Durchschnittliche und bedingte Treatmenteffekte bei dichotomen Outcome-Variablen

• Antragsteller: Dr. Christoph Kiefer
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 522862825

Das Projekt zielt auf die Untersuchung differentieller Wirksamkeit psychologischer Interventionen bei dichotomen Outcomes ab. Genauer: die Entwicklung eines statistischen Frameworks, der die Untersuchung durchschnittlicher und bedingter Behandlungseffekte basierend auf logistischen (und ähnlichen) Regressionsmodellen erlaubt. In den letzten Jahren hat die Evaluation differentieller Wirksamkeit psychologischer Interventionen stark an Aufmerksamkeit gewonnen; ein Feld, dass stark verwandt ist mit der „personalisierten Medizin“. Häufig werden dabei dichotome Outcomes betrachtet, z.B. Remissionen, Behandlungserfolg, Erreichen eines Cut-Offs für klinisch signifikante Veränderungen oder das Auftreten von Nebenwirkungen; welche alle von sozialen, biologischen und weiteren Gesundheitsaspekten der Patient*innen und deren Interaktion mit der Behandlung abhängen können. Wir schlagen einen statistischen Ansatz vor, der folgenden Fragen beantwortet, die in bisherigen Ansätzen der Effektschätzung bei dichotomen Outcomes problematisch sind: 1. Warum sind Odds Ratios problematisch? In Regressionsmodellen für dichotome Outcomes betrachtet man Treatmenteffekte häufig als Verhältniseffekte (z.B. Odds Ratio, Log Odds Ratio). Während neuere Forschung nahe legt, dass Verhältniseffekte in der Praxis oft falsch interpretiert werden, wird oft darauf hingewiesen, dass Verhältniseffekte in manchen Fällen keine kausale Interpretation zulassen, selbst wenn randomisiert wurde. Unser Ansatz stützt sich auf moderne Kausalitätstheorien, die eindeutige Definitionen kausaler Effekte bieten. 2. Warum sollte Stichprobenvariabilität berücksichtigt werden? Traditionelle Ansätze für Treatmenteffekte behandeln sowohl die beobachteten Gruppengrößen als auch die Kovariaten als fixiert, d.h. von der Untersuchungsleitung vorab festgelegt. Wenn diese aber durch zufällige Stichprobenziehung zustande kommen - was in sozialwissenschaftlicher Forschung die Regel sein dürfte – ist die statistische Inferenz zu liberal, d.h. selbst wenn kein Effekt vorliegt, wird sehr häufig ein signifikantes Ergebnis ausgegeben. Unser Ansatz behandelt sowohl Gruppengrößen als auch Kovariaten als Ergebnis zufälliger Stichprobenziehung, was zu verbesserter statistischer Inferenz führen kann. 3. Warum ist es wichtig, Messfehler zu berücksichtigen? Viele psychologische Konstrukte (z.B. Depression, Intelligenz) können nur mit Messfehler erhoben werden. Wenn man diesen Messfehler ignoriert, führt dies zur verzerrten Schätzung sowohl der Regressionskoeffizienten als auch der darauf aufbauenden Treatmenteffekte. Zusätzlich ergibt sich eine geringere Teststärke, um potentielle Moderatoren aufzuspüren. In unserem neuen Ansatz können Messfehler in den Kovariaten berücksichtigt werden, was zu verlässlicheren Effektschätzungen führt. Das Hauptziel des Projekts ist damit, eine zuverlässige Einschätzung differentieller Wirksamkeit bei dichotomen Outcomes in psychologischen Anwendungen zu ermöglichen und zu fördern.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Belgien
• Kooperationspartner: Professor Dr. Yves Rosseel
• Mitverantwortlich: Professor Dr. Axel Mayer