Christel Weiß Basiswissen Medizinische Statistik
Christel Weiß
Basiswissen Medizinische Statistik 4., überarbeitete Auflage Mit 40 Abbildungen, 15 Tabellen und 9 Übersichten
13
Dr. Christel Weiß, Dipl.-Math.
Prof. Dr. Berthold Rzany, M. Sc.
Universitätsklinikum Mannheim Medizinische Fakultät der Universität Heidelberg Medizinische Statistik Ludolf-Krehl-Str. 7–11 68135 Mannheim
Division of Evidence Based Medicine (dEBM) Klinik für Dermatologie, Venerologie und Allergologie Charité – Universitätsmedizin Berlin Campus Charité Mitte Charitéplatz 1 10117 Berlin
Bibliograische Information der Deutschen Bibliothek Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliograie; detaillierte bibliograische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
ISBN-13
978-3-540-71460-6
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funksendung, der Mikroverilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungsplichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes.
Springer Medizin Verlag springer.de © Springer Medizin Verlag Heidelberg 1999, 2002, 2005, 2008 Produkthaftung: Für Angaben über Dosierungsanweisungen und Applikationsformen kann vom Verlag keine Gewähr übernommen werden. Derartige Angaben müssen vom jeweiligen Anwender im Einzelfall anhand anderer Literaturstellen auf ihre Richtigkeit überprüft werden. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Planung: Kathrin Nühse, Heidelberg Projektmanagement: Axel Treiber, Heidelberg Umschlaggestaltung & Design: deblik Berlin Satz: Reproduktionsfertige Autorenvorlage Druck- und Bindearbeiten: Stürtz, Würzburg SPIN 12037018 Gedruckt auf säurefreiem Papier
15/2117 – 5 4 3 2 1 0
V Vorwort
Vorwort zur vierten Auflage Es gibt keine gute Medizin ohne Biostatistik. Dieser Satz wird möglicherweise bei einigen Medizinstudenten auf Unverständnis stoßen. Warum sollte sich ein Mediziner mit Biostatistik befassen, und warum ist dieses Fach Teil der ärztlichen Ausbildung? – Ärztliches Handeln muss auf Wissen basieren. Ansonsten verfallen wir Zufällen und Halbwahrheiten, die auch dadurch nicht besser werden, dass sie mantrahaft wiederholt werden. Dies wäre unter ethischen, medizinischen und ökonomischen Aspekten nicht vertretbar. Medizinische Forschung ohne Statistik ist nicht möglich. Ist Biostatistik unattraktiv? Keineswegs! Es gibt sogar Mediziner, die dieses Fach faszinierend finden. Erst eine statistische Analyse ermöglicht es, Daten zu strukturieren, Zusammenhänge aufzudecken, Ergebnisse zu interpretieren und in der Praxis anzuwenden. Jeder Arzt, der wissenschaftliche Publikationen gelesen oder selbst erstellt hat, weiß dies. Den meisten Studenten wird dies spätestens beim Schreiben ihrer Doktorarbeit bewusst. Der schlechte Ruf, der diesem Fach vorauseilt, ist dadurch begründet, dass statistische Methoden auf mathematischen Formeln basieren, die für manche ein Gräuel sind. Als Anwender der Statistik muss man diese Formeln jedoch nicht herleiten können oder gar auswendig lernen (zumal die Rechnungen üblicherweise von einer geeigneten Software durchgeführt werden). Man sollte vielmehr verstehen, wie statistische Methoden sinnvoll in der Medizin angewandt werden. Jedem, der diesem Fachgebiet unbefangen begegnet, erschließen sich äußerst interessante Anwendungsmöglichkeiten. Ziel dieses Buches ist es, Studenten und interessierten Ärzten einen kompetenten Überblick über die wichtigsten statistischen Anwendungen in der Medizin zu geben. Darüber hinaus gewährt dieses Buch einen umfassenden Überblick über epidemiologische Studien. Es ist nicht nur Studenten bei deren Klausur- und Examensvorbereitungen nützlich, sondern auch als Nachschlagekompendium geeignet. – Für die vierte Auflage wurde der gesamte Text überarbeitet, aktualisiert und an einigen Stellen ergänzt. Das bewährte didaktische Konzept wurde beibehalten. Alle Methoden werden verständlich dargestellt und anhand von einfachen Beispielen erläutert. Die mathematischen Formeln werden nicht nur aufgelistet, sondern auch – soweit dies mit schulmathematischen Kenntnissen möglich ist – hergeleitet. Diese Abhandlungen sind jedoch nicht in den laufenden Text eingebettet. Der Leser kann bei
VI
Vorwort
Interesse die Formeln nachvollziehen; für das grundsätzliche Verständnis des Stoffes ist dies jedoch nicht erforderlich. Des Weiteren wurden die MultipleChoice-Aufgaben ergänzt. Man findet man sie – separat für jedes Buchkapitel – mit kommentierten Lösungen auf den Internet-Seiten des Springer-Verlages unter www.lehrbuch-medizin/medstatistik. Viele haben zum Gelingen dieses Buches beigetragen. Ich danke sehr herzlich meinem Coautoren, Herrn Prof. Dr. med. Berthold Rzany, Sc. M. (Master of Science in Clinical Epidemiology), für seine wertvolle Hilfe und zahlreiche medizinisch-fachliche Ratschläge. Er war als Mediziner und Epidemiologe bereits Coautor der ersten drei Auflagen und auch bei der vierten Auflage (insbesondere bei den Kapiteln 13 bis 16) maßgeblich beteiligt. Ferner bedanke ich mich bei meinen Mitarbeitern Herrn Joachim Brade, Frau Sylvia Büttner ˇ und Frau Rosemarie Cerný. Herr Brade hat den gesamten Text der Kapitel 1 bis 12 durchgearbeitet, kritisch kommentiert und zahlreiche eigene Ideen einˇ fließen lassen. Frau Büttner und Frau Cerný haben mich ebenfalls mit sehr viel Engagement und didaktischen Anregungen unterstützt. Sie zeichnen sich verantwortlich für die graphischen Darstellungen und das gesamte Layout. Danken möchte ich auch Frau Kathrin Nühse und Herrn Axel Treiber vom Springer-Verlag für die hervorragende Zusammenarbeit. Zahlreiche Leser haben mir Änderungsvorschläge zukommen lassen; auch ihnen sei herzlich gedankt. Nicht zuletzt danke ich meinen beiden Töchtern Judith und Miriam für ihr Verständnis und ihre emotionale Unterstützung. Wie sieht die Zukunft der Biostatistik aus? Unser Wissen und unser Handeln werden sich – im Sinne der Evidenzbasierten Medizin – immer mehr auf das kollektive Gesamtwissen stützen. Deshalb wird dieses Fach für die klinische und die forschende Medizin immmer wichtiger werden. Weitere Informationen, Zusammenfassungen, Multiple-Choice-Aufgaben und ein Statistik-Lexikon findet man im Internet unter www.lehrbuch-medizin/ medstatistik und www.ma.uni-heidelberg/inst/biom. Selbstverständlich freue ich mich über Anregungen und konstruktive Kritik an
[email protected].
Christel Weiß
Mannheim, im Oktober 2007
VII
1976 1976 – 1983 1986 – 1992
1991 1991 1992 – heute seit November 1999
Abitur Studium der Mathematik und Physik an der Johannes-Gutenberg-Universität Mainz Wissenschaftliche Mitarbeiterin an der Abteilung für Experimentelle Chirurgie an der Universität Heidelberg Promotion zum Doctor scientiarum humanarum Anerkennung als Medizinischer Informatiker durch die GMDS Mathematikerin am Universitätsklinikum Mannheim Leiterin der Abteilung für Medizinische Statistik
Schlüsselbegriffe:
Basiswissen Medizinische Statistik
sind fett und kursiv hervorgehoben
Inhaltliche Struktur: klare Gliederung durch alle Kapitel 38
Leitsystem: schnelle Orientierung über alle Kapitel
3
Kapitel 3 · Häufigkeiten
3.1
Häufigkeiten bei diskreten Merkmalen
3.1.1
Absolute und relative Häufigkeiten
Um sich einen Überblick bezüglich wesentlicher Eigenschaften eines Merkmals anzueignen, beginnt man mit der Häufigkeitsverteilung. Diese Verteilung beschreibt, wie häufig die einzelnen Merkmalsausprägungen in der Stichprobe zu finden sind. k
¦n
i
Info: zusätzliche
(3.1)
=n
i =1
Informationen zum jeweiligen Thema
i Bei dem Summen-Zeichen ƶ handelt es sich um den griechischen z Buchstaben Sigma. Damit werden Summen in verkürzter Schreibweise k
dargestellt. Der Ausdruck
¦n
i
entspricht der Summe n1 + n2 + ... + nk .
i =1
Verweise auf Kapitel, Tabellen, Herleitungen und Beispiele:
In der Praxis gewinnt man die Häufigkeiten am einfachsten durch das Erstellen einer Strichliste oder – weniger mühsam – mittels einer › Beispiel 3.1). geeigneten Software (z z
deutlich herausgestellt und leicht zu finden
Beispiel 3.1 Wir betrachten das qualitative Merkmal „Blutgruppe“ mit den Daten der in Tabelle 2.1 aufgelisteten Stichprobe von n = 71 Beobachtungseinheiten. Es ergeben sich folgende Häufigkeiten: Ausprägung absolute Häufigkeiten relative Häufigkeiten n1 = 28 A1 =Blutgruppe 0 h1 = 39 %
Beispiele: zum besseren Verständnis des Stoffes
Tabellen: klar und übersichtlich gegliedert
A2 =Blutgruppe A
n2 = 31
h2 = 44 %
A3 =Blutgruppe B
n3 = 9
h3 = 13 %
A4 =Blutgruppe AB
n4 = 3
h4 = 4 %
Summe
n = 71
100%
! Die relative Häufigkeit wird oft in Prozentwerten angegeben. Da der z
Ausdruck Prozent „von Hundert“ bedeutet, sind derlei Angaben nur bei einem hinreichend großen Stichprobenumfang sinnvoll. Wenn man bei kleineren Stichproben mit weniger als 50 Beobachtungseinheiten Prozente berechnet, täuscht man eine höhere Genauigkeit vor als in Wirklichkeit vorhanden ist. In diesen Fällen sollte man anstelle der Prozentangaben einfache Quotienten bevorzugen – wie z. B.: Die relative Häufigkeit der Blutgruppe A bei den männlichen Studenten beträgt 10/23.
Cave: Vorsicht Fallstricke!
Navigation: Seitenzahl und Kapitelnummer für die schnelle Orientierung
3
39 3.1 Häufigkeiten bei diskreten Merkmalen
Zahlreiche Abbildungen: veranschaulichen
Abb. 3.1 Kreisdiagramm; Darstellung der Häufigkeiten des Merkmals „Blutgruppe“ (Beispiel 3.1)
komplizierte und komplexe Sachverhalte
Mathematische Herleitung des Korrelationskoeffizineten nach Pearson Es ist offenkundig, dass die Kovarianz sxy genau dann maximal wird, wenn der Zusammenhang funktional ist und durch eine lineare Gleichung y = a + bx exakt beschrieben werden kann. Dann erhält man nach den Definitionen der Kovarianz und der Varianz in (5.1) und (4.6): n
¦x y i
s xy =
n
i
− nxy
i =1
i
= n −1 Für die Varianz s y 2 ergibt sich:
¦( y
b( ¦ xi2 − nx 2 )
i
i =1
n
n
¦ x (a + bx ) − nx (a + bx ) n −1
=
i =1
n −1
= bsx 2
n
i
− y )2
b2 ¦ ( xi − x )2
s y 2 = i =1 = i =1 = b2 sx 2 n −1 n −1 Für positives b ist s y = bsx und s xy = bs x 2 = sx ⋅ s y . Für negatives b folgt ana-
Herleitungen: Logisches Nachvollziehen einer Formel zum besseren Verständnis
log: s y = − bsx und sxy = − sx ⋅ s y . Da es sich hierbei um die beiden Extremfälle handelt, folgt für die Kovarianz: − sx ⋅ s y ≤ sxy ≤ sx ⋅ s y . Daraus ergibt sich für sxy den Korrelationskoeffizienten r = : −1 ≤ r ≤ 1 . sx ⋅ s y
Merke Anhand eines Diagramms lassen sich bei quantitativen Merkmalen folgende Eigenschaften ablesen: ŷ Lage: In welchem Bereich konzentrieren sich die Werte? Welches ist der größte, welches der kleinste Wert? Welche Ausprägungen sind häufig, welche selten oder gar nicht vertreten? ŷ Streuung: Streuen die Werte weit um den Mittelwert? Gibt es Ausreißer? ŷ Form: Hat die Verteilung eine besondere Form? Ist sie symmetrisch oder schief? Wie viele Gipfel sind erkennbar?
Aufzählungen: Lerninhalte übersichtlich präsentiert
Merke: das Wichtigste auf den Punkt gebracht
Sagen Sie uns Ihre Meinung! www.lehrbuch-medizin.de
www.lehrbuch-medizin/medstatistik
Die Website zum Buch
Lexikon xVerstehen: nicht nur Formeln, auch die Begrife machen Statistik kompliziert. Im Lexikon inden Sie über 290 Begrife erklärt
Lerncenter xÜberblicken: die wichtigsten Punkte der einzelnen Kapitel kurz zusammengefasst
xAnwenden: stapelweise Examensfragen der Statistik mit Lösungskommentaren
xAbhaken: angegebene Lernziele verdeutlichen Lernerfolg in Bezug auf Gegenstandskatalog
Anmerkungen? Fragen? 7
[email protected] Wir freuen uns!
Sagen Sie uns die Meinung!
Liebe Leserin und lieber Leser, Sie wollen gute Lehrbücher lesen, wir wollen gute Lehrbücher machen: dabei können Sie uns helfen!
Lob und Kritik, Verbesserungsvorschläge und neue Ideen können Sie auf unserem Feedback-Fragebogen unter www.lehrbuch-medizin.de gleich online loswerden. Als Dankeschön verlosen wir jedes Jahr Buchgutscheine für unsere Lehrbücher im Gesamtwert von 500 Euro.
Wir sind gespannt auf Ihre Antworten! Ihr Lektorat Lehrbuch Medizin
XIII Inhaltsverzeichnis
Inhaltsverzeichnis Teil I:
Deskriptive Statistik
1 1.1 1.2 1.3 1.4 1.5
Einleitung Die Bedeutung der Statistik für die Medizin 3 Zur Geschichte der medizinischen Statistik 4 Der Status der medizinischen Statistik 11 Die Phasen einer medizinischen Studie 13 Anwendungen in Beruf und Studium 15
2 2.1 2.2 2.3 2.4 2.5
Theoretische Grundlagen Grundgesamtheit und Stichprobe 19 Die Aufgaben der deskriptiven Statistik 20 Merkmale 21 Besondere Problematiken 29 Listen und Tabellen 32
3 3.1 3.2 3.3 3.4
Häufigkeiten Häufigkeiten bei diskreten Merkmalen 39 Häufigkeiten bei stetigen Merkmalen 42 Die empirische Verteilungsfunktion 46 2-dimensionale Häufigkeiten 49
4 4.1 4.2 4.3 4.4 4.5
Die Beschreibung eines Merkmals Die Methoden der univariaten Statistik 55 Lagemaße 55 Streuungsmaße 64 Formmaße 69 Der Vergleich mehrerer Stichproben 73
5 5.1 5.2 5.3 5.4
Die Beschreibung eines Zusammenhangs Die Methoden der bivariaten Statistik 79 Die Korrelationsanalyse 80 Die Regressionsanalyse 88 Weitere Techniken 94
XIV Teil II:
Wahrscheinlichkeitsrechung
6 6.1 6.2 6.3 6.4 6.5
Wahrscheinlichkeiten in der Medizin Die Aufgaben der Wahrscheinlichkeitsrechnung 101 Das Rechnen mit Wahrscheinlichkeiten 102 Wahrscheinlichkeiten in der Epidemiologie 111 Bevölkerungsstatistiken 114 Diagnostische Tests 118
7 7.1 7.2 7.3
Diskrete Verteilungen Diskrete Zufallsvariable 125 Die Binomialverteilung 129 Andere diskrete Verteilungen 136
8 8.1 8.2 8.3 8.4 8.5
Stetige Verteilungen Stetige Zufallsvariable 145 Die Normalverteilung 148 Sätze der Wahrscheinlichkeitsrechnung 155 Die Verteilung von Überlebenszeiten 162 Prüfverteilungen 166
Teil III:
Induktive Statistik
9 9.1 9.2 9.3 9.4
Schätzverfahren Grundlagen 173 Punktschätzungen 173 Intervallschätzungen 177 Abschließende Bemerkungen 184
10 10.1 10.2 10.3
Das Prinzip eines statistischen Tests Die Durchführung eines Tests 189 Testentscheidung und Konsequenzen 195 Klassifikation der Testmethoden 202
XV Inhaltsverzeichnis
11 11.1 11.2 11.3 11.4
Lagetests t-Tests 207 Rangsummentests 215 Vorzeichentests 222 Ausblick auf komplexere Methoden 224
12 12.1 12.2 12.3 12.4
Tests zum Vergleich von Häufigkeiten Der Binomialtest für eine Stichprobe 229 Chi2-Tests 231 Der exakte Test nach Fisher 243 Ausblick auf die logistische Regression 245
Teil IV: Epidemiologie (Coautor: Prof. Dr. Berthold Rzany, Sc. M., Master of Science in Clinical Epidemiology) 13 13.1 13.2 13.3 13.4 13.5
Epidemiologische Studien Aufgaben und Ziele der Epidemiologie 249 Der Inhalt epidemiologischer Studien 250 Klassifikation nach formalen Aspekten 251 Fehlerquellen 255 Die Studienplanung 258
14 14.1 14.2 14.3 14.4 14.5
Risikostudien Einleitung 263 Deskriptive Studien 264 Fall-Kontroll-Studien 267 Kohortenstudien 272 Der Nachweis einer Kausalität 277
15 15.1 15.2
Studien zu Diagnostik und Prävention Diagnosestudien 281 Präventionsstudien 288
16 16.1 16.2 16.3
Studien zu Therapie und Prognose Therapiestudien 295 Prognosestudien 306 Evidenzbasierte Medizin 310
XVI Anhang Tabellen 317 Glossar Englisch-Deutsch 324 Abkürzungen – Abbreviations 327 Weiterführende Literatur 328
Sach- und Personenregister 329
Übersicht 1: Übersicht 2: Übersicht 3: Übersicht 4: Übersicht 5: Übersicht 6: Übersicht 7: Übersicht 8: Übersicht 9:
Die Skalenniveaus 26 Univariate Datenbeschreibung – geeignete Maßzahlen und graphische Darstellungen 73 Rechenregeln für Wahrscheinlichkeiten 111 Kenngrößen diagnostischer Tests 122 Analoge Begriffe aus der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung 128 Diskrete Verteilungen 142 Stetige Verteilungen 170 Statistische Tests 204 Studientypen 250
1
Einleitung 1.1
Die Bedeutung der Statistik für die Medizin 3
1.2
Zur Geschichte der medizinischen Statistik 4
1.2.1
Die historische Entwicklung der Statistik 5
1.2.2
Die Methodik in der medizinischen Wissenschaft 6
1.2.3
Anwendungen der Statistik in der Medizin 8
1.3
Der Status der medizinischen Statistik 11
1.4
Die Phasen einer medizinischen Studie 13
1.5
Anwendungen in Beruf und Studium 15
3 1.1 Die Bedeutung der Statistik für die Medizin
1.1
Die Bedeutung der Statistik für die Medizin
Jeder medizinische Wissenschaftler und jeder praktisch tätige Arzt weiß aus Erfahrung, dass alle Erkenntnisse und Entscheidungen in der Medizin mit einer gewissen Unsicherheit verbunden sind. In diesem Punkt unterscheiden sich die Biowissenschaften grundlegend von den exakten Naturwissenschaften: Während die Zusammenhänge in der Mathematik oder der theoretischen Physik determiniert und damit berechenbar sind (etwa aufgrund einer mathematischen Gleichung oder eines physikalischen Gesetzes), unterliegen die Zustände und Vorgänge bei biologischen Systemen nicht nur naturwissenschaftlichen Gesetzen, sondern auch dem Zufall. Aus diesem Grund lassen sich die Eigenschaften eines Individuums oder medizinisch-biologische Abläufe allenfalls abschätzen, aber niemals exakt berechnen oder vorhersagen. Im Allgemeinen sind zwar zahlreiche Faktoren bekannt, die ein bestimmtes Merkmal beeinflussen. So ist etwa das Körpergewicht eines Menschen abhängig von dessen Alter und Geschlecht; außerdem sind genetische Einflüsse, die Körpergröße, pathologische und psychische Besonderheiten sowie eine Reihe weiterer Einflussgrößen maßgebend. Es wird jedoch niemals möglich sein, alle das Körpergewicht bestimmenden Faktoren zu benennen und deren Einfluss im Einzelnen zu quantifizieren. Dazu sind die Vorgänge und Zusammenhänge im menschlichen Organismus viel zu komplex und von unserem Verstand nicht mehr nachvollziehbar. Man geht deshalb davon aus, dass das Körpergewicht – wie alle anderen physiologischen Parameter – letztlich auch dem Zufall unterliegt. Ebenso kennt man bei fast allen Krankheiten diverse Faktoren, die deren Entstehen möglicherweise verursachen oder deren Auftreten begünstigen. So weiß man beispielsweise, dass bei Menschen, die in permanenter Anspannung leben, stark rauchen sowie unter erhöhtem Blutdruck und starkem Übergewicht leiden, die Gefahr eines Herzinfarkts besonders hoch ist, und jeder verantwortungsbewusste Arzt wird einen Risikopatienten darauf hinweisen. Dessen ungeachtet gibt es Personen, die mit all diesen Risikofaktoren steinalt werden, ohne jemals einen Herzinfarkt zu erleiden – wie zum Beispiel Winston Churchill, der an seinem 90. Geburtstag auf die Frage, wie er so alt geworden sei, geantwortet haben soll: „Smoking, drinking and – first of all – no sports“. Andererseits bietet eine vermeintlich gesunde Lebensweise, die alle bekannten Risikofaktoren ausschließt, keinen zuverlässigen Schutz vor dieser Krankheit.
