Table of Contents

In der psychologischen Forschung, insbesondere bei der Arbeit mit kleinen Stichprobengrößen, ist die Auswahl des geeigneten statistischen Tests von grundlegender Bedeutung, um gültige Schlussfolgerungen zu ziehen. Fishers genauer Test ist ein statistischer Hypothesentest, der zur Beurteilung der Assoziation zwischen zwei binären Variablen in einer Kontingenztabelle verwendet wird, und ist besonders nützlich, wenn man mit kleinen Stichproben arbeitet. Dieser umfassende Leitfaden führt Sie durch alles, was Sie über die Durchführung des genauen Tests von Fisher in kleinen Stichprobenpsychologiestudien wissen müssen, vom Verständnis der theoretischen Grundlagen bis hin zur praktischen Umsetzung und Interpretation.

Was ist Fisher's Exact Test?

Fishers exakter Test gehört zu einer Klasse von exakten Tests, so genannt, weil die Bedeutung der Abweichung von einer Nullhypothese (z. B. p-Wert) genau berechnet werden kann, anstatt sich auf eine Näherung zu verlassen, die genau wird, wenn die Probengröße bis ins Unendliche wächst, wie bei vielen statistischen Tests. Der Test wurde vom renommierten Statistiker Ronald Fisher entwickelt und ist nach seinem Erfinder, Ronald Fisher, benannt, der den Test nach einem Kommentar von Muriel Bristol entwickelt haben soll, der behauptete, in der Lage zu sein, festzustellen, ob der Tee oder die Milch zuerst in ihre Tasse gegeben wurde. Er testete ihre Behauptung im Experiment "Dame, die Tee probiert".

Der exakte Fisher-Test bestimmt, ob eine statistisch signifikante Assoziation zwischen zwei kategorischen Variablen besteht. Sie können ihn auch für einen 2-Proben-Proportionen-Test verwenden, wenn Sie eine kleine Stichprobengröße haben. Im Gegensatz zu vielen statistischen Tests, die auf Näherung beruhen, liefert Fisher's exakter Test genaue Wahrscheinlichkeitsberechnungen, was ihn für den Umgang mit begrenzten Daten von unschätzbarem Wert macht.

Der Zweck und die Anwendungen in der Psychologie

Der Test ist nützlich für kategorische Daten, die sich aus der Klassifizierung von Objekten auf zwei verschiedene Arten ergeben; er wird verwendet, um die Bedeutung der Assoziation (Kontingenz) zwischen den beiden Arten der Klassifizierung zu untersuchen. In der psychologischen Forschung könnte dies die Untersuchung von Beziehungen zwischen Behandlungsbedingungen und -ergebnissen, demografischen Variablen und Verhaltensreaktionen oder diagnostischen Kategorien und Interventionserfolgsraten umfassen.

Psychologische Forscher stoßen häufig auf Situationen, in denen die Stichprobengrößen aufgrund praktischer Einschränkungen wie begrenzter Teilnehmerverfügbarkeit, seltener klinischer Populationen, spezialisierter experimenteller Bedingungen oder Ressourcenbeschränkungen notwendigerweise klein sind. In diesen Szenarien wird Fisher's Exact Test zu einem wesentlichen analytischen Werkzeug.

Wann man den genauen Test von Fisher verwendet

Größenbetrachtungen

Eine oder mehrere Zellen werden in der Kontingenztabelle klein (weniger als 5) gezählt. Sind alle Werte größer als 5, sollte stattdessen ein Chi-Quadrat-Test durchgeführt werden. Dies ist das Hauptkriterium für die Wahl des Fisher's Exact Tests gegenüber alternativen Methoden. Der genaue Test von Fisher wird empfohlen, wenn der Gesamtprobenumfang kleiner als 1000 ist, und bei größeren Probengrößen wird der Chi-Quadrat- oder G-Test verwendet.

Obwohl es in der Praxis bei kleinen Probengrößen eingesetzt wird, gilt es für alle Probengrößen, während der genaue Test von Fisher theoretisch bei großen Proben gültig ist, ist er rechenintensiv und wird daher normalerweise nur für kleine Proben verwendet.

Anforderungen an Datentypen

Damit Fisher's Exact Test angemessen ist, müssen Ihre Daten bestimmte Kriterien erfüllen:

  • Kategorische Variablen: Beide Variablen sollten kategorisch und binär sein, was bedeutet, dass sie einen von zwei Werten annehmen können, so dass eine 2 x 2 Kontingenztabelle ausgefüllt werden kann.
  • Unabhängigkeit von Beobachtungen: Unabhängigkeit von Beobachtungen – Variable sollte nicht gepaart oder verwandt werden.
  • Gegenseitig exklusive Gruppen: Gegenseitig exklusive Gruppen – ein Individuum kann nicht mehr als einer Zelle in der Notfalltabelle angehören.
  • Kleine erwartete Frequenzen: Die Literatur zeigt an, dass die übliche Regel für die Entscheidung, ob die χ2-Näherung gut genug ist, darin besteht, dass der Chi-Quadrat-Test nicht geeignet ist, wenn die erwarteten Werte in einer der Zellen der Kontingenztabelle weniger als 5 sind, und in diesem Fall wird der genaue Test des Fischers bevorzugt.

Vergleich mit Chi-Square Test

Beide dienen dem gleichen Zweck: der Beurteilung einer Beziehung zwischen kategorischen Variablen. Allerdings beeinflussen Unterschiede in der zugrunde liegenden Methodik, wann Sie jede Methode anwenden sollten.

Der Chi-Quadrat-Test der Unabhängigkeit ist ein traditionellerer Hypothesentest, der eine Teststatistik (Chi-Quadrat) und seine Abtastverteilung verwendet, um den p-Wert zu berechnen. Die Chi-Quadrat-Probenahmeverteilung nähert sich jedoch nur der korrekten Verteilung und liefert bessere p-Werte, wenn die Zellwerte in der Tabelle zunehmen. Folglich sind Chi-Quadrat-P-Werte ungültig, wenn Sie kleine Zellzahlen haben.

Fishers exakter Test berechnet eine genaue Wahrscheinlichkeit und ist ideal für kleine Stichprobengrößen oder niedrige erwartete Zellzahlen, während der Chi-Quadrat-Test eine große Stichproben-Näherung verwendet, die ungenau werden kann, wenn die erwarteten Zählungen unter 5 fallen.

Die statistische Theorie verstehen

Hypergeometrische Verteilung

Der Fisher Exact Test funktioniert etwas anders als der Chi-Quadrat Test (oder tatsächlich jeder andere Hypothesentest), da er keine Teststatistik hat; er berechnet den p-Wert "direkt". Der Test stützt sich auf die hypergeometrische Verteilung, um genaue Wahrscheinlichkeiten zu berechnen.

Der exakte Test des Fishers wird durchgeführt, indem die Wahrscheinlichkeit der beobachteten Daten berechnet wird, wenn die Nullhypothese (keine Assoziation) zutrifft, indem alle möglichen 2 x 2 Tabellen verwendet werden, die hypothetisch beobachtet werden könnten, für die gleichen Zeilen- und Spaltensummen wie die, die in den Daten beobachtet werden (diese werden manchmal als Randsummen bezeichnet).

Hypothesen im genauen Test von Fisher

Die Hypothesen des genauen Tests des Fishers sind die gleichen wie beim Chi-Quadrat-Test, dh: H0 : die Variablen sind unabhängig, es gibt keine Beziehung zwischen den beiden kategorischen Variablen.

Wenn Sie den Test durchführen, fragen Sie sich im Wesentlichen: "Wenn es wirklich keine Assoziation zwischen diesen Variablen gibt, wie hoch ist die Wahrscheinlichkeit, Daten so extrem zu beobachten, oder extremer als das, was wir tatsächlich beobachtet haben?"

Annahmen und Einschränkungen

Der Test geht davon aus, dass alle Zeilen- und Spaltensummen der Notfalltabelle durch Design festgelegt wurden und außerhalb dieser Einstellung tendenziell konservativ und unterbewertet sind Dies ist eine wichtige Überlegung bei der Interpretation der Ergebnisse, da der Test bei bestimmten Forschungsdesigns etwas konservativ sein kann.

Wenn eine oder beide Zeilen- oder Spaltensummen unkonditioniert sind, ist der exakte Test des Fishers nicht genau, sondern etwas konservativ, was bedeutet, dass wenn die Nullhypothese wahr ist, Sie einen signifikanten (P <0,05) P-Wert von weniger als 5% der Zeit erhalten.

Schritt-für-Schritt-Anleitung zur Durchführung des genauen Tests von Fisher

Schritt 1: Organisieren Sie Ihre Daten in einer Notfalltabelle

Eine 2 x 2 Kontingenztabelle, manchmal auch Kreuztabulation oder Zwei-Wege-Tabulation genannt, ist ein nützliches Werkzeug in der Statistik, das in seinen Zellenwerten die Häufigkeiten (Zählungen) jeder Kombination von zwei kategorischen Variablen mit Zeilen- und Spaltensummen anzeigt.

Wenn Sie beispielsweise die Beziehung zwischen Therapietyp (Behandlung A vs. Behandlung B) und Ergebnis (Verbessert vs. Nicht Verbessert) untersuchen, zeigt Ihre Tabelle die Anzahl der Teilnehmer in jeder Kombination.

