Datenaufbereitung
        • Daten einlesen und explorieren
        • Kodierung fehlender Werte (z.B. Sind alle fehlenden Werte richtig als NA kodiert?)
        • Items rekodieren (z.B. invertierte Items, Dummykodierung einführen, ...)
        • Daten aggregieren & statistische Kennwerte berechnen

        Good Practices
        • Du solltest alle Schritte deiner Datenaufbereitung in deinem R-Script dokumentieren (syntaxbasiert arbeiten). Dudurch werden alle Schritte der Datenaufbereitung nachvollziehbar und reproduzierbar.
        • Automatisierte Rekodierung vorziehen, wenn möglich (Human coding ist viel fehleranfälliger)
        • Speichere deinen finalen Datensatz, sodass du die Datenaufbereitung nicht jedes Mal erneut durchlaufen musst.
        • Achte darauf, deine Original-Daten nicht aus Versehen zu verändern. Rohdaten nicht überschreiben, sondern separat speichern
        • Lösche dein Environment und lasse das komplette R-Skript durchlaufen. So fallen dir ggf. letzte Fehler auf, die du dann korrigieren solltest.

    • FAQ

    • (Weiterführende) Literatur

  • Non-Parametrische Tests und Tests für Ordinalskalierte Variablen (Bachelor)


    •  
      Was? Welche Frage beantwortet das Modell?
      Die Fragestellungen unterscheiden sich nicht grundsätzlich von denen bei parametrischen Verfahren - die Interpretationen jedoch.

      Wann? Welche Art von Daten werden damit analysiert?

  • t-Tests, ANOVA und Voraussetzungen (Bachelor)


    •  
      Was? Welche Frage beantwortet das Modell?
      Gibt es Gruppenunterschiede/ Unterschiede zwischen Experimentalbedingungen/ Gruppen auf einem Kriterium?

      Wann? Welche Art von Daten werden damit analysiert?

  • Regression, Moderation und Voraussetzungen (Bachelor)

    •  

      Was? Welche Frage beantwortet das Modell?
      Kann ich mit einem oder mehreren Prädiktoren ein Kriterium vorhersagen?
      Besteht ein Zusammenhang zwischen zwei Variablen, wenn man für den Einfluss anderer Variablen kontrolliert?
      Moderiert eine Variable den Zusammenhang zwischen zwei anderen Variablen (Interaktion)? 

      Wann? Welche Art von Daten werden damit analysiert?

  • Mediation, Pfadmodelle, Strukturgleichungsmodelle (Master)

    •  

      Was? Welche Frage beantwortet das Modell?
      Kann ich komplexere Zusammenhänge zwischen mehreren Variablen modellieren?
      Ist der Zusammenhang von einem Prädiktor auf ein Kriterium durch einen Mediator vermittelt? 

      Wann? Welche Art von Daten werden damit analysiert?

  • Logistische Regression (Master)


  • Faktoranalyse (Exploratorisch und Konfirmatorisch) (Master)


    •  

      Was? Welche Frage beantwortet das Modell?
      Konfirmatorische Faktorenanalyse: Überprüfung einer vorab spezifizierten Faktorstruktur von Items
      Exploratorische Faktorenanalyse: Auffinden einer vorab nicht spezifizierten Faktorstruktur von Items


      Wann? Welche Art von Daten werden damit analysiert?
      Mehrere einzelne Items, die als Indikatoren für latente Konstrukte (Faktoren) dienen

  • Multilevelmodelle, Linear Mixed Models, Hierarchische Modelle (Master)

    •  

      Was? Welche Frage beantwortet das Modell?
      Erweiterung des ALM für hierarchisch strukturierte Daten:
      Gibt es Unterschiede in Effekten zwischen verschiedenen Level-2-Einheiten? Wodurch kann man die Unterschiede erklären?
      Gibt es verschiedene Effekte auf Level-1 und Level-2 (Kontexteffekte)?

      Wann? Welche Art von Daten werden damit analysiert?

    • Hinweise zur konkreten Umsetzung

    • FAQ

    • Codebeispiel in R

    • (Weiterführende) Literatur

      • Auswahl der random effects
        Matuschek, H., Kliegl, R., Vasishth, S., Baayen, H., & Bates, D. (2017). Balancing Type I error and power in linear mixed models. Journal of Memory and Language, 94, 305–315. https://doi.org/10.1016/j.jml.2017.01.001

        Klassische Mythen bei Multilevelmodellen (ICCs, Verzerrungen, Empfehlungen für Stichprobengrößen)
        Huang, F. L. (2018). Multilevel modeling myths. School Psychology Quarterly, 33(3), 492–499. https://doi.org/10.1037/spq0000272

        Multilevelmodelle bei < 30 Level-2-Einheiten
        Hox, J. & McNeish, D. (2020). Small Samples in Multilevel Modeling. Routledge. Verfügbar über die Unibibliothek.

        Robustheit von LMMs bei Verletzung der Normalverteilung
        Maas, C. J. M., & Hox, J. J. (2004). Robustness issues in multilevel regression analysis. Statistica Neerlandica, 58(2), 127–137. https://doi.org/10.1046/j.0039-0402.2003.00252.x

        Heteroskedastizitätskorrektur in Multilevelmodellen
        Huang, F. L., Wiedermann, W., & Zhang, B. (2023). Accounting for Heteroskedasticity Resulting from Between-Group Differences in Multilevel Models. Multivariate Behavioral Research, 58(3), 637–657. https://doi.org/10.1080/00273171.2022.2077290

        Vergleich LMM mit Cluster Robust Standarderrors und Fixed-Effects Ansätzen
        McNeish, D. (2023). A practical guide to selecting and blending approaches for clustered data: Clustered errors, multilevel models, and fixed-effect models. Psychological Methods. https://doi.org/10.1037/met0000620

        Zentrierung von beobachteten dichotomen Prädiktoren in Multilevelkontext
        Yaremych, H. E., Preacher, K. J., & Hedeker, D. (2023). Centering categorical predictors in multilevel models: Best practices and interpretation. Psychological Methods, 28(3), 613–630. https://doi.org/10.1037/met0000434

        Entscheidung zwischen Mixed Model und Latent Growth Curve Model
        McNeish, D., Matta, T. (2018). Differentiating between mixed-effects and latent-curve approaches to growth modeling. Behav Res 50, 1398–1414. https://doi.org/10.3758/s13428-017-0976-5

        Ausreißer und einflussreiche Datenpunkte im LMM detektieren
        Nieuwenhuis, R., te Grotenhuis, M., & Pelzer, B. (2012). influence.ME: Tools for Detecting Influential Data in Mixed Effects Models. The R Journal, 4(2), 38–47. http://doi.org/10.32614/RJ-2012-011

        Robustheit von LMMs gegenüber Verletzungen der Verteilungsannahmen
        Schielzeth H, Dingemanse NJ, Nakagawa S, et al. Robustness of linear mixed-effects models to violations of distributional assumptions. Methods Ecol Evol. 2020; 11: 1141–1152. https://doi.org/10.1111/2041-210X.13434

  • Meta-Analyse (Master)

    •  

      Was? Welche Frage beantwortet das Modell?
      Gibt es über mehrere Studien hinweg einen Gesamteffekt? Woran liegt es, dass sich Studienergebnisse (systematisch) unterscheiden?

      Wann? Welche Art von Daten werden damit analysiert?

      • Stichprobe: Studien
      • Kriterium: Vergleichbares Effektstärkemaß

    • Hinweise zur konkreten Umsetzung

      • Eine Meta-Analyse ist ein sehr umfangreiches Forschungsvorhaben. Die nötige Literaturrecherche und Kodierung der Einzelstudien sprengen in der Regel den Umfang einer Abschlussarbeit. Besprich dich dazu gut mit deiner Betreuungsperson.

      • hier findet ihr Guidelines, Checklisten und Flowsharts zu PRISMA (Preferred Reporting Items for Systematic reviews and Meta- Analyses )

    • Codebeispiel in R

      • Meta-Analysen lassen sich in R mithilfe des packages metafor umsetzen. Das Paket hat eine umfangreiche Dokumentation.

        ↳ Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03

    • (Weiterführende) Literatur

      • Umfassendes Einführungswerk
        Borenstein, M., Hedges, L.V., Higgins, J.P.T. & Rothstein, H.R. (2009). Introduction to Meta-Analysis. John Wiley & Sons Ltd. Verfügbar über die Unibibliothek.

        Umfassende Literaturübersicht auch hier (Wolfgang Viechtbauer, metafor-Package): https://www.metafor-project.org/doku.php/analyses

        (Multilevel) Metaanalyse How to
        Assink, M.,& Wibbelink, C.J.M. (2016). Fitting three-level meta analytic models in R: A Step-by-step tutorial. The Quantitative Methods for Psychology, 12(3), 154-174. https://doi.org/10.20982/tqmp.12.3.p154

  • Inhaltlich-strukturierende Qualitative Inhaltsanalyse (Bachelor)

    •  

      Es gibt viele verschiedene qualitative Methoden - hier gibt es nur ein Überblick über die in der Psychologie gängigste - die inhaltlich-strukturierende Inhaltsanalyse (siehe Schreier, 2014), die an der Universität Kassel im Bachelor gelehrt wird.

      Was? Welche Frage beantwortet das Modell?
      Fragestellungen können offener, explorativer, prozessbezogener, individualisierter, kontextualisierter, sprachbezogener, ... sein, als bei quantitativen Analysen.

      Wann? Welche Art von Daten werden damit analysiert?
      Text verschiedenster Art: Transkribierte Interviews, Freitextantworten, Instagramcaptions, Zeitungsartikel, ...

  • Grafiken und Tabellen in R

    •  
      Was? Welchen Zweck erfüllen Grafiken und Tabellen?
      Wie kann ich meine Ergebnisse ökonomisch darstellen und damit die im Text beschriebenen Ergebnisse untermauern/verdeutlichen?

      Wann? Welche Ergebnisse kann ich wie darstellen (Grafiken vs. Tabellen vs. im Text)?

      • Die zentralen Ergebnisse deiner empirischen Arbeit, auf die du dich in der Diskussion und bei deinen Schlussfolgerungen beziehst, solltest du explizit im Text benennen und beschreiben (Achtung: auch für das Berichten von statistischen Ergebnissen gibt es Regeln). Dabei solltest du dich auch auf Tabellen und Grafiken beziehen, die diese Ergebnisse zur Verdeutlichung darstellen.
      • Tabellen können der übersichtlichen Darstellung einer Vielzahl bzw. der Gesamtheit von Ergebnissen dienen, die nicht alle zwangsläufig relevant genug sind, um im Text Erwähnung zu finden (z.B. Parameter des gesamten (Regressions-/ANOVA-) Modells). Tabellen können auch die Reproduzierbarkeit von Ergebnissen ermöglichen (z.B. Werte aus Einzelstudien in Metaanalysen oder Kovarianzmatrizen (& Mittelwerte) für Faktorenanalysen, ...).
      • Grafiken können dir an unterschiedlichen Stellen im Forschungsprozess helfen. Grafiken können dir bei der Auswertung deiner erhobenen Daten helfen (z.B. Verteilungen plotten, Ausreißer identifizieren, ...) oder Leser*innen beim Verständnis deiner zentralen Ergebnisse in deiner Arbeit helfen. Oft ist die graphische Darstellung deiner Ergebnisse leichter verständlich als die Beschreibungen im Text.
      • Denke auch daran, dass es für die Gestaltung und Einbettung von Grafiken & Tabellen in den Text bestimmte Regeln gibt (üblicherweise APA Style).

    • Tabellen

      • Innerhalb von RStudio kannst du Tabellen im APA Style für Word (oder für Latex) automatisiert erstellen lassen. Damit sparst du dir viel Zeit und kannst Übertragungsfehler vermeiden. 

        Wir zeigen dir anhand einer Mittelwertstabelle das generelle Vorgehen, um Tabellen für Word mit dem rempsyc-Package zu erzeugen. Im verlinkten Tutorial findest du auch eine Anleitung um deine inferenzstatistischen Ergebnisse (z.B. aus der linearen Regression) abzubilden.

    • Grafiken (mit ggplot2)

      • Wie verwende ich diesen Kursabschnitt?

        • Wenn du noch nie mit ggplot2 gearbeitet hast, solltest du zuerst das Step-by-Step Tutorial durchklicken. Dabei bauen wir gemeinsam ein Liniendiagramm zur Darstellung von Mittelwerten (inklusive Fehlerbalken) Schritt für Schritt auf. Wir starten mit einem konkreten Datenbeispiel und dessen Format in R und betrachten am Ende des Tutorials typische Formatierungs-Optionen (z.B. Farbenwahl, Schriftgrößen, ...). Im Verlauf des Tutorials bauen wir den Code schrittweise auf.
        • Wenn du bereits erste Erfahrungen mit ggplot2 hast, kannst du auch direkt die finale Beispielgrafik ansehen und Darstellingsdetails durch die markierten Hotspots in Erfahrung bringen.
        • Vielleicht findest du deine Frage zu Grafiken in R und die entsprechende Antwort auch im FAQ wieder.

        Grafiken designen

        Je nach Art der Daten (z.B. kategoriale vs. stetige Variablen, ...) sind unterschiedliche Arten von Grafiken geeignet. Hier findest du Inspiration für Visualisierungsmöglichkeiten und entsprechende Code-Beispiele für ggplot2 und weiterführende, auf ggplot aufbauende Packages. In diesem Glossarbeitrag findest du außerdem Hinweise, was bei der Darstellung von Fehlerbalken (insbesondere von Konfidenzintervallen) in Grafiken mit Punktschätzern (z.B. Mittelwerten) zu beachten ist sowie Daumenregel für deren Interpretation, beispielsweise in Bezug auf t-tests.    

        Beispielcode für typische Grafiken

        Solltest du Beispielcode für übliche Grafiken suchen wirst du hier ebenfalls fündig. Manchmal hilft ein anderes Beispiel oder eine zweite Erklärung mit anderen Worten bei deinem Verständnis enorm.

        Inspiration finden

        Wenn du noch keine Idee hast, wie du die Vielzahl deiner Variablen möglichst effizient und dennoch aussagekräftig in einer Grafik darstellen möchtest, kannst du dir Inspiration holen. Zugleich findest du auch den zugehörigen Beispielcode, den du nur noch an deine Daten anpassen musst.

        Erweiterungs-Packages für komplexere Grafiken

        Für komplexere Grafiken, die häufig verwendet werden (z.B. Korrelogramme zur Visualisierung vieler Korrelationen), gibt es häufig Packages, die die Anwendung dieser komplexen Grafiken sehr erleichtern. Viele dieser Packages verwenden intern ggplot2 und schreiben für dich den komplexen Code, um deine Coding-Arbeit zu erleichtern.


      • Icon Datei
        Beispieldaten Grafik-Tutorial Datei

        Wenn du den Grafik-Code selbst ausprobieren möchtest, kannst du die im Tutorial verwendeten Daten einfach herunterladen und mit load("Beispieldaten.rda") in RStudio einlesen.

    • FAQ

      • FAQ

    • Beispielcode für R

    • (Weiterführende) Literatur

  • Open Science und Schreibtipps

    • Checklisten

    • (Weiterführende) Literatur

      • Huber, O. (2019). Das psychologische Experiment : eine Einführung, mit fünfundfünfzig Cartoons aus der Feder des Autors (7., überarbeitete Auflage). Hogrefe. Erhältlich über die Unibibliothek.


  • Urheber:innen

    • Infowaschbär-Grafik

      Konzeption und Zusammenstellung der Materialien: Salomé Li Keintzel, Kim-Laura Speck, Natascha Stahl, Marie Fuchs, Lea Degner, Constantin Wiegand, Amelie Jägersberg, Moritz Ehrnstraßer, Sarah Kleiner

      Förderung: Dieser Kurs wurde durch eine Zentrale Lehrförderung der Universität Kassel ermöglicht und vom Servicecenter Lehre (Dr. Serap Uzunbacak; Hsiang-Chin Wang aus dem Projekt HessenHub) didaktisch begleitet. 

      Ansprechperson für allgemeine Anliegen zum Kurs: Salomé Li Keintzel (slkeintzel@uni-kassel.de; FG Psychologische Forschungsmethoden), Prof. Dr. Florian Scharf (florian.scharf@uni-kassel.de; FG Psychologische Forschungsmethoden)

      Verwendungsrechte: folgt

    • Icon Forum
      Feedback und Bug Report Forum

      Hier können Sie Feedback zum Kurs geben.