1
4
1
Kapitel 1 · Einleitung
Schließlich ist auch hier der Zufall mitentscheidend. Aus diesem Grund kann bei keinem Menschen präzise vorhergesagt werden, ob eine bestimmte Krankheit im Laufe seines Lebens eintreten wird oder nicht. In Einzelfällen kann der Zufall zu extremen Werten oder zu unerwarteten Ereignissen führen. Deshalb erlebt jeder Mediziner hin und wieder Überraschungen – angenehmer oder unangenehmer Art. Dies gilt für den Wissenschaftler, dessen Forschungsergebnisse stets eine gewisse Irrtumswahrscheinlichkeit beinhalten, ebenso wie für den behandelnden Arzt, der den Verlauf einer Krankheit nicht vorhersehen kann und niemals mit absoluter Sicherheit weiß, ob eine therapeutische Maßnahme den gewünschten Erfolg erzielen wird. Die Statistik als die Wissenschaft des Zufalls stellt nun Methoden zur Verfügung, die es ermöglichen, trotz der Unberechenbarkeit der Einzelfälle allgemein gültige Aussagen herzuleiten. Diese bilden die Basis für jede neue wissenschaftliche Erkenntnis und jedes daraus abgeleitete ärztliche Handeln. Wann immer ein Arzt eine Entscheidung zu treffen hat, wird er sich an seiner eigenen Erfahrung sowie an diesen allgemeinen Grundsätzen orientieren. Dieses Vorgehen garantiert zwar nicht, dass eine Entscheidung in jedem Fall richtig ist und zum erhofften Ergebnis führt. Sie ist aber nachvollziehbar, und das Risiko einer Fehlentscheidung ist minimiert. Der Zufall wird bei dieser Vorgehensweise nicht eliminiert, aber quantifiziert und damit kontrollierbar gemacht. Neues Wissen in der Medizin kann nur unter Anwendung statistischer Methoden gewonnen werden. Auch wenn persönliche Erfahrungen nach wie vor eine wichtige Säule des ärztlichen Entscheidungsprozesses darstellen, sind die Kenntnis biometrischer Methoden und die Fähigkeit, deren Resultate sinnvoll zu interpretieren, unabdingbar. Insofern ist Statistik für die Medizin unentbehrlich, sowohl um Forschung zu betreiben als auch, um deren Ergebnisse praktisch anzuwenden.
1.2
Zur Geschichte der medizinischen Statistik
Die Medizin ist eine Jahrtausende alte Wissenschaft. Dennoch ist es erst in den vergangenen Jahrzehnten üblich geworden, neue Erkenntnisse in der medizinischen Forschung mit statistischen Methoden abzusichern. Um diesen erstaunlich langen Prozess nachvollziehen zu können, ist es notwendig, sich mit der historischen Ent-
5 1.2 Zur Geschichte der medizinischen Statistik
wicklung der Statistik zu befassen und außerdem einige Aspekte der Medizingeschichte zu beleuchten. 1.2.1
Die historische Entwicklung der Statistik
• Anfänge. Das primäre Anwendungsgebiet der Statistik bestand ur sprünglich in der Staatsbeschreibung. Bereits im 4. Buch Mose „Numeri“ wird eine Volkszählung erwähnt; ferner sind aus dem Altertum Volkszählungen aus Ägypten und Griechenland bekannt. Dabei ging es vorwiegend um die Beschreibung geographischer, politischer und wirtschaftlicher Besonderheiten, wie sie heute noch im Statistischen Jahrbuch der Bundesrepublik Deutschland veröffentlicht werden. Aus den Methoden der Staatsbeschreibung entwickelte sich die beschreibende oder deskriptive Statistik, deren Aufgabe darin besteht, Zustände und Vorgänge übersichtlich darzustellen. Bis heute werden Methoden der deskriptiven Statistik in vielen Bereichen der Wirtschaft, der Verwaltung, des Versicherungswesens und bei der Volkszählung angewandt, wo statistische Erhebungen als Grundlage für Planungen dienen. Sehr lange Zeit – bis ins 18. Jahrhundert hinein – wurde Statistik fast ausschließlich für staatliche Zwecke benutzt. Dies erklärt dieselbe etymologische Wurzel der Wörter „Statistik“ und „Staat“ (vom lateinischen Wort „status“ = Zustand, Beschaffenheit). • 16. - 19. Jahrhundert. In England begann man zu Beginn des 16. Jahrhunderts auf Veranlassung des Lordkanzlers Thomas Cromwell (1485-1540), alle Geburts- und Todesfälle systematisch in Kirchenbüchern aufzuzeichnen. Dies veranlasste John Graunt (1620-1674) dazu, basierend auf Londoner Geburts- und Sterberegistern, Gesetzmäßigkeiten bezüglich der Bevölkerungsbewegung herzuleiten. Graunt gilt als der Begründer der Demographie; sein Werk bildete später die Grundlage für die Berechnung von Lebensversicherungen. Kurze Zeit danach widerlegte der englische Arzt und Schriftsteller John Arbuthnot (1667-1735) die These, dass Mädchen- und Knabengeburten gleich häufig seien, indem er Daten aus Kirchenbüchern auswertete. Auch in Deutschland wurden seit dem Ende des 17. Jahrhunderts Kirchenbücher geführt. Das bahnbrechende Werk der deutschen Bevölkerungsstatistik mit dem Titel „Die göttliche Ordnung in den Veränderungen des menschlichen Geschlechts“ wurde von dem preußischen Feldprediger Johann Peter Süßmilch (17071767) erstellt. Die Gesetzmäßigkeiten, die er dabei entdeckte, führte er auf das Wirken Gottes zurück. Diese Art von Statistik, die dazu
1
6
1
Kapitel 1 · Einleitung
diente, Bevölkerungsentwicklungen quantitativ zu beschreiben, bezeichnete man als politische Arithmetik. Daneben gab es eine Anwendergruppe mit gänzlich anderen Interessen: Ihnen ging es darum, die Gewinnchancen bei Glücksspielen zu berechnen. Dadurch wurden Mathematiker wie Galileo Galilei (1564-1642), Blaise Pascal (1623-1662), Christiaan Huygens (1629-1695) und Pierre Simon Marquis de Laplace (1749-1827) zur Berechnung von bestimmten Wahrscheinlichkeiten und zu theoretischen Abhandlungen angeregt. Sie haben damit die Wahrscheinlichkeitsrechnung wesentlich bereichert. In diesem Zusammenhang ist auch der deutsche Mathematiker Carl Friedrich Gauß (1777-1855) zu nennen, der u. a. die Normalverteilung und deren Bedeutung für die angewandte Statistik beschrieben hat. • Moderne Statistik. Die Wahrscheinlichkeitsrechnung ist die Grundlage der induktiven Statistik, die es ermöglicht, aufgrund einer relativ kleinen Stichprobe Aussagen bezüglich einer weitaus größeren Grundgesamtheit herzuleiten. Diese Methoden wurden erst im 20. Jahrhundert entwickelt. Besonders hervorzuheben sind dabei William Sealy Gosset (1876-1937), der die t-Verteilung herleitete, Karl Pearson (1857-1936), der die Korrelations- und Regressionsanalysen vorantrieb, und Sir Ronald Aylmer Fisher (1890-1962), auf den u. a. die Varianzanalyse zurückgeht. Diese und andere Verfahren haben entscheidend dazu beigetragen, dass die Statistik in den Bio- und Sozialwissenschaften mittlerweile breite Anwendung findet. 1.2.2
Die Methodik in der medizinischen Wissenschaft
Die Medizin als eine Wissenschaft, deren Zweck darin besteht, kranken Menschen zu helfen, ist so alt wie die Menschheit selbst. Als eine moderne Wissenschaft im heutigen Sinne kann sie jedoch erst seit dem 19. Jahrhundert aufgefasst werden. • Antike. Über eine sehr lange Zeit – von der Antike bis ins 19. Jahrhundert hinein – konnten Beobachtungen am kranken Menschen fast ausschließlich durch unmittelbare Sinneseindrücke des behandelnden Arztes erfasst werden. Diese Beobachtungen waren naturgemäß subjektiv und die daraus gezogenen Schlussfolgerungen häufig spekulativ. Generell gab es zwei unterschiedliche Ansätze bezüglich der Wahl einer geeigneten Therapie: den theoretischen und den empirischen. Der Theoretiker suchte nach den Krankheitsursachen und leitete dann durch logisch-konsequente Schlussfolgerungen eine seiner Meinung nach nützliche therapeutische Maßnahme her. Diese dogmatische Methode basierte auf unverrückbaren, nie
7 1.2 Zur Geschichte der medizinischen Statistik
zuvor überprüften Grundannahmen, die generell nicht in Frage gestellt wurden. Der Empiriker gründete seine Entscheidungen auf persönliche Erfahrungen und überprüfte sie in jedem Einzelfall. Allerdings waren die dadurch gewonnenen Erkenntnisse ungeregelt, da sie lediglich auf einzelnen, zufälligen Beobachtungen beruhten. Die Autoritäten der beiden griechischen Ärzte Hippokrates von Kos (ca. 460-370 v. Chr.) und Galen aus Pergamon (130-201) führten dazu, dass die dogmatische Methode (also der theoretische Ansatz) bis ins 16. Jahrhundert allgemein anerkannt war. Wegen der Autoritätsgläubigkeit jener Zeit wagte es niemand, sich kritisch mit ihr auseinander zu setzen. Eine moderne Wissenschaft im heutigen Sinne konnte auf diese Weise freilich nicht entstehen. • Renaissance. Der Ursprung für die Wissenschaftlichkeit der Medizin lag in der Renaissance. Ein herausragender Wissenschaftler jener Epoche war Galileo Galilei, der weniger durch seine Einzelleistungen auf den Gebieten der Mathematik, Physik und Astronomie Bedeutung erlangte als vielmehr dadurch, dass er die moderne Naturwissenschaft auf objektiven Beobachtungen und nachvollziehbaren Experimenten aufbaute. Naturvorgänge wurden fortan nicht mehr theologisch oder philosophisch erklärt, sondern aus Naturgesetzen hergeleitet. Diese neue Methode begründete eine rasante Entwicklung der Physik und der Chemie, was später auch die Medizin nachhaltig beeinflussen sollte. Nach der Einführung naturwissenschaftlicher Methoden in die Medizin wurden subjektive Sinneseindrücke durch objektive Messwerte ersetzt, die sich mathematisch analysieren lassen. Erkenntnisse, die man auf diese Weise erhält, sind nachvollziehbar und bilden wiederum die Grundlage für weitere Forschungen. Die Fortschritte in den Naturwissenschaften haben sich in vielfacher Hinsicht segensreich auf die Medizin ausgewirkt. Sie führten zu einem umfangreichen Wissen bezüglich der Vorgänge im menschlichen Körper und damit zu einem besseren Verständnis der Körperfunktionen beim gesunden und beim kranken Menschen. Basierend auf naturwissenschaftlichen Erkenntnissen wurden technische Apparate entwickelt, die eine exakte Messung von physiologischen Parametern erlaubten und im Laufe der Zeit ungeahnte Möglichkeiten in Diagnostik und Therapie eröffneten. • Aufklärung. Man erkannte allmählich, dass sich alle medizini schen Phänomene theoretisch auf naturwissenschaftliche Gesetze zurückführen lassen. Im 17. Jahrhundert dachten deshalb einige Ärzte euphorisch, dass man bald in der Lage sein werde, die Ursachen aller Krankheiten zu ergründen und wirksame Therapien zu
1
8
1
Kapitel 1 · Einleitung
entwickeln. Es setzte sich dann jedoch – beginnend im 18. Jahrhundert zur Zeit der Aufklärung – die Erkenntnis durch, dass physikalisches und chemisches Grundwissen dafür bei weitem nicht ausreicht. So besann man sich auf eine Methode zur Erkenntnisgewinnung, die bereits ein Jahrhundert zuvor von dem englischen Philosophen Francis Bacon (1561-1626) propagiert worden war. Sie beinhaltete die Beobachtung zahlreicher Einzelfälle, die lückenlose Aufzeichnung der erhobenen Daten und deren rechnerische Auswertung. Dieser Ansatz vermittelte objektive Erkenntnisse, die jedoch vom Zufall beeinflusst waren. Er bedeutete einen Wechsel von einem ehemals theoretisch-dogmatischen hin zu einem empirischen Ansatz. So begann allmählich die Statistik, Einzug in die Medizin zu halten. Statistische Methoden ermöglichen es, Erfahrungen abzusichern – auch dann, wenn diese (noch) nicht auf molekularer oder zellulärer Ebene erklärt werden können. • 20. Jahrhundert. Es sollte allerdings noch bis weit ins 20. Jahr hundert dauern, ehe statistische Methoden in den Biowissenschaften akzeptiert wurden. Dies lag nicht zuletzt daran, dass allgemein anerkannte Richtlinien bezüglich der medizinischen Forschung am Menschen fehlten. Diese wurden erst im Jahre 1964 auf der 18. Generalversammlung des Weltärztebundes in Helsinki erarbeitet. Heute herrscht weitgehend Konsens darüber, dass – außer der Anwendung naturwissenschaftlicher Erkenntnisse – die Beobachtung von Individuen und die damit verbundene Datenanalyse für die medizinische Forschung unverzichtbar sind. 1.2.3
Anwendungen der Statistik in der Medizin
• Wurzeln in England. Der Forderung Bacons, zahlreiche Einzel fälle zu beobachten und auszuwerten, stand zunächst entgegen, dass sich die Medizin bis ins 18. Jahrhundert hinein traditionellerweise nur mit einzelnen Patienten befasste. Bacons neuer Erfahrungsbegriff war grundlegend dafür, dass fortan klinische Studien durchgeführt und die daraus erhobenen Daten analysiert wurden. Er kam zunächst in England, wenn auch zögerlich, zur Anwendung. Aufgrund dieser Entwicklungen ist es nicht erstaunlich, dass die ersten medizinischen Publikationen mit statistischen Analysen in England erschienen. Edward Jenner (1749-1823) verifizierte statistisch die prophylaktische Wirkung der Kuhpockenimpfung. Der Rechtsanwalt Edwin Chadwick (1800-1890) beschrieb die Gesundheit der arbeitenden Klassen in England und gab damit der Hygienebewegung wichtige Impulse. Seine Daten gründeten sich auf statistische Ana-
9 1.2 Zur Geschichte der medizinischen Statistik
lysen von William Farr (1807-1883), der Berichte über Todesursachen in England publiziert hatte. John Snow (1813-1858) entdeckte, dass das Cholera-Risiko in London mit der Qualität des Trinkwassers zusammenhing. Seine Forschungsarbeiten zählen zu den ersten und spektakulärsten Leistungen auf dem Gebiet der Epidemiologie. Freilich waren die damals verwendeten statistischen Verfahren nicht zu vergleichen mit den heute gebräuchlichen. Es handelte sich überwiegend um einfache arithmetische Operationen. Dennoch war diese Vorgehensweise geeignet, die theoretisch-dogmatische Medizin grundlegend zu reformieren und in ihrer Methodik den Naturwissenschaften anzupassen. Pionierarbeit auf diesem Gebiet leistete der bereits erwähnte Sir Ronald Aylmer Fisher, der sich u. a. intensiv mit den Themen „Versuchsplanung und -auswertung“ befasste. • Auswirkungen auf Europa. Im 18. Jahrhundert entstanden in einigen europäischen Städten wie z. B. in Paris oder Wien Krankenhäuser, die die Beobachtung größerer Kollektive ermöglichten. Als der Begründer der klinischen Statistik gilt Pierre Charles Alexandre Louis (1787-1872), der eine naturwissenschaftlich orientierte Medizin vertrat. Er überprüfte die Wirkung des Aderlasses und wies – nachdem diese Methode Jahrhunderte lang angewandt worden war – mittels statistischer Analysen nach, dass dieses Mittel nutzlos oder gar schädlich war. Ignaz Philipp Semmelweis (1818-1865) war der erste bekannte Mediziner im deutschsprachigen Raum, der den Nutzen einer neuen Therapie mit statistischen Methoden belegte. Semmelweis war seit 1846 Assistent in der Geburtsklinik des Wiener Allgemeinen Krankenhauses, die aus zwei Abteilungen bestand. Die Mortalitätsraten der Wöchnerinnen differierten sehr stark: Zwischen 1841 und 1846 starben in der einen Abteilung durchschnittlich 9,9%, in der anderen dagegen nur 3,4% der Frauen. In der Abteilung mit der geringeren Mortalitätsrate arbeiteten nur Hebammen. In der anderen Abteilung waren Ärzte und Studenten, die auch Leichen sezierten, als Geburtshelfer tätig. Die Mortalitätsrate in der Abteilung der Ärzte war großen Schwankungen unterworfen. Semmelweis beobachtete, dass sie immer dann besonders hoch war, wenn viele pathologische Studien durchgeführt wurden. In Zeiten allerdings, in denen keine Leichen seziert wurden, waren die Mortalitätsraten in beiden Abteilungen etwa gleich. Dieser Zusammenhang war für Semmelweis zunächst nicht erklärbar. Das ausschlaggebende Moment für seine Entdeckung war der Tod seines Freundes und Kollegen Jakob Kolletschka, der sich beim Sezieren versehentlich mit dem Messer verletzt hatte. Semmelweis erkannte beim Studium des Sektionsprotokolls die Parallelität der beiden Krankheits-
1
10
1
Kapitel 1 · Einleitung
bilder des Kindbettfiebers und des Wundfiebers. Er vermutete, dass die Ursachen in beiden Fällen dieselben waren: Die Ärzte und Studenten aus der pathologischen Abteilung übertrugen den gebärenden Frauen „Leichenteilchen“, die das Kindbettfieber verursachten. Dies war in der damaligen Zeit, als bakteriologische Erreger noch unbekannt waren, eine sehr gewagte Hypothese. Semmelweis setzte gegen den Widerstand seiner Kollegen hygienische Maßnahmen durch; die Sterblichkeit sank daraufhin drastisch auf unter 2% in beiden Abteilungen. Im Jahr 1861 veröffentlichte er seine Entdeckung in einer ausführlichen Arbeit, die auch eine statistische Analyse beinhaltete. Obwohl Semmelweis seine Hypothese eindrucksvoll bestätigen konnte, wurden seine aus heutiger Sicht bahnbrechenden Erkenntnisse zu seinen Lebzeiten nicht anerkannt. Etwas später, im Jahre 1865, stellte der Augustinermönch Gregor Johann Mendel (18221884) seine Vererbungsgesetze vor, die er nach einer langen und mühsamen Forschungsarbeit ebenfalls mit statistischen Methoden verifiziert hatte. Auch diese Erkenntnisse fanden zunächst keine große Beachtung. • Entwicklung in Deutschland. Die in England, Paris oder Wien durchgeführten Studien nahmen deutsche Ärzte kaum zur Kenntnis. Es gab Kommunikationsprobleme, die nicht nur sprachlicher Art waren. Dies lag u. a. am damals herrschenden Zeitgeist. Deutschland stand unter dem Einfluss der romantischen Naturphilosophie, bei der das Individuum im Vordergrund stand. Ein Vertreter dieser Denkrichtung war beispielsweise der Begründer der Homöopathie Christian Friedrich Samuel Hahnemann (1755-1843). Eine bevölkerungsbezogene und naturwissenschaftlich orientierte Medizin sowie die Anwendung statistischer Methoden konnten sich bei dieser Grundeinstellung kaum durchsetzen. Außerdem war man bis zur Mitte des 19. Jahrhunderts gewohnt, dass Wissenschaftler den deterministischen Verlauf eines Geschehens angeben konnten. Man forderte Gewissheit und nicht Unsicherheit. Semmelweis konnte jedoch im Einzelfall nicht vorhersagen, ob eine Frau die Geburt überleben würde; er konnte nur gewisse Wahrscheinlichkeiten angeben. Diese fundamentale Eigenschaft der Statistik – sie erlaubt keine gesicherten Aussagen bezüglich eines Einzelfalls, sondern nur für eine große Menge von Personen oder Objekten – wird auch heute noch von vielen Anwendern emotional als Nachteil anstatt als nüchterne Tatsache angesehen. Im Übrigen lässt sich das Phänomen, wonach neue Methoden zunächst sehr skeptisch beurteilt werden, bis in die heutige Zeit hinein beobachten.
11 1.3 Der Status der medizinischen Statistik
• 20. Jahrhundert. Aus all diesen Gründen hat sich die Anwendung der Statistik in der Medizin lange verzögert. Ein weiterer Grund für die mangelnde Akzeptanz lag in der Statistik selbst. Erst im 20. Jahrhundert wurden Methoden entwickelt, mit denen sich anhand einer relativ kleinen Stichprobe allgemein gültige Zusammenhänge nachweisen lassen. Diese Methoden haben der medizinischen Wissenschaft enorme Impulse verliehen. Dem Internisten Paul Martini (1889-1964) sowie den Biostatistikern Arthur Linder (1904-1993) und Erna Weber (1897-1988), deren Bücher lange Zeit als Standardwerke galten, ist es zu verdanken, dass die von England ausgehenden Ideen auch im deutschen Sprachgebiet bekannt und praktisch umgesetzt wurden. Nicht zuletzt hat das Aufkommen leistungsfähiger Computer und benutzerfreundlicher Software seit Beginn der 1980er Jahre zu einer enormen Vereinfachung und Beschleunigung statistischer Berechnungen geführt. Auch diese neuere Entwicklung hat entscheidend zur Akzeptanz der Statistik in der Medizin beigetragen. Seit den 1990er Jahren werden zunehmend multiple Methoden entwickelt, bei denen mehrere Einflussgrößen simultan untersucht werden, und die eine sehr effiziente Datenanalyse ermöglichen. Diese werden in einer Biomathematik-Vorlesung für Mediziner normalerweise nicht detailliert behandelt. Interessierte Leser seien auf weiterführende Literatur verwiesen [1, 2, 4, 10].
1.3
Der Status der medizinischen Statistik
• Medizinische Statistik oder Biostatistik. Sie hat sich mittlerweile als ein eigenständiges, interdisziplinäres Fachgebiet etabliert, das statistische Probleme behandelt, die sich aus medizinischen Fragestellungen ergeben. Im weiteren Sinne zählen dazu die Planung und Durchführung von medizinisch-wissenschaftlichen Studien sowie die Datenanalyse mit statistischen Methoden. Sie ist einerseits Teilgebiet der Biomathematik, andererseits gehört sie zur Stochastik. In engem Zusammenhang dazu steht die Biometrie. Dieser Wissenschaftszweig befasst sich mit der mathematischen Modellierung von zufallsabhängigen Phänomenen in der Medizin, Pharmazie, Biologie und Landwirtschaft.
1
12
Kapitel 1 · Einleitung
! Für den Begriff „Biometrie“ existieren unterschiedliche Definitionen. z
1
Während er einerseits als Synonym für Biostatistik verstanden wird, bezieht er sich in der Informatik auf die Verarbeitung individueller körperlicher Merkmale wie etwa dem Fingerabdruck zum Identitätsnachweis von Personen. Auf diese spezielle Bedeutung wird in diesem Buch nicht eingegangen.
