Meta-Analyse in der Psychologie

Metaanalyse in der Psychologischen Diagnostik

• Eine Metaanalyse ist eine statistische Methode zur Aggregation von Einzelbefunden aus Primärstudien.
• Im Gegensatz zu einem Review ist eine Metaanalyse quantitativ orientiert.
• Traditionelle statistische Verfahren legen Wert auf statistische Signifikanztests, während Metaanalysen sich auf die Richtung und Höhe von Effekten über verschiedene Studien hinweg konzentrieren.
• Metaanalysen können auf Forschungsarbeiten angewendet werden, die empirisch und quantitativ sind, dieselben Konstrukte und Beziehungen untersuchen und deren Ergebnisse in vergleichbaren statistischen Kennwerten ausgedrückt werden können (z.B. Effektstärken, Korrelationskoeffizienten, Odds-Ratios).
• Unterschiedliche Ergebnisse zwischen Studien können inhaltliche (z.B. Stichproben, Interventionen), statistische (z.B. Schätzgenauigkeit), methodische (z.B. Versuchspläne) oder messtheoretische (z.B. Reliabilität der Messinstrumente) Ursachen haben.
• Das Ziel ist es, Forschern und Praktikern einen Überblick über den Forschungsstand zu geben.

Forschungssynthese

• Narrative Reviews fassen den aktuellen Forschungsstand subjektiv zusammen, indem sie Ergebnisse von Primärstudien vorstellen und bewerten.
• Metaanalysen aggregieren Ergebnisse verschiedener Primärstudien statistisch und betrachten die Ergebnisse der Primärstudien als Untersuchungseinheiten.

Vergleich von Übersichtsarbeiten

Unterschiede zwischen Narrative Reviews, Systematischen Reviews und Metaanalysen in Bezug auf Studienprotokoll, Literatursuche, quantitative Zusammenfassung, Analyse von Individualdaten und prospektive Planung:

• Narrative Reviews beinhalten kein geplantes Studienprotokoll, keine systematischen Kriterien und eine subjektive Bewertung.
• Systematische Reviews umfassen eine systematische Studienauswahl, aber keine quantitative Auswertung.
• Metaanalysen aggregierter Daten umfassen systematische Studienauswahl, quantitative Zusammenfassung und Analysen auf Gruppenebene.
• Metaanalysen individueller Daten umfassen systematische Studienauswahl, quantitative Zusammenfassung und Analysen auf Personenebene.
• Prospektive Metaanalysen umfassen systematische Studienauswahl, quantitative Zusammenfassung, Analysen auf Personenebene und a priori geplante Einzelstudien und Auswertung.

Historisches zur Meta-Analyse

• Karl Pearson (1904) mittelte Korrelationen über Studien zur Effektivität von Typhusimpfungen.
• R. A. Fisher (1944) erwähnte, dass die Aggregation von Wahrscheinlichkeitswerten die Testpower erhöhen kann.
• W. G. Cochran (1953) entwickelte eine Methode, um Mittelwerte unabhängiger Studien zu mitteln, und legte einen Großteil der statistischen Grundlagen der modernen Meta-Analyse.
• Hans J. Eysenck argumentierte 1952 in "The Effects of Psychotherapy: An Evaluation", dass es keine Beweise für positive Effekte der Psychotherapie gibt.
• Gene V. Glass veröffentlichte "Meta-Analysis of Psychotherapy Outcome Studies" im Jahr 1978 in der American Psychologist, in welcher die Ergebnisse von 375 Studien aggregiert wurden, um die Wirksamkeit der Psychotherapie zu demonstrieren.

Vorteile der Meta-Analyse

• Das Kombinieren unterschiedlicher Studienergebnisse erhöht die Generalisierbarkeit.
• Das Gewichten unterschiedlicher Studienergebnisse verbessert die Messpräzision.
• Widersprüchliche Ergebnisse können durch Moderatoranalysen erklärt werden.
• Ergebnisse aus Einzelstudien können durch Aggregation eine höhere statistische Power und Präzision erhalten.

Vorgehen bei einer Meta-Analyse

1. Konkretisierung der Fragestellung
2. Bestimmen von Inklusions- und Exklusionskriterien sowie Moderatoren
3. Literatursuche
4. Kodierung
5. Effektstärkeberechnung
6. Aggregation der Effektstärken und Heterogenitätsanalyse
7. Moderatoranalyse
8. Prüfung auf Publikationsbias

Effektstärke

• Die Effektstärke ist der Schlüssel zur Meta-Analyse, da sie die Standardisierung von Ergebnissen unterschiedlicher Studien ermöglicht.
• Effektstärken können ineinander umgerechnet werden.
• Jeder standardisierte Kennwert kann eine Effektstärke darstellen, solange er über Studien hinweg vergleichbar, aussagekräftig bezüglich Größe und Richtung des Zusammenhangs und unabhängig von der Stichprobengröße ist.
• Effektstärken können in d-Familien (standardisierte Mittelwertsunterschiede) und r-Familien (Korrelationskoeffizienten) unterteilt werden.

Klassen von Effektstärken

• Standardisierte Mittelwertsunterschiede (d-Familie) werden für Vergleiche zwischen Gruppen verwendet.
• Korrelationskoeffizienten (r-Familie) werden für die Kriteriumsvalidität verwendet.
• Proportionen (Risikomaße) quantifizieren Unterschiede in der Auftretenswahrscheinlichkeit.
• Die Wahl des Effektstärkemaßes hängt vom Skalenniveau der Variablen und dem Untersuchungsdesign ab.

Effektstärken für Gruppenvergleiche

• Cohen's δ (standardisierter Mittelwertsunterschied) berechnet sich aus dem Mittelwertsunterschied zwischen zwei unabhängigen Gruppen, relativiert an der Standardabweichung der AV.
• Cohen's δ kann Werte zwischen -∞ und +∞ annehmen.
• Glass' d wird empfohlen, wenn sich die Varianzen von KG und EG stark unterscheiden.
• Hedges' g wird bei homogenen Varianzen empfohlen und dient der Erhöhung der Schätzgenauigkeit.

Fixed Effect Model vs. Random Effects Model

• Im Fixed Effect Model wird angenommen, dass alle Studien einen wahren Parameter teilen. Die Variabilität beruht daher ausschließlich auf Stichprobenfehlern.
• Im Random Effects Model wird angenommen, dass es für jede Studie unterschiedliche wahre Parameter gibt.
• Variabilität beruht hier nicht ausschliesslich auf Stichprobenfehlern.
• Der Vergleich dt. Und internationale Ergebnisse.
• Die Unterscheidung beeinflusst die Gewichtung der Primärstudien. Das FE-Modell gibt kleinen Studien weniger Gewicht, während das RE-Modell alle Studien berücksichtigt.

Fallstricke bei der Meta-Analyse

1. Äpfel-Birnen-Problematik: Gruppierte Auswertung und Operationalisierung der abhängigen Variable.
2. Garbage-in-garbage-out-Problem: Umgang mit qualitativ schlechten Studien.
3. Schubladenproblematik oder File-Drawer-Problematik: Berücksichtigung grauer Literatur.
4. Abhängige Datenstrukturen: Aggregation von Studien eines Autors, Moderatoren, Multilevel-Meta-Analysen.

Phonologische Bewusstheit

• Sensitivität für und Zugriff auf die Klänge der gesprochenen Sprache (Hasselhorn, Schneider & Marx, 2000).
• Einsicht in Lautstruktur der gesprochenen Sprache" Skowronek & Marx, 1989
• Die phonologische Bewusstheit umfasst die Unterscheidung von Wörtern und Silben (im weiteren Sinne) sowie einzelner Phoneme (im engeren Sinne).
• PhonBew im weiteren Sinne erleichtert den Schriftspracherwerb und kann sich spontan entwickeln.
• Der Kontakt zur alphabetischen Schriftsprache ermöglicht die Ausbildung der phonBew im engeren Sinne.
• PhonBew im engeren Sinne führt wiederum zu besseren schriftsprachlichen Kompetenzen.
• Durch die Trainingsprogramme soll die phonologische Bewusstheit gefördert werden (z.B. „Hören, lauschen, lernen").
• Metaanalysen im Bereich Schriftspracherwerb untersuchen Instruktionsmethoden, Transparenz der Orthografie, phonologische Bewusstheit und charakteristische lautliche Eigenschaften.
• Buchstaben-Laut-Zuordnungen sind im Deutschen meist konsistent, während Laut-Buchstaben-Zuordnungen weniger konsistent sind.
• Konsistenz der BLZ entspricht nicht der Konsistenz der Laut-Buchstaben-Zuordnungen.

Ergebnisse einer Meta-Analyse zur Förderung der phonologischen Bewusstheit

1. Die Effekte einer phonologischen Förderung in deutscher Sprache auf das Lesen sind geringer als in der englischen Sprache.
2. Die Effekte einer phonologischen Förderung auf das Rechtschreiben sind höher als auf das Lesen.

Die Meta-Analyse fasst die Ergebnisse mehrerer Studien zusammen, um eine umfassendere Antwort auf eine Forschungsfrage zu erhalten. Sie berücksichtigt verschiedene statistische Kennwerte und analysiert Ursachen für Ergebnisunterschiede. Ziel ist es, einen klaren Überblick für Forschende und Entscheidungsträger zu schaffen.