Statistik & Methodik

Nullhypothese | Statistik

Besuchen Sie unseren Shop
Statistik

Nullhypothese | Statistik

Eine Nullhypothese ist für die wissenschaftliche Untersuchung von grundlegender Bedeutung, da sie die Grundlage für Forschungsuntersuchungen bildet. Sie bietet den Forschern nicht nur einen Ausgangspunkt, sondern ermöglicht es ihnen auch, alternative Hypothesen zu entwickeln, die getestet und bewertet werden können.

Die Rolle der Nullhypothese

In wissenschaftlichen Studien ist es häufig wichtig, die Beziehung zwischen Variablen zu untersuchen oder herauszufinden, ob es Unterschiede zwischen Gruppen gibt. Die Nullhypothese besagt, dass es oft keinen erkennbaren Unterschied oder Zusammenhang zwischen den untersuchten Variablen gibt. Es bedeutet, dass es keine Beziehung zwischen den relevanten Komponenten oder eine Wirkung zwischen ihnen gibt.

Die Forscher erstellen die Nullhypothese, die als Bezugspunkt für den Vergleich ihrer Ergebnisse dient. Diese Hypothese wird in der Regel durch das Symbol H0 dargestellt und dient als Maßstab für die Bestimmung der statistischen Signifikanz der Ergebnisse der Studie.

Beispiel

Zur weiteren Verdeutlichung dieses Gedankens soll eine Studie über die Auswirkungen eines neuartigen Interventionsprogramms auf unspezifische Nackenschmerzen als Beispiel dienen. Die Nullhypothese besagt, dass es in dieser Situation keinen erkennbaren Unterschied bei den Nackenschmerzen zwischen den Patienten gibt, die die Intervention erhalten, und denen, die sie nicht erhalten.

Die Nullhypothese kann also mathematisch als H0 formuliert werden: 1 - 2 = 0, wobei 1 der durchschnittliche Nackenschmerz derjenigen ist, die die Intervention erhalten, und 2 der durchschnittliche Nackenschmerz derjenigen, die sie nicht erhalten.

Nachdem sie Informationen gesammelt haben, führen die Forscher statistische Tests durch, um festzustellen, ob die Beweise die Nullhypothese bestätigen oder widerlegen. Forscher können die Nullhypothese zugunsten einer Alternativhypothese verwerfen, wenn die Daten der Nullhypothese widersprechen und einen signifikanten Unterschied oder Zusammenhang zeigen.

Tun Sie das nicht

Es ist wichtig zu betonen, dass die Alternativhypothese nicht durch die Ablehnung der Nullhypothese bewiesen wird. Stattdessen wird argumentiert, dass die Daten darauf hindeuten könnten, dass die Alternativhypothese als plausiblere Erklärung anzusehen ist. In der Regel behauptet die Alternativhypothese, dass es einen Unterschied oder einen Zusammenhang zwischen den relevanten Variablen gibt.

In der Praxis analysieren die Forscher die Wahrscheinlichkeit, dass die angegebenen Ergebnisse unter der Nullhypothese erzielt werden, mit Hilfe verschiedener statistischer Tests, wie t-Tests oder Chi-Quadrat-Tests. Die Forscher verwerfen die Nullhypothese und untersuchen die Alternativhypothese, wenn die Wahrscheinlichkeit unter ein vorgegebenes Signifikanzniveau fällt, das üblicherweise als Alpha (α) bezeichnet wird, meist 0,05.

Das Testen von Hypothesen ist ein wesentlicher Bestandteil der wissenschaftlichen Forschung, da es den Forschern ermöglicht, auf der Grundlage empirischer Daten Urteile zu fällen. Forscher können ihr Wissen erweitern und zum Verständnis vieler Phänomene beitragen, indem sie die Nullhypothese methodisch analysieren und in Frage stellen.

Probleme mit Nullhypothesentests

Ein wesentlicher Kritikpunkt ist, dass sie häufig die Effektgrößen und die klinische Signifikanz außer Acht lässt und sich nur auf die statistische Signifikanz konzentriert. Die statistische Signifikanz gibt keinen Aufschluss über die Größe oder Signifikanz des festgestellten Effekts; sie sagt lediglich aus, ob ein Ergebnis wahrscheinlich zufällig zustande gekommen ist. Das Testen großer Datensätze kann zu signifikanten Ergebnissen (Zurückweisung der H0) für die kleinsten Unterschiede führen.

Lassen Sie uns das vorherige Beispiel weiter ausführen. Sie interessieren sich für die VAS (visuelle Analogskala) für Schmerzen nach der Behandlung für zwei Interventionen gegen Nackenschmerzen. Sie haben etwa 1000 Patienten pro Gruppe. Gruppe A hat einen Durchschnitt von 2,2/10 nach der Behandlung, Gruppe B von 2,4/10. Da die Gruppen so groß sind, besteht die Chance, dass dieser winzige Unterschied bei einem Null-Hypothesentest zu einem signifikanten Unterschied führt. Ein Unterschied von 0,2/10 ist jedoch kaum von Bedeutung. In Bezug auf die klinische Bedeutung sind diese beiden Gruppen gleichwertig.

Ein weiteres Problem ist, dass die Nullhypothese abgelehnt oder angenommen werden kann, was zu einer binären Interpretation der Daten führen kann. Dieser dichotome Ansatz könnte komplizierte Vorgänge zu stark vereinfachen und die feineren Details der Daten übersehen.

Außerdem wird bei der Prüfung von Nullhypothesen davon ausgegangen, dass die Nullhypothese wahr ist, bis sie widerlegt ist. Dies kann zu einer Voreingenommenheit zugunsten der Nullhypothese führen und dazu führen, dass potenziell signifikante Effekte nicht erkannt werden.

Die Gegner argumentieren, dass alternative Methoden wie die Effektgrößenberichterstattung oder die Bayes-Statistik eine gründlichere und aufschlussreichere Untersuchung von Studienergebnissen bieten können, die ein besseres Verständnis der Relevanz und der praktischen Konsequenzen der Ergebnisse ermöglicht.

Zusammenfassung

Die Nullhypothese, die besagt, dass es keinen signifikanten Unterschied oder Zusammenhang zwischen den interessierenden Variablen gibt, dient als Standardannahme in einer Forschungsuntersuchung. Um die Nullhypothese zugunsten der Alternativhypothese zu verwerfen, müssen die Daten mit der Nullhypothese unvereinbar sein und einen signifikanten Unterschied aufweisen. Wissenschaftler können Hypothesen verbessern, neue Konzepte untersuchen und unser Verständnis der Welt durch Hypothesentests vertiefen. Es gibt jedoch eine große Gruppe von Kritikern der Nullhypothesentests. Es ist nicht ohne Schwächen.

Verweise

Neyman, J., & Pearson, E. S. (1933). Zur Problematik der effizientesten Tests von statistischen Hypothesen. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). Über die Neyman-Pearson-Theorie des Testens. Die britische Zeitschrift für Wissenschaftsphilosophie, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Quintana, D.S., Williams, D.R. Bayes'sche Alternativen für gängige Null-Hypothesen-Signifikanztests in der Psychiatrie: ein nichttechnischer Leitfaden unter Verwendung von JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm und Anderson, P-Werte sind nur ein Indiz für Evidenz: 20- vs. Statistische Wissenschaft im 21. Jahrhundert. Ökologie (2014), https://doi.org/10.1890/13-1066.1

Gefällt Ihnen, was Sie lernen?

Verwenden Sie die Bewertungs-App

  • Über 300 orthopädische Tests zur Befunderfassung
  • Statistiken, grundlegende Assessments und Screening-Tests enthalten
  • Direkte Links zu PubMed-Artikeln
  • Prägnante Testbeschreibungen
  • Video-Demonstration
  • Einfache Suche & Favoritenfunktion
E-Book

ALLE ORTHOPÄDISCHEN UNTERSUCHUNGEN AN EINEM ORT

ALLE PRODUKTE ANZEIGEN
Bewertung App-Banner
Bewertung E-Book
Bewertungen

Was Kunden über das Assessment E-Book zu sagen haben

Schauen Sie sich unser Alles-in-Einem-Buch an!
Laden Sie unsere KOSTENLOSE App herunter