• Biomathematik. Dieses Fach behandelt die Theorie und Anwen dung mathematischer Methoden im Bereich der Biowissenschaften. Sie beinhaltet außer der Statistik noch weitere mathematische Disziplinen. • Stochastik. Dieser Begriff umfasst den gesamten Wissenschaftsbe reich, der sich mit der mathematischen Behandlung von Zufallserscheinungen befasst. Teilgebiete der Stochastik sind:
ŷ die Statistik, ŷ die Wahrscheinlichkeitsrechnung sowie ŷ fachspezifische Anwendungsgebiete. • Statistik. Im allgemeinen Sinne versteht man darunter eine Me thode, mit der Daten analysiert werden, um so zu neuen Erkenntnissen zu gelangen. Man unterscheidet generell zwischen deskriptiver und induktiver Statistik. Während in der deskriptiven Statistik Daten strukturiert, zusammengefasst und übersichtlich dargestellt werden, ermöglicht die induktive Statistik den Schluss über den Beobachtungsbereich hinaus auf die darüber liegende Grundgesamtheit. Mit den Methoden der induktiven Statistik lassen sich Hypothesen, die vor Studienbeginn aufgestellt werden, überprüfen und statistisch absichern. In den letzten zwanzig Jahren hat sich eine weitere Form der Datenanalyse herauskristallisiert – nämlich die explorative Statistik. Deren Ziel besteht darin, bei einer großen Datenmenge Auffälligkeiten und Hinweise auf mögliche Zusammenhänge zu entdecken und darauf basierend neue Hypothesen zu generieren. • Wahrscheinlichkeitsrechnung. Sie befasst sich mit den mathema tisch-theoretischen Gesetzmäßigkeiten, auf denen die Verfahren der induktiven Statistik basieren. Zu den fachspezifischen Anwendungsgebieten zählen u. a. die medizinische Statistik, die Qualitätssicherung und die Entscheidungstheorie in der Unternehmensforschung.
13 1.4 Die Phasen einer medizinischen Studie
1.4
Die Phasen einer medizinischen Studie
Die Medizin ist eine empirische Wissenschaft, deren Erkenntnisse auf Erfahrungen basieren. Ein Forschungsprozess beginnt in der Regel damit, dass ein Wissenschaftler, nachdem er hinreichend viele Erfahrungen gesammelt hat, nach längerem Nachdenken oder aufgrund einer genialen Idee einen Zusammenhang entdeckt, der bis dahin noch unbekannt gewesen ist. Diese neue Erkenntnis ist allerdings zunächst nicht mehr als eine vage Vermutung. Um sie zu verifizieren, muss eine wissenschaftliche Studie durchgeführt werden. • Beginn einer Studie. Zunächst sollte sich der Forscher in der so genannten Erkundungsphase anhand von relevanter Literatur über den aktuellen Wissensstand kundig machen und eventuell mit kompetenten Fachleuten darüber diskutieren, ob die geplante Studie sinnvoll und notwendig ist. Danach wird er in der theoretischen Phase seine Vermutung als Hypothese formulieren und versuchen, diese in eine logisch konsistente Theorie einzubetten. Damit ist die Hypothese theoretisch abgesichert und herleitbar. Diese Art wissenschaftlicher Methodik – das Herleiten einer neuen Hypothese aus einer bekannten Theorie – nennt man deduktiv. • Statistische Analyse. Streng deduktiv arbeitet man fast nur in der reinen Mathematik. Neue mathematische Sätze werden aus bekannten Theorien hergeleitet; weitergehende Studien oder Experimente sind dazu nicht notwendig. Erkundungsphase - Literaturstudium, Diskussion mit Fachleuten etc. | Theoretische Phase - Formulierung einer Hypothese, Einbetten in eine Theorie | Analytisch-statistische Phase - Planung, Datenerhebung, -beschreibung und -analyse | Interpretation der Ergebnisse - Entscheidung für oder gegen die Hypothese Abb. 1.1 Die Phasen einer medizinischen Studie
1
14
1
Kapitel 1 · Einleitung
Da jedoch eine Theorie in der Medizin niemals vollständig sein kann und deshalb die Realität nicht in allen Details genau beschreibt, muss die zu verifizierende Hypothese empirisch bestätigt werden. Dazu ist die analytisch-statistische Phase erforderlich. Diese beinhaltet eine detaillierte Planung sowie die Datenerhebung und Datenauswertung mit statistischen Methoden. Bei retrospektiven Studien sind die Daten in der Regel bereits dokumentiert und müssen nur noch in passender Weise aufbereitet werden; bei prospektiven Beobachtungsstudien oder experimentellen Studien sind die Daten zunächst zu erheben, ehe sie statistisch analysiert werden können. • Interpretation der Ergebnisse. Wenn die Ergebnisse der statisti schen Analyse die Theorie bestätigen, wird man sich für die Richtigkeit der daraus hergeleiteten Hypothese entscheiden. Diese ist damit zwar nicht bewiesen im mathematischen Sinne, aber doch wesentlich besser abgesichert als vor der statistischen Analyse. Eine falsche Entscheidung ist hierbei nicht ausgeschlossen – dieses Risiko ist jedoch kalkulierbar. Falls das Ergebnis der Datenanalyse mit der Theorie nicht in Einklang zu bringen ist, muss überprüft werden, ob die Theorie einen Fehler enthält, oder ob die analytisch-statistische Phase nicht optimal verlaufen ist. Eventuell kann eine Wiederholung der Studie in modifizierter Form in Erwägung gezogen werden. Die Methode, wonach vom Besonderen (nämlich der Stichprobe) auf das Allgemeine (die Grundgesamtheit) geschlossen wird, nennt man induktiv. Dieses Verfahren wurde aus den Naturwissenschaften übernommen. Auch bei naturwissenschaftlichen Experimenten werden – ähnlich wie bei medizinischen Studien – Daten erhoben und ausgewertet, um funktionale Zusammenhänge zu erkennen und diese dann zu allgemein gültigen Naturgesetzen zu erklären. Allerdings unterscheiden sich naturwissenschaftliche Experimente in einem wichtigen Punkt von medizinischen Untersuchungen. In den Naturwissenschaften arbeitet man unter kontrollierten Bedingungen im Labor; der Zufall spielt dabei keine oder allenfalls eine untergeordnete Rolle. Dagegen hat man es in der Medizin mit Individuen zu tun, bei denen die potentiellen Einflussgrößen wegen ihrer Vielzahl und Komplexität kaum kontrollierbar sind. Aus diesem Grund müssen sich alle Wissenschaftler, die menschliche Eigenschaften untersuchen – seien es Mediziner, Psychologen, Soziologen oder Politologen –, mit dem Zufall und mit Statistik auseinander setzen.
15 1.5 Anwendungen in Beruf und Studium
1.5
Anwendungen in Beruf und Studium
Die meisten medizinischen Publikationen (Artikel in Fachzeitschriften, Dissertationen und Habilitationen) beinhalten statistische Analysen. Ausnahmen bilden allenfalls Publikationen in Fächern wie Geschichte oder Ethik der Medizin sowie Einzelfalldarstellungen, bei denen nur ein einziger oder einige wenige, besonders interessante Fälle untersucht und beschrieben werden. Diese liefern möglicherweise Hinweise auf andere, ähnlich gelagerte Fälle. Sie lassen jedoch im Gegensatz zu einer Stichprobenuntersuchung keine Verallgemeinerungen zu. Alle Mediziner, die forschen und publizieren, benötigen statistische Methoden, um Untersuchungen durchzuführen, deren Ergebnisse darzustellen und zu verallgemeinern. Die Statistik ist dabei eine unentbehrliche Hilfswissenschaft – ähnlich wie die Mathematik in der Physik. Auch ein praktisch tätiger Arzt betreibt Statistik – wenn auch nicht in formalisierter Form, sondern eher auf intuitive Art und Weise. Wenn er etwa einen Laborwert danach bewertet, ob er innerhalb oder außerhalb des Normbereichs liegt, wenn er aufgrund eines diagnostischen Tests zu beurteilen versucht, ob eine bestimmte Krankheit vorliegt oder nicht, wenn er aufgrund vorhandener Symptome eine Diagnose stellt, wenn er den zu erwartenden Nutzen und die Risiken einer Therapie gegeneinander abwägt und sich dann für oder gegen eine bestimmte Maßnahme entscheidet – dann liegen all diesen Entscheidungen, oft unbewusst, statistische Analysen zugrunde. Theoretische Kenntnisse auf diesem Gebiet lassen erkennen, dass man bei spontanen, intuitiven Entscheidungen oft einem großen Irrtum unterliegt. Sie tragen deshalb wesentlich dazu bei, vorsichtig zu entscheiden und verantwortungsbewusst zu handeln. Im Übrigen ist jeder Arzt – unabhängig von seinem Arbeitsgebiet – angehalten, sich permanent weiterzubilden, da sich das medizinische Wissen rasant vermehrt. Dabei benötigt er statistische Kenntnisse, um gute von schlechten Studien zu unterscheiden und um die Relevanz der dargestellten Ergebnisse für seine Patienten oder sein Labor beurteilen zu können. Nicht zuletzt schult die Biomathematik einen Anwender im problemorientierten, logisch-analytischen Denken. Auch diese Fähigkeiten sind für einen Arzt unentbehrlich.
1
16
1
Kapitel 1 · Einleitung
Insofern ist die Beschäftigung mit der Biostatistik als Vorbereitung für den künftigen Beruf nützlich und sinnvoll. Im Allgemeinen ist ein Student spätestens beim Erstellen seiner Dissertation gezwungen, sich mit Statistik auseinander zu setzen. Zum einen ist dies notwendig, um relevante Fachartikel und Vorträge zu verstehen und zu bewerten; zum anderen liegt fast jeder Dissertation eine statistische Datenanalyse zugrunde. Es ist für einen Doktoranden der Medizin oder für einen in der Forschung tätigen Arzt durchaus empfehlenswert, sich dabei von einem Statistiker beraten zu lassen. Dies ist aber nur dann hilfreich, wenn er selbst zumindest über elementare, statistische Kenntnisse verfügt – so wie dieses Buch sie zu vermitteln sucht.
2
Theoretische Grundlagen 2.1
Grundgesamtheit und Stichprobe 19
2.2
Die Aufgaben der deskriptiven Statistik 20
2.3
Merkmale 21
2.3.1
Grundbegriffe 21
2.3.2
Ziel- und Einflussgrößen 22
2.3.3
Klassifikation nach Skalenniveau 23
2.3.4
Diskrete und stetige Merkmale 25
2.3.5
Skalentransformationen 25
2.3.6
Merkmalsausprägungen 28
2.4
Besondere Problematiken 29
2.5
Listen und Tabellen 32
19
2
2.1 Grundgesamtheit und Stichprobe
2.1
Grundgesamtheit und Stichprobe
Die Hypothesen, die in den Bio- und Sozialwissenschaften aufgestellt werden, beziehen sich meist auf eine sehr große Anzahl von Individuen oder Objekten. Es wäre aus organisatorischen und zeitlichen Gründen viel zu aufwendig oder sogar vollkommen unmöglich, die gesamte Population zu untersuchen, auf die eine Hypothese zutreffen könnte. Dies ist im Allgemeinen auch gar nicht notwendig. Die moderne Statistik stellt nämlich Methoden zur Verfügung, die es ermöglichen, basierend auf einer relativ kleinen Stichprobe allgemein gültige Aussagen bezüglich einer weitaus größeren Grundgesamtheit herzuleiten. Eine Total- oder Vollerhebung wird daher nur in Ausnahmefällen durchgeführt. Beispielsweise beruhen die Todesursachenstatistiken, die im jährlich erscheinenden Statistischen Jahrbuch der Bundesrepublik Deutschland veröffentlicht werden, medizinische Register oder die Ergebnisse einer politischen Wahl auf einer Vollerhebung. Im Allgemeinen beschränkt man sich jedoch – insbesondere in der medizinischen Forschung – auf die Untersuchung einer relativ kleinen Teilmenge, nämlich der Stichprobe, und überträgt die daraus gewonnenen Erkenntnisse auf die Grundgesamtheit. Dies ist allerdings nur unter der Voraussetzung sinnvoll, dass die charakteristischen Eigenschaften der Stichprobe – abgesehen von zufällig bedingten Abweichungen – mit denen der Grundgesamtheit übereinstimmen. Eine solche Stichprobe heißt repräsentativ. Bei vielen Untersuchungen ist man vor das Problem gestellt, aus einer konkret vorgegebenen Grundgesamtheit eine repräsentative Stichprobe zu wählen. Ein Beispiel hierfür stellt eine Umfrage vor einer politischen Wahl dar. Die Grundgesamtheit besteht in diesem Fall aus allen wahlberechtigten Bürgern. Um eine Prognose zu erstellen, beschränkt man sich auf eine Stichprobe von einigen tausend Personen. Diese Stichprobe muss repräsentativ und hinreichend groß sein, damit sie das endgültige Wahlergebnis in brauchbarer Weise widerspiegelt. Bei Untersuchungen in der Medizin ist die Problemstellung häufig umgekehrt: Gegeben sind eine oder mehrere konkrete Stichproben (beispielsweise Patienten, die im Rahmen einer klinischen Studie beobachtet werden). Dann ist zu klären, wie die dazugehörende Grundgesamtheit beschaffen ist und ob die Stichprobenergebnisse auf diese übertragbar sind. Eine Antwort auf diese Frage beruht mehr auf sachlogischen als auf wahrscheinlichkeitstheoretischen
20
2
Kapitel 2 · Theoretische Grundlagen
Überlegungen und ist eng mit dem jeweiligen Forschungsvorhaben verknüpft. Oft lässt sich die entsprechende Grundgesamtheit gar nicht konkret angeben. Man sollte sich in jedem Fall davor hüten, allzu weit reichende Schlussfolgerungen zu ziehen, die sich hinterher als falsch herausstellen könnten. Dieses Problem kann man zwar umgehen, indem man eine Untersuchung nur für einen speziellen, eng begrenzten Personenkreis durchführt und diesen als Grundgesamtheit auffasst. Allerdings gelten die dadurch gewonnenen Ergebnisse nur eingeschränkt auf die Menge der untersuchten Personen und lassen sich nicht verallgemeinern.
2.2
Die Aufgaben der deskriptiven Statistik
Aus dem obigen Abschnitt geht hervor, dass bei einer Stichprobenuntersuchung die statistische Analyse aus zwei Teilen besteht. Zunächst werden die Daten der Stichprobe ausgewertet mit dem Ziel, deren charakteristische Eigenschaften zu beschreiben. Dies ist das Aufgabengebiet der deskriptiven Statistik. Dazu zählen im Einzelnen:
ŷ das Zusammenfassen und Ordnen der Daten in Tabellen, ŷ das Erstellen von Diagrammen und ŷ das Berechnen charakteristischer Kenngrößen oder Maßzahlen › Kapitel 4). (z. B. Mittelwert und Standardabweichung, z
Abb. 2.1 Grundgesamtheit und Stichprobe
Grundgesamtheit Stichprobe
deskriptive Statistik
induktive Statistik
21
2
2.3 Merkmale
Wenn zwei oder mehrere Stichproben miteinander zu vergleichen sind (beispielsweise zwei Therapiegruppen bei einer klinischen Studie), sollte man zunächst für jede einzelne Stichprobe graphische Darstellungen erstellen und geeignete Kenngrößen berechnen. Damit lässt sich bereits überblicken, ob und wie sich die Stichproben unterscheiden. In einem zweiten Schritt versucht man dann, mit geeigneten Methoden der induktiven Statistik die Ergebnisse, die aus den Stichproben gewonnen wurden, zu verallgemeinern und statistisch abzusichern. So gesehen, ist die deskriptive Statistik die Vorstufe zur induktiven Statistik. Beide Teilbereiche sind zur Datenanalyse notwendig und ergänzen sich.
2.3
Merkmale
2.3.1
Grundbegriffe
• Untersuchungseinheiten. Die Personen oder Objekte einer Stich probe werden als Untersuchungseinheiten (oder Merkmalsträger) bezeichnet. In der medizinischen Forschung handelt es sich dabei meist um Patienten, Probanden, Versuchstiere oder Laborproben. • Beobachtungseinheiten. Das sind die kleinsten Einheiten, an de nen die einzelnen Beobachtungen registriert werden. Häufig sind die Beobachtungseinheiten mit den Untersuchungseinheiten identisch. Oft ist es jedoch angebracht, die Untersuchungseinheiten näher zu spezifizieren. Wenn etwa bei Patienten beide Augen untersucht werden, versteht man unter den Untersuchungseinheiten die Patienten und unter den Beobachtungseinheiten die einzelnen Augen. Wenn Patienten im Rahmen einer Studie mehrmals untersucht werden, dann ist eine Beobachtungseinheit identisch mit einem Patienten bezogen auf eine einzelne Untersuchung. • Merkmale. Die Beobachtungseinheiten sind durch bestimmte Merkmale charakterisiert – das sind Eigenschaften, die für die zu untersuchende Fragestellung relevant sind und statistisch ausgewertet werden. Andere Eigenschaften der Beobachtungseinheiten sind – zumindest im Rahmen der jeweiligen Studie – uninteressant. Anstelle von Merkmalen spricht man auch von Variablen oder Zufallsvariablen, insbesondere dann, wenn damit Rechnungen durchgeführt oder mathematische Gleichungen erstellt werden.
22
Kapitel 2 · Theoretische Grundlagen
• Merkmalsausprägungen. Darunter versteht man die Werte oder Ausprägungen, die ein bestimmtes Merkmal annehmen kann.
2
Die Art der Merkmale ist entscheidend für die Planung und Durchführung einer Studie, insbesondere für den erforderlichen Stichprobenumfang und die geeigneten Analysemethoden. Deshalb sind zu Beginn der Planungsphase die zu erfassenden Merkmale genau festzulegen und deren Eigenschaften zu spezifizieren. Merkmale lassen sich nach verschiedenen Aspekten klassifizieren:
ŷ nach ihrer Funktion bei der statistischen Analyse (z› Abschnitt 2.3.2),
ŷ nach ihrem Skalenniveau (z› Abschnitt 2.3.3) ŷ und danach, ob sie diskret oder stetig sind (z› Abschnitt 2.3.4). 2.3.2
Ziel- und Einflussgrößen
Merkmale lassen sich grob einteilen in Ziel- und Einflussgrößen. Der eigentliche Zweck einer Studie besteht darin, Erkenntnisse über eine oder mehrere Zielgrößen zu gewinnen. Die Merkmale, die in einem funktionalen Zusammenhang zu den Zielgrößen stehen und diese möglicherweise beeinflussen, heißen Einflussgrößen. Diese lassen sich wiederum unterteilen in:
ŷ Faktoren, die erfasst und ausgewertet werden (im engeren Sinne versteht man unter den Einflussgrößen nur die Faktoren),
ŷ Störgrößen, die im Versuchsplan nicht berücksichtigt sind oder nicht erfasst werden, und
ŷ Begleitmerkmale, die zwar erfasst, aber im Rahmen der aktuellen Studie nicht ausgewertet werden (z. B. Nebenwirkungen bei einer klinisch-kontrollierten Studie). Abb. 2.2 Einflussgrößen und Zielgrößen
Faktor(en)
Störgrößen
Begleitmerkmal(e)
Zielgröße(n)
23
2
2.3 Merkmale
Beispiel 2.1 Die Hypothese „Zigarettenrauchen beeinflusst das Entstehen eines Lungenkarzinoms“ impliziert, dass „das Entstehen eines Lungenkarzinoms“ die Zielgröße ist, während „Zigarettenrauchen“ der zu untersuchende Faktor ist. Üblicherweise werden noch weitere Faktoren wie etwa Alter und Geschlecht der Untersuchungseinheiten analysiert. Individuelle Besonderheiten – die erfasst, aber nicht explizit ausgewertet werden – sind mögliche Begleitmerkmale. Zu den Störgrößen zählen genetische Veranlagungen, Umweltbelastungen etc. – also Merkmale, die ebenfalls das Entstehen eines Lungenkarzinoms beeinflussen, aber nicht explizit erfasst werden. ! Störgrößen können nicht-verzerrend (wie in Beispiel 2.1) oder verzerrend z
sein. Die nicht-verzerrenden sind verantwortlich für die zufallsbedingte Streuung der Versuchsergebnisse. Die verzerrenden (Confounder) sind gefährlicher: Sie werden mitunter fälschlicherweise in einen kausalen Zusammenhang mit der Zielgröße gebracht und können dadurch zu Fehlinterpretationen verleiten. Sie sind jedoch bei einer sorgfältigen Ver› Abschnitt 13.4.2). suchsplanung vermeidbar (z
Es geht bei einer statistischen Analyse letztlich darum, herauszufinden, von welchen Faktoren eine bestimmte Zielgröße abhängt und diese Zusammenhänge in geeigneter Weise zu beschreiben. 2.3.3
Klassifikation nach Skalenniveau
Jedes Merkmal lässt sich einem bestimmten Skalenniveau zuordnen. Dieses gibt Auskunft über das Messniveau und darüber, wie die entsprechenden Daten weiterverarbeitet werden können. • Nominalskala. Sie hat das niedrigste Niveau; die Ausprägungen unterscheiden sich nur begrifflich voneinander. Beispiele stellen die Augenfarbe oder die Blutgruppe dar. Eine spezielle Form bilden die Alternativmerkmale (die auch als dichotome oder binäre Merkmale bezeichnet werden) mit nur zwei Ausprägungen. So ist etwa das Geschlecht mit den Ausprägungen „männlich“ und „weiblich“ ein Alternativmerkmal, ebenso der Rhesusfaktor mit den Ausprägungen „positiv“ und „negativ“. Auch ein Zustand, bei dem nach „pathologisch“ und „nicht pathologisch“ unterschieden wird oder Fragen, die sich mit „ja“ oder „nein“ beantworten lassen, sind als Alternativmerkmale anzusehen. • Ordinalskala (oder Rangskala). Sie besitzt ein höheres Niveau als die Nominalskala; die Ausprägungen dieser Merkmale lassen sich in einer natürlichen Rangfolge anordnen. Ein bekanntes Beispiel bilden
24
2
Kapitel 2 · Theoretische Grundlagen
Zensuren mit den Ausprägungen 1 bis 6. Auch klinische Scores sind ordinal skaliert, ebenso das Merkmal „Therapieerfolg“ mit den möglichen Abstufungen „vollständig geheilt“ bis hin zu „Patient verstorben“ oder ein Krebsstadium mit den Ausprägungen I bis IV. Nominal und ordinal skalierte Merkmale werden zusammenfassend als qualitative (oder kategoriale) Merkmale bezeichnet. Es ist allgemein üblich, diese Merkmale zahlenmäßig zu codieren. So kann das Geschlecht einer Person durch die Zahlen 0 (männlich) und 1 (weiblich) angegeben werden; der Therapieerfolg lässt sich mit natürlichen Zahlen 0, 1, 2, ... beschreiben. Diese Zahlen haben jedoch keine rechnerische Bedeutung. Man kann zwar zwei Ausprägungen A und B eines nominalen Merkmals durch A = B oder A B miteinander in Beziehung setzen; bei einem ordinalen Merkmal lässt sich eine der Relationen A = B, A < B oder A > B angeben. Mathematische Operationen wie beispielsweise die Bildung einer Differenz oder eines Quotienten sind jedoch sinnlos. Es leuchtet ein, dass bei qualitativen Merkmalen weder der Abstand zwischen zwei Ausprägungen noch deren Verhältnis definiert ist. • Intervallskala (oder Abstandsskala). Sie hat einen höheren Infor mationsgehalt als die Ordinalskala. Die Ausprägungen unterscheiden sich zahlenmäßig. Bei diesen Merkmalen ist ein Nullpunkt festgelegt (z. B. bei der Temperatur in Celsius-Graden); daher gibt es auch negative Messwerte. Es ist möglich und sinnvoll, die Differenz zwischen zwei Ausprägungen A í B anzugeben. • Verhältnisskala (oder Ratioskala). Sie hat einen absoluten Null punkt; ansonsten können nur positive Messwerte auftreten. Außer der Differenz kann auch das Verhältnis A : B zwischen zwei Ausprägungen bestimmt werden (falls B 0). Beispiel 2.2 Das Merkmal „Temperatur in Celsiusgraden“ hat einen festgelegten Nullpunkt (Gefrierpunkt des Wassers) und ist deshalb intervallskaliert. Beim Vergleich der beiden Ausprägungen 20°C und 40°C lässt sich zwar der Abstand berechnen; es wäre aber unsinnig, die Werte in ein Verhältnis zu setzen und zu sagen, 40°C seien doppelt so warm wie 20°C. Viele Merkmale in der Medizin sind verhältnisskaliert: etwa das Körpergewicht, der Cholesteringehalt oder die Leukozytenanzahl pro µl Blut. Vergleiche der Art „10.000 Leukozyten pro µl Blut sind doppelt so viel wie 5.000“ sind bei diesen Merkmalen durchaus sinnvoll. Auch die Temperaturangabe in Kelvin-Graden kann als verhältnisskaliert aufgefasst werden.
25
2
2.3 Merkmale
Intervall- oder verhältnisskalierte Merkmale werden als quantitativ oder metrisch skaliert bezeichnet. Diese Strukturen findet man vor allem im physikalisch-naturwissenschaftlichen Umfeld und damit auch in der Medizin. 2.3.4
Diskrete und stetige Merkmale
• Diskret. Ein Merkmal heißt diskret, wenn es nur abzählbar viele Werte annehmen kann. Alle qualitativen Merkmale sind trivialer Weise diskret. Quantitative Merkmale sind dann diskret, wenn die Merkmalsausprägungen durch einen Zählvorgang ermittelt werden. Beispiele sind die Anzahl der Schwangerschaften einer Frau oder die Anzahl richtig gelöster Klausuraufgaben in Tabelle 2.1. • Stetig. Ein stetiges Merkmal kann dagegen alle Werte innerhalb eines bestimmten Intervalls annehmen; die Ausprägungen werden in der Regel durch einen Messvorgang ermittelt. Beispiele sind die Körpergröße oder der Blutdruck. Allerdings lässt die begrenzte Messgenauigkeit bei der Bestimmung eines stetigen Merkmals nur abzählbar viele Ausprägungen zu. So wird die Körpergröße meist in der Einheit cm in ganzen Zahlen angegeben, wobei im Einzelfall aufoder abgerundet wird. Deshalb ist bei praktischen Untersuchungen letzten Endes jedes Merkmal diskret. Andererseits sind stetige Merkmale bei Anwendern der Statistik recht beliebt, da sie sich im Hinblick auf die Informationsgewinnung effizienter und häufig einfacher analysieren lassen als diskrete Merkmale. Statistische Analysemethoden, die ein stetiges Merkmal voraussetzen, können dann angewandt werden, wenn das relevante Merkmal innerhalb eines bestimmten Bereichs zahlreiche, fein abgestufte Ausprägungen hat (wie z. B. die Leukozytenanzahl pro µl Blut). Insofern ist eine Unterscheidung zwischen diskreten und stetigen Merkmalen nicht nur theoretisch, sondern auch für praktische Anwendungen sinnvoll. 2.3.5
Skalentransformationen
Es ist generell möglich, ein höheres Skalenniveau auf ein niedrigeres zu transformieren. Jede Verhältnisskala ist automatisch eine Intervallskala; diese wiederum kann als eine Ordinalskala aufgefasst werden. Die Nominalskala kann grundsätzlich jedem Merkmal zugeordnet werden.
26
Kapitel 2 · Theoretische Grundlagen
Übersicht 1: Die Skalenniveaus Merkmalsart
2
Vergleich 2er Ausprägungen
Skalenniveau Beispiele
Hinweise
qualitativ
Nominalskala Blutgruppe, Rhesusfaktor
niedrigstes Niveau
ŷ
qualitativ
Ordinalskala (Rangskala)
Zensuren, med. Scores
Rangfolge ist definiert
ŷ
quantitativ Intervallskala (Abstandsskala)
Temperatur in CelsiusGraden
Skala mit festgelegtem Nullpunkt, Abstand ist definiert
ŷ
quantitativ Ratioskala (Verhältnisskala)
Leukozytenanzahl pro µl Blut, Körpergröße
höchstes Niveau, Skala mit absolutem Nullpunkt, Verhältnis ist definiert
ŷ
A = B oder A≠ B
A = B oder A≠ B ŷ A=B, A > B oder A< B A = B oder A≠ B ŷ A=B, A > B oder A< B ŷ d = A− B
A = B oder A≠ B ŷA=B, A > B oder A< B ŷ ŷ
d = A− B c = A: B
Beispiel 2.3 Wir betrachten das Merkmal „Zigarettenkonsum eines Patienten“. Die Merkmalsart und das Skalenniveau sind abhängig von der Art, wie man dieses Merkmal erfasst: Ausprägungen Merkmalsart Skala quantitativ; Menge des pro Tag Verhältnisskala konsumierten Tabaks in Gramm stetig Anzahl der pro Tag quantitativ; Verhältnisskala gerauchten Zigaretten diskret Nichtraucher – schwacher Raucher – mäßiger Raucher – qualitativ Ordinalskala starker Raucher qualitativ; Nichtraucher – Raucher Nominalskala binär
27
2
2.3 Merkmale
Das Beispiel 2.3 macht deutlich, dass eine Reduktion des Skalenniveaus einerseits mit einer einfacheren Messtechnik einhergeht, andererseits einen Informationsverlust beinhaltet. Dennoch ist eine Skalentransformation bei praktischen Anwendungen zuweilen sinnvoll. Um beispielsweise bei Routineuntersuchungen den Glukosegehalt im Blut zu bestimmen, ist es nicht notwendig, diesen exakt in mg zu erfassen. Stattdessen verwendet man Teststreifen mit den Ergebnissen „negativ“ und „positiv“. Im Einzelfall ist stets abzuwägen, ob es sinnvoll ist, das Skalenniveau zugunsten eines einfachen Messverfahrens zu reduzieren. In den folgenden Kapiteln wird gezeigt, dass statistische Analysemethoden für quantitative (und insbesondere für stetige) Merkmale differenziertere Auswertungen ermöglichen als Methoden für qualitative Merkmale. Eine Skalentransformation sollte man deshalb nur dann durchführen, wenn praktische Gründe dies erfordern, und ansonsten versuchen, ein möglichst hohes Niveau beizubehalten. Wenn jedoch Zweifel bestehen, ob ein höheres Skalenniveau überhaupt angenommen werden kann, sollte man sicherheitshalber das nächst niedrigere zugrunde legen. Beispiel 2.4 Die Wahl des adäquaten Skalenniveaus ist nicht immer einfach oder unumstritten. So werden in der Regel Zensuren als quantitativ-diskrete Merkmale angesehen, und es entspricht gängiger Praxis, Durchschnittsnoten (also Mittelwerte) zu berechnen. Dies ist aber nicht korrekt. Die Differenz zwischen zwei Noten ist nämlich nicht sinnvoll definiert. So ist etwa der Unterschied zwischen den Noten 4 (ausreichend) und 6 (ungenügend) keinesfalls gleichzusetzen mit dem Unterschied zwischen den Noten 2 (gut) und 4. Auch das Berechnen von Verhältnissen (etwa: Die Note 2 ist doppelt so gut wie die 4) ist nicht angebracht. Lediglich die Rangfolge der Ausprägungen 1 bis 6 ist sinnvoll. Demnach handelt es sich nur um ein ordinal skaliertes (also ein qualitatives) Merkmal. ! Eine Schwierigkeit ergibt sich bei begrifflich unscharfen Bezeichnungen, z
die hin und wieder bei ordinal skalierten Merkmalen auftreten. Während sich die Ausprägungen eines nominal skalierten Merkmals in der Regel eindeutig bestimmen lassen und die Werte eines quantitativen Merkmals hinreichend exakt gezählt oder gemessen werden, sind die Grenzen zwischen den Ausprägungen eines ordinalskalierten Merkmals oft unscharf. Dies kann zu ungenauen Ergebnissen und zu fehlerhaften Schlussfolgerungen führen. Bei ordinal skalierten Daten sollte man deshalb darauf achten, dass die Abgrenzungen zwischen den einzelnen Ausprägungen möglichst genau definiert und nachvollziehbar sind.
28
2
Kapitel 2 · Theoretische Grundlagen
Merke Um geeignete Analysemethoden wählen zu können, sind vor der Datenerfassung unbedingt folgende Punkte zu klären: 1. Fragestellung (Hypothese) der Studie formulieren 2. Geeignete Ziel- und Einflussgrößen auswählen 3. Spezifische Eigenschaften für jedes Merkmal bestimmen
2.3.6
Merkmalsausprägungen
Nachdem zu Beginn einer Studie festgelegt worden ist, welche Merkmale erhoben und welche Skalenniveaus zugrunde gelegt werden, ist für jedes Merkmal eine Ausprägungsliste zu erstellen. Bei quantitativen Merkmalen handelt es sich dabei um die Mess- oder Zählwerte. Die Ausprägungen qualitativer Merkmale werden häufig numerisch codiert. Dabei ist auf zwei Dinge zu achten:
ŷ Die Liste muss vollständig sein, damit jeder Beobachtung eine Ausprägung zugeordnet werden kann. Dies bedeutet, dass auch sehr seltene Ausprägungen repräsentiert sind. ŷ Sie muss disjunkt sein. Das heißt: Je zwei Ausprägungen bzw. deren Codierungen sind unterscheidbar und schließen sich gegenseitig aus. Die Zuordnung Codierung ļ Ausprägung muss also für beide Richtungen eindeutig sein. Der Vollständigkeit wegen fügt man bei qualitativen Merkmalen häufig eine Ausprägung der Art „Sonstiges“ oder „nicht feststellbar“ hinzu. Bei quantitativen Merkmalen (z. B. bei der Körpergröße) werden hin und wieder Ausprägungen wie etwa „ < 150 cm “ oder „ ≥ 200 cm “ angegeben. Dabei ist allerdings zu bedenken, dass das Skalenniveau sinkt. Wenn man bei einem ordinalen Merkmal wie dem Therapieerfolg in die Ausprägungsliste „nicht feststellbar“ aufnimmt, reduziert sich das Niveau auf das einer Nominalskala. Eine sinnvolle Ausprägungsliste ist nicht zuletzt abhängig von der konkreten Fragestellung. So ist beispielsweise für das Merkmal „Geschlecht“ eine Liste mit den Ausprägungen „männlich“ und „weiblich“ in der Regel vollständig und disjunkt. Es sind jedoch auch Situationen denkbar, in denen eine zusätzliche Ausprägung wie „intersexuell“ oder „nicht feststellbar“ erforderlich ist. Bei quantitativen Merkmalen sind das Messverfahren und die Messgenauigkeit zu berücksichtigen. Während man das Körpergewicht von Erwachsenen in der Regel in ganzzahligen kg-Werten erfasst, erscheint dies bezogen auf das Körpergewicht von Neugeborenen nicht sinnvoll.
29
2
2.4 Besondere Problematiken
Beispiel 2.5 Die Ausprägungsliste für das Merkmal „Augenfarbe“ mit den Codierungen: 1 = blau 2 = grün 3 = braun 4 = grau Summe aus diesen Zahlen = Farbkombination ist weder vollständig (es fehlt eine Ausprägung für die Augenfarbe von Albinos) noch disjunkt (die Codierungen für die Farbe „braun“ und die Kombination „blaugrün“ sind nicht unterscheidbar). Die folgende Liste erfüllt dagegen die Bedingungen bezüglich Vollständigkeit und Disjunktheit: 1 = blau 2 = grün 4 = braun 8 = grau 16 = Sonstiges Summe aus diesen Zahlen = Farbkombination Es ist auch möglich, für jede der vier Farben eine eigene Variable einzuführen, die die Werte 0 (nein) und 1 (ja) annehmen kann. Wenn alle vier Variablen den Wert 0 haben, bedeutet dies „Sonstiges“; bei Farbkombinationen nehmen mehrere Variable den Wert 1 an. Diese Variablen enthalten alle Informationen des Merkmals „Augenfarbe“ in codierter Form. Man bezeichnet sie als „Dummyvariablen“. ! Bezüglich der Anzahl der Ausprägungen bei qualitativen Merkmalen z
sollte man darauf achten, dass sie in einem sinnvollen Verhältnis zur Anzahl der Beobachtungseinheiten steht. Es ist wenig hilfreich bei der Datenanalyse, wenn viele Ausprägungen nur vereinzelt vorkommen, weil sich dann ein Zusammenhang mit einem anderen Merkmal nicht mehr nachweisen lässt.
2.4
Besondere Problematiken
Bei der Durchführung medizinischer Studien gibt es eine Reihe von Besonderheiten bezüglich der Analyse der Daten: • Klinische Scores und Skalen. Quantitative Merkmale lassen sich effizienter auswerten als qualitative. Daraus resultierte die Tendenz, Sachverhalte, die eigentlich nur qualitativ beschreibbar sind, quantitativ messbar zu machen. Dies führte dazu, dass in den letzten Jahren eine Vielzahl von klinischen Scores und Skalen eingeführt wurde, mit denen komplexe Merkmale – wie etwa der Allgemeinzustand eines Patienten – erfasst werden. Man spricht dabei etwas abfällig auch von „weichen Daten“ im Gegensatz zu „harten Daten“, die sich exakt messen lassen. Ein Beispiel stellt der Apgar-Score dar, der zur Beurteilung des Zustands Neugeborener herangezogen wird. Diesem Score liegen Einschätzungen für mehrere Merkmale (Herzfrequenz, Atmung, Muskeltonus, Reflexe und Hautfarbe) zugrunde, die jeweils mit 0, 1
30
2
Kapitel 2 · Theoretische Grundlagen
oder 2 Punkten bewertet werden. Die Summe ergibt dann einen Scorewert zwischen 0 und 10. Ein anderes Beispiel ist die Karnofsky-Skala, die verwendet wird, um den Allgemeinzustand eines Patienten zu beschreiben. Sie kann Werte zwischen 0 und 100 annehmen. Zur Beschreibung der Schmerzintensität dient die visuelle Analog-Skala, auf der ein Patient auf einer 10 cm langen Linie sein Schmerzempfinden markieren soll. Es liegt nahe, solche Merkmale als quantitativ anzusehen und entsprechend zu analysieren. Folgendes ist dazu anzumerken:
ŷ Es handelt sich bei den Score- oder Skalenwerten keineswegs um Mess- oder Zählwerte, sondern um Einschätzungen, die in gewisser Weise subjektiv sind. ŷ Zwei benachbarte Ausprägungen sind nicht unbedingt äquidistant. So ist etwa beim Merkmal „Herzfrequenz“ des Apgar-Scores der Unterschied zwischen 0 (kein Herzschlag) und 1 (Frequenz unter 100) nicht gleichzusetzen mit dem Unterschied zwischen 1 und 2 (Frequenz über 100). ŷ Es erscheint sogar problematisch, zwei gleiche Ausprägungen miteinander in Beziehung zu setzen. So besagt ein Apgar-Wert von 7 lediglich, dass zwei oder drei Merkmale nicht optimal ausgeprägt sind. Das bedeutet jedoch nicht unbedingt, dass der Zustand zweier Neugeborener mit dem Apgar-Wert 7 identisch ist. Demnach handelt es sich bei diesen Scores und Skalen bestenfalls um ordinal skalierte, aber nicht um quantitative Merkmale. Dies sollte man bei der Datenanalyse und der Präsentation der Ergebnisse beachten. • Ausreißer. Dies sind extrem hohe oder extrem niedrige Werte, bei denen fraglich ist, ob sie unter denselben Bedingungen wie die anderen Werte der Datenreihe entstanden sind. Die Einstufung eines Wertes als Ausreißer muss in erster Linie inhaltlich motiviert sein. Man erkennt Ausreißer am ehesten anhand einer graphischen Darstellung. Wie soll man dann verfahren? Zunächst sollte man nachforschen, wie diese Werte entstanden sind. Möglicherweise handelt es sich um Mess- oder Dokumentationsfehler oder pathologische Besonderheiten. Wenn sich herausstellt, dass es sich um fehlerhafte Werte handelt, muss man sie von der Analyse ausschließen. Ansonsten ist es sinnvoll, die Analysen zweimal durchzuführen: mit und ohne Ausreißer. Wenn sich die Ergebnisse ähneln, spielen die Ausreißer keine große Rolle. Wenn sie sich jedoch unterscheiden, sollte man auf statistische Verfahren zurückgreifen, die unempfindlich gegen Ausreißer sind.
31
2
2.4 Besondere Problematiken
• Surrogatmerkmale. Manche Krankheiten können nicht direkt oder nur mit einem hohen Aufwand diagnostiziert werden. Dann behilft man sich gerne mit so genannten Surrogatmerkmalen, die eine Funktionsstörung anzeigen und die einfach zu bestimmen sind. So wird beispielsweise der Kreatinin-Wert herangezogen, um ein Nierenversagen nachzuweisen. Gegen Surrogatvariable ist nichts einzuwenden, sofern sie in engem und validiertem Zusammenhang mit der zu evaluierenden Krankheit stehen. Dies sollte man kritisch hinterfragen und beim Ziehen von Schlussfolgerungen eine gewisse Vorsicht walten lassen! • Ungenaue Definitionen. Vorsicht ist geboten, wenn Zielgrößen untersucht und beschrieben werden, die nicht klar definiert sind. Ein Beispiel ist das Merkmal „Therapieerfolg“. Im Allgemeinen verbindet man damit etwas Positives – dennoch ist dieser Begriff per se keineswegs exakt definiert: Nicht nur eine vollständige Heilung, sondern auch eine Besserung der Symptome oder des Allgemeinzustands kann als Erfolg gewertet werden. Eine exakte Definition solcher Merkmale ist erforderlich, damit der Leser einer Publikation praxisrelevante Schlussfolgerungen ziehen und Vergleiche anstellen kann. • Falsche oder unvollständige Informationen. Häufig ist man beim Einholen von Informationen auf die Mithilfe von Patienten oder deren Angehörigen angewiesen. Dabei kann es vorkommen, dass die befragten Personen falsche oder unvollständige Angaben machen – sei es unbewusst, weil sie sich nicht richtig erinnern, oder absichtlich, weil sie aus Scham oder anderen Gründen gewisse Dinge verschweigen. Nicht jeder Patient wird uneingeschränkt die Wahrheit sagen, wenn er nach seinem Nikotin- oder Alkoholkonsum gefragt wird. Bei manchen Studien muss man auf die mitunter mangelhafte Dokumentation in Patientenakten zurückgreifen. Es ist schwierig, derlei Datenmaterial auszuwerten. Entsprechende Vorsicht ist bei der Interpretation der Ergebnisse geboten! • Zensierte Daten. Bei Überlebenszeitstudien wird die Zeit unter sucht, die bis zum Eintreten eines bestimmten Ereignisses (etwa bis zum Tod eines Patienten) vergeht. Mehrere Gründe können dazu führen, dass sich im Einzelfall die Überlebenszeit nicht exakt feststellen lässt: Sei es, dass der Patient während der Studie ausscheidet (etwa wegen mangelnder Bereitschaft zur weiteren Teilnahme oder weil der Kontakt zum Studienleiter abreißt), oder dass er am Ende der Studie noch lebt (jede Studie ist zeitlich limitiert). Dann kennt man nur die Zeitspanne, die überlebt wurde – was danach geschieht,
32
2
Kapitel 2 · Theoretische Grundlagen
bleibt unbekannt. Solche Zeiten nennt man zensiert. Es würde zu verzerrten Ergebnissen führen, wenn man alle zensierten Daten bei der Analyse eliminieren würde. Mit speziellen Verfahren (z. B. › Abschnitt 16.2) ist es Kaplan-Meier-Methode oder Logrank-Test, z möglich, zensierte Daten bei der Analyse zu berücksichtigen. Freilich sollte man eine Studie so anlegen, dass zensierte Daten so weit wie möglich vermieden werden.
2.5
Listen und Tabellen
• Listen. Bei einer Studie ist darauf zu achten, dass für jede einzelne Beobachtungseinheit alle relevanten Informationen (Ort und Zeit der Untersuchungen, die untersuchenden Personen, die erhobenen Daten, Besonderheiten etc.) sorgfältig in einer Liste dokumentiert werden. Falls ein Datum nicht erhoben werden kann, ist dies mit Angabe von Gründen zu vermerken. Zu einem späteren Zeitpunkt ist kaum noch nachvollziehbar, warum eine Information fehlt – ob beispielsweise nur die Dokumentation vergessen wurde (das sollte freilich nicht passieren), oder ob und warum ein Wert nicht gemessen wurde. Für die statistische Analyse sind diese Informationen mitunter sehr wichtig. • Tabellen. Die für die statistische Analyse relevanten Daten wer den in einer Tabelle übersichtlich zusammengefasst. Diese stellt die Basis für alle nachfolgenden Analysemethoden und für die daraus resultierenden Erkenntnisse dar. Eine Tabelle wird üblicherweise mit einer Software (z. B. dem Tabellenkalkulationsprogramm Excel) erstellt. Sie enthält folgende Elemente:
ŷ Tabellenzeilen. Für jede Beobachtungseinheit ist eine eigene Zeile mit einer eindeutigen Identifikationsnummer in der ersten Spalte reserviert. Namen oder Initialen sind – nicht zuletzt aus Datenschutzgründen – zur Identifikation ungeeignet. ŷ Tabellenspalten. Jede Spalte enthält die Daten eines bestimmten Merkmals. Angaben dazu findet man in der ersten Tabellenzeile, dem so genannten Tabellenkopf. ŷ Legende. Wenn die Tabelle Teil einer Publikation oder einer Dissertation ist, sollten weitere Informationen, die zum Verständnis notwendig sind (Abkürzungen, Maßeinheiten etc.), in der Legende oder Überschrift enthalten sein.
33
2
2.5 Listen und Tabellen ! Fehlende Daten müssen gekennzeichnet werden (etwa durch einen z
Punkt). Sie sollten nach Möglichkeit vermieden werden, da sich dadurch der Stichprobenumfang reduziert und die Ergebnisse ungenauer werden.
Oft enthält eine Tabelle in der letzten Zeile oder in der letzten Spalte Randsummen (die so genannten Spalten- bzw. Zeilensummen), Mittelwerte oder Häufigkeiten. Falls es zweckmäßig erscheint, kann sie nach einem oder mehreren Merkmalen sortiert sein. Die Tabelle auf der folgenden Doppelseite enthält die Daten von sieben Merkmalen, die bei 71 Studenten im ersten klinischen Semester erfasst wurden. Sie dient als Grundlage für diverse statistische Analysen, die in den folgenden Kapiteln erläutert werden. Alle Ergebnisse lassen sich anhand dieser Tabelle explizit nachvollziehen. Charakteristische Eigenschaften der erhobenen Merkmale und deren Zusammenhänge treten jedoch – zumindest auf den ersten Blick – anhand einer Tabelle nicht in Erscheinung. Deshalb ist es erforderlich, die Daten anschaulich graphisch darzustellen und die Merkmale quantitativ zu beschreiben. Dabei empfiehlt sich folgendes Vorgehen:
ŷ Zunächst wird jedes Merkmal einzeln – also unabhängig von den anderen und separat für jede Stichprobe – mittels deskriptiver Statistik untersucht. Geeignete Methoden werden in den Kapiteln 3 und 4 vorgestellt. ŷ Danach lassen sich einfache Zusammenhänge beschreiben. Hinweise dazu findet man in Kapitel 5. ŷ Mit Methoden der induktiven Statistik lässt sich nachweisen, ob und mit welcher Irrtumswahrscheinlichkeit die Stichprobenergebnisse verallgemeinerbar sind. Dieses Thema ist Gegenstand der Kapitel 9 bis 12. ! Üblicherweise wird eine Tabelle mit dem Tabellenkalkulationsprogramm z
Excel, das im Office-Paket der Firma Microsoft enthalten ist, angelegt. Diese Software ist für die Datenerfassung geeignet; auch einfache statistische Berechnungen lassen sich damit durchführen. Für Analysen der induktiven Statistik empfiehlt sich jedoch ein leistungsstarkes Statistikprogrammpaket wie beispielsweise SAS oder SPSS.
34
Kapitel 2 · Theoretische Grundlagen
Tabelle 2.1. Geschlecht (M = männlich, W = weiblich), Blutgruppe, Rhesusfaktor, Raucher, Körpergröße in cm, Körpergewicht in kg und die Anzahl richtig gelöster Klausuraufgaben
2 ID
Geschlecht
Blutgruppe
Rhesusfaktor
Raucher
Größe
Gewicht
Klausur
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
M M M M M M M M M M M M M M M M M M M M M M M W W W W W W W W W W W W W W W W W W W W W
A 0 B A 0 0 A A 0 B 0 0 A 0 A A A 0 A 0 AB A 0 0 A 0 A B 0 A 0 0 A A 0 A 0 B A 0 A A 0 B
+ + – + + + + + + + – + + + + + + – + + + – + + + + – + + + + + + + – – + + + + + + – +
ja ja nein nein nein nein ja ja nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein nein ja nein nein nein nein nein nein nein nein nein ja ja ja nein nein
172 193 193 180 180 180 182 179 186 180 190 196 178 177 176 175 186 178 185 180 165 178 179 164 167 170 179 156 156 168 172 168 170 175 169 168 176 173 163 157 169 172 168 170
82 106 75 75 90 90 70 72 80 80 80 84 69 71 65 65 85 79 85 85 61 60 74 52 55 56 75 46 50 63 60 60 57 52 65 58 69 56 60 50 60 65 62 53
6 10 8 11 2 10 8 12 3 9 10 4 8 9 11 4 10 7 9 5 8 11 8 1 7 7 9 8 12 9 6 4 10 3 9 6 9 11 11 8 10 6 7 12
2
35 2.5 Listen und Tabellen
Tabelle 2.1 (Fortsetzung). Geschlecht (M = männlich, W = weiblich), Blutgruppe, Rhesusfaktor, Raucher, Körpergröße in cm, Körpergewicht in kg und die Anzahl richtig gelöster Klausuraufgaben ID
Geschlecht
Blutgruppe
Rhesusfaktor
Raucher
Größe
Gewicht
Klausur
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
W W W W W W W W W W W W W W W W W W W W W W W W W W W
0 A A 0 0 A A 0 B A 0 A AB 0 A A B 0 A B A 0 A B 0 A AB
+ + + + + + + + – + + + + + – + + + + + + + + + – + +
nein nein nein nein nein nein nein nein nein ja ja nein nein nein nein nein ja ja ja nein nein nein nein nein nein nein nein
163 168 165 174 156 172 173 176 173 178 174 174 180 166 157 160 170 162 180 180 172 178 172 165 168 165 164
57 79 60 . 48 55 74 80 63 70 63 60 65 54 49 50 75 56 72 79 60 55 54 54 70 77 50
7 8 6 9 9 11 10 3 10 2 9 12 7 8 4 9 12 5 11 9 4 8 10 7 10 9 5
3
Häufigkeiten 3.1
Häufigkeiten bei diskreten Merkmalen 39
3.1.1
Absolute und relative Häufigkeiten 39
3.1.2
Graphische Darstellungen 40
3.2
Häufigkeiten bei stetigen Merkmalen 42
3.2.1
Das Prinzip der Klassenbildung 42
3.2.2
Graphische Darstellungen 44
3.3
Die empirische Verteilungsfunktion 46
3.4
2-dimensionale Häufigkeiten 49
3.4.1
Die Kontingenztafel 49
3.4.2
Die Beschreibung einer Assoziation 50
3.4.3
Ausblick auf die induktive Statistik 52
3
39 3.1 Häufigkeiten bei diskreten Merkmalen
3.1
Häufigkeiten bei diskreten Merkmalen
3.1.1
Absolute und relative Häufigkeiten
Um sich einen Überblick bezüglich wesentlicher Eigenschaften eines Merkmals anzueignen, beginnt man mit der Häufigkeitsverteilung. Diese Verteilung beschreibt, wie häufig die einzelnen Merkmalsausprägungen in der Stichprobe zu finden sind. Häufigkeiten lassen sich für jedes Merkmal und jedes Skalenniveau ermitteln. In den Abschnitten 3.1 und 3.2 werden – getrennt für diskrete und stetige Merkmale – Häufigkeitsbegriffe erörtert und graphische Darstellungen vorgestellt. Zu den diskreten Merkmalen zählen alle qualitativen sowie die quantitativ-diskreten Merkmale. Die Anzahl der Ausprägungen ist in der Regel wesentlich kleiner als der Stichprobenumfang und damit überschaubar. So gehören beispielsweise zum qualitativen Merkmal „Blutgruppe“ die vier Ausprägungen 0, A, B und AB. Durch einfaches Abzählen lässt sich ermitteln, wie häufig die einzelnen Ausprägungen in der Stichprobe vertreten sind. Allgemein formuliert man diesen Sachverhalt folgendermaßen: Ein diskretes Merkmal A habe k verschiedene Ausprägungen A1 ,..., Ak . Die absolute Häufigkeit einer Ausprägung Ai wird mit ni bezeichnet. Der Buchstabe i ist der so genannte Laufindex, der zwischen 1 und k variiert. Die Summe aller absoluten Häufigkeiten ni entspricht der Anzahl der Beobachtungseinheiten in der Stichprobe – das ist der Stichprobenumfang n: k
¦n
i
=n
(3.1)
i =1
i Bei dem Summen-Zeichen ƶ handelt es sich um den griechischen z Buchstaben Sigma. Damit werden Summen in verkürzter Schreibweise k
dargestellt. Der Ausdruck
¦n
i
entspricht der Summe n1 + n2 + ... + nk .
i =1
Unter der relativen Häufigkeit hi einer Ausprägung Ai versteht man den Quotienten ´
hi =
ni n
(3.2)
40
Kapitel 3 · Häufigkeiten
Aus dieser Definition folgt, dass 0 ≤ hi ≤ 1, und dass sich die relativen Häufigkeiten aller Ausprägungen zu 1 aufaddieren: k
¦h
i
i =1
3
¦n
i
k
=
i =1
n
=
n =1 n
(3.3)
In der Praxis gewinnt man die Häufigkeiten am einfachsten durch das Erstellen einer Strichliste oder – weniger mühsam – mittels einer › Beispiel 3.1). geeigneten Software (z Beispiel 3.1 Wir betrachten das qualitative Merkmal „Blutgruppe“ mit den Daten der in Tabelle 2.1 aufgelisteten Stichprobe von n = 71 Beobachtungseinheiten. Es ergeben sich folgende Häufigkeiten: Ausprägung absolute Häufigkeiten relative Häufigkeiten n1 = 28 A1 =Blutgruppe 0 h1 = 39 % A2 =Blutgruppe A
n2 = 31
h2 = 44 %
A3 =Blutgruppe B
n3 = 9
h3 = 13 %
A4 =Blutgruppe AB
n4 = 3
h4 = 4 %
Summe
n = 71
100%
! Die relative Häufigkeit wird oft in Prozentwerten angegeben. Da der z
Ausdruck Prozent „von Hundert“ bedeutet, sind derlei Angaben nur bei einem hinreichend großen Stichprobenumfang sinnvoll. Wenn man bei kleineren Stichproben mit weniger als 50 Beobachtungseinheiten Prozente berechnet, täuscht man eine höhere Genauigkeit vor als in Wirklichkeit vorhanden ist. In diesen Fällen sollte man anstelle der Prozentangaben einfache Quotienten bevorzugen – wie z. B.: Die relative Häufigkeit der Blutgruppe A bei den männlichen Studenten beträgt 10/23.
3.1.2
Graphische Darstellungen
Graphische Darstellungen bringen die oben beschriebenen Sachverhalte prägnant zum Ausdruck. • Kreisdiagramm. Bei dieser Darstellung geben die einzelnen Kreissektoren die Häufigkeiten ni wieder. Anstelle der absoluten Häufigkeiten ni lassen sich auch die relativen Häufigkeiten hi darstellen; dabei ändert sich nur der Maßstab des Diagramms, nicht jedoch dessen Aussehen. Bei einem Kreisdiagramm kommt allerdings
41
3
3.1 Häufigkeiten bei diskreten Merkmalen
nicht (zumindest nicht auf den ersten Blick) zur Geltung, welches die kleinste oder die größte Ausprägung ist – deshalb eignet sich › diese Art der Darstellung nur für nominal skalierte Merkmale (z Abbildung 3.1). • Rechteckdiagramm (oder Blockdiagramm). Hier ist ein Rechteck entsprechend der einzelnen Häufigkeiten unterteilt. Diese Darstellung eignet sich auch für ordinal skalierte Merkmale, da die kleinste und die größte Ausprägung zu erkennen sind. • Balkendiagramm. Diese Art von Diagrammen eignet sich für alle diskreten Merkmale. Die Längen der einzelnen Balken entsprechen › Abbildung 3.2). Dabei sind zahlreiden Häufigkeiten ni oder hi (z che Varianten denkbar. Die 2-dimensionalen Balken lassen sich durch 1-dimensionale Striche oder 3-dimensionale Säulen ersetzen. Bei senkrechter Anordnung spricht man auch von einem Säulendiagramm; wenn anstelle der Säulen 1-dimensionale Striche verwendet werden, bezeichnet man dies als Stabdiagramm. Darüber hinaus können die Balken horizontal anstatt vertikal angeordnet werden; bezüglich Farben, Mustern und Hintergründen sind – nicht zuletzt dank geeigneter Software- und Hardwareprodukte – der Phantasie keine Grenzen gesetzt. Man sollte jedoch bei solchen Darstellungen vor allem darauf achten, dass die wesentlichen Eigenschaften der Häufigkeitsverteilung optimal zur Geltung kommen und nicht zugunsten optischer Effekte in den Hintergrund treten. Abb. 3.1 Kreisdiagramm; Darstellung der Häufigkeiten des Merkmals „Blutgruppe“ (Beispiel 3.1)
Abb. 3.2 Balkendiagramm; Darstellung der Häufigkeiten des Merkmals „Anzahl richtig gelöster Klausuraufgaben“
42
Kapitel 3 · Häufigkeiten
• Punktediagramm. Dies ist eine Darstellung einfachster Art für quantitative Merkmale. Die Stichprobenwerte werden entlang einer Achse (die waagrecht oder senkrecht angeordnet sein kann) als einzelne Punkte eingetragen. Diese Art der Darstellung eignet sich weniger zu Präsentationszwecken als vielmehr dazu, schnell und einfach einen Überblick über die Häufigkeitsverteilung zu gewinnen.
3 3.2
Häufigkeiten bei stetigen Merkmalen
3.2.1
Das Prinzip der Klassenbildung
Bei der Erfassung eines stetigen Merkmals (z. B. der Körpergröße) werden – bedingt durch die begrenzte Messgenauigkeit – die gemessenen Werte im Einzelfall auf- oder abgerundet. Im Vergleich zum Stichprobenumfang ergeben sich zahlreiche Ausprägungen, deren Häufigkeiten meist gering und daher wenig informativ sind. So schwankt beispielsweise die Körpergröße der Studenten in Tabelle 2.1 zwischen 156 cm und 196 cm – dies sind 41 verschiedene Werte für 71 Beobachtungseinheiten. Davon haben 14 Ausprägungen die Häufigkeit 0, neun sind nur einmal vertreten. Es erweist sich in solchen Fällen als sinnvoll, mehrere nebeneinander liegende Ausprägungen zusammenzufassen und Klassen zu bilden. Dies ist auch bei einem quantitativ-diskreten Merkmal mit extrem vielen, fein abgestuften Ausprägungen gerechtfertigt (z. B. die Leukozytenanzahl). Ein solches Merkmal kann für praktische Analysen wie ein stetiges Merkmal behandelt werden. Damit verbindet sich die Frage, wie die Anzahl der Klassen und deren Breiten festzulegen sind. Bei sehr vielen, schmalen Klassen ist die Darstellung unübersichtlich und der Verteilungstyp schwer erkennbar. Dagegen ist eine geringe Anzahl von breiten Klassen mit einem hohen Informationsverlust verbunden; charakteristische Eigenschaften der Verteilung werden eventuell verdeckt. Es gibt bezüglich der Klassenbildung zwar keine strengen Vorschriften, jedoch einige Faustregeln, die einen Kompromiss zwischen einer übersichtlichen Darstellung einerseits und einem geringen Informationsverlust andererseits beinhalten:
ŷ Die Klassenanzahl k richtet sich nach dem Stichprobenumfang n.
Als Anhaltspunkt gilt: k ≈ n . Für größere Stichprobenumfänge n ≥ 1000 verwendet man k ≈ 10 ⋅ lg n (wobei lg der Zehnerlogarithmus bedeutet), damit die Klassenanzahl nicht zu groß wird.
3
43 3.2 Häufigkeiten bei stetigen Merkmalen
ŷ Weniger als drei Klassen sind generell nicht sinnvoll. ŷ Am übersichtlichsten ist die Darstellung, wenn die Klassenbreiten gleich sind. Wenn jedoch Ausreißer vorhanden sind, ist es eventuell sinnvoll, am jeweiligen Rand eine breite Klasse zu bilden. Klassen mit den Grenzen -∞ oder +∞ sind zu vermeiden. ŷ Es muss eindeutig geklärt sein, welcher Klasse ein Datum zugeordnet wird, das auf eine Klassengrenze fällt. Man umgeht dieses Problem, indem man die Grenzen so definiert, dass sie nicht mit Werten der Stichprobe zusammenfallen. Ansonsten muss man die Klassen als halboffene Intervalle festlegen (meist benutzt man Intervalle, die links offen und rechts abgeschlossen sind). Bei klassierten Daten ermittelt man die absolute Häufigkeit oder die Besetzungszahl einer Klasse und bezeichnet diese als ni . Der Laufindex i kennzeichnet die Klassen in aufsteigender Reihenfolge ( i = 1 bezeichnet also die erste Klasse mit den kleinsten Messwerten, i = k die letzte Klasse mit den größten Werten). Basierend auf den absoluten Häufigkeiten ni berechnet man die relativen Klassenhäufigkeiten hi ebenso wie bei diskreten Merkmalen. Beispiel 3.2 Die Messwerte für die Körpergröße der 71 Studenten in Tabelle 2.1 variieren zwischen 156 und 196 cm. Das Intervall (152,5 cm; 197,5 cm) wird in 9 Klassen der Klassenbreite 5 cm eingeteilt. Dadurch ist gewährleistet, dass kein Messwert auf eine Klassengrenze fällt. relative absolute relative absolute Laufindex Klassengrenzen Häufigkeit Häufigkeit Summenh. Summenh. i in cm hi Ni Hi ni 1 2 3 4 5 6 7 8 9
(152,5 ; 157,5) (157,5 ; 162,5) (162,5 ; 167,5) (167,5 ; 172,5) (172,5 ; 177,5) (177,5 ; 182,5) (182,5 ; 187,5) (187,5 ; 192,5) (192,5 ; 197,5)
5 2 10 18 12 17 3 1 3
0,07 0,03 0,14 0,25 0,17 0,24 0,04 0,01 0,04
5 7 17 35 47 64 67 68 71
0,07 0,10 0,24 0,49 0,66 0,90 0,94 0,96 1
Um die Häufigkeitsbegriffe zu verdeutlichen, betrachten wir die 4. Klasse. Die absolute und die relative Häufigkeit n4 bzw. h4 bedeuten: 18 Studenten (das entspricht 25 %) haben eine Körpergröße zwischen 167,5 cm und 172,5 cm. Die ab› Abschnitt 3.3) N 4 bzw. H 4 besasolute und die relative Summenhäufigkeit (z gen, dass 35 insgesamt Studenten bzw. 49 % kleiner als 172,5 cm sind.
44
Kapitel 3 · Häufigkeiten
i Wenn eine Intervallgrenze durch eine runde Klammer angegeben wird, z bedeutet dies, dass der Grenzwert nicht im Intervall enthalten ist. Eine eckige Klammer ([ oder ]) zeigt an, dass der Grenzwert zum Intervall gehört.
! In früheren Zeiten – als man einen Mittelwert noch per Hand oder mit z
3
einem Taschenrechner ermittelte – erleichterte man sich bei umfangreichem Datenmaterial die Arbeit, indem man die Daten in eine überschaubare Anzahl von Klassen zusammenfasste und den Mittelwert und andere Kenngrößen aus den Klassenmitten ermittelte. Deshalb legte man Wert darauf, dass die Klassenmitten rechentechnisch günstige Werte waren. Heute – im Zeitalter benutzerfreundlicher Statistiksoftware – ist dieses Argument obsolet. Die Einteilung in Klassen wird hauptsächlich vorgenommen, um die Daten übersichtlich graphisch darzustellen.
3.2.2
Graphische Darstellungen
• Histogramm. Bei dieser Darstellung wird jede Klasse durch ein Rechteck repräsentiert, dessen Flächen proportional zu den jeweiligen Klassenhäufigkeiten sind. Am übersichtlichsten ist ein › Abbildung 3.3); dann Histogramm mit gleichen Klassenbreiten (z sind auch die Höhen der Rechtecke proportional zu den Häufigkeiten. Falls Daten auf eine Klassengrenze fallen, muss gekennzeichnet werden, welcher Klasse diese Daten zugerechnet werden (üblicherweise wählt man die untere Klasse). Die mathematische Funktion, die ein Histogramm beschreibt, bezeichnet man als empirische Dichte. Sie ist definiert als: 0 für x ≤ a0 ° ° hi für ai −1 < x ≤ ai (i = 1,..., k ) f ( x) = ® ° ai − ai −1 °¯0 für x > ak
(3.4)
Dabei sind a i −1 und a i die untere bzw. die obere Grenze der i. Klasse, k ist die Klassenanzahl. Dieses Histogramm besteht aus k Rechtecken der Fläche hi . Die Gesamtfläche hat den Wert 1. • Häufigkeitspolygon. Diese Darstellung erhält man, indem man senkrecht auf die Klassenmitten Strecken in Höhe der entsprechenden Häufigkeiten aufträgt und deren Endpunkte miteinander ver› Abbildung 3.4). bindet (z
45
3
3.2 Häufigkeiten bei stetigen Merkmalen
• Stamm-und-Blatt-Diagramm. Hier werden die Daten zunächst nach ihrer Größe geordnet und dann von unten nach oben aufgetragen. Der Stamm besteht aus den ersten Stellen der Stichproben› Abbildung werte, die Blätter stellen die folgenden Ziffern dar (z 3.5). Diese Darstellung benutzt man, um sich einen schnellen Überblick über die Häufigkeitsverteilung zu verschaffen. Für Präsentationszwecke ist sie weniger geeignet. Eine graphische Darstellung liefert zwar auf einen Blick wesentliche Informationen; sie allein ist jedoch für eine statistische Datenanalyse unzureichend. Kenngrößen, die die oben genannten Eigenschaften quantitativ beschreiben, sind Gegenstand des Kapitels 4.
Abb. 3.3 Histogramm für das Merkmal „Körpergröße“ (Beispiel 3.2), Einteilung in 9 Klassen
Abb. 3.4 Häufigkeitspolygon für das Merkmal „Körpergröße“ (Beispiel 3.2)
Abb. 3.5 Stamm- und Blattdiagramm; Darstellung der Körpergewichte der männlichen Studenten
46
3
Kapitel 3 · Häufigkeiten
Merke Anhand eines Diagramms lassen sich bei quantitativen Merkmalen folgende Eigenschaften ablesen: ŷ Lage: In welchem Bereich konzentrieren sich die Werte? Welches ist der größte, welches der kleinste Wert? Welche Ausprägungen sind häufig, welche selten oder gar nicht vertreten? ŷ Streuung: Streuen die Werte weit um den Mittelwert? Gibt es Ausreißer? ŷ Form: Hat die Verteilung eine besondere Form? Ist sie symmetrisch oder schief? Wie viele Gipfel sind erkennbar?
3.3
Die empirische Verteilungsfunktion
Bei quantitativen oder ordinal skalierten Merkmalen mag es sinnvoll sein, die Häufigkeiten beginnend bei der kleinsten Ausprägung in aufsteigender Reihenfolge aufzuaddieren. Dadurch erhält man die Anzahl der Daten, die eine bestimmte obere Grenze nicht überschreiten. Diese Häufigkeiten nennt man kumulative oder Summenhäufigkeiten. Unter der Annahme, dass die Ausprägungen sortiert sind mit A1 < A2 < ...< Ak , gilt für die absoluten Summenhäufigkeiten: i
N i = ¦ n j (für i = 1,..., k )
(3.5)
j =1
Die relativen Summenhäufigkeiten sind entsprechend definiert als: i
H i = ¦ h j (für i = 1,..., k )
(3.6)
j =1
Die zu den einzelnen Ausprägungen gehörenden relativen Summenhäufigkeiten H i werden durch die empirische Verteilungsfunktion F (x ) mathematisch beschrieben: 0 für x < A1 ° F ( x ) = ® H i für Ai ≤ x < Ai +1 (i = 1,..., k − 1) °1 für x ≥ A ¯ k
(3.7)
3
47 3.3 Die empirische Verteilungsfunktion
Beispiel 3.3 Für die Körpergrößen der Studenten ergeben sich mit den Daten aus Tabelle 2.1 folgende Summenhäufigkeiten, auf denen die empirische Verteilungsfunktion › Abbildung 3.6). Angegeben sind die absoluten und relativen Häufigbasiert (z keiten ni und hi sowie die Summenhäufigkeiten N i und Hi . Ni Ausprägung Körpergröße ni hi Hi A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20 A21 A22 A23 A24 A25 A26 A27
156 157 160 162 163 164 165 166 167 168 169 170 172 173 174 175 176 177 178 179 180 182 185 186 190 193 196
3 2 1 1 2 2 4 1 1 6 2 4 6 3 3 2 3 1 5 3 8 1 1 2 1 2 1
0,04 0,03 0,01 0,01 0,03 0,03 0,06 0,01 0,01 0,08 0,03 0,06 0,08 0,04 0,04 0,03 0,04 0,01 0,07 0,04 0,11 0,01 0,01 0,03 0,01 0,03 0,01
3 5 6 7 9 11 15 16 17 23 25 29 35 38 41 43 46 47 52 55 63 64 65 67 68 70 71
0,04 0,07 0,08 0,10 0,13 0,15 0,21 0,23 0,24 0,32 0,35 0,41 0,49 0,54 0,58 0,61 0,65 0,66 0,73 0,77 0,89 0,90 0,92 0,94 0,96 0,99 1
F (x) gibt die relativen Häufigkeiten an, mit der in der Stichprobe Werte vorhanden sind, die gleich x oder kleiner als x sind. Für das obige Beispiel 3.3 gilt etwa: F (172) = 0,49 . Das bedeutet: Knapp die Hälfte der Studenten ist 172 cm groß oder kleiner; 51 % sind größer als 172 cm.
48
3
Kapitel 3 · Häufigkeiten
Abb. 3.6 empirische Verteilungsfunktion F ( x ) für das Merkmal „Körpergröße“ (Beispiel 3.3)
Die Abbildung 3.6 verdeutlicht wesentliche Eigenschaften der Verteilungsfunktion F (x) :
ŷ F (x) ist eine Treppenfunktion; ŷ F ( x) = 0 für alle x, die kleiner als der kleinste Stichprobenwert x min sind;
ŷ F (x) wächst ab x min monoton von 0 bis 1; ŷ F ( x) = 1 ab dem größten Wert x max . i Eine Funktion heißt monoton wachsend, wenn für zwei x-Werte mit z x1 < x2 gilt: F ( x1 ) ≤ F ( x2 ) . Falls sogar gilt: F ( x1 ) < F ( x2 ) für x1 < x2 , heißt die Funktion streng monoton wachsend. Die empirische Verteilungsfunktion F ( x ) ist demnach monoton, aber nicht streng monoton wachsend.
Bei fein abgestuften Ausprägungen ist die Anzahl der Treppen zahlreich und die Stufen sind entsprechend niedrig; die Treppenfunktion nähert sich einer glatten Kurve. In der Pharmakologie werden Verteilungsfunktionen zur Analyse der dosisabhängigen Wirksamkeit eines Pharmakons verwendet. Dabei beschreibt die empirische Funktion F (x) den relativen Anteil der Untersuchungseinheiten, bei denen ein Effekt der Dosis x erkennbar ist. Die graphische Darstellung von F (x) bezeichnet man als Dosiswirkungskurve. Auch in der Labormedizin arbeitet man häufig mit der Verteilungsfunktion. Wenn etwa für einen Cholesterinwert x gilt F ( x) = 0,98 , informiert diese Angabe darüber, dass dieser Wert im oberen 2%-Bereich liegt.
49
3
3.4 2-dimensionale Häufigkeiten
3.4
2-dimensionale Häufigkeiten
3.4.1
Die Kontingenztafel
Bisher wurde lediglich die Häufigkeitsverteilung eines einzelnen Merkmals betrachtet. Bisweilen ist es interessant, den Zusammenhang zwischen zwei Merkmalen, die an den Beobachtungseinheiten erhoben wurden, näher zu beleuchten. Wenn es sich dabei um zwei qualitative Merkmale handelt, spricht man von Assoziation oder Kontingenz. Wir betrachten im Folgenden zwei diskrete Merkmale mit den Ausprägungen Ai ( i = 1,..., k ) und B j ( j = 1,..., A) . Dann beträgt die Anzahl aller denkbaren Kombinationen k ⋅ A . Die absoluten Häufigkeiten nij bezeichnen die Anzahl der Beobachtungseinheiten, bei denen die Ausprägungen Ai und B j gemeinsam auftreten. Für die relativen Häufigkeiten ergibt sich dann: hij =
nij
mit i = 1,..., k und j = 1,..., A
n
(3.8)
Die hij erstrecken sich zwischen 0 und 1. Wenn man alle Häufigkeiten aufaddiert, erhält man: k
A
¦¦ n
ij
=n
(3.9)
=1
(3.10)
i =1 j =1 k
A
¦¦ h
ij
i =1 j =1
Die Häufigkeiten, die sich nur auf die Ausprägungen Ai oder B j beziehen, sind die so genannten Randhäufigkeiten oder Randsummen. All diese Häufigkeiten lassen sich übersichtlich in einer Tabelle – der so genannten Kontingenztafel – darstellen. Im Kopf und in der Vorspalte sind die Ausprägungen der beiden Merkmale aufgelistet. Im Innern enthält die Tabelle Felder mit den jeweiligen Häufigkeiten. In der letzten Tabellenspalte oder der letzten Zeile können Randsummen eingetragen werden. In Beispiel 3.4 werden zwei Alternativmerkmale betrachtet; daher enthält die Tabelle im Innern nur vier Felder. Diese einfachste Form der Kontingenztafel nennt man auch Vierfeldertafel. Die dazu gehörenden absoluten Häufigkeiten werden üblicherweise mit a, b, c und d bezeichnet. Außer den absoluten Häufigkeiten lassen sich bei
50
Kapitel 3 · Häufigkeiten
Bedarf zusätzlich die relativen Häufigkeiten (die sich auf den gesamten Stichprobenumfang beziehen) sowie die relativen Reihenoder Spaltenhäufigkeiten (die sich auf die Reihen- bzw. Spaltensummen beziehen) angeben.
3
Beispiel 3.4 Für die Merkmale „Rauchen und Geschlecht“ ergeben sich aus den Daten der Tabelle 2.1 folgende Zusammenhänge. Angegeben sind jeweils die absoluten Häufigkeiten nij, die relativen Häufigkeiten hij, die relativen Reihenhäufigkeiten, die relativen Spaltenhäufigkeiten. Raucher
Nichtraucher
a=4 b = 19 (0,06) (0,27) 23 männlich (0,17) (0,83) (0,32) (0,31) (0,33) c=9 d = 39 (0,13) (0,55) 48 weiblich (0,19) (0,81) (0,68) (0,69) (0,67) 13 58 71 (0,18) (0,82) Daraus geht hervor, dass sich die Menge der 71 Studenten aus 13 Rauchern (das sind 18 %) und 58 Nichtrauchern (82 %) bzw. aus 23 Männern (32 %) und 48 Frauen (68 %) zusammensetzt. Die 19 nicht rauchenden Männer stellen 27 % des Gesamtkollektivs dar. 17 % der Männer und 19 % der Frauen rauchen. Die Raucher sind zu 31 % männlich; die Nichtraucher zu 33 %. Für › Abschnitt 3.4.2) ergibt sich OR = (4 ⋅39) /(19 ⋅ 9) = 0,912 . die Odds Ratio (z
3.4.2
Die Beschreibung einer Assoziation
Die Kontingenztafeln enthalten zwar genaue Informationen bezüglich der Häufigkeiten; sie sind jedoch wenig geeignet, um den Grad eines Zusammenhangs zu erfassen. Zu diesem Zweck bedient man sich graphischer Darstellungen und geeigneter Assoziationsmaße. • Balkendiagramm. Die Zusammenhänge zweier qualitativer Merkmale lassen sich mittels eines Balkendiagramms darstellen. Die Längen der Balken repräsentieren die Häufigkeiten der Ausprägungen des ersten Merkmals. Außerdem ist jeder Balken entsprechend
51
3
3.4 2-dimensionale Häufigkeiten
der Häufigkeiten der Ausprägungen des zweiten Merkmals unterteilt › Abbildung 3.7). Eine andere Möglichkeit besteht darin, für jede (z Merkmalskombination einen 3-dimensionalen Balken zu erstellen, der die jeweilige Häufigkeit nij repräsentiert, und die k ⋅ A Balken in › Abbildung 3.8). räumlicher Perspektive anzuordnen (z • Odds Ratio. Dies ist ein Assoziationsmaß, das den Grad eines Zu sammenhangs zwischen zwei Alternativmerkmalen quantifiziert. Es wird gebildet, indem man aus den Häufigkeiten im Innern der Vierfeldertafel das Kreuzprodukt bildet: OR =
ad bc
(3.11)
Diese Maßzahl ist der Quotient aus den beiden „Odds“ a / c und b / d . Ein Odds ist das Verhältnis aus zwei zusammen gehörenden Häufigkeiten. So stellt etwa der Quotient a / c die Anzahl der männlichen Raucher im Verhältnis zu den weiblichen Rauchern dar. Eine Odds Ratio mit dem Wert 1 zeigt, dass kein Zusammenhang zwischen den beiden Merkmalen besteht. Die berechnete Odds Ratio von 0,912 in Beispiel 3.4 lässt vermuten, dass bei den Studenten kein wirklicher Zusammenhang zwischen den Merkmalen „Rauchen“ und „Geschlecht“ nachzuweisen ist. Abb. 3.7 Zusammenhang zwischen Rauchen und Geschlecht, 2-dimensionales Balkendiagramm (Beispiel 3.4)
Abb. 3.8 Zusammenhang zwischen Rauchen und Geschlecht, 3-dimemsionales Balkendiagramm (Beispiel 3.4)
52
Kapitel 3 · Häufigkeiten
• Assoziationskoeffizient nach Yule (George Yule, 1871-1951, war ein Mitarbeiter von Karl Pearson). Dieses Maß wird berechnet nach: Q=
3
ad − bc ad + bc
(3.12)
Q nimmt den Wert 0 an, falls ad = bc (vollkommene Unabhängigkeit). Ansonsten erstreckt sich Q zwischen -1 und +1. In Beispiel 3.4 nimmt Q den Wert -0,046 an. Weitere Assoziationsmaße für qualitative Merkmale sind Gegenstand des Abschnitts 12.2.4. Zusammenhangsmaße für quantitative Merkmale werden in Kapitel 5 erörtert. 3.4.3
Ausblick auf die induktive Statistik
In diesem Kapitel wurden Methoden vorgestellt, die dazu dienen, eine Häufigkeitsverteilung zu quantifizieren und optisch darzustellen. Die Beschreibung einer Stichprobe ist – für sich allein genommen – jedoch unbefriedigend. Bisher wurde die Frage ausgeklammert, inwieweit sich die Ergebnisse verallgemeinern lassen. Bei der Betrachtung des Beispiels 3.4 drängen sich folgende Fragen auf:
ŷ Aus der Vierfeldertafel geht hervor, dass etwa 2/3 aller Medizinstudenten des 1. klinischen Semesters weiblich sind. Kann man daraus schließen (unter der Annahme, dass die beobachtete Stichprobe repräsentativ für die Medizinstudenten des 1. klinischen Semesters in Deutschland ist), dass die Frauen die Mehrheit darstellen? Oder ist dieser Schluss zu gewagt? ŷ 17 % der Männer rauchen, wohingegen dieser Anteil bei den Frauen 19 % beträgt. Kann man daraus schließen, dass Frauen mehr rauchen, oder sind die unterschiedlichen Anteile nur zufällig bedingt und haben ansonsten keine tiefere Bedeutung? Auf derlei Fragen kann die deskriptive Statistik keine befriedigenden Antworten geben. Intuitiv würde man wohl annehmen, dass zum im WS 2006/07 tatsächlich mehr Frauen als Männer Medizin studierten, und dass sich aus dem minimalen Unterschied zwischen den Raucheranteilen bei Männern und Frauen kein Hinweis darauf ergibt, dass die Rauchgewohnheiten vom Geschlecht abhängen. Dabei handelt es sich jedoch nur um Vermutungen, die nicht statistisch abgesichert sind. Zu diesem Zweck bedarf es Methoden der induktiven Statistik. In den Kapiteln 9 bis 12 werden wir auf darauf zurückkommen.
4
Die Beschreibung eines Merkmals 4.1
Die Methoden der univariaten Statistik 55
4.2
Lagemaße 55
4.2.1
Das arithmetische Mittel 55
4.2.2
Der Median 57
4.2.3
Quartile und Quantile 60
4.2.4
Der Modus 62
4.2.5
Minimum und Maximum 63
4.2.6
Das geometrische Mittel 63
4.2.7
Das harmonische Mittel 64
4.3
Streuungsmaße 64
4.3.1
Varianz und Standardabweichung 65
4.3.2
Der Variationskoeffizient 66
4.3.3
Die Spannweite 67
4.3.4
Weitere Streuungsmaße 68
4.4
Formmaße 69
4.4.1
Die Schiefe 69
4.4.2
Die Wölbung 71
4.5
Der Vergleich mehrerer Stichproben 73
4.5.1
Beispiele für Gruppenvergleiche 73
4.5.2
Graphische Darstellungen 74
4.5.3
Anforderungen an die Stichproben 76
4.5.4
Ausblick auf die induktive Statistik 76
55
4
4.1 Die Methoden der univariaten Statistik
4.1
Die Methoden der univariaten Statistik
In diesem Kapitel werden Methoden vorgestellt, mit denen sich die charakteristischen Eigenschaften eines einzelnen Merkmals beschreiben lassen. Die geeigneten Methoden sind abhängig von der Art des jeweiligen Merkmals, insbesondere von dessen Skalenniveau. Zur quantitativen Analyse eines Merkmals bedarf es aussagekräftiger statistischer Kenngrößen (oder Maßzahlen). Man unterscheidet hierbei Lagemaße, Streuungsmaße und Formmaße. Diese werden in den Abschnitten 4.2 bis 4.4 besprochen. Abschließende Bemerkungen zu den Stichproben finden sich in Abschnitt 4.5. i Die Daten einer Stichprobe werden allgemein mit x ,..., x bezeichnet. z 1 n Diese Werte bilden die so genannte Urliste. Die tief gestellten Indizes geben normalerweise die Reihenfolge an, in der die Daten erhoben wurden; sie haben darüber hinaus keine Bedeutung. Die Zahl n symbolisiert den Stichprobenumfang. Die Kenngrößen werden aus den Daten der Stichprobe ermittelt und dienen als Schätzwerte für die entsprechenden Parameter der Grundgesamtheit. Man nennt sie deshalb empirische Größen.
4.2
Lagemaße
Die Lagemaße (auch Lokalisationsmaße genannt) geben an, in welchem Bereich sich die Stichprobenwerte konzentrieren. 4.2.1
Das arithmetische Mittel
Das bekannteste Lagemaß ist der Mittelwert (das arithmetische Mittel oder der Durchschnitt). Er wird mit x (sprich: x quer) bezeichnet und nach folgender Formel berechnet: n
¦ xi x=
i =1
n
(4.1)
Es werden also alle Stichprobenwerte addiert und deren Summe durch den Stichprobenumfang n dividiert (zur Erklärung des ƶ-Zei› Abschnitt 3.1). chens: z
56
Kapitel 4 · Die Beschreibung eines Merkmals
Beispiel 4.1 Von den Merkmalen der Tabelle 2.1 lassen sich Mittelwerte für die Körpergröße, das Körpergewicht und die Anzahl der richtig gelösten Klausuraufgaben berechnen. Für die mittlere Körpergröße erhält man: xm = 181,22 cm (männliche Studenten, n = 23 )
4
xw = 169,06 cm
(weibliche Studenten, n = 48 )
x ges = 173,00 cm
(alle Studenten, n = 71 )
Es fällt auf, dass die weiblichen Studenten im Durchschnitt wesentlich kleiner sind als ihre männlichen Kommilitonen. Ob dieser Unterschied nur zufällig bedingt ist oder ob er ein Hinweis darauf ist, dass weibliche Studenten generell kleiner sind, kann an dieser Stelle nicht beurteilt werden. Die induktive Statistik stellt Methoden zur Verfügung, die eine Entscheidung diesbezüglich › Kapitel 11). gestatten (z
Der Mittelwert hat dieselbe Maßeinheit wie die Daten der Stichprobe. Bei einem kleinen Stichprobenumfang bis n = 10 sollte er mit einer zusätzlichen Kommastelle angegeben werden; bis n = 100 erscheinen zwei und erst ab n = 1000 drei zusätzliche Stellen sinnvoll (auch wenn der Taschenrechner oder der PC wesentlich mehr Kommastellen angeben). Ansonsten täuscht man eine höhere Messgenauigkeit vor als in Wirklichkeit gegeben ist. Der Mittelwert ist sicherlich die bekannteste Kenngröße der deskriptiven Statistik; allerdings wird seine Bedeutung häufig überschätzt. Viele Anwender wissen nicht, dass dessen Berechnung nicht in jedem Fall sinnvoll ist und dass andere Lagemaße existieren, die sich zur Beschreibung einer Häufigkeitsverteilung eventuell besser eignen. Ein Nachteil des Mittelwerts besteht darin, dass er von Ausreißern stark beeinflusst wird und daher bei schiefen Verteilungen › Beispiel 4.3). ein verzerrtes Bild der Verteilung wiedergibt (z Aus der mathematischen Herleitung geht hervor, dass der Mittelwert nur dann berechnet werden darf, wenn die Differenz zwischen zwei Ausprägungen definiert ist. Dies setzt quantitative Merkmale voraus. Ein Mittelwert, der einem ordinalen oder gar einem nominalen Merkmal zugeordnet wird, ist nicht sinnvoll interpretier› Beispiel 4.4). bar (z Ob ein Merkmal annähernd symmetrisch verteilt ist, kann anhand einer geeigneten graphischen Darstellung (z. B. Histogramm) › Abschnitt 4.4.1) beurteilt werden. oder am Wert der Schiefe (z
57
4
4.2 Lagemaße
Merke Der Mittelwert
ŷ ŷ ŷ
darf nur für quantitative Merkmale (nicht für ordinal skalierte) berechnet werden; ist vor allem bei symmetrischen, eingipfeligen Verteilungen sinnvoll; nutzt im Gegensatz zu anderen Lagemaßen alle Informationen der Stichprobenwerte.
Mathematische Herleitung des Mittelwertes Vom Mittelwert x erwartet man, dass er die Lage der Werte xi optimal repräsentiert; d. h. die Abweichungen der x i von x sollten möglichst gering sein. Die Summe aller Abstände ¦ ( xi − x ) zu minimieren ist nicht sinnvoll, da sich positive und negative Abweichungen gegenseitig ausgleichen. Daher berechnet man x so, dass die Summe der Abstandsquadrate ¦ ( xi − x ) 2 minimal wird. Dieses Vorgehen bezeichnet man als die Methode der kleinsten Quadrate. Aus der Analysis ist bekannt, dass eine Funktion im Punkt x ein relatives Minimum hat, wenn gilt: f ' ( x ) = 0 und f ' ' ( x ) > 0 . Man berechnet also für die Funktion n
n
n
i =1
i =1
i =1
f ( x ) = ¦ ( xi − x )2 = ¦ xi 2 − 2 x ¦ xi + n ⋅ x 2
ein x , für das gilt:
n
f '( x ) = −2¦ xi + 2nx = 0 und
f '' ( x ) = 2 n > 0 .
i =1
n
Offensichtlich erfüllt der Wert x = ¦ xi / n diese Voraussetzungen. i =1
Da mit diesem x die Summe der Abstandsquadrate minimiert ist, gilt: n
¦(x i =1
n
i
− x )2 ≤ ¦ ( xi − c )2 für alle reellen Zahlen c. i =1
Diese Ungleichung beschreibt die so genannte Minimumeigenschaft des Mittelwertes.
4.2.2
Der Median
Der empirische Median (oder Zentralwert) teilt die Stichprobenwerte in zwei Hälften: Die eine Hälfte der Daten ist höchstens so groß wie der Median, die andere Hälfte ist mindestens so groß. Um diese Kenngröße, die üblicherweise mit x (sprich: x Schlange) bezeichnet wird, zu ermitteln, sind die Stichprobenwerte der Größe nach zu sortieren. Die geordneten Werte werden mit tief gestellten, in Klammern gesetzten Indizes versehen, sodass gilt:
58
Kapitel 4 · Die Beschreibung eines Merkmals
x(1) ≤ x(2) ≤ ... ≤ x(n )
4
Demnach ist x (1) der kleinste Wert der Stichprobe, also das Minimum (er wird auch als xmin bezeichnet); x (n ) oder x max ist der größte Wert, das Maximum. Die sortierten Stichprobenwerte nennt › Tabelle 4.1). Das dazugehörende Merkmal muss man Rangliste (z mindestens ordinal skaliert sein, da für nominal skalierte Daten keine sinnvolle Reihenfolge angegeben werden kann. Der empirische Median x wird in Abhängigkeit vom Stichprobenumfang n nach folgender Formel ermittelt: x § n +1 · ° ¨© 2 ¸¹ ° ~ x = ®x n + x n § · § · ¨ +1¸ ° ¨© 2 ¸¹ ©2 ¹ ° 2 ¯
für n ungerade
(4.2) für n gerade
Aus (4.2) folgt, dass x entweder ein Wert der Urliste ist (falls n ungerade) oder der Durchschnittswert der beiden mittleren Werte (falls n gerade). Deshalb hat der empirische Median dieselbe Maßeinheit wie die xi -Werte und höchstens eine Stelle mehr nach dem Dezimalkomma. Beispiel 4.2 Nach der Formel (4.2) ergeben sich für die Körpergröße folgende Werte für › Tabelle 4.1): die Mediane (z ~ xm = xm(12) = 180 cm (männliche Studenten, n = 23 ) xw( 24) + xw( 25) ~ xw = = 169,5 cm 2 ~ x ges = x(36) = 173 cm
(weibliche Studenten, n = 48 ) (alle Studenten, n = 71 )
Da bei ordinal skalierten Daten die Berechnung des Mittelwerts nicht statthaft ist, wird stattdessen gerne der Median als Lagemaß benutzt. Ein weiterer Vorteil des Medians liegt darin, dass er gegenüber Ausreißern robust ist. Ausreißer bewirken, dass Mittelwert und Median stark voneinander abweichen – in diesen Fällen ist die Verteilung schief. Wenn Mittelwert und Median in etwa übereinstimmen, ist dies ein Hinweis darauf, dass die Verteilung symmetrisch ist. Ein Vergleich der beiden Lagemaße liefert demnach Hinweise auf die Form der zugrunde liegenden Verteilung.
59
4
4.2 Lagemaße
Beispiel 4.3 Die postoperative Krankenhaus-Aufenthaltsdauer von vier Patienten nach einer Appendektomie betrug 4, 5, 5 und 6 Tage. Bei einem weiteren Patienten traten Komplikationen ein; er blieb 20 Tage im Krankenhaus. Aus diesen 5 Werten ergibt sich eine mittlere Aufenthaltsdauer von 8 Tagen; der Median beträgt dagegen nur 5 Tage. Der Mittelwert wird wesentlich vom Ausreißer bestimmt; er gibt die tatsächlichen Verhältnisse verzerrt wieder. Der Median ist dagegen von diesem Ausreißer weitgehend unbeeinflusst. Beispiel 4.4 Wir betrachten das ordinal skalierte Merkmal „Therapieerfolg“ mit den Ausprägungen 0 (Patient verstorben), 1 (Zustand verschlechtert), 2 (keine Veränderung eingetreten), 3 (Zustand verbessert) und 4 (Patient vollständig geheilt). Wenn jeweils die eine Hälfte der Patienten verstorben und die andere vollständig geheilt ist, besagt der Median ~ x = 2 , dass bei der Hälfte der Patienten keine Veränderung oder ein schlechterer Zustand eingetreten ist, während bei der anderen Hälfte der Zustand unverändert geblieben ist oder sich gebessert hat. Es ist jedoch vollkommen sinnlos, aus den Codierungen einen Mittelwert von 2 zu berechnen und zu behaupten, „keine Veränderung“ sei der Durchschnitt zwischen „tot“ und „vollständig geheilt“.
Bei zensierten Daten (etwa bei Überlebenszeitanalysen) hat der Median den Vorteil, dass er bereits berechnet werden kann, nachdem die Hälfte der Studienteilnehmer verstorben ist. Um einen Mittelwert zu berechen, müsste man den Tod aller Untersuchungseinheiten abwarten. Wenn es sich bei dem Merkmal um die verabreichte Dosis eines Pharmakons handelt, ist der Median die Dosis, die bei der Hälfte der Untersuchungseinheiten einen Effekt erkennen lässt. Mathematische Beschreibung des Medians Der Median x ist der Wert, für den die Summe der Abweichungsbeträge n
¦x
i
i =1
− x minimal ist; d. h.:
n
¦x
i
i =1
n
− x ≤ ¦ xi − c für alle reellen Zahlen c. i =1
Diese Ungleichung beschreibt die Minimumeigenschaft des Medians. Diese Eigenschaft setzt metrisch skalierte Merkmale voraus, da Differenzen bei ordinal skalierten Merkmalen nicht definiert sind. Für die Berechnung des Medians werden jedoch nicht alle Werte benötigt; nur deren Reihenfolge ist maßgebend. Da diese Reihenfolge auch bei einer Ordinalskala definiert ist, ist die Berechnung des Medians auch bei diesen Merkmalen üblich.
60
Kapitel 4 · Die Beschreibung eines Merkmals
Merke Die Angabe des Medians ist sinnvoll
ŷ ŷ ŷ ŷ
4
bei ordinal skalierten Daten; bei quantitativen Merkmalen, die schief verteilt sind; bei Verdacht auf Ausreißer; bei zensierten Daten.
Wenn der Mittelwert und der Median stark voneinander abweichen, sollte dies bei der Präsentation der Ergebnisse und ihrer Interpretation berücksichtigt werden.
4.2.3
Quartile und Quantile
Während der Median die Stichprobe in zwei Hälften einteilt, teilen die Quartile die Stichprobe in vier Viertel. • Unteres oder erstes Quartil Q1 . Dieses besagt, dass 25% der Stichprobenwerte kleiner als oder gleich Q1 sind, während dementsprechend 75% der Werte größer als oder gleich Q1 sind. • Oberes oder drittes Quartil Q3 . Analog gilt, dass 75% der Werte maximal so groß wie Q3 und die Werte des restlichen Viertels mindestens so groß wie Q3 sind. • Mittleres oder zweites Quartil Q2 . Es entspricht dem Median x . Eine weitere Verfeinerung der Häufigkeitsverteilung gestatten die Quantile (oder Fraktile) xα , die für alle reellen Zahlen α mit 0 < α < 1 definiert sind. Ein α-Quantil wird folgendermaßen berechnet: Man ermittelt zunächst den Wert α ⋅ n und davon abhängig eine Rangzahl k und das Quantil xα nach folgenden Formeln:
ŷ Falls α ⋅ n keine ganze Zahl ist, sei k die direkt auf α ⋅ n folgende ganze Zahl und xα = x( k ) ŷ Falls α ⋅ n eine ganze Zahl ist, sei k = α ⋅ n und x( k ) + x( k +1 ) xα = 2
(4.3a) (4.3b)
Spezielle Quantile sind der Median (α = 0,50) sowie die beiden Quartile (α = 0,25 bzw. α = 0,75). Von Dezilen spricht man, falls α = 0,1 , 0,2 ,..., 0,9 ; von Perzentilen bei 2-stelligen Kommazahlen α = 0,01 , ..., 0,99 .
4
61 4.2 Lagemaße
Die Angabe eines Perzentils kann sehr hilfreich sein, um einen Messwert größenmäßig einzuordnen. So werden etwa in der Kinderheilkunde die individuellen Werte eines Kindes bezüglich Größe, Gewicht oder Kopfumfang mit den altersgemäßen 5%- und 95%Perzentilen verglichen, um zu beurteilen, ob es Auffälligkeiten in der Entwicklung gibt. Beispiel 4.5 Wir bestimmen mit Hilfe der Rangliste in Tabelle 4.1 einige Quantile bezüglich der Körpergröße der weiblichen Studenten nach Formel 4.3b ( n = 48 ): 1. Quartil: α ⋅ n = 0,25 ⋅ 48 = 12 ; also k = 12 und Q1 = ( x(12) + x(13) ) / 2 = 165 cm α ⋅ n = 0,75 ⋅ 48 = 36 ; also k = 36 und
3. Quartil:
Q3 = ( x(36) + x(37) ) / 2 = 173,5 cm α ⋅ n = 0,90 ⋅ 48 = 43,2 ; also k = 44 und
9. Dezil:
x0,90 = x(44) = 178 cm
Daraus folgt, dass eine 164 cm große Studentin bezüglich ihrer Körpergröße im unteren Viertel liegt, während eine 180 cm große Dame den oberen 10% angehört.
Tabelle 4.1. Rangliste bezüglich des Merkmals „Körpergröße“ für weibliche Studenten mit Daten aus Tabelle 2.1. Angegeben sind der Rang, die Körpergröße sowie die ID. Rang
Größe
ID
Rang
Größe
ID
Rang
Größe
ID
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
156 156 156 157 157 160 162 163 163 164 164 165 165 165 166 167
28 29 49 40 59 60 62 39 45 24 71 47 68 70 58 25
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
168 168 168 168 168 168 169 169 170 170 170 170 172 172 172 172
30 32 36 43 46 69 35 41 26 33 44 61 31 42 50 65
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
172 173 173 173 174 174 174 175 176 176 178 178 179 180 180 180
67 38 51 53 48 55 56 34 37 52 54 66 27 57 63 64
62
Kapitel 4 · Die Beschreibung eines Merkmals
Merke Der Median, die Quartile und alle sonstigen Quantile lassen sich über die empirische Verteilungsfunktion F (x) beschreiben und graphisch abschätzen. Nach Definition ist nämlich: F (x~α ) = α . Für den Median und › die Quartile gelten also: F ( ~x ) = 0,5 , F (Q1 ) = 0,25 und F (Q3 ) = 0,75 (z Abbildung 3.6). ! In der Literatur werden teilweise etwas andere Berechnungsarten vorgez
4
schlagen, die jedoch ähnliche Werte wie die Formeln (4.3a) und (4.3b) liefern. In jedem Fall ist zu beachten, dass derlei Angaben nur bei einem entsprechend hohen Stichprobenumfang sinnvoll sind.
4.2.4
Der Modus
Der Modus (auch Modalwert oder Dichtemittel genannt) ist die Ausprägung mit der größten Häufigkeit. Er wird mit dem Buchstaben D (oder M) abgekürzt und kann bei allen Skalenniveaus ermittelt werden. Bei Daten, die in Klassen eingeteilt sind, gibt man statt des Modalwertes gerne die modale Klasse an – das ist die Klasse mit der größten Besetzungszahl – und bezeichnet deren Mitte als Modus. Beispiel 4.6 › Beispiel 3.1). Bei der Anzahl Der Modus des Merkmals „Blutgruppe“ ist A (z › Abbildung 3.2). Die richtig gelöster Klausuraufgaben ist der Modus 9 (z modale Klasse bei der Körpergröße der Studenten ist (167,5 cm; 172,5 cm) mit › Beispiel 3.2). Dieser Gipfel ist der Häufigkeit 18 und dem Modus 170 cm (z jedoch nur schwach ausgeprägt. Die Klasse (177,5 cm; 182,5 cm) ist nahezu ebenso stark.
Anhand der graphischen Darstellung ist erkennbar, ob die Verteilung eingipfelig (unimodal), zweigipfelig (bimodal) oder mehrgipfelig (multimodal) ist. Zwei- und mehrgipfelige Verteilungen beobachtet man in der Regel bei heterogenen Populationen, in denen sich mehrere Verteilungen überlappen. So gibt es beispielsweise in der Abbildung 3.4 (Häufigkeitspolygon der Körpergrößen) zwei Gipfel, wobei einer von Männern und einer von Frauen gebildet wird. Uförmige Verteilungen sind durch zwei Modalwerte an ihren Rändern und einem Tiefpunkt in der Mitte charakterisiert. Der Mittelwert einer solchen Verteilung repräsentiert einen atypischen Wert. Ein Beispiel ist das Merkmal „Intensität der Einstellung zu einer alternativen Heilmethode“. Es gibt viele Ablehnende (niedrige Intensität), viele Zustimmende (hohe Intensität), aber wenig Neutrale (mit Werten in der Mitte der Skala).
4
63 4.2 Lagemaße
Merke Modalwerte werden hauptsächlich angegeben: ŷ bei nominalen Merkmalen, da andere Lagemaße bei diesem Skalenniveau nicht zulässig sind; ŷ bei ordinalen und quantitativen Merkmalen, wenn es sich um einen „ausgeprägten Gipfel“ handelt (dies setzt in der Regel einen sehr hohen Stichprobenumfang voraus). ŷ bei einer U-Verteilung. Die Angabe eines Modalwertes ist nicht empfehlenswert: ŷ bei Alternativmerkmalen (etwa Geschlecht oder Rhesusfaktor); ŷ wenn es keinen „ausgeprägten Gipfel“ gibt.
4.2.5
Minimum und Maximum
Dies sind die beiden extremsten Werte eines ordinal oder metrisch skalierten Merkmals. Sie geben einen sehr groben Überblick über die Streuung der Daten. Außerdem sind diese Maße hilfreich, um die Daten auf Plausibilität zu überprüfen: Fehler, die bei der Dateneingabe entstehen (wenn etwa das Dezimalkomma falsch gesetzt wird), werden am ehesten durch einen Blick auf das Minimum und das Maximum offensichtlich. 4.2.6
Das geometrische Mittel
Das geometrische Mittel wird bei relativen Änderungen verwendet, bei denen sich der Unterschied zweier Merkmalswerte sinnvoller durch einen Quotienten als durch eine Differenz beschreiben lässt. Dies ist der Fall bei Verdünnungsreihen (z. B. bei Antikörpertitern in der Immunologie) oder bei Wachstumserscheinungen (z. B. die Zunahme der Unterhaltskosten einer Klinik). Wenn xi die relativen Änderungen bezeichnen (wobei xi > 0 und dimensionslos), berechnet es sich das geometrische Mittel als:
xG = n x1⋅...⋅xn
(4.4)
Beispiel 4.7 Die Titer von fünf Kaninchenseren sind: 1/100, 1/200, 1/400, 1/800 und 1/1000. Dann berechnet man für das geometrische Mittel: xG = 5
1 1 1 1 1 1 ⋅ ⋅ ⋅ ⋅ ≈ 100 200 400 800 1000 364
64
Kapitel 4 · Die Beschreibung eines Merkmals
i Häufig wird das geometrische Mittel herangezogen, wenn die Stichz › Abschnitt 4.4.1). probenwerte rechtsschief verteilt sind (z
4.2.7
4
Das harmonische Mittel
Das harmonische Mittel dient als Lagemaß, wenn die Beobachtungswerte xi Verhältniszahlen (also Quotienten) sind, die sich nur in ihren Nennern unterscheiden. Damit lässt sich etwa eine Durchschnittsgeschwindigkeit oder eine durchschnittliche Dichte berechnen. Es ist definiert als: xH =
n n
1 ¦x i =1 i
(4.5)
Beispiel 4.8 Derselbe Weg s wird einmal mit der Geschwindigkeit v1 = 20 km/h und ein anderes Mal mit v2 = 30 km/h zurückgelegt. Die Geschwindigkeiten sind definiert als Quotienten v1 = s / t1 bzw. v 2 = s / t2 (wobei t1 und t2 die benötigten Zeiten darstellen). Zur Berechnung der Durchschnittsgeschwindigkeit verwendet man das harmonische Mittel nach (4.5): 2 vH = = 24 1 1 + 20 30 i Ein Vorteil des harmonischen Mittels liegt darin, dass auch „unendlich z lange“ Zeiten berücksichtigt werden können. Falls am Ende einer Studie einige Probanden (oder Versuchstiere) noch leben, wird deren Überlebenszeit als unendlich angenommen. Der Kehrwert ist dann 0 und fließt als solcher in die Summe des Nenners ein. Damit kann das harmonische Mittel nach (4.5) berechnet werden.
4.3
Streuungsmaße
Wenn sich zwei Verteilungen hinsichtlich ihrer Lagemaße ähneln, können sie dennoch aufgrund ihrer Streuung sehr unterschiedlich sein. Die Streuungsmaße (oder Dispersionsmaße) geben Auskunft über die Variabilität der Stichprobenwerte.
4
65 4.3 Streuungsmaße
4.3.1
Varianz und Standardabweichung
Bei quantitativen Merkmalen ist der Mittelwert das am häufigsten benutzte Lagemaß. Es liegt deshalb nahe, ein Streuungsmaß zu definieren, das die Abweichungen der Stichprobenwerte vom Mittelwert quantifiziert. Ein solches Maß ist die Varianz – das ist die mittlere quadratische Abweichung der Daten vom Mittelwert. Wenn man nun (wie es nahe liegend erscheint) die Varianz berechnet, indem man die Summe der Abstandsquadrate ( xi − x ) 2 durch n dividiert, erhält man die Varianz der Stichprobe. Allerdings ist diese Stichproben-Varianz im Durchschnitt etwas kleiner als die › Abschnitt 9.2.3) geVarianz der Grundgesamtheit. Es wird später (z zeigt, dass man aus den Messwerten der Stichprobe einen optimalen Schätzwert für die Varianz der Grundgesamtheit erhält, wenn man die empirische Varianz nach folgender Formel ermittelt: n
n
¦ ( xi − x ) 2 ¦ xi2 − nx 2 Var =
i =1
n −1
=
i =1
n −1
(4.6)
Wegen der quadratischen Dimension ist die Varianz schwer zu interpretieren. Um ein Streuungsmaß mit gleicher Dimension wie die der Stichprobendaten zu erhalten, zieht man die Wurzel aus der Varianz und erhält die Standardabweichung: s = Var
(4.7)
Beispiel 4.9 Für die Standardabweichungen des Merkmals „Körpergröße“ berechnet man: sm = 7,12 cm (männliche Studenten, n = 23 ) s w = 6,60 cm
(weibliche Studenten, n = 48 )
s ges = 8,83 cm
(alle Studenten, n = 71 )
Die „gemischte“ Gruppe ist also bzgl. der Körpergröße wesentlich heterogener ist als die beiden Gruppen der männlichen und der weiblichen Studenten.
Die Standardabweichung stellt ein Maß für die Homogenität bzw. Heterogenität der Stichprobe dar. Sie ist wie der Mittelwert nur bei quantitativen Merkmalen sinnvoll. Im Allgemeinen ist diese Maßzahl positiv; nur im Extremfall – wenn alle Werte identisch sind und die Stichprobe vollkommen homogen ist – nimmt sie den Wert 0 an.
66
Kapitel 4 · Die Beschreibung eines Merkmals
Es ist üblich, quantitative, annähernd symmetrisch verteilte Daten durch den Mittelwert und die Standardabweichung in der Form x ± s unter Angabe des Stichprobenumfangs n zu charakterisieren, wie zum Beispiel für die Körpergröße der männlichen Studenten: x ± s = (181,22 ± 7,12) cm ( n = 23 ). Die Standardabweichung erlaubt folgende Abschätzungen:
ŷ Bei Normalverteilungen liegen etwa 2/3 aller Werte zwischen
4
x − s und x + s ; zwischen den Grenzen x − 2s und x + 2 s lie› Tabelle 8.1). gen ungefähr 95% aller Werte (z ŷ Bei symmetrischen, eingipfeligen Verteilungen liegen mindestens 8/9 aller Werte innerhalb der Grenzen x ± 2 s und 95% im › Formel 8.21). Bereich x ± 3s (z ŷ Generell findet man bei allen (also auch bei schiefen) Verteilungen mindestens 3/4 aller Werte im Intervall x ± 2 s und 8/9 in › Formel 8.19). x ± 3s (z Mathematische Herleitung der Varianz Die Idee, anstelle des mittleren Abstandsquadrats einfach den mittleren Abstand der Messwerte vom Mittelwert zu berechnen, erweist sich als unsinnig, da sich positive und negative Abweichungen ausgleichen: n
¦(x
i
i =1
n
− x ) = ¦ xi − nx = nx − nx = 0 i =1
Dies erklärt, weshalb man bei der Berechnung der Varianz die Summe der Abstandsquadrate zugrunde legt. Wenn man im Zähler von (4.6) die einzelnen Terme ausmultipliziert und addiert, erhält man: n
¦(x
i
i =1
n
n
n
n
i =1
i =1
i =1
i =1
− x )2 = ¦ xi 2 − 2 x ¦ xi +nx 2 = ¦ xi2 − 2nx 2 + nx 2 = ¦ xi2 −nx 2
Die Division durch n − 1 ist dadurch begründet, dass nur n − 1 Summanden des Zählers eine Information beinhalten. Wenn nämlich n − 1 Stichprobenwerte und der Mittelwert bekannt sind, lässt sich aus diesen Angaben der noch fehlende Summand ermitteln. Die Zahl f = n − 1 wird auch als die Anzahl der Freiheitsgrade bezeichnet. Das bedeutet: Man hat die „Freiheit“, n − 1 Werte nach Belieben zu verändern und den letzten Wert entsprechend anzupassen, ohne dass sich dabei der Wert der Varianz ändert.
4.3.2
Der Variationskoeffizient
Eine Standardabweichung von 7,12 cm – bezogen auf die Körpergröße von männlichen Studenten mit einem Durchschnittswert von 181,22 cm – wiegt wesentlich weniger als dieselbe Standardabweichung bezogen auf eine Gruppe von Kleinkindern mit einer mittle-
4
67 4.3 Streuungsmaße
ren Größe von 90 cm. Dieser Sachverhalt lässt sich durch den Variationskoeffizienten quantitativ beschreiben: V = s / x (falls x > 0 )
(4.8)
Dieses Maß ist dimensionslos und nur für verhältnisskalierte Merkmale geeignet. Sein Maximum beträgt n . Der relative Variationskoeffizient kann daher nur Werte zwischen 0 und 1 annehmen: Vr =
s/ x n
(4.9)
i Ein relativer Variationskoeffizient bis zu 0,30 ist in den Biowissenschafz ten keine Seltenheit. Wenn er jedoch wesentlich höher ist, ist dies ein Hinweis darauf, dass die Verteilung extrem schief ist, oder dass zwei inhomogene Gruppen gemeinsam untersucht werden. Dies sollte man nach Möglichkeit vermeiden.
Mathematische Herleitung des relativen Variationskoeffizienten Die Varianz ist minimal (d. h. gleich 0), wenn alle Werte der Stichprobe identisch sind. Dann ist auch der relative Variationskoeffizient 0. Die Varianz ist bei gegebenem Mittelwert x maximal, wenn eine Beobachtungseinheit den Wert n ⋅ x annimmt, während die anderen n −1 Werte gleich 0 sind. Für diesen Extremfall berechnet man: 1 ⋅ ( nx − x ) 2 + ( n − 1) ⋅ (0 − x )2 ( n − 1) 2 ⋅ x 2 + ( n − 1) ⋅ x 2 s2 = = = n ⋅ x2 n −1 n −1 Daraus folgt: 0 ≤ V = s / x ≤ n und 0 ≤ Vr ≤ 1 .
4.3.3
Die Spannweite
Das am einfachsten zu berechnende Streuungsmaß ist die Spannweite oder Variationsbreite:
R = xmax − xmin = x( n ) − x(1)
(4.10)
Ebenso wie die Standardabweichung ist die Spannweite nur dann gleich 0, wenn alle Stichprobenwerte identisch sind, und ansonsten positiv. Sie ist wesentlich leichter zu berechnen als die Standardabweichung; allerdings berücksichtigt sie nur die beiden extremsten Werte und ist daher sehr stark von Ausreißern beeinflusst. Deshalb wird diese Maßzahl hauptsächlich bei diskreten Merkmalen mit wenigen Ausprägungen verwendet.
68
Kapitel 4 · Die Beschreibung eines Merkmals
i Die Spannweite ist streng genommen nur für quantitative Merkmale z geeignet, da bei niedrigeren Skalenniveaus Differenzen nicht sinnvoll sind. Vielfach wird R jedoch auch bei ordinal skalierten Merkmalen berechnet. Dies ist dann zu vertreten, wenn die Ausprägungen mit natürlichen, aufeinander folgenden Zahlen codiert sind. Die Spannweite ist in diesem Fall nicht als Differenz, sondern als die Anzahl der Abstufungen zwischen dem größten und dem kleinsten Wert zu verstehen.
4
4.3.4
Weitere Streuungsmaße
• Dezilabstand. Ein Streuungsmaß, das weniger empfindlich ist als die Spannweite, erhält man, wenn man an beiden Rändern der Verteilung jeweils 10 % abschneidet und die Länge dieses so genannten Interdezilbereichs berechnet: I80 = x0,90 − x0,10
(4.11)
• Quartilsabstand. Dies ist die Länge des Interquartilsbereichs Q1 ,Q3 , der die mittleren 50 % der Stichprobenwerte enthält: I50 = Q3 − Q1 = x0,75 − x0,25
(4.12)
Beispiel 4.10 Für das Merkmal „Körpergröße“ (Daten aus Tabelle 2.1) berechnet man: I 50, m = 186 cm − 178 cm = 8 cm (männliche Studenten, n = 23 ) I 50, w = 173,5 cm − 165 cm = 8,5 cm
(weibliche Studenten, n = 48 )
I 50 ges = 179 cm − 168 cm = 11 cm
(alle Studenten, n = 71 )
Auch diese Zahlen zeigen, dass die Gruppe aller Studenten heterogener ist als die beiden anderen, geschlechtshomogenen Gruppen.
• Mittlere Abweichung vom Median. Auch dieses Streuungsmaß wird – zusammen mit dem Median als Lagemaß – gelegentlich bei ordinal skalierten oder schief verteilten Daten verwendet: n
¦ x − x i
MAx =
i =1
n
(4.13)
• Variation Ratio. Schließlich gibt es sogar ein Streuungsmaß für nominal skalierte Merkmale: die Variation Ratio VR (ein deutscher Begriff hat sich dafür noch nicht eingebürgert). Es handelt sich dabei
4
69 4.4 Formmaße
um die relative Häufigkeit der Beobachtungen, die nicht in die modale Kategorie fallen: VR = 1 − hmodal
(4.14)
(wobei hmodal die relative Häufigkeit des Modalwertes ist). VR nimmt den Wert 0 an, falls alle Beobachtungen identisch sind; ansonsten liegt VR zwischen 0 und 1. Je größer die Anzahl der Merkmalsausprägungen und je weniger sich die Häufigkeiten der einzelnen Kategorien unterscheiden, desto näher liegt VR an 1. Beispiel 4.11 Aus Beispiel 3.1 geht hervor, dass die Blutgruppe A mit 44 % relativer Häufigkeit der Modus ist. Demnach ist VR = 0,56 .
Merke Lagemaße und Streuungsmaße müssen zusammen passen wie z. B.: ŷ Mittelwert und Standardabweichung bei symmetrisch verteilten Daten ŷ Median und Quartilsabstand (Dezilabstand oder mittlere Abw. vom Median) bei schief verteilten Daten oder Verdacht auf Ausreißer ŷ Modus und Spannweite bei diskreten Merkmalen mit wenigen Ausprägungen ŷ Modus und Variation Ratio bei nominal skalierten Merkmalen
4.4
Formmaße
Einige statistische Methoden setzen eine bestimmte Verteilungsform › Abschnitt 8.2) voraus. Einen ersten Ein(z. B. Normalverteilung, z druck diesbezüglich liefern die graphischen Darstellungen. Sie lassen erkennen, ob eine Verteilung einen oder mehrere Gipfel hat, ob sie symmetrisch ist und ob sie stark oder eher schwach gewölbt ist. Die dritte Art der Kenngrößen – die Formmaße – dient dazu, die Verteilungsform quantitativ zu beschreiben. 4.4.1
Die Schiefe
Die Schiefe ist ein Formmaß, das die Symmetrie bzw. Asymmetrie einer Verteilung kennzeichnet. Sie ist definiert als:
70
Kapitel 4 · Die Beschreibung eines Merkmals
g1 =
4
1 ⋅ n
n
¦ (x − x)
3
i
i =1
s3
(4.15)
Die Schiefe ist dimensionslos und kann sowohl positive als auch negative Werte annehmen. Große Abweichungen der Werte vom Mittelwert werden der 3. Potenz wegen stark betont; kleinere Abweichungen fallen dagegen kaum ins Gewicht. Falls sich positive und negative Abweichungen ausgleichen, ergibt sich für die Schiefe der Wert 0. Die Verteilung ist dann symmet› Abbildung 4.1a). Das bekannteste risch bezüglich des Mittelwerts (z Beispiel einer symmetrischen Verteilung ist wohl die Normalverteilung. Einige, aber bei weitem nicht alle Merkmale in der Medizin sind annährend normalverteilt – etwa die Körpergröße erwachsener Männer oder erwachsener Frauen. Die eigentliche Bedeutung dieser Verteilung werden wir in Kapitel 8 kennen lernen. Viele medizinisch relevante Merkmale sind rechtsschief (linksgipfelig oder linkssteil) verteilt (z. B. das Körpergewicht erwachsener Männer). Die Dichtefunktion hat einen Gipfel an der linken Seite › Abbildung 4.1b). Linksschiefe und einen langen Ausläufer rechts (z › Abbildung 4.1c) (rechtsgipfelige oder rechtssteile) Verteilungen (z findet man in den Biowissenschaften eher selten; ein Beispiel ist die Tragezeit bei Säugetieren. Diese Verteilungen haben einen Gipfel am rechten Rand. Für eingipfelige Verteilungen gilt: ŷ Bei symmetrischen Verteilungen ist g1 = 0 und x = ~x = D , ŷ bei rechtsschiefen Verteilungen ist g1 > 0 und x > x > D , ŷ bei linksschiefen Verteilungen ist g1 < 0 und x < x < D . Wesentlich einfachere, dafür etwas grobere Abschätzungen für die Schiefe unimodaler Verteilungen lassen sich nach den Formeln von Pearson ermitteln: g1 ≈
3 ⋅ ( x − x ) s
(4.16a)
g1 ≈
x−D s
(4.16b)
Auf eine schiefe Verteilung kann nur dann geschlossen werden, wenn das empirisch ermittelte g1 stark von 0 abweicht und der Stichprobenumfang hinreichend groß ist. Kleinere Abweichungen
4
71 4.4 Formmaße
von 0 können zufallsbedingt sein und sind insofern kein Hinweis auf eine schiefe Verteilung der Grundgesamtheit. Um eine „echte“ Schiefe einigermaßen sinnvoll abschätzen zu können, sollte ein Stichprobenumfang von mindestens n ≥ 100 vorliegen. 4.4.2
Die Wölbung
Die Wölbung (auch Kurtosis oder Exzess genannt) beschreibt die Massenanhäufungen an den Enden bzw. um den Mittelwert der Verteilung. Sie ist definiert als:
g2 =
1 n ⋅ ¦ ( xi − x ) 4 n i =1 s4
−3
(4.17)
Für symmetrische, eingipfelige Verteilungen gilt:
ŷ Falls g2 = 0 , sind die Daten normalverteilt. ŷ Falls g2 > 0 , ist die Verteilung schmaler und steilgipfeliger als
die Glockenkurve der Normalverteilung mit gleicher Standardabweichung, das Maximum ist größer (positiver Exzess, starke Wölbung). Die Werte häufen sich in der Umgebung des Mittel› Abbildung 4.1d). werts und an den Ausläufern (z ŷ Falls g2 < 0 , ist die Verteilung flacher als die Glockenkurve der Normalverteilung, und das Maximum ist kleiner (negativer Exzess, schwache Wölbung). Eine solche Verteilung hat „ausge› Abbildung 4.1e). prägte Schulterpartien“ (z Beispiel 4.12 Für die Körpergröße der weiblichen Studenten ergibt sich g1 = −0,337 . Dieser Wert weicht nur geringfügig von 0 ab; man darf deshalb annehmen, dass dieses Merkmal annähernd symmetrisch verteilt ist. Ein Vergleich der Lagemaße xw = 169,1 cm und ~ xw = 169,5 cm bestätigt dies. Der Wert der Kurtosis beträgt g 2 = −0,416 . Dieser Wert nahe bei 0 ist ein Hinweis darauf, dass dieses Merkmal nicht nur symmetrisch, sondern annähernd normalverteilt ist.
Auch bei der Kurtosis ist zu beachten: Nur größere Abweichungen von 0 lassen den Schluss zu, dass die Daten nicht normalverteilt sind. Kleinere Abweichungen sind in der Regel zufallsbedingt und haben keine tiefere Bedeutung, insbesondere bei nicht allzu großen Stichproben.
72
Kapitel 4 · Die Beschreibung eines Merkmals
Abb. 4.1 a-e: empirische Verteilungen mit unterschiedlicher Schiefe und unterschiedlicher Wölbung
4 a. symmetrische Verteilung (Schiefe=0)
b. rechtsschiefe Verteilung (Schiefe>0)
c. linksschiefe Verteilung (Schiefe<0)
d. symmetrische Verteilung (Wölbung>0)
e. symmetrische Verteilung (Wölbung<0)
4
73 4.5 Der Vergleich mehrerer Stichproben
Übersicht 2: Univariate Datenbeschreibung – geeignete Maßzahlen und graphische Darstellungen Skala
Lagemaße
Streuungsmaße
Formmaße
graphische Darstellungen
Nominalskala
Modus
Variation Ratio
--
Kreisdiagr. Rechteckdiagr. Balkendiagr.
Ordinalskala
Modus Median Quartile Quantile
Variation Ratio Spannweite Quartilsabstand Interdezilabstand
--
Rechteckdiagr. Balkendiagr.
Intervallskala
Modus Median Quartile Quantile Mittelwert
Spannweite Quartilsabstand Interdezilabstand Standardabw.
Schiefe
Verhältnisskala
diskrete Daten: Balkendiagr. symmetrische Punktediagr. Verteilungen: Wölbung
Spannweite Quartilsabstand Interdezilabstand Standardabw. Variationskoeff.
4.5
Der Vergleich mehrerer Stichproben
4.5.1
Beispiele für Gruppenvergleiche
stetige Daten: Histogramm, Häufigkeitspolygon, Stamm-undBlatt-Diagr.
In diesem Kapitel wurden zahlreiche Methoden vorgestellt, mit denen sich die charakteristischen Eigenschaften eines einzelnen Merkmals graphisch darstellen und numerisch beschreiben lassen. Oft ist es erforderlich, zwei oder mehrere Stichproben zu untersuchen und diese miteinander zu vergleichen. Das Ziel der statistischen Analyse besteht in der Regel darin, einen Unterschied zwischen diesen Gruppen nachzuweisen. In der medizinischen Forschung finden sich dafür vielfältige Anwendungsmöglichkeiten, wie die folgenden Beispiele zeigen:
74
Kapitel 4 · Die Beschreibung eines Merkmals
ŷ Mehrere Therapieformen (z. B. eine neue Therapie und eine
4
› klinischStandardtherapie) werden miteinander verglichen (z kontrollierte Studie, Abschnitt 16.1); ŷ eine Gruppe von erkrankten Patienten wird zur Klärung eines ätiologischen Faktors einer Gruppe von gesunden Personen ge› Fall-Kontroll-Studie, Abschnitt 14.3); genübergestellt (z ŷ Personen, die einem bestimmten Risiko ausgesetzt sind, und Personen, die diesem Risiko nicht ausgesetzt sind, werden eine › Kohortenstudie, Abschnitt Zeitlang gemeinsam beobachtet (z 14.4). 4.5.2
Graphische Darstellungen
Auch bei diesen Fragestellungen liefern graphische Darstellungen erste Hinweise: Unterschiede bezüglich der Häufigkeitsverteilung eines bestimmten Merkmals erkennt man daran, dass man für jede Stichprobe ein Diagramm anfertigt und diese gemeinsam betrachtet. Bei quantitativen Merkmalen eignen sich die so genannten Box-andWhiskers-Plots besonders gut. Dabei wird jede Stichprobe durch eine rechteckige Box repräsentiert, die unten und oben (bzw. links und rechts) vom 1. und 3. Quartil begrenzt wird. Innerhalb der Box wird der Median gekennzeichnet; der Mittelwert kann ebenfalls eingezeichnet werden (er muss nicht notwendigerweise in der Box liegen). Die von der Box ausgehenden Striche („whiskers“ ist die englische Bezeichnung für Schnurrhaare) zeigen die Lage des Mi› nimums und des Maximums der jeweiligen Stichprobe an (z Abbildung 4.2). Die Plots liefern Hinweise zu Lagemaßen (Mittelwerte, Mediane, Quartile, Maxima und Minima) und Streuungsmaßen (Spannweite, Quartilsabstand). Sie enthalten sogar Informationen bezüglich der Schiefe: Je weiter der Mittelwert und der Median voneinander entfernt sind, desto schiefer ist die Verteilung. Als Darstellung eignet sich ferner ein abgewandeltes Säulendiagramm, bei dem die Höhe einer Säule dem jeweiligen Mittelwert entspricht. Dabei kann die Standardabweichung als senkrechter Strich auf eine Säule gesetzt › Abbildungen 4.3a und 4.3b). werden (z i Die Striche bei einem Box-and-Whisker-Plot können sich auch zwischen z dem 10%- und dem 90%-Perzentil oder dem 1%- und dem 99%-Perzentil erstrecken. Damit vermeidet man, dass die Whiskers wegen eines Ausreißers extrem in die Länge gezogen werden.
75 4.5 Der Vergleich mehrerer Stichproben
Abb. 4.2 Box-and-Whisker-Plots bezüglich des Merkmals „Körpergröße“ (Daten aus Tabelle 2.1)
Abb. 4.3a Körpergrößen männlicher und weiblicher Studenten. Die y-Achse beginnt bei 0. Diese Darstellung vermittelt den Eindruck, der Unterschied zwischen den beiden Gruppen sei sehr gering.
Abb. 4.3b Die y-Achse beginnt bei 160. Der Unterschied tritt wesentlich deutlicher hervor als in Abbildung 4.3a.
Merke Eine graphische Darstellung sollte informieren und nicht manipulieren! Es gibt zahlreiche Tricks, harmlose Effekte durch geschickte Graphiken zu dramatisieren. Wertvolle Hinweise dazu finden sich in [3]. An dieser Stelle sei lediglich erwähnt, dass der Wertebereich der Achsen dabei eine › Abbildungen 4.3a und 4.3b). Es ist in jedem Fall wichtige Rolle spielt (z wichtig, sich als Leser nicht nur von Graphiken beeindrucken zu lassen, sondern zusätzlich einen Blick auf die Daten zu werfen.
4
76 4.5.3
4
Kapitel 4 · Die Beschreibung eines Merkmals
Anforderungen an die Stichproben
Die Häufigkeiten und die empirischen Kenngrößen haben eine doppelte Funktion. Einerseits beschreiben sie die Charakteristika der Stichprobe; darüber hinaus dienen sie als Schätzwerte für die entsprechenden Parameter der Grundgesamtheit. Man kann freilich nicht erwarten, dass die Kenngrößen der Stichprobe und die der Grundgesamtheit identisch sind, oder dass die empirisch ermittelte Verteilungsfunktion mit der Verteilungsfunktion der Grundgesamtheit exakt übereinstimmt. Man ist jedoch in jedem Fall daran interessiert, dass die Kenngrößen der Stichproben in brauchbarer Weise die Eigenschaften der Grundgesamtheit beschreiben. Dazu muss die Stichprobe zwei Bedingungen erfüllen:
ŷ Sie muss repräsentativ für die jeweilige Grundgesamtheit sein, ŷ und der Stichprobenumfang muss hinreichend groß sein. Bei einer sehr kleinen Stichprobe kann es vorkommen, dass einem der Zufall einen Streich spielt und die empirischen Kenngrößen wesentlich beeinflusst, sodass die Eigenschaften der Grundgesamtheit verzerrt wiedergegeben werden. Dies kann bei einer größeren Stichprobe nicht so leicht passieren; Ausreißer werden eher ausgeglichen. Daher leuchtet ein, dass eine große Stichprobe bessere Schätzungen ermöglicht als eine kleine. Andererseits bereitet eine umfangreiche Stichprobe in der Medizin oft erhebliche Probleme. Deshalb sollte der Stichprobenumfang nicht größer sein als nötig. Die optimale Stichprobengröße muss daher vor der Datenerhebung festgelegt werden. Sie hängt von zahlreichen Faktoren ab, u. a. von den Skalenniveaus der Merkmale, den Kenngrößen, die geschätzt werden sollen und der erforderlichen Genauigkeit der Schätzung. 4.5.4
Ausblick auf die induktive Statistik
Ein Vergleich zwischen mehreren Stichproben wird nach folgendem Prinzip durchgeführt: Zunächst werden geeignete Kenngrößen, die den interessierenden Effekt beschreiben (etwa relative Häufigkeiten, Mittelwerte und Standardabweichungen), für jede Stichprobe getrennt berechnet. Diese Kenngrößen und geeignete graphische Darstellungen ermöglichen einen direkten Vergleich. Dies ist allerdings nicht ausreichend, um einen Unterschied statistisch abzusichern. In einem zweiten Schritt wird deshalb mittels eines statistischen Tests überprüft, ob die Unterschiede nur zufällig bedingt oder ob sie „signifikant“ sind. In den Kapiteln 10 bis 12 wird ausführlich auf dieses Thema eingegangen.
5
Die Beschreibung eines Zusammenhangs 5.1
Die Methoden der bivariaten Statistik 79
5.2
Die Korrelationsanalyse 80
5.2.1
Die Punktwolke 80
5.2.2
Die Voraussetzungen der Korrelationsanalyse 82
5.2.3
Die Kovarianz 82
5.2.4
Der Korrelationskoeffizient nach Pearson 84
5.2.5
Interpretation eines Korrelationskoeffizienten 85
5.3
Die Regressionsanalyse 88
5.3.1
Herleitung der Regressionsgeraden 88
5.3.2
Regression 1. Art und 2. Art 91
5.3.3
Das Bestimmtheitsmaß 92
5.3.4
Nicht-lineare Regression 94
5.4
Weitere Techniken 94
5.4.1
Der Korrelationskoeffizient nach Spearman 94
5.4.2
Der Zusammenhang zwischen einem quantitativen und einem Alternativmerkmal 97
5.4.3
Der Zusammenhang zwischen qualitativen Merkmalen 98
5.4.4
Ausblick auf die induktive Statistik 98
79
5
5.1 Die Methoden der bivariaten Statistik
5.1
Die Methoden der bivariaten Statistik
Bei den meisten medizinischen Studien werden mehrere Merkmale erfasst. In diesen Fällen ist es interessant und sinnvoll, nicht nur einzelne Merkmale zu beschreiben, sondern darüber hinaus auch deren Zusammenhang zu untersuchen. Aus Erfahrung oder aufgrund theoretischer Überlegungen ist oft bekannt, ob ein solcher Zusammenhang besteht. So weiß man beispielsweise, dass das Körpergewicht eines Menschen von dessen Größe mitbestimmt wird; das Auftreten bestimmter Krankheiten ist im Allgemeinen abhängig von diversen Risikofaktoren, viele auch vom Geschlecht der Patienten. Manche Zusammenhänge sind besonders stark ausgeprägt (z. B. zwischen dem Geschlecht einer Person und der Erkrankung an Hämophilie), andere dagegen eher schwach (z. B. zwischen der Körpergröße und dem Gewicht). Aus der Mathematik und der Physik sind Zusammenhänge zwischen zwei oder mehreren Größen hinlänglich bekannt. So besteht beispielsweise zwischen dem Umfang U und dem Radius r eines Kreises die lineare Beziehung U = 2π ⋅ r ; der Weg s, den ein aus dem Ruhezustand frei nach unten fallender Körper nach der Zeit t zurückgelegt hat, lässt sich ausdrücken durch s = 1 / 2 ⋅ gt 2 (wobei die Konstante g = 9,81 m / sec2 die Erdbeschleunigung bezeichnet). Diese Art von Zusammenhängen nennt man funktional: Eine Größe kann aus einer anderen mittels einer mathematischen Gleichung exakt berechnet werden. Die Zusammenhänge in der Medizin sind stochastisch, weil dabei bekanntlich auch der Zufall eine Rolle spielt. Es ist deshalb nicht möglich, exakte Aussagen oder Vorhersagen zu treffen. Man kann jedoch angeben, welche Werte – bei bekannter Ausprägung des einen Merkmals – das andere Merkmal mit größerer oder kleinerer Wahrscheinlichkeit annehmen wird. Wenn beispielsweise ein gesicherter Zusammenhang zwischen der Dosis eines Medikaments und dessen Wirkung besteht und die Art dieses Zusammenhangs bekannt ist, kann man aufgrund der Dosis einen Effekt abschätzen, ehe dieser eingetreten ist. Wenn man von einem Patienten weiß, dass mehrere Risikofaktoren vorliegen, die das Auftreten eines Herzinfarkts begünstigen, wird man eher auf entsprechende Symptome achten als bei Patienten, bei denen diese Risikofaktoren nicht vorhanden sind. So erlaubt die Kenntnis über einen Zusammenhang, bereits im Vorfeld geeignete Maßnahmen zu treffen und geschickt zu intervenieren.
80
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Die Aufgaben der bivariaten Statistik bestehen darin, den Zusammenhang zwischen zwei Merkmalen aufzuzeigen und zu beschreiben. Welche Methoden im Einzelfall geeignet sind, hängt von den Skalenniveaus der beiden Merkmale ab:
ŷ Der Zusammenhang zwischen zwei quantitativen Merkmalen wird mit Methoden der Korrelationsanalyse und der Regressi› Abschnitte 5.2 und 5.3). onsanalyse untersucht (z ŷ In Abschnitt 5.4 werden Techniken vorgestellt, die sich eignen, wenn nicht beide Merkmale quantitativ sind.
5
5.2
Die Korrelationsanalyse
5.2.1
Die Punktwolke
Um einen Zusammenhang zwischen zwei quantitativen Merkmalen zu untersuchen, sollte man – um einen ersten Überblick zu erhalten – eine graphische Darstellung anfertigen. Es bietet sich an, jeder Beobachtungseinheit ein Wertepaar ( xi , yi ) zuzuordnen und diese Punkte in ein rechtwinkeliges Koordinatensystem einzutragen. Auf diese Weise erhält man eine Punktwolke (oder Punkteschar). Es hängt weitgehend von sachlogischen Überlegungen ab, welches Merkmal mit x und welches mit y bezeichnet wird. Wie bei mathematischen Gleichungen üblich, sollte x das unabhängige und y das abhängige Merkmal sein. Wenn eine Entscheidung diesbezüglich nicht möglich ist, dienen die Buchstaben x und y lediglich zur Unterscheidung der beiden Merkmale. Beispiel 5.1 Wir untersuchen den Zusammenhang zwischen Körpergröße und Gewicht von 48 weiblichen Medizinstudenten anhand der Daten in Tabelle 2.1. Leider hat eine Studentin ihr Gewicht nicht angegeben, sodass nur 47 Wertepaare verfügbar sind. Es erscheint sinnvoll, die Körpergröße als das unabhängige und das Gewicht als das abhängige Merkmal aufzufassen. Das Körpergewicht kann nämlich in gewisser Weise beeinflusst werden, während die Körpergröße bei jungen Erwachsenen quasi konstant ist. Somit repräsentieren die Werte x i die Körpergröße der Studentinnen und die Werte yi deren Gewicht.
81
5
5.2 Die Korrelationsanalyