Data One Fragen für die Klausur

Wissen (Methoden), Können (Anwendung), Haltung (ethische Reflexion).

WILL (Ziel), KANN (Methoden), DARF (Regeln), SOLL (Verantwortung).

Objekte, die Beobachtungen über Eigenschaften von Dingen festhalten (inkl. Texte/Bilder, analog/digital).

Wissen (z. B. "Bäckerei B ist beliebteste Bäckerei").

Sie sind Rohstoff für Entscheidungen, Werbung und Forschung (Humby).

Standardisiertes Datumsformat (z. B. 2025-07-07T14:30:00).

Nominal: Keine Rangfolge (Blutgruppe). Ordinal: Rangfolge, aber keine Abstände (Schulnoten).

Falsche Typen führen zu Fehlern (z. B. "1"+"2"="12" statt 3).

 Kontextsicherung (Einheiten), Langzeit-Interpretierbarkeit.

 Nein, sie ist nominal (keine interpretierbaren Abstände).

Findable, Accessible, Interoperable, Reusable.

Datenbanken: Strukturierte Datensammlungen. Repositorien: Digitale Lager für Volltexte/Daten.

Open Source, Open Educational Resources (OER), Open Data.

DBIS, re3data.org, Google Dataset Search.

Schlechte Eingangsdaten führen zu unbrauchbaren Ergebnissen.

Bei Ad-hoc-Stichproben (z. B. Kommilitonen) ist Verzerrung wahrscheinlich.

Kausalität (durch Manipulation einer Variable).

Messvorschrift festlegen (z. B. Skala 1–5 oder Sporttage/Woche).

Vorher (Datenerhebungsplan), Nachher (Metadaten/DOI).

 Bei hohen Kosten, ethischen Grenzen oder unendlichen Grundgesamtheiten.

Anpassung bei Projektänderungen (z. B. neue Ziele).

ISO-Datum (YYYY-MM-DD), kurz, keine Leerzeichen/Umlaute.

3 Kopien, 2 Medien, 1 extern.

 Fehlende Werte, Ausreißer, Widersprüche.

 Inhaltliches Verständnis durch Metadaten/Kontext.

Qualitativ: Tiefenverständnis (Texte). Quantitativ: Generalisierbarkeit (Zahlen).

Deskriptiv (Darstellung), Induktiv (Schlüsse), Explorative (Muster).

Für Flussdarstellungen (z. B. Titanic-Überlebende nach Klassen).

"Chartjunk" – dekorative Elemente, die ablenken.

 Varianz, Spannweite, Interquartilsabstand (IQR).

Entscheidungen werden durch Formulierung beeinflusst (z. B. "75% fettfrei" vs. "25% Fett").

Eisverkäufe korrelieren mit Badeunfällen – aber Hitze ist die Ursache.

Reproduktion: Dieselben Daten neu analysieren. Replikation: Neue Studie mit neuen Daten.

Risiken bei Intransparenz (z. B. Kreditablehnung ohne Erklärung).

Überforderung (63% fühlen sich von Daten überlastet).

Kontrolle über eigene Daten (Selbstbestimmung).

 Durch nicht-repräsentative Daten (z. B. nur WEIRD-Populationen).

Nutzen für die Mehrheit (z. B. Pandemie-Tracking-App vs. Privatsphäre).

Handle nur nach Regeln, die allgemeingültig sein können (z. B. keine heimliche Datensammlung).

Transparenz, Fairness, Rechenschaftspflicht.

CPU, Speicher (ROM/RAM), I/O-Einheit, Bussysteme.

1011 (Erstes Bit = 1 für negativ).

Rundungsfehler durch begrenzte Genauigkeit (z. B. 0.1 + 0.2 ≠ 0.3).

Texte in Bildern durch Pixel-Mustervergleich.

Fragestellung → Planung → Bereinigung → Analyse → Visualisierung → Interpretation.

 Streuung der mittleren 50% der Daten (Q3–Q1).

Bei kategorialen abhängigen Variablen (z. B. "OK"/"NOK").

 Ungenauigkeiten in Rohdaten verzerren Ergebnisse.

Für das "Was-wäre-wenn"-Szenario (z. B. Effekt ohne Stimulus).

Selbstselektion (z. B. fleißige Studierende wählen Morgentermin).

Nur die untersuchte Variable variiert (keine Störfaktoren).

Durch Pre-Registrierung (verhindert p-hacking).

 Wahrscheinlichkeit <5%, dass H₀ fälschlich verworfen wird (signifikant).

Zeit des exponentiellen Wachstums globaler Datenmengen

Strukturierte Informationen über andere Daten.

Personen oder Objekte, deren Eigenschaften für eine bestimmte Untersuchung von Interesse sind.

Eigenschaften, die für eine zu untersuchende Fragestellung relevant sind und statistisch ausgewertet werden

Mehrere Merkmale oder Variablen, die demselben Merkmalsträger zugeordnet werden

Ein Merkmal bzw. eine Variable über jeden Merkmalsträger

Eine Skala repräsentiert eine Vorschrift, die jeder statistischen Einheit einen Beobachtungswert zuordnet. Eine „Messlatte".

Skalenniveau für Kategorien ohne Rangordnung (z.B., Blutgruppen)

Skalenniveau mit Rangordnung ohne interpretierbare Abstände (z.B., Schulnoten)

Skalenniveau mit interpretierbaren numerischen Abständen (z.B., Temperatur)

Systematischer Vorgang der Ermittlung und Erfassung von Ausprägungen interessierender Merkmale bei Merkmalsträgern.

Konkrete Werte oder Kategorien eines Merkmals (z. B. 180 cm für Körpergröße)

Erfassung aller Merkmalsträger einer Grundgesamtheit

Teilmenge der Grundgesamtheit, die untersucht wird

Auswahl von leicht erreichbaren Merkmalsträgern (z. B. Freunde, Passanten)

Stichprobe, bei der bestimmte Merkmale (z. B. Geschlecht, Alter) in festgelegtem Verhältnis berücksichtigt werden

Auswahl von Merkmalsträgern durch zufällige Verfahren

Kombination aus Zufallsauswahl und Schichtung nach relevanten Merkmalen

Prozess der Messbarmachung abstrakter Merkmale durch konkrete Verfahren

Subjektive Ansätze wie Interviews zur Erfassung tiefergehender Informationen

Objektive Ansätze wie Umfragen zur Erhebung messbarer Daten

Untersuchungen unter kontrollierten Bedingungen zur Analyse von Ursache-Wirkungs-Zusammenhängen

Studien zur Untersuchung von Zusammenhängen zwischen Variablen ohne Kausalitätsprüfung

Methoden, bei denen die Erhebung das Verhalten der Merkmalsträger beeinflussen kann

Methoden ohne direkten Einfluss auf die untersuchten Personen oder Prozesse

Testbare Aussage über Unterschiede oder Zusammenhänge zwischen Variablen

Vorhersage eines Unterschieds zwischen Gruppen (z. B. mit/ohne Fitnesstracker)

Vorhersage eines Zusammenhangs zwischen Variablen (z. B. Motivation und Schrittanzahl)

Aussage über zeitliche Veränderungen eines Merkmals

Phasen des Umgangs mit Daten von der Planung bis zur Löschung

Bereinigung von Inkonsistenzen oder Fehlern in Datensätzen

Strukturierung der Daten (z.B. Tabellenform)

Eindeutige Links zu digitalen Objekten wie DOI oder ORCID-ID

Häufigster Wert in einem Datensatz

Maß für die Streuung der Werte um den Mittelwert

Verallgemeinerung von Stichproben auf Grundgesamtheiten

Entdeckendes Verfahren zur Hypothesengenerierung

Schlussfolgerung vom Speziellen auf das Allgemeine

Schlussfolgerung vom Allgemeinen auf das Spezielle

Maß für den statistischen Zusammenhang zwischen zwei Variablen ohne Aussage über Ursache-Wirkung (r)

