1. Kritisch denken mit wissenschaftlicher Psychologie III

Kommen wir zum Abschluss der Trilogie. Bevor wir mit Kapitel 2 beginnen und den spannenden Themen, müssen wir uns kurz noch mit wissenschaftlichen Methoden beschäftigen.

Threadfrage des Tages: Sigmud Freud war kokainabhängig. Oder hab ich dich nur belogen? Aber wieso sollte ich das tun? Denk mal darüber nach während wir uns etwas über Korrelationen unterhalten.

1.3 Der Zusammenhang (Korrelation)

Die Stärke eines Zusammenhangs, Korrelation genannt, wird in Zahlen ausgedrückt. Sehen wir uns z.B. folgende Abbildung an.


Hier sehen wir, dass wir entweder positive Korrelationen (z.B. Zunahme der Muskelmasse mit fortschreitender Trainingsdauer), negative Korrelationen (zeitliche Änderung der YouTube-Einnahmen) oder gar keinen Zusammenhang haben (z.B. Maß für die Kinghaftigkeit von Kool Savas). Diese Form von Diagrammen nennen wir Streudiagramme.

1.3.1 Korrelation muss nicht die Ursache sein, Nigger

Was ist z.B. wenn wir von der negativen Korrelation zwischen Depression und Selbstwertgefühl ausgehen (Stichwort Denise)? Vielleicht verursacht geringer Selbstwert ja tatsächlich Depressionen, vielleicht aber auch ein dritter Faktor: Z.B. ererbte Veranlagungen oder eine Störung der Botenstoffe im Gehirn. Das würde ebenfalls beides erklären. Das ist ein extrem wichtiger Punkt! Egal wie stark der Zusammenhang ist: Korrelation ist kein Beweis für die Ursache.
Oder nehmen wir noch ein anderes Beispiel, weil das jetzt mega wichtig ist. Es wurden mal 12.118 Jugendliche befragt. Umso mehr sie sich von ihren Eltern geliebt fühlten, desto geringer war die Wahrscheinlichkeit, dass sie schädliche Gewohnheiten annahmen (wie Drogen, Sex, usw.). "Eltern haben einen großen Einfluss auf ihre Kinder" lautete die Meldung der "Associated Press" über diese Studie. Doch die Korrelation zeigt nicht automatisch einen Ursache-Wirkungs-Zusammenhang. Man hätte sie ebenso nennen können: "Teenager, die sich vernünftig verhalten, fühlen sich von ihren Eltern geliebt und anerkannt, während Teenager, die zu Grenzüberschreitungen neigen, ihre Eltern für verständnislose Trottel halten."

Eine Korrelation weist auf eine Möglichkeit eines Ursache-Wirkungs-Zusammenhangs hin, aber sie beweist keine Ursache an sich. Auch wenn wir wissen, dass zwei Ergebnisse miteinander korrelieren, sagt das nichts über den Kausalzusammenhang. Behalt das Prinzip im Auge und du kannst dann für den Rest dieser Beiträge und allgemein besser Dinge beurteilen.

1.3.2 Illusorische Korrelationen - lasst euch nicht verarschen, Kriegerz!

Wir neigen oft dazu, Zusammenhänge zu erkennen, die es gar nicht gibt. Solche nicht existierende Zusammenhänge werden illusorische Korrelationen genannt. So glauben manche, dass bei Vollmond mehr Kinder zur Welt kommen oder dass Zucker Kinder hyperaktiv macht. Manche glauben, dass Wetterwechsel arthritische Beschwerden auslöst oder Kälte+Nässe einen erkältet. Wir sehen Zusammenhänge, wo es keine gibt. Oder wenn wir eine Korrelation zwischen Dummheit und YouTubern sehen: Statt auf echte Vergleichszahlen zuzugreifen, blenden wir die meisten YouTuber aus und nehmen nur diejenigen wahr, die unsere Hypothese bestätigen. In Zufälle interpretieren wir viel zu viel hinein...

Beim zufälligen Zusammentreffen von zwei unabhängigen Ereignissen neigen wir dazu zu übersehen, dass es sich um einen Zufall handeln kann und wir nehmen schnell einen Zusammenhang an. Wir täuschen uns leicht, indem wir Zusammenhänge sehen, die nicht existieren.

1.3.3 Ordnung in der Unordnung sehen

Machen wir einen kleinen Test: Welches Ereignis zu würfeln (Kopf (K) oder Zahl (Z)) ist am wahrscheinlichsten von den folgenden: KKKZZZ, KZZKZK oder KKKKKKK? Die meisten geben an, dass die Folge KZZKZK am wahrscheinlichsten ist, obwohl alle gleich unwahrscheinlich sind. Gerade bei zufällig gewürfelten Ergebnissen oder zufälligen Zahlen sehen wir oft mehr Ordnung als es tatsächlich gibt. Unsere Intuition täuscht uns hier sehr stark. Zufallssequenzen sehen für uns oft nicht zufällig aus. Doch wir müssen immer mit dem Auftreten von scheinbaren Regelmäßigkeiten oder Mustern rechnen.

1.4 Das Experiment

Wenn wir Ursache und Wirkung voneinander trennen wollen, ist der beste und sauberste Weg, immer noch das Experiment. Wir manipulieren oft den Faktor, der uns interessiert und lassen alle anderen Faktoren konstant. Die Menschen werden nach dem Zufallsprinzip einer Gruppe zugewiesen, die eine bestimmte Behandlung erhält, während eine andere Gruppe diese Behandlung nicht erhält.

1.4.1. Evaluation der Therapie

Unsere Beweisführung, wenn es um neue Heilmittel geht, ist sehr irreführend. Wenn wir beispielsweise drei Tage krank waren und am dritten Tag Vitamin C konsumieren, werden wir nach der Genesung automatisch das Vitamin C dafür verantwortlich machen. Um festzustellen, ob ein Medikament wirklich heilt, müssen wir ein Experiment durchführen.
Viele Untersuchungen werden mit dem Doppelblind-Versuch durchgeführt, yani eine Gruppe enthält wirklich den Wirkstoff und die andere Gruppe ein wirkungsloses Präparat. Der Placeboeffekt ist schon gut dokumentiert. Allein der Gedanke, dass man behandelt wird, kann einen entspannen und zu einer Symptomverringerung führen. Deswegen glauben manche Schwachmaten z.B., dass sie enorme Muskelzuwächse durch Beefprotein (eine wirkungslose Substanz) erhalten hätten. Allein der Placeboeffekt sorgt schon für einen psychologischen Push.

Beim Doppelblindversuch wird in der Versuchsbedingung eine Gruppe zusammengestellt, deren Teilnehmer ein Medikament oder 'ne Behandlung erhalten. Außerdem gibt es noch eine Kontrollgruppe, die kein Medikament/Behandlung erhalten. Die Zuweisung der Personen erfolgt nach der Zufallszuweisung, daher sollten die Gruppen ähnlich sein (ähnliches Alter, Einstellung oder andere Merkmale). Dank der Randomisierung können wir uns sicher sein, dass unsere Ergebnisse valide sind.

Merk dir den Unterschied zwischen Zufallsstichprobe bei 'ner Befragung und Zufallszuweisungen bei Experimenten. Mit der Zufallsstichprobe können wir einen Teil einer größeren Population generalisieren. Mit der Zufallszuweisung können wir die äußeren Einflüsse gering halten und den Zusammenhang zwischen Ursache und Wirkung deutlicher herausfinden.

1.5 Wie man statistisch argumentiert ma margumentiert

Bei Diskussionen werden oft große, runde Zahlen in den Raum geworfen, die zu falschen Informationen führen (durch Auf- und Abrundunen). Z.B.

"10% der YouTube-Szene sind homosexuell". Oder sind es nur 2-3%, wie das Ergebnis verschiedener Befragungen lautet?
"Meine Ex-Freundinnen nutzen nur 10% ihres Gehirnes". Oder sind es doch fast 100%?

Große runde Zahlen, die nicht belegt sind, sollte man immer mit Vorsicht genießen wie Cappuccinos. Statt diese Zahlen zu schlucken wie Bitches.. ähm.. sollten wir sie mit statischen Argumenten überprüfen.

1.5.1 Tendenzen ma Mendenzen ma Mendenzen ma Mendenzen ma Mendenzen

Um die Rohdaten zu verarbeiten brauchen wir Maßzahlen für die "zentrale Tendenz", yani blöd gesagt wäre das einfachste Mittelchen davon der Mittelwert. Der Wert, der am häufigsten vorkommt, nennt man Modalwert. Der Median teilt die Menge aller Daten genau in der Mitte.
Diese Maße bringen uns Ordnung. Pass aber auf, wenn der Mittelwert benutzt wird für schiefe Datensätze. Wenn wir Daten sehen, die das Einkommen beschreiben, dann erzählen Modal- und Mittelwert ganz andere Geschichten wie ich meinen Bitches. Das liegt daran, dass der Mittelwert extrem easy durch Extremwerte (>Ausreißer<) verfälscht wird. Wenn wir z.B. hören, dass der durchschnittliche Gehalt der YouTuber bei 420.000€ liegt, dann trifft das nur auf 50% aller YouTuber zu. Da Bibi und einige andere so enorm viel verdienen, verzerren sie das Ergebnis nach oben.

Achte immer darauf, welches Maß der zentralen Tendenz benutzt wurde. Handelt es sich um den Mittelwert, guck nach, ob es nicht ein paar untypische Werte gibt, die den Mittelwert verfälschen.

1.5.2 Variablität

Wir kriegen schon eine Menge Infos über die Maße der zentralen Tendenz, aber auch wichtig ist die Variabiltät (Streuung). Es ist sehr hilfreich zu wissen, ob die Ergebnisse dicht beieinander liegen oder eher verstreut. Nehmen wir mal ein Fitness-Beispiel: Wenn wir sagen, dass Zec+ alle 3 bis 5 Monate eine Rabattaktion startet, dann erwarten wir für die nächsten 4 Monate eine zuverlässige Rabattaktion. Wenn der Zeitrahmen zwischen 2 und 10 Monaten geschwankt hätte, wäre unsere Prognose nicht so sicher gewesen.
Die Variationsbreite, also der Abstand zwischen größten und kleinsten Wert, liefert eine grobe Schätzung, weil schon ein paar Ausreißer alles verfälschen können. Ein besseres Maß dafür, wie stark die Werte voneinander abweichen, ist die Standardabweichung. Die Streuung der Daten um den Mittelwert. Damit lässt sich besser erkennen, ob die Werte zusammen liegen oder eher nicht (beschweren kann man sich eher weniger).  

1.5.3 Interferenzstatistik (was für Wörter so spät am Abend, aq)

Daten sind mehrdeutig. Wenn wir uns das Durchschnittsergebnis einer Gruppe (z.B. Intelligenzscores von YouTubern mit wenig Klicks) sich von denen der anderen Gruppe (z.B. Intelligenzscore von YouTubern mit massiv Klicks) unterscheidet: Wie können wir dann sicher sein, dass der Unterschied wirklich besteht und nicht einfach nur eine zufällige Schwankung ist?

Wann ist also ein Unterschied reliabel (zuverlässig)?

1) Nur repräsentative Stichproben sind aussagekräftig. Nicht die verrücktesten und durchgeknalltesten Einzelfälle sind wichtig, sondern eine ordentliche Stichprobe, die die Gesamtheit repräsentiert.
2) Daten mit weniger Streuung ficken mehr weg als ohne. Wir hatten schon das Beispiel mit den YouTubern: Werte mit weniger Streuung sind zuverlässiger.
3) Große Stichproben sind besser als kleine. Wenn wir z.B. 3 YouTuber auf Dummheit untersuchen oder 300, dann macht das schon einen gewaltigen Unterschied aus und Letzteres wird viel besser die Gesamtheit repräsentieren. Bei 3x YouTubern würde eine Fehlbeobachtung sofort ausschlagen.

Threadfrage des Tages: Sigmud Freud war tatsächlich ein Koksjunkie. Wieso sollte ich lügen? Er war by the way nicht einmal wirklich der Vater der Psychologie, nur Vater der Psychiatrie, Psychoanalyse und paar anderen Sachen. Der Spinner hat seiner ganzen Family Koks verschrieben. Was 'ne Schnupfnase.


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Ich bin nicht hier um teilzunehmen. Ich bin hier um zu gewinnen.
- Johann Wolfgang von Mustafa