„Quantitative Methoden IV – Logistische Regressionsverfahren “; konsekutive Lehrveranstaltung im 2. Semesters des Doktoratsstudiums

Nähere Beschreibung des Projekts

Vorarbeit. Zur Vorbereitung des Kurses werden Übersichtsarbeiten zum Thema „logistische Regression“ über Moodle zur Verfügung gestellt. Dort werden Begriffe, Anwendung und Ergebnisinterpretation kurz erklärt. Gleich am Anfang des Seminars müssen die Studierenden einen Mini-Test mit Fragen zur vorbereitenden Literatur über Moodle beantworten. Der Mini-Test wird nicht besprochen bis zum Ende des ersten Teils des Seminars (nach der praktischen Aufgabe), dem Zeitpunkt, zu dem er im Plenum beantwortet wird.

Start. Das Seminar startet mit dem wichtigen grundlegenden Hinweis, dass ein bestimmtes Regressionsverfahren unter Berücksichtigung des Skalenniveaus der sogenannten abhängigen Variablen ausgewählt wird. Zu diesem Zweck wird das (Literatur)Fallbeispiel 1 (Sulz MC, Siebert U, Arvandi M, Gothe RM, Wurm J, von Kanel R, Vavricka SR, Meyenberger C, Sagmeister M: Predictors for hospitalization and outpatient visits in patients with inflammatory bowel disease: results from the Swiss Inflammatory Bowel Disease Cohort Study. Eur J Gastroenterol Hepatol 2013; 25(7): 790-797) benutzt, in dem die Autoren unterschiedliche Verfahren angewandt haben, je nachdem wie die behandelten Forschungsfragen und deren Outcomes operationalisiert wurden. Bekannte und weniger bekannte Methoden werden im Plenum anhand der Ergebnisdarstellung und -interpretation kurz erläutert.

Exkurs. Der Einstieg in das Seminar ist ein praktischer „Exkurs“ in das Thema der einfachen linearen Regression. Dafür wird ein Datensatz aus der Literatur benutzt, der im Rahmen der Low Birth Weight Study entstanden ist und im Lehrbuch von Hosmer & Lemeshow (2000) (Hosmer, Lemeshow (2000): Applied Logistic Regression. New York u. a.; John Wiley & Sons) vorgestellt und diskutiert wird. Ziel der Studie war es, Risikofaktoren zu identifizieren, die mit der Geburt eines Babys mit besonders niedrigem Geburtsgewicht verbunden sind. Der Vorteil des Datensatzes ist, dass der Outcome auch als kardinalskalierte Variable vorhanden ist (Geburtsgewicht von Kindern in Gramm), was die Anwendung der Korrelation und linearen Regression ermöglicht. Im Plenum wird der SPSS-Output der Analyse des Geburtsgewichts von Kindern in Gramm in Abhängigkeit vom Gewicht der Mutter und deren Rauchgewohnheit während der Schwangerschaft diskutiert und interpretiert. Die lineare Gleichung, die Kleinste-Quadrate-Methode zur Schätzung der Regressionskoeffizienten, die Testverfahren und die Ergebnisinterpretation stehen im Fokus der Diskussion dieses einfachen Beispiels und ermöglichen, das Vorwissen zu aktivieren bzw. Wissenslücken zu schließen. Anschließend werden die Ergebnisse präsentiert, die man erhält, wenn man die gleiche Vorgehensweise mit der dichotomisierten abhängigen Variablen (Geburtsgewicht > 2500g vs. Geburtsgewicht ≤ 2500g) wiederholt. Die Studierenden sollen daran erkennen, dass das bekannte lineare Modell in der konstruierten Situation nicht weiterhilft.

Das binäre logistische Modell. Schrittweise werden die Studierenden in das logistische Modell eingeführt. Zuerst wird die Beziehung zwischen Wahrscheinlichkeiten, Odds, Logits anhand von Zahlenbeispielen erklärt. Dann wird die lineare Gleichung auf der Logit-Ebene gezeigt und die Maximum-Likelihood-Methode als Schätzverfahren eingeführt. Die Theorie, die Durchführung der logistischen Regression und die Ergebnisinterpretation werden anhand von generierten SPSS-Outputs erläutert. Anschließend wird gezeigt, wie man die Ergebnisse mit Hilfe des SPSS-Programms generiert.

Praktische Aufgabe. Nun müssen die Studierenden SPSS anwenden, um eine binäre logistische Regression selbstständig durchzuführen. Dafür wird ein Datensatz benutzt, der im Rahmen einer Studie mit ähnlichen Forschungsfragen wie im Fallbeispiel 2 entstanden ist. Dieser Datensatz wird als Fallbeispiel 3 (Veelken N, Stollhoff K, Claussen M: Development and Perinatal Risk Factors of Very Low-Birthweight-Infants. Small Versus Appropriate for Gestational Age. Neuropediatrics 1992; 23(2): 102-107). Der Datensatz wird im Lehrbuch “SPSS 19” von Felix Brosius zur Erklärung der Faktorenanalyse benutzt. Da die nominierte Lehrperson die originale Publikation erworben hat, ist es nicht nur möglich, den Datensatz für die Übung zu nutzen, sondern auch die textuelle Interpretation der Autoren zu zeigen. Für diese praktische Übung wurden in der Power-Point-Präsentation Folien generiert, die die gleiche Struktur der Folien von Beispiel 2 haben, wobei hier in den Tabellen die Zahlen maskiert sind. Die Studierenden führen die Datenanalyse durch und tragen die Ergebnisse in die einzelnen Tabellen ein. Bei jedem generierten Output müssen sie überlegen, wie er jeweils zu interpretieren ist. Im Gremium werden alle Ergebnisse und deren Interpretation verglichen und diskutiert.

Wiederholung / Besprechung des Mini-Tests. Nach der praktischen Übung wird der Mini-Test wiederholt. Ein Teil der Fragen bleibt bestehen, neue Fragen kommen dazu. Die Fragen der Mini-Tests werden anschließend gemeinsam beantwortet. Dies ermöglicht die Festigung des gewonnenen Wissens und gestattet es den Studierenden, zu erkennen, ob / wie viel mehr sie dazu gelernt haben und ob / welche Wissenslücken durch die Besprechung der Antworten im Plenum geschlossen werden.

Multinomiale und ordinale logistische Regression. Im letzten Teil des Seminars werden die Besonderheiten der multinomialen und ordinalen logistischen Regression anhand von zusätzlichen Fallbeispielen (5 & 6) erklärt. Dies betrifft insbesondere die Annahmen und Ergebnisinterpretationen bei diesen zwei Verfahren, so dass diese Aspekte wieder mit Hilfe des SPSS-Outputs einzeln erklärt werden.

Nacharbeit. Für die Nacharbeit wird das Fallbeispiel 4 (Krivokapich J, Child JS, Walter DO, Garfinkel A: Prognostic Value of Dobutamine Stress Echocardiography in Predicting Cardiac Events in Patients with Known or Suspected Coronary Artery Disease. JACC 1999; 33(3): 708-716) benutzt. Dabei handelt es sich um einen Datensatz, den die nominierte Lehrperson auch im QM II benutzt. Auch in diesem Falle liegt die originale Publikation vor. Diejenigen Studierenden, die den Kurs „Quantitatives Methodenseminar II“ besucht haben, haben damit zum Teil schon deskriptive und induktive Datenanalysen durchgeführt und ausgewählte Hauptergebnisse eigenständig überprüft/reproduziert. Das originale Paper dient im QM II als „Regiebuch“ für die Durchführung von deskriptiven Datenanalysen und ausgewählten statistischen Testverfahren. In diesem Seminar QM IV müssen die Studierenden die Analyse fortsetzen und die multiple binäre logistische Regression mit den von den Autoren im Paper genannten Prädiktoren durchführen. Als Zielgröße gilt eine dichotome Variable („Any new cardiac event“). Die Studierenden müssen 1) die Strategie des Modellaufbaus erklären, 2) ausgewählte relevante Ergebnisse kommentieren und interpretieren und 3) diese anschließend in das Enddokument einfügen und in Moodle hochladen. Folgende Prüfungsmethoden werden eingesetzt: wiederholte Mini-Tests und praktische Übungen, deren Lösungen im Gremium besprochen werden, sowie die Nacharbeit, anhand der Modellaufbau, Methodenanwendung und Ergebnisinterpretation überprüft werden können. Da die im Doktoratsstudium erbrachten Leistungen nicht benotet werden, werden Kommentare und Korrekturen zur eingereichten Nacharbeit direkt über Moodle an die Studierenden übermittelt.

Nachhaltigkeit

Der Ansatz dieses Kurses wird auch in „Quantitative Methoden II“ (QM II) verwendet, einem Kurs, in dem die Vorkenntnisse der Studierenden in deskriptiver und induktiver Statistik aufgefrischt werden. Im Kurs QM II werden für die praktischen Aufgaben die gleichen Datensätze und wissenschaftlichen Publikationen verwendet wie für den Unterricht in QM III. Auf diese Weise können die Studierenden Schritt für Schritt die Struktur der Präsentation von Ergebnissen in einer wissenschaftlichen Publikation nachvollziehen (von der Beschreibung eines Datensatzes bis zum Aufbau eines statistischen Modells), um sie später in ihrer eigenen Doktorarbeit anzuwenden – eine unverzichtbare Kompetenz für das Schreiben einer Doktorarbeit und für das wissenschaftliche Arbeiten über die Doktorarbeit hinaus.