Welche statistischen Kennwerte sollte man in seinen Ergebnissen berichten?

Relevante Kennwerte in den Ergebnissen

Welche Statistiken und welche Kennwerte soll man denn nun berichten, wenn man Ergebnisse denn berichten muss? Gibt es dazu irgendwelche Leitlinien? Ja, die gibt es. Jedes Journal (Jama, Lancet, BMC) hat Leitlinien, was die Editoren gerne sehen möchten (z.B. Effektmaße plus Konfidenzintervall). Möchte man ein Paper dort veröffentlichen, sind Formalien dieser Art klarerweise einzuhalten.

Aber was soll man denn nun berichten? Wenn man stetige Werte hat, dann Mittelwert ± Standardabweichung und dazu ein Relevanzmaß wie z.B. Cohens D? Oder wenn man Häufigkeiten hat, dann %-Werte für Inzidenzen und Odds-Ratio für Gruppenvergleiche?

Meiner Meinung ist die Entscheidung einer belegbar dokumentierten Apriori-Hyothese das Allerwichtigste, am besten auf Basis eines voraussetzungsfreien Effektmaßes. Ideal wäre, wenn die Hypothese auch halbwegs ordentlich aus der Theorie abgeleitet ist. Häufig verwendete Effektstärken (Cohen, r, eta²) sind rein statistische Größen und hängen mir zu stark von der Fehlervarianz der aktuellen Studie ab. Und sie eignen sich seltenst dafür, dass ein Forscher oder Statistik-Laie seine Effekterwartung apriori so überhaupt beziffern, geschweige denn in eine saubere Apriori-Hypthese packen kann. Evtl. geht das bei Cohens D, aber nur mit Vorbildung.

Es läßt sich selten aus empirischen Daten entscheiden, welche Kennwerte zu verwenden sind, denn es gibt so gut wie nie echte empirische Belege und Nachweise, dass das alles so stimmt. Cohen zumindest hat keine Nachweis-Studien geliefert, die seine ausgedachten Schwellen auch nur im Ansatz belegen können. Auch bei einer obligatorische Verwendung von R², der aufgeklärten Varianz, gibt es seltens Daten und Studien, die belegen, dass diese zu verwenden ist.

Ein einziger p-Wert ist schon einmal gar nicht so schlecht. Hiermit läßt sich eine Aprioi-H0 klar verwerfen oder beibehalten. Damit ist die Forschungsfrage erst einmal beantwortet. Nimmt man mehr Kennwerte hinzu z.B. die Effektstärke (Cohen) dann ist das unadjustiertes multiples Testen. Wenn schon ein Effektmaß dazukommt, würde man das in die Apriori-Hypothese einbauen müssen und damit dann eine Entscheidung treffen. Wenn dann ein zweiter Test einen ergänzenden p-Wert liefert, wäre das dann wiederum multiples Testen. Fazit: