UMIT TIROL – Privatuniversität für Gesundheitswissenschaften und -technologie
Eduard Wallnöfer-Zentrum 1, 6060 Hall in Tirol
Weitere Beispiele der Hochschule

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

Ziele/Motive/Ausgangslage

Die Gestaltung der Lehrveranstaltung „Quantitative Methoden IV – Logistische Regressionsverfahren“ orientiert sich an den Kriterien des UMIT-Leitbildes Lehre, welches die Lehre als „begeisternd“, „studierendenzentriert“, „partizipativ“, „kompetenzorientiert“, „modern“, „forschungsgeleitet“ und „gut organisiert“ beschreibt. Die Lehrveranstaltung wird im Doktoratsstudium an der UMIT TIROL angeboten. Laut Modulhandbuch sollen durch den Besuch der Lehrveranstaltung die folgenden Kompetenzen erworben werden: (a) Die Studierenden können das zur Beantwortung einer Forschungsfrage geeignete logistische Regressionsverfahren auswählen, Regressionsmodelle aufbauen und deren Güte überprüfen sowie die erhaltenen Ergebnisse korrekt interpretieren; (b) Die Studierenden wissen um den richtigen Einsatz von geeigneten Softwareprogrammen (wie SPSS, SAS, STATA, R o. a.) zur Schätzung der Regressionsparameter sowie zur Überprüfung der Anwendungsvoraussetzungen der einzelnen logistischen Regressionsverfahren. Den Studierenden wird ein Vorbereitungs- und Nachbereitungsauftrag erteilt; diese werden im Seminar bzw. nach dessen Beendigung eingefordert und überprüft.

Die Gruppe der Studierenden im Doktoratsstudium ist sehr heterogen. Auf der einen Seite stellt dies für die Studierenden selbst eine große Bereicherung dar, da sie die Denkweise und das Argumentieren im Rahmen eines multidisziplinären Teams erleben können. Auf der anderen Seite ergibt sich aus den unterschiedlichen Backgrounds der Studierenden für die Lehrenden die Herausforderung, zu entscheiden, an welchem Vorwissen das Seminar ansetzen kann. Grundkenntnisse der Statistik sind bei Studierenden im Doktoratsstudium in der Regel mehr oder weniger vorhanden, wobei das UMIT-TIROL-Curriculum sogar vorsieht, das Vorwissen zu deskriptiver und induktiver Statistik in der Lehrveranstaltung „Quantitative Methoden II“ (QM II) aufzufrischen. Auch dieser Kurs wird von der nominierten Lehrperson angeboten. In fast allen Studiengängen auf Bachelor- und/oder Master-Niveau werden Korrelation und lineare Regression (zumindest die einfache lineare Regression) unterrichtet. Zu Beginn des Seminars wird zuerst an dieser allgemeinen Basis gearbeitet.

Kurzzusammenfassung des Projekts in deutscher Sprache

Die Lehrveranstaltung wird als konsekutive Lehrveranstaltung im Rahmen des Moduls „Forschungsprozess“ des Doktoratsstudiums an der UMIT TIROL angeboten. Die Anzahl der ECTS beträgt 5, von denen 1 im Kontaktstudium und individuellen Selbststudium und 4 im begleiteten Selbststudium erworben werden. Als Lehr-/Lernplattform wird Moodle eingesetzt.

Inhalte der Lehrveranstaltung sind (1) Anwendungsorientierte Einführung in die Regressionsanalyse anhand des klassischen linearen Modells; (2) Grundzüge der binären logistischen Regression: (2.1) Ziele, (2.2) Voraussetzungen, (2.3) die logistische Funktion, (2.4) der logistische Regressionsansatz und die Modellformulierung; (3) Inferenzverfahren im logistischen Regressionsmodell: (3.1) Maximum-Likelihood-Methode zur Schätzung der logistischen Regressionsfunktion (MLE), (3.2) Wald-Konfidenzintervalle, (3.3) Wald- und Likelihood-Ratio-Test, (3.4) Statistische Gütekriterien zur Beurteilung des Regressionsmodells; (4) Erweiterungen: angewandte Einführung in die ordinale und multinomiale logistische Regressionsanalyse. Der Kurs besteht insgesamt aus drei Phasen: einer Vorbereitungsphase, einer Präsenzphase und einer Nachbereitungsphase. Ein Vorbereitungsauftrag wird den Studierenden via Moodle erteilt; dieser wird im Laufe der Lehrveranstaltung in Form von Mini-Tests überprüft und im Plenum besprochen. Ein individueller Nachbereitungsantrag wird am Ende der Lehrveranstaltung erteilt und von der lehrenden Person überprüft.

Kurzzusammenfassung des Projekts in englischer Sprache

The course is offered as a consecutive course within the module "Research Process" of the doctoral program at UMIT TIROL. The number of ECTS is 5, of which 1 is acquired in contact study and individual self-study and 4 in accompanied self-study. Moodle is used as the teaching/learning platform. Contents of the course are (1) application-oriented introduction to regression analysis based on the classical linear model; (2) basic features of binary logistic regression: (2.1) objectives, (2.2) prerequisites, (2.3) the logistic function, (2.4) the logistic regression approach and model formulation; (3) inference procedures in the logistic regression model: (3.1) maximum likelihood method for estimating the logistic regression function (MLE), (3.2) Wald confidence intervals, (3.3) Wald and likelihood ratio test, (3.4) statistical goodness criteria for assessing the regression model; (4) extensions: applied introduction to ordinal and multinomial logistic regression analysis. The course consists of three phases in total: a preparation phase, an attendance phase and a follow-up phase.