Die Tabelle sollte Folgendes enthalten:

  • Zeilensummen (marginale Gesamtsummen für jede Zeile)
  • Summen der Spalten (marginale Summen für jede Spalte)
  • Gesamtsumme (Gesamtanzahl der Beobachtungen)
  • Klare Bezeichnungen für jede Variable und Kategorie

Schritt 2: Annahmen überprüfen

Bevor Sie mit dem Test fortfahren, vergewissern Sie sich, dass Ihre Daten die notwendigen Annahmen erfüllen:

  • Beide Variablen sind kategorisch mit jeweils zwei Kategorien
  • Beobachtungen sind unabhängig (kein Teilnehmer erscheint in mehreren Zellen)
  • Kategorien schließen sich gegenseitig aus
  • Mindestens eine Zelle hat eine erwartete Häufigkeit von weniger als 5, oder die Gesamtprobengröße ist klein

Wenn Sie sich zwischen dem Chi-Quadrat und dem Fisher-Test entscheiden, ist es zwar eine gute Praxis, die erwarteten Frequenzen zu überprüfen, bevor Sie sich für den Chi-Quadrat-Test und den Fisher-Test entscheiden, ist es kein großes Problem, wenn Sie es vergessen. Wie Sie oben sehen können, wird beim Chi-Quadrat-Test in R (mit chisq.test()) eine Warnung wie "Chi-Quadrat-Näherung kann falsch sein" angezeigt. Diese Warnung bedeutet, dass die kleinste erwartete Frequenz niedriger als 5 ist.

Schritt 3: Bestimmen Sie Ihr Signifikanzniveau

Vor der Durchführung des Tests legen Sie Ihr Alpha-Niveau (Signifikanz-Niveau) fest. In der psychologischen Forschung ist das konventionelle Signifikanz-Niveau α = 0,05, obwohl Sie abhängig von Ihrem Forschungskontext und den Folgen von Typ-I-Fehlern ein strengeres Niveau (z. B. 0,01) wählen können.

Schritt 4: Wählen Sie zwischen One-Tailed und Two-Tailed Tests

H0:p1 / p2 = φ0 versus H1:p1 / p2 ≠φ0; dies wird oft als Zwei-Tail-Test bezeichnet. H0:p1 / p2 ≤φ0 versus H1: p1 / p2 > φ0; dies wird oft als Ober-Tail-Test bezeichnet.

Ruxton und Neuhauser (2010) befragten Artikel in der Zeitschrift Behavioral Ecology and Sociobiology und fanden mehrere, die die Ergebnisse von genauen Tests von Fisher mit einem Finger berichteten, obwohl zwei Finger angemessener gewesen wären. Anscheinend verewigen einige Statistiklehrbücher und Programme Verwirrung über Tests mit einem Finger und zwei Fingern. Sie sollten fast immer einen Test mit zwei Fingern verwenden, es sei denn, Sie haben einen sehr guten Grund.

Ein zweiseitiges Testen ist angebracht, wenn Sie daran interessiert sind, eine Assoziation zwischen Variablen zu erkennen, unabhängig von der Richtung. Ein einseitiger Test sollte nur verwendet werden, wenn Sie einen starken theoretischen Grund haben, die Richtung der Beziehung vorherzusagen, bevor Sie Daten sammeln.

Schritt 5: Berechnen Sie die genaue Wahrscheinlichkeit

Während Fisher's Exact Test für einfache 2 x 2-Tabellen von Hand berechnet werden kann, ist dies selten praktikabel. Die Berechnung beinhaltet die Berechnung von Faktorien und kann extrem langwierig werden. Die tatsächlichen Berechnungen, wie sie von statistischen Softwarepaketen durchgeführt werden, werden sich in der Regel von den oben beschriebenen unterscheiden, da sich aus den großen Werten der Faktoren numerische Schwierigkeiten ergeben können. Ein einfacher, etwas besserer Rechenansatz beruht auf einer Gammafunktion oder Log-Gammafunktion, aber Methoden zur genauen Berechnung von hypergeometrischen und binomialen Wahrscheinlichkeiten bleiben ein aktives Forschungsgebiet.

Moderne statistische Software verarbeitet diese Berechnungen effizient und genau. Die Software berechnet die Wahrscheinlichkeit, dass Sie Ihre spezifische Tabellenkonfiguration sowie alle extremen Konfigurationen aufgrund der Grenzsummen beobachten.

Schritt 6: Interpretieren Sie die Ergebnisse

Aus der Ausgabe sehen wir, dass der p-Wert kleiner als das Signifikanzniveau von 5% ist. Wie jeder andere statistische Test können wir, wenn der p-Wert kleiner als das Signifikanzniveau ist, die Nullhypothese ablehnen.