Ursache-Wirkungs-Beziehung zwischen Variablen

Unternehmenskultur, die datenbasierte Entscheidungsfindung fördert

Vereinfachte Entscheidungsregel oder Faustregel

Untersuchung ethischer Fragestellungen im Zusammenhang mit algorithmischen Systemen

Selbstbestimmung über das eigene Leben und persönliche Informationen

Nachvollziehbarkeit von Prozessen und Entscheidungen, insbesondere in KI-Systemen

Systematische Verzerrung oder Vorurteile in Datensätzen oder Entscheidungen 

Ethikansatz, der Handlungen nach moralischen Pflichten unabhängig von Konsequenzen bewertet

Ethikansatz, der auf die Entwicklung eines moralisch guten Charakters abzielt

Central Processing Unit, Prozessor eines Computers

Flüchtiger Arbeitsspeicher/ Hauptspeicher

Festwertspeicher für Firmware

Einheit für Ein- und Ausgabe von Daten

Zahlensystem mit Basis 2

Methode zur Darstellung negativer Zahlen im Binärsystem

Standard zur Darstellung von Fließkommazahlen

American Standard Code for Information Interchange; Zeichencodierung

Zeichencodierung mit internationalem Fokus 

Komprimiertes Format zur Darstellung von Unicode-Zeichen

Vorbereitung von Rohdaten für Analysen durch Bereinigung und Transformation

Statistische Kennzahlen wie Mittelwert oder Median zur Beschreibung zentraler Tendenzen

Kennzahlen wie Varianz oder Standardabweichung zur Beschreibung der Variabilität der Daten

Einzelwert zur Schätzung eines Parameters einer Verteilung (z. B., Mittelwert)

Bereich, in dem ein Parameter mit hoher Wahrscheinlichkeit liegt

Statistisches Verfahren zur Überprüfung einer Annahme über eine Grundgesamtheit

Maß für die Güte eines Modells; Werte nahe 1 sind ideal

Zufällige Zuteilung von Teilnehmern zu Versuchs- oder Kontrollgruppen

Maß dafür, wie gut Störvariablen kontrolliert wurden

Maß dafür, wie gut Ergebnisse auf andere Kontexte übertragbar sind

Annahme des Nichtvorhandenseins eines Effekts oder Unterschieds

Schwelle zur Ablehnung der Nullhypothese (üblich alpha = 0,05)

Wahrscheinlichkeit für das Auftreten eines Ergebnisses unter der Annahme der Nullhypothese

Statistischer Test zum Vergleich von Mittelwerten zweier Gruppen

Maß für die praktische Relevanz eines Effekts oder Unterschieds

Erkennung und Behebung von Fehlern:

 - Plausibilitätsprüfung (z.B. Wertebereiche prüfen)

 - Fehlerdiagnose (z.B. unmögliche Werte identifizieren)

 - Fehlerkorrektur: Löschen oder Ändern nur bei klarer Begründung.

Kontrollierte Bedingungen; Vorteil: hohe interne Validität; Nachteil: künstliches Setting

Natürliche Bedingungen; Vorteil: realitätsnah; Nachteil: weniger Kontrolle

Teilnehmer wählen bevorzugte Gruppen

Informationen zwischen Gruppen werden ausgetauscht

• Daten als Entscheidungs- und Prognosebasis für Unternehmen
• Vernetze Produktion der ,,Industrie 4.0"
• Algorithmenbasierte Empfehlungssysteme

• Daten erzeugt durch Social Media Nutzung
• personalisierte Werbung
• Aktivitätsmuster in Fitnesstracker

• empirischen Zugang zur systematischen Beschreibung der Welt
• empirischen Zugang zur systematischen Erklärung der Welt

• analog
• digital
• Bilder
• Zahlen
• Wörter

• Data-Information-Knowledge-Wisdom

Welt als Ausgangspunkt über die wir Erkenntnis erlangen wollen/ Entscheidungsalternativen abwägen

Datengrundlage generieren

Datenaufbereitung, Beschreibung, Unterschiede und Zusammenhänge durch statistische Tests

in Lebenswelt zurückführen → Wissenschaftliche Artikel, Rundmails

Verwalten, Zusammenführen, Speichern, Sichern, Archivieren, Bereitstellen

Kompetenz Infos aus verschiedenen Formaten zu finden, managen, verwenden

Kompetenz Statistiken die unseren Alltag durchdringen zu verstehen, kritisch zu bewerten

Vereinbarte Normen, die verwendet werden und die beste Art und Weise beschreiben etwas zu tun.