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.

Mehrwert

Zur Erklärung der Theorie versucht die nominierte Lehrperson, die Aufmerksamkeit der Studierenden mit einfachen Beispielen auf Themen zu lenken, die zunächst unzugänglich erscheinen (wie z. B. die Maximum-Likelihood-Methode), dann aber plötzlich völlig logisch erscheinen. Der Enthusiasmus des Wissens, auch wenn er sich zunächst an kleinen Beispielen entzündet, kann das Interesse der Gruppe wirklich wecken. Aspekte der Lehrveranstaltung, die einen starken Bezug zu den von Ars Docendi aufgestellten Kriterien ermöglichen (d. h. innovative Hochschuldidaktik, Studentenzentriertheit und Heterogenität, Kompetenzorientierung, europäische und internationale Ausrichtung) können folgendermaßen zusammengefasst und hervorgehoben werden: Innovativ an diesem Unterrichtskonzept ist aus Sicht der nominierten Lehrperson die Gestaltung der ausgewählten Praxisaufgabe. Die Studierenden erlernen die Anwendung neuer statistischer Methoden durch die Analyse von Daten, deren Ergebnisse zum Teil bereits veröffentlicht wurden. Da die Autoren der vorliegenden wissenschaftlichen Veröffentlichung zunächst die logistische Regression zur Beantwortung einer ihrer Forschungsfragen gewählt, schließlich aber eine andere Methode angewandt haben, können die Studierenden deutlich erkennen, inwieweit die Interpretation der Ergebnisse je nach angewandter Methode unterschiedlich ausfallen kann. Mit anderen Worten: Die Studierenden können auch erkennen, dass sie, wenn sie Forschungsfragen selbständig untersuchen und beantworten wollen, durch Anwendung verschiedener Verfahren zu unterschiedlichen Interpretationsmöglichkeiten gelangen können. Im Plenum startet die nominierte Lehrperson immer mit der Operationalisierung von Forschungsfragen, insbesondere derjenigen Forschungsfragen, die die Studierenden im Rahmen der eigenen Dissertation beantworten wollen. In dieser Situation stehen die einzelnen Studierenden mit ihrem Vorhaben im Mittelpunkt der Diskussion. Es soll gemeinsam herausgefunden werden, ob/wie die zu erklärenden quantitativen Methoden dabei helfen können. Die aus der Literatur ausgewählten Beispiele, bei denen sowohl die originalen Daten als auch die Publikationen zu den Ergebnissen der Datenanalyse existieren, sollen den Denkprozess sowie die Auswahl und Anwendung von Methoden unterstützen. Die Studierenden werden von Anfang an eingeladen, Parallelen und Verbindungen zu ihren eigenen Forschungsfragen und Analysevorhaben in der Gesprächsrunde mit der nominierten Lehrperson und den Kolleginnen und Kollegen darzustellen. Die Heterogenität der Forschungsfragen, die möglicherweise dieselben statistischen Methoden als gemeinsamen Nenner haben, führt zu interessanten Diskussionen, da jede/r Kursteilnehmer/in aufgefordert ist, sich nicht nur auf die eigene Forschungsfrage zu konzentrieren, sondern auch zur Entwicklung der Analysestrategie in anderen Bereichen beizutragen (in Sinne eines Blickes über den Tellerrand), die aufgrund der Vielfalt der Gruppe a priori möglicherweise völlig unbekannt sind.

Übertragbarkeit/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.

Aufwand

Der Aufwand für die Studierenden ist durch das Curriculum festgelegt. Für die nominierte Lehrperson wird kein zusätzlicher Aufwand im Vergleich zur Gestaltung anderer Lehrveranstaltungen, die eine Korrektur von Vor- und Nacharbeiten verlangen, benötigt.

Positionierung des Lehrangebots

Das Projekt wird als konsekutive Lehrveranstaltung im Rahmen des Moduls „Forschungsprozess“ des Doktoratsstudiums an der UMIT TIROL angeboten. In diesem Modul gibt es insgesamt vier aufeinander aufbauende quantitative Methodenseminare (QM I, QM II, QM III, QM IV). Die nominierte Lehrperson bietet sowohl das Methodenseminar QM II (Statistische Grundlagen) als auch das nominierte Projekt (Methodenseminar QM IV - Logistische Regressionsverfahren) an.

Das Beispiel wurde für den Ars Docendi Staatspreis für exzellente Lehre 2022 nominiert.
Ars Docendi
2022
Kategorie: Lernergebnisorientierte Lehr- und Prüfungskultur
Hochschullehrpreis 2021
Kategorie: xxx
Link zum Hochschulpreis
Ansprechperson
Dipl.-Stat. Raffaella Matteucci Gothe
Department für Public Health, Versorgungsforschung und Health Technology Assessment
+43 50-8648-3930
Nominierte Person(en)
Dipl.-Stat. Raffaella Matteucci Gothe
Department für Public Health, Versorgungsforschung und Health Technology Assessment
Themenfelder
  • Didaktische Methode
Fachbereiche
  • Medizin und Gesundheitswissenschaften