Bei der Interpretation Ihrer Ergebnisse:

  • Wenn p-Wert ≤ α: Die Nullhypothese ablehnen; es gibt genügend Beweise für die Schlussfolgerung, dass zwischen den beiden Variablen eine statistisch signifikante Assoziation besteht.
  • Wenn p-Wert > α: Nicht ablehnen die Nullhypothese Es gibt nicht genügend Beweise, um zu schließen, dass eine Assoziation zwischen den Variablen existiert.

Die Daten der Stichproben sind stark genug, um zu dem Schluss zu kommen, dass eine Beziehung zwischen den kategorischen Variablen in der Population besteht, und die Kenntnis des Wertes einer Variablen gibt Aufschluss über den Wert der anderen Variablen.

Detailliertes Beispiel: Therapie-Effektivitätsstudie

Lassen Sie uns ein umfassendes Beispiel durcharbeiten, das für die psychologische Forschung relevant ist. Angenommen, ein klinischer Psychologe untersucht, ob eine neue kognitive Verhaltenstherapie (CBT) wirksamer ist als eine Standardbehandlung zur Verringerung der sozialen Angst bei Jugendlichen. Aufgrund der speziellen Natur der Bevölkerung und der Ressourcenbeschränkungen umfasst die Studie nur 20 Teilnehmer.

Studiendesign

  • Unabhängige Variable: Behandlungsart (Neue CBT vs. Standardbehandlung)
  • Abhängige Variable: Klinisches Ergebnis (klinisch signifikante Verbesserung vs. keine klinisch signifikante Verbesserung)
  • Probengröße: 20 Teilnehmer (10 in jeder Behandlungsgruppe)

Datenerhebung und -organisation

Nach der Interventionsphase bewertet der Psychologe jeden Teilnehmer und kategorisiert ihn danach, ob er klinisch signifikante Verbesserungen zeigte (definiert als Reduktion von mindestens 30% bei einem standardisierten sozialen Angstmaß).

Tabelle für unvorhergesehene Ausgaben:

  • Neues CBT - Verbessert: 8 Teilnehmer
  • Neue CBT - Nicht verbessert: 2 Teilnehmer
  • Standardbehandlung - Verbessert: 3 Teilnehmer
  • Standardbehandlung - nicht verbessert: 7 Teilnehmer

Durchführung der Analyse

Der Psychologe stellt fest, dass bei nur 20 Teilnehmern und einigen Zellen mit geringen Zählungen der Fisher's Exact Test die richtige Wahl ist. Mit Hilfe von statistischer Software geben sie die Daten der Notfalltabelle ein und geben einen zweiseitigen Test mit α = 0,05 vor.

Interpretation des Outputs

Die Software bietet mehrere Informationen:

  • P-Wert: Die genaue Wahrscheinlichkeit, Daten dieses Extrems oder noch extremer unter der Nullhypothese zu beobachten
  • Odds Ratio: Ein Maß für die Effektgröße, das die Stärke der Assoziation anzeigt
  • Vertrauensintervall: Der Bereich, in dem das wahre Quotenverhältnis wahrscheinlich fällt

Wenn der p-Wert 0,028 (weniger als 0,05) beträgt, würde der Psychologe die Nullhypothese ablehnen und zu dem Schluss kommen, dass es einen statistisch signifikanten Zusammenhang zwischen Behandlungstyp und klinischem Ergebnis gibt.

Software und Tools für Fisher Exact Test

Statistische Softwarepakete

Die meisten modernen statistischen Pakete werden die Bedeutung von Fisher-Tests berechnen, in einigen Fällen sogar, wenn die Chi-Quadrat-Näherung ebenfalls akzeptabel wäre.

R Statistische Software

R ist eine freie, quelloffene statistische Computerumgebung, die in der psychologischen Forschung weit verbreitet ist. Um den genauen Fisher-Test in R durchzuführen, verwenden Sie die Funktion fisher.test() wie beim Chi-Quadrat-Test. Die grundlegende Syntax ist einfach und R bietet umfassende Ergebnisse, einschließlich des p-Werts, des Quotenverhältnisses und der Konfidenzintervalle.

R ist besonders vorteilhaft, weil es kostenlos ist, eine umfangreiche Dokumentation hat und von der Forschungsgemeinschaft umfassend unterstützt wird. Viele psychologische Abteilungen unterrichten R als Teil ihres Statistik-Curriculums.

SPSS

Standardmäßig berechnet SPSS Fisher, wenn wir Chi-Quadrat in einer 2 × 2-Kontingenztabelle anwenden. Dies macht SPSS besonders benutzerfreundlich für Forscher, die mit Kommandozeilenschnittstellen möglicherweise nicht zufrieden sind. SPSS liefert automatisch Fisher's Exact Test-Ergebnisse bei der Analyse von 2 × 2-Tabellen, und für andere Tabellen als 2 × 2 müssen Sie im Dialogfeld Crosstab auf das Feld Exact klicken und dann Exact auswählen.

Python

Für Forscher, die mit der Programmierung vertraut sind, bietet Python Fisher's Exact Test über die SciPy-Bibliothek an. Python wird in der psychologischen Forschung immer beliebter, insbesondere für Forscher, die auch Computermodellierung oder maschinelle Lernanalysen durchführen.

Online-Rechner

Für schnelle Analysen oder wenn statistische Software nicht verfügbar ist, können mehrere zuverlässige Online-Rechner Fisher's Exact Test durchführen:

Diese Online-Tools sind besonders nützlich für Lehrzwecke, schnelle Überprüfung der Ergebnisse oder bei der Arbeit an Computern ohne installierte statistische Software.

Reporting Fisher's Exact Test Ergebnisse

Wesentliche Elemente für den Bericht

Bei der Interpretation und Berichterstattung über die genauen Testergebnisse von Fisher ist es wichtig, den genauen p-Wert einzubeziehen, das Quotenverhältnis zusammen mit einem Konfidenzintervall von 95% anzugeben und klar anzugeben, ob ein einseitiger oder zweiseitiger Test durchgeführt wurde.

Ein vollständiger Bericht über die Ergebnisse des Fisher Exact Test sollte Folgendes enthalten:

  • Der genaue p-Wert (nicht nur "p < 0.05"")
  • Der Testname (Fisher's Exact Test)
  • Ob der Test einseitig oder zweiseitig war
  • Das Odds Ratio und sein Konfidenzintervall
  • Stichprobenumfang für jede Gruppe
  • Eine klare Aussage der Schlussfolgerung im Kontext

Beispiel Berichterstattungsformat

Hier ist ein Beispiel, wie man Fisher's Exact Test Ergebnisse im APA-Stil meldet:

"Ein Fisher's Exact Test wurde durchgeführt, um den Zusammenhang zwischen Behandlungstyp und klinischem Ergebnis zu untersuchen. Die Ergebnisse zeigten eine statistisch signifikante Beziehung zwischen Behandlungstyp und Verbesserungsstatus (p = 0,028, zweiseitig). Teilnehmer, die die neue CBT-Intervention erhielten, zeigten signifikant häufiger eine klinisch signifikante Verbesserung (80%) im Vergleich zu denen, die eine Standardbehandlung (30%) erhielten, mit einem Quotenverhältnis von 9,33 (95% CI [1,38, 63,15])."

Visuelle Darstellung

Die statistischen Ergebnisse sind zwar entscheidend, die visuelle Darstellung verbessert jedoch das Verständnis.

  • Eine klar gekennzeichnete Notfalltabelle mit Häufigkeiten und Prozentsätzen
  • Balkendiagramm oder Mosaikdiagramm, das die Verteilung über Kategorien zeigt
  • Visualisierung der Effektgröße, wenn zutreffend

Häufige Fallstricke und wie man sie vermeidet

Unabhängigkeit missverstehen

Eine der häufigsten Fehler ist die Verletzung der Unabhängigkeitsannahme. Jede Beobachtung muss unabhängig von allen anderen sein.

  • Kein Teilnehmer kann in mehreren Zellen erscheinen
  • Wiederholte Maßnahmen derselben Teilnehmer verletzen die Unabhängigkeit
  • Gematchte Paare oder verwandte Proben erfordern unterschiedliche Tests (z. B. McNemars Test)

Unangemessene Verwendung von One-Tailed-Tests

Forscher verwenden manchmal unangemessen einseitige Tests, um statistische Signifikanz zu erreichen, und denken Sie daran, dass die Entscheidung für einen einseitigen Test vor der Datenerhebung getroffen werden muss, und zwar auf der Grundlage solider theoretischer Gründe, nicht nach dem Sehen der Daten.

Ignorieren der Effektgröße

Statistische Signifikanz bedeutet nicht unbedingt praktische Signifikanz. Immer Effektgrößen (wie Odds Ratios) neben p-Werten melden und interpretieren. Ein statistisch signifikantes Ergebnis mit einer sehr geringen Effektgröße ist möglicherweise klinisch oder praktisch nicht aussagekräftig.

Mehrere Vergleiche ohne Korrektur

Bei der Durchführung mehrerer Fisher's Exact Tests mit demselben Datensatz steigt das Risiko von Fehlern des Typs I. Bei der Durchführung mehrerer Tests sollten geeignete Korrekturen (z. B. Bonferroni-Korrektur) vorgenommen werden.

Verwirrende statistische und klinische Bedeutung

In der psychologischen und klinischen Forschung muss die statistische Signifikanz im Kontext der klinischen oder praktischen Signifikanz interpretiert werden, ein statistisch signifikanter Befund kann sich nicht in bedeutenden Auswirkungen auf die reale Welt niederschlagen.

Erweiterungen und Alternativen

Größere Notfalltabellen

Das Prinzip der Prüfung kann jedoch auf den allgemeinen Fall einer m × n-Tabelle ausgedehnt werden, und einige statistische Pakete liefern eine Berechnung (manchmal unter Verwendung einer Monte-Carlo-Methode, um eine Näherung zu erhalten) für den allgemeineren Fall.

Wenn Sie mit Tabellen arbeiten, die größer als 2 × 2 sind, sollten Sie sich bewusst sein, dass die Rechenanforderungen erheblich steigen.Viele Softwarepakete verwenden Monte-Carlo-Simulationsmethoden, um den genauen p-Wert für größere Tabellen zu approximieren.

Alternative genaue Tests

Ein alternativer exakter Test, Barnards exakter Test, wurde entwickelt und Befürworter davon legen nahe, dass diese Methode leistungsfähiger ist, insbesondere in 2 × 2-Tabellen.

Statistiker streiten jedoch weiterhin über Alternativen zu Fishers genauem Test, aber die Verbesserungen scheinen bei vernünftigen Stichprobengrößen ziemlich gering zu sein, mit den erheblichen Kosten, um Ihren Lesern zu erklären, warum Sie einen obskuren statistischen Test anstelle des bekannten Fishers genauen Tests verwenden. Ich denke, die meisten Biologen würden, wenn sie sehen würden, dass Sie ein signifikantes Ergebnis mit Barnards Test oder Boschloos Test oder Santner und Snells Test oder Suissa und Shusters Test oder einer der vielen anderen Alternativen erhalten, schnell Ihre Zahlen durch Fishers genauen Test laufen lassen.

Power und Sample Size Überlegungen

Statistische Macht verstehen

Statistische Leistung ist die Wahrscheinlichkeit, dass ein tatsächlicher Effekt festgestellt wird, wenn er existiert. Bei kleinen Stichprobengrößen ist die statistische Leistung oft begrenzt. Beachten Sie, dass zwar sehr kleine Stichprobengrößen für diesen Test gültig sind, sie jedoch die statistische Leistung verringern, was bedeutet, dass es schwierig sein kann, signifikante Ergebnisse zu erzielen.

Bei der Planung einer Studie, die Fisher's Exact Test verwenden wird, sollten Sie Folgendes berücksichtigen:

  • Die erwartete Effektgröße basierend auf früheren Forschungs- oder Pilotdaten
  • Die gewünschte Leistung (typischerweise 0,80 oder 80%)
  • Signifikanzniveau (typischerweise 0,05)
  • Praktische Einschränkungen des Stichprobenumfangs

Stichprobengrößenplanung

Der exakte Test des Fishers ist anwendbar, wenn die Stichprobengröße klein ist und wir erwarten können, dass es eine oder mehrere kleine Zellen geben kann (< 5). Daher wird ein anderes Stichprobengrößenberechnungsverfahren nach dem genauen Test des Fishers angewendet, wenn die Stichprobengröße klein ist.

Spezialisierte Software oder Online-Rechner können helfen, die minimale Stichprobengröße zu bestimmen, die benötigt wird, um eine ausreichende Leistung für die Erkennung eines Effekts einer bestimmten Größe zu erzielen, aber denken Sie daran, dass die Stichprobengröße in vielen psychologischen Forschungskontexten durch praktische Faktoren wie die Verfügbarkeit der Teilnehmer oder Ressourcenbeschränkungen eingeschränkt ist.

Real-World-Anwendungen in der psychologischen Forschung

Klinische Psychologie

Fisher's Exact Test wird häufig in der klinischen Psychologie eingesetzt, um Behandlungsergebnisse mit kleinen Proben zu bewerten.

  • Vergleich der Ansprechraten zwischen Behandlungs- und Kontrollgruppen in Pilotstudien
  • Untersuchung der Beziehung zwischen diagnostischen Kategorien und der Einhaltung der Behandlung
  • Analyse der Rate unerwünschter Ereignisse in kleinen klinischen Studien
  • Untersuchung von Assoziationen zwischen komorbiden Bedingungen und Behandlungsergebnissen

Entwicklungspsychologie

Entwicklungsforscher arbeiten oft mit spezialisierten oder schwer zu rekrutierenden Populationen, was Fisher's Exact Test besonders wertvoll macht:

  • Prüfung der entwicklungspolitischen Meilensteinerreichung in verschiedenen Gruppen
  • Analyse kategorieller Ergebnisse in Längsschnittstudien mit Abrieb
  • Untersuchung der Beziehungen zwischen frühen Risikofaktoren und späteren Ergebnissen
  • Studieren seltener Entwicklungsstörungen oder Zustände

Sozialpsychologie

Sozialpsychologen können Fisher's Exact Test verwenden, wenn sie studieren:

  • Gruppenentscheidungsprozesse in kleinen Gruppen
  • Kategorische Antworten auf experimentelle Manipulationen
  • Beziehungen zwischen demografischen Variablen und Verhaltensentscheidungen
  • Pilottests von experimentellen Paradigmen

Neuropsychologie

In der neuropsychologischen Forschung sind kleine Stichprobengrößen aufgrund der Spezialisierung von Patientenpopulationen üblich:

  • Vergleich der Leistungskategorien (beeinträchtigt vs. nicht beeinträchtigt) über Patientengruppen hinweg
  • Untersuchung der Beziehungen zwischen Läsion Standort und funktionelle Ergebnisse
  • Analyse kategorisch neuropsychologischer Testergebnisse
  • Untersuchung von Assoziationen zwischen neurologischen Erkrankungen und Verhaltenssymptomen

Fortgeschrittene Überlegungen

Umgang mit gebundenen P-Werten

Da Fisher's Exact Test diskrete Wahrscheinlichkeitsverteilungen verwendet, können gebundene p-Werte auftreten. Verschiedene Softwarepakete können Bindungen leicht unterschiedlich behandeln, was gelegentlich zu geringfügigen Diskrepanzen bei den Ergebnissen zwischen den Plattformen führen kann. Dies ist im Allgemeinen kein Problem für die Interpretation, ist jedoch erwähnenswert, wenn man die Ergebnisse mit verschiedenen Softwareprogrammen vergleicht.

Mid-P-Korrektur

Einige Statistiker befürworten eine Mitte-p-Korrektur, die den genauen Fisher-Test weniger konservativ machen kann. Der Mitte-p-Wert wird berechnet, indem die halbe Wahrscheinlichkeit der beobachteten Tabelle vom genauen p-Wert des Standard-Fishers subtrahiert wird. Dieser Ansatz ist umstritten, und Sie sollten es klar angeben, wenn Sie es verwenden.

Vertrauensintervalle für Odds Ratios

Es gibt verschiedene Methoden zur Berechnung von Konfidenzintervallen für Quotenverhältnisse im Fisher's Exact Test. Die meisten Softwarepakete verwenden Methoden, die die genaue Art des Tests beibehalten, aber der spezifische Algorithmus kann variieren. Dies wirkt sich selten auf die Interpretation aus, kann jedoch zu geringfügigen Unterschieden in den Konfidenzintervallgrenzen zwischen Softwarepaketen führen.

Ethische Überlegungen in der Small Sample Research

Transparenz in der Berichterstattung

Bei der Durchführung von Forschungen mit kleinen Proben ist Transparenz von entscheidender Bedeutung.

  • Klare Begründung für die geringe Stichprobengröße
  • Einschränkungen in Bezug auf statistische Leistungsfähigkeit anerkennen
  • Alle durchgeführten Analysen melden, nicht nur signifikante Ergebnisse
  • Diskutieren Sie die Generalisierbarkeit von Befunden
  • Erwägen Sie, wenn möglich, eine Vorregistrierung von Analysen

Vermeiden von P-Hacking

Bei kleinen Proben kann die Versuchung, mehrere Analysen durchzuführen, bis die Bedeutung gefunden ist, stark sein.

  • Plananalysen vor der Datenerhebung
  • Alle durchgeführten Analysen sind zu melden
  • Anwenden geeigneter Korrekturen für Mehrfachvergleiche
  • Unterscheidung zwischen Bestätigungs- und Sondierungsanalysen

Replikation und Validierung

Die Ergebnisse aus kleinen Stichprobenuntersuchungen sollten vorsichtig interpretiert und idealerweise in unabhängigen Proben repliziert werden.

  • Rahmenfeststellungen gegebenenfalls vorläufig
  • Replikationsbemühungen fördern
  • Betrachten Sie meta-analytische Ansätze, um die Ergebnisse in kleinen Studien zu kombinieren
  • Seien Sie transparent über die explorative Natur der Kleinprobenforschung

Praktische Tipps für den Erfolg

Vor der Datenerhebung

  • Bestimmen Sie, ob Fisher's Exact Test für Ihre Forschungsfrage geeignet ist
  • Führen Sie eine Stromanalyse durch, um die Grenzen Ihrer Stichprobengröße zu verstehen
  • Registrieren Sie Ihren Analyseplan, wenn möglich
  • Stellen Sie sicher, dass Ihre Variablen wirklich kategorisch und binär sind
  • Planen Sie, wie Sie mit fehlenden Daten umgehen

Während der Datenerhebung

  • Strenge Unabhängigkeit der Beobachtungen wahren
  • Dokumentieren Sie Abweichungen von Ihrem geplanten Protokoll
  • Gewährleistung einer konsistenten Kategorisierung der Ergebnisse
  • Führen Sie detaillierte Aufzeichnungen über alle Datenerhebungsverfahren

Während der Analyse

  • Überprüfen Sie, ob die Annahmen erfüllt sind, bevor Sie den Test durchführen
  • Verwenden Sie zuverlässige, gut dokumentierte statistische Software
  • Doppelprüfung der Dateneingabe und Tabellenkonstruktion
  • Bericht genaue p-Werte, anstatt nur "p < 0.05""
  • Berechnung und Bericht der Effektgrößen
  • Sensitivitätsanalysen in Betracht ziehen, wenn dies angemessen ist

Wenn Sie Ergebnisse aufschreiben

  • Geben Sie vollständige deskriptive Statistiken
  • Eine klare Notfalltabelle beifügen
  • Alle relevanten Prüfstatistiken angeben
  • Interpretation von Erkenntnissen in praktischen, nicht nur statistischen Begriffen
  • Einschränkungen in Bezug auf den Stichprobenumfang
  • Implikationen für die zukünftige Forschung diskutieren

Lernressourcen und weitere Lektüre

Für Forscher, die ihr Verständnis des Fisher's Exact Test und der Statistiken kleiner Stichproben vertiefen möchten, stehen mehrere hervorragende Ressourcen zur Verfügung:

Lehrbücher und akademische Ressourcen

  • Statistische Lehrbücher speziell für kategorische Datenanalyse
  • Lehrbücher für Forschungsmethoden mit Abschnitten zu kleinen Stichprobenstatistiken
  • Online-Statistikkurse mit Schwerpunkt auf nichtparametrischen Methoden
  • Universitätsstatistik-Abteilung Websites mit Tutorial-Materialien

Online-Communities und Support

  • Statistikforen, in denen Forscher Fragen stellen können
  • R Benutzergruppen und Mailinglisten
  • Akademische Social Media Communities mit Fokus auf Forschungsmethoden
  • YouTube-Kanäle mit Statistik-Tutorials

Softwaredokumentation

  • Offizielle R-Dokumentation für die Funktion fisher.test()
  • SPSS-Benutzerhandbücher und Tutorials
  • Python SciPy Dokumentation
  • Softwarespezifische Benutzerforen und Communities

Für zusätzliche Hinweise zur statistischen Analyse in der Psychologie sollten Sie Ressourcen der American Psychological Association und der Association for Psychological Science erkunden.

Schlussfolgerung

Fisher's Exact Test ist ein unverzichtbares Werkzeug für psychologische Forscher, die mit kleinen Stichprobengrößen und kategorischen Daten arbeiten. Im Gegensatz zu ungefähren Tests, die auf großen Stichprobenannahmen beruhen, berechnet Fisher's Exact Test genaue p-Werte, was ihn zum Goldstandard für kleine Datensätze macht. Zum Beispiel in klinischen Studien oder in der Genetik, wo die Stichprobengrößen begrenzt sein können, bietet dieser Test eine zuverlässige Methode, um festzustellen, ob zwei Variablen verwandt sind.

Durch das Verständnis, wann der Fisher's Exact Test zu verwenden ist, wie er richtig durchgeführt und interpretiert wird und wie man Ergebnisse transparent meldet, können Forscher gültige Schlussfolgerungen aus begrenzten Daten ziehen. Während kleine Stichprobengrößen inhärente Herausforderungen darstellen, bietet Fisher's Exact Test einen strengen statistischen Rahmen für die Analyse kategorieller Assoziationen, wenn größere Proben nicht möglich sind.

Der Schlüssel zur erfolgreichen Anwendung des Fisher's Exact Tests liegt in sorgfältiger Planung, strikter Einhaltung von Annahmen, transparenter Berichterstattung und angemessener Interpretation der Ergebnisse im breiteren Kontext der psychologischen Theorie und Praxis. Da sich die psychologische Forschung weiterhin mit Fragen spezialisierter Populationen und seltener Phänomene auseinandersetzt, wird Fisher's Exact Test ein wichtiges Werkzeug im statistischen Toolkit des Forschers bleiben.

Denken Sie daran, dass statistische Signifikanz nur ein Teil des Puzzles ist. Effektgrößen, Konfidenzintervalle, Replikation und theoretische Kohärenz tragen alle dazu bei, einen robusten Körper psychologischen Wissens aufzubauen. Durch die Kombination rigoroser statistischer Methoden wie Fisher's Exact Test mit durchdachtem Forschungsdesign und transparenten Berichtspraktiken können Forscher selbst bei der Arbeit mit kleinen Proben sinnvolle Beiträge zur psychologischen Wissenschaft leisten.