• Austausch
• Interpretation
• Verwaltung
• Weiterverarbeitung und Modifizierung
• Veröffentlichung und Nachnutzung

• Zeit aufwendig
• Verhinderung Fehlinterpretation 
• Verhinderung Mehraufwand durch nachträgliche Anpassung

Menge von Ausprägungen eines/ mehrerer Merkmale an einem/ mehreren Merkmalsträgern

Gibt an wie Werte einer Variable durch ein Programm gespeichert und verarbeitet werden kann

 → Integer, String, Boolean, Char

• Qualitativ → Nominalskala, Ordinalskala
• Quantitativ → Metrische Skala

• Wissen auf das jeder frei zugreifen, nutzen, verändern, teilen 
• eingeschränkt höchstens durch Maßnahmen die Ursprung und Offenheit des Wissens bewahren

• nur so gut wie sein Index
• kratzt dennoch nur an der Oberfläche

1. Rechercheziel: Welches Erkenntnis- und Nutzungsinteresse verfolgen wir?
2. Welche Daten?: Form (Texte, Bilder), Lizenz, Aktualität, Sprache
3. Welche Suchmaschine/Datenbank?
4. Welche Suchbegriffe?: Liste mit alternativen Schreibweisen/ Synonyme/ Ober-Unterbegriffe, Suchoperatoren

• Inhaltsbezogen → wie genau sind Daten? Fehlersuche, Fehlerfreiheit, Objektivität, Glaubwürdigkeit
• Kontextbezogen → Mehrwert, Relevanz, Aktualität, Vollständigkeit
• Darstellungsbezogen → Interpretierbarkeit, Verständlichkeit, Konstanz in Repräsentation, Übersichtlichkeit
• Zugangsbezogen → Erreichbarkeit, Zugangssicherheit, Rechtliche Nutzbarkeit

Vorteile: Daten passen zum eigenen Infobedarf

Keine urheber- oder lizenzrechtlichen Fragen zu beachten

Nachteile: großer zeitlicher + finanzieller Aufwand

• Warum erheben wir Daten?
• Welche Art von Aussagen wollen wir treffen?
• Auf welchen existierenden Infos können wir aufbauen?

• qualitative oder quantitative Methoden
• Experiment oder Korrelationsstudie
• im Labor oder im Feld
• erheben wir automatisiert?

• bei Datenerhebungen überwiegend darauf angewiesen
• Rückschluss auf Grundgesamtheit zum Teil nur eingeschränkt möglich

• Ad-hoc Stichprobe
• Quotenstichprobe

Zufällige Auswahl Merkmalsträger aus Grundgesamtheit. Es gibt keine Verzerrung durch Erhebenden, mangelnde Repräsentativität.

prozentualer Anteil Merkmale = Anteil Grundgesamtheit

→ keine Verzerrung, Aussagen über Schichten, Schichtungsmerkmale müssen bekannt sein, großer Aufwand

Daten die organisch bei digitalen Prozessen, Inter- und Transaktionen anfallen. Diesen digitalen Spuren wird in Erhebungen oft nachgegangen.

Datenerhebungen durch künstliche Systeme

• schätzen
• selber zählen

Merkmal das man nicht direkt beobachten kann, Merkmal vor Operationalisierung

Zuordnung von Symbolen/Zahlen zu Eigenschaften der Merkmalsträger

Systematisches sammeln von Infos in Dokumenten

• Wie genau lautet der Infobedarf?
• auf welcher Basis wurde er hergeleitet?
• Warum wurde sich für eine bestimmte Art Operationalisierung des Designs der Stichprobe entschieden?
• Datenerhebungsplan

Protokoll → Aufälligkeiten

Dokumentation aufbereiten

• individuelle Infobedarf
• Konventionen der Fachdisziplin
• Richtlinien, Fördergeber verlangen
• Verständlich
• Vollständig
• Menschen- und maschinenlesbar
• gut zugängliche Dateiformate
• Eindeutige Zuordnung zum Datensatz
• angemessene Form wählen

• verschiedene Aktivitäten entlang des Datenlebenszyklus die eine gute Qualität und langfristige Nutzbarkeit von (Forschungs-)Daten sicherstellen sollen
• Aufwand, Zeit, Geld

• Transparenz und Nachhaltigkeit
• Gute wissenschaftliche Praxis
• Prozesse strukturieren, standardisieren, automatisieren
• Bessere zusammenarbeit im Team
• Qualität der Ergebnisse
• Sichtbarkeit eigener Forschung
• Erkenntnisse aus Re-Analyse und Kombi von Daten

• effektive Prozessgestaltung
• Generierung Wert und Wettbewerbsvorteile
• Einhaltung rechtlicher Pflichten

Dokument zur Strukturierung und Beschreibung des Datenmanagements entsprechend der spezifischen Anforderung im Projekt

• Administrative Angaben und Projektinfos
• Beschreibung (Forschungs-)Daten und Methoden
• Dokumentation und Metadatenmanagement
• Datenorganisation und Datensicherung
• Löschung, Archivierung, Zugänglichkeit nach Projektende
• Rechtliche Aspekte
• Budget und Verantwortlichkeiten

• Vorlagen, Checklisten, Fragenkataloge
• webbasierte Tools
• Relevante Aspekte planen
• lebendiges Dokument
• für alle nachvollziehbar

Am Anfang haben sie einen Mehraufwand. Dann erleichtern sie aber die Zusammenarbeit und stellen sicher dass Daten sinnvoll und nachhaltig genutzt werden können.

• hierarchisches System
• Tag-basierte Systeme

Vorteile:

-> ähnliche Dinge liegen zusammen

-> gut für eindeutige Zuordnung in immer feinere Kategorien

Nachteile:

-> komplizierte Ordnersysteme werden nicht verstanden

-> Dublett-Bildung

-> spätere Änderungen schwierig

Vorteile:

-> mehrfache Zuordnung möglich

-> interessengeleitete Anzeige von Dateien

-> vereinfachte Ablage und Suche

Nachteile:

-> nicht alle Betriebssysteme unterstützen es

-> Aufwand Planung Tag-Vergabe

Temporäre Duplizierung zur Vermeidung von Datenverlusten aufgrund von Störungen

1. Rohdaten sichern

2. Plausibilitätsprüfung

3. Fehlerdiagnose

4. Datentransformation

• Über Kopien
• Über Versionierung
• Über Dokumentation und Automatisierung

Eine Fehlersuche, bei der auf:

• Wiederholungen
• Daten außerhalb des Bereichs
• Keine Zusammenhänge

geprüft wird.

Es wird nach einer Kriterienliste nach Fehlerursachen geprüft. Die folgende Fehlerkorrektur kann geteilt werden in:

• Werte löschen
• Werte nicht löschen
• Werte archivieren

• Um-/Rekodierung: Zusammenfassen
• Veränderung durch mathematische Transformation
• Aggregation: Zusammenführen

Sichere Aufbewahrung von Daten über einen längeren Zeitraum in verständlicher und nutzbarer Form

• Dateien und Träger veralten
• Technik verändert sich
• Verweise und Verknüpfungen zwischen Dateien und Daten gehen verloren

1. Welche Daten müssen wir aufbewahren? 
2. Welche Daten sollen wir aufbewahren?
3. Welche Daten sollen wir löschen?
4. Welche Daten müssen wir löschen?

1. Wahl Erhebungsverfahren
2. Operationalisierung von Merkmalen
3. Konkrete Messung
4. Datenaufbereitung in Form von Fehlerbereinigung
5. Transformation von Rohdaten
6. Datenvisualisierung

• statistische Schlussvalidität
• Transparenz durch Dokumentation und Automatisierung
• Auswertungsobjektivität

• Ermittlung Erkenntniswerts historischer Quellen für eine Fragestellung
• Quellenbeschreibung und -interpretation

Bei der Durchführung werden ein/mehrere Merkmale auf Basis von ausgewählten Merkmalsträgern, im Hinblick auf ihr Erscheinungsbild und Beziehungen untersucht

• Daten übersichtlicher dargestellt, indem Kennziffern berechnet/grafische Präsentationen erstellt werden
• Aussagen über Häufigkeit und Verteilung
• Kennzahlen: Lagemaß, Streuungsmaß

• Überblick über Daten
• Erste Schlüsse
• weitere Analyseverfahren auswählen

• nur Aussage über vorliegende Datenmenge möglich

• durch Einbezug Wahrscheinlichkeitstheorie über erhobene Daten hinaus allgemeine Schlussfolgerungen für Grundgesamtheit
• Schätzung
• Hypothesenprüfung (t-Test, Korrelations- und Regressionsanalyse)

• Schlussfolgerungen aufgrund von Daten begründen
• Interessierende Größen schätzen
• Hypothesen stützen, verwerfen, resultierende Aussagen bewerten

Grad der Unsicherheit

• Entdeckende Statistik
• deckt unbekannte Eigenschaften und Strukturen in Daten auf Beschreibung und Visualisierung von Daten

Neue Erkenntnisse generieren

• Tiefere Analysekompetenzen vorausgesetzt
• Selektive Wahrnehmung kann Analyse beeinflussen
• Nur begrenzt Rückschlüsse auf Grundgesamtheit möglich

• Diagnostische Analyse (Diagnose)
• Prädiktive Analyse (Vorhersage)
• Präskriptive Analyse (Entscheidung)

• Histogram
• Box-Whiskers-Plot
• Sankey-Plot
• Rainfall-Plot
• Infografik
• Chord-Diagramm

• Autonomie und Transport
• Privatsphäre und Datenschutz
• Bias und Fairness

• Utilitaristische Ethik
• Deontologische Ethik
• Tugendethik

• Familie des Konsequentialismus: Handlungen nach Konsequenzen beurteilt
• so handeln dass der Nutzen der Handlung für die größtmögliche Anzahl maximiert wird

144.697 Zeichen (über 4 Milliarden möglich)

Dateien die Maschinencode enthalten

Dateien die Anweisungen für einen Interpreter erhalten

Binäre Dateien werden byteweise in Dateien geschrieben

→ nur mit speziellen Porgrammen zu öffnen

→ performante Verarbeitung

• Daten zeichencodiert in Dateien geschrieben
• mit einfachen/speziellen Texteditoren bearbeiten

• Darstellung Situationen und Sachverhalten
• ,,objektive" Bewertung von Sachverhalten
• Ursachenforschung
• Ableiten von Handlungsempfehlungen

⇒ Informationsgewinn aus Daten

• Erkennen von unüblichen Verhalten in einem Prozess
• Rückschluss auf Ursachen eines Problems
• Vorhersage eines zeitlichen Verlaufs

Die Erkennung und Behandlung von Fehlern, Ausreißern, Rauscheffekten und Aufbereitung der Daten durch Standardisierung und Zusammenfassung aller benötigten Daten.

• rein zufällig fehlend
• zufällig fehlend
• nicht zufällig auftretend

• Auschluss Datenreihe mit fehlenden Werten
• Substitution/ Imputation fehlender Werte
• Aufnahme neuer, vollständiger Daten

Cleaning → fehlende Daten, Rauschen, Ausreißer

Transformation → Normalisierung, Aggregation

Reduction → Dimensionsreduktion, Diskretisierung

Daten systematisiert darzustellen, indem Kennziffern bezeichnet werden.

• Lagemaß
• Streuungsmaß
• Zusammenhangsmaß

• Kovarianz
• Korrelation
• Gibt es Zusammenhang zw. zwei Merkmalen?

Versucht durch geeigneten Einbezug von Wahrscheinlichkeitstheorie und Stochastik über die erhobenen Daten hinaus allgemeinere Schlussfolgerungen für die Grundgesamtheit zu treffen, aus der man die Stichprobendaten gezogen hat

• Punktschätzer
• Konfidenzintervalle
• Hyptothesentests

• Erwartungswert
• Standardabweichung
• Parameter auf Basis einer Stichprobe schätzen

• Erwartungswert
• Standardabweichung
• Bereich, indem Parameter mit gewisser Wahrscheinlichkeit liegen

Aufgabe die Abhängigkeit einer Variablen Y von den Werten der zweiten Variable x durch eine Regressionsfunktion darzustellen

• Kennzahlen (RMSE, R)
• Graphische Gegenüberstellung von realen Werten und Modellprognosen
• Komplexität des Modells

• Wurzel der mittleren Fehlerquadratsumme
• am besten Nahe 0

• metrische unabhängige Variable(n)
• metrische abhängige Variable

• metrische unabhängige Variable(n)
• kategoriale abhängige Variable

1. Forschungsfrage
2. Hypothese
3. Versuchsaufbau
4. Vorbereitung Datenerhebung
5. Datenerhebung
6. Datenauswertung
7. Aufbereitung Ergebnisse
8. Bericht

• Vergleichbarkeit Gruppen
• Ausschluss Selbstselektion

• Grundgesamtheit
• Auswahlgesamtheit
• Stichprobe

• Ethikkomission
• Pre-Registrierung
• Pre-Analysis Plan
• ggf. Testlauf

• Vergleich
• Interpretation

• zu bestimmten Zeitpunkt gestellt
• in Bezug auf bestimmten Stand in Forschung gestellt
• oft Beginn eines wissenschaftlichen Erkenntnisprozesses
• am Untersuchungsende beantwortet

• Brainstorming
• Zufall
• Eigene Erfahrung
• Gespräche
• Literatur basiert
• Zusammenhang der einen Interssiert
• Etwas, das einen wundert

Alternativhypothese umfassen positive und negative Abweichungen von der Nullannahme

• Interne Validität → Ergebnisse nicht verzerrt, kausaler Effekt identifizierbar
• Externe Validität → Ergebnisse auf andere Situationen anwendbar

• Spillover-Effekte
• Zeitdimension
• Selbstselektion

• Auswahl Studienortes oft in Europa/Nordamerika → WEIRD
• Auswahl Teilnehmende
• Auswahl Kontext
• Künstlichkeit Laborsituation

Western

Education

Industrialized

Rich

Democratic

• Replikationsstudien: ähnliches Design anderer Kontext/Personengruppe
• Metastudien: aggregieren und Reanalysieren von verschiedenen Studien

• geben Auskunft über statistische Signifikanz von Effekten/Unterschieden
• Signifikanz sagt nichts über Relevanz des Effektes aus

1. Nullhypothese → können wir sie ablehnen?
2. Signifikanzniveau → wie wahrscheinlich Ablehnung ist, obwohl Hypothese wahr
3. statistischer Test
4. p-Wert → kleinstes alpha bei dem Nullhypothese noch abgelehnt werden kann

• Enstichprobentest → Unterschied zw. Mittelwert einer Gruppe + Sollwert
• Zweistichprobentest → Unterschied zw. Mittelwert zweier Gruppen
• Paardifferenztest → Unterschied zw. Mittelwerten zweier Variablen innerhalb einer Gruppe
• Regressionskoeffizienten → Unterschied Regressionskoeffizienten von Null

• bei metrische Merkmalen mittels t-Test
• wichtig, wenn es in den Ergebnissen keinen Unterschied zw. Versuchs- und Kontrollgruppe gibt
• Auskunft, ob Manipulation des Stimulus erfolgreich war

• Überprüfung Vergleichbarkeit Versuchs- und Kontrollgruppe
• mit t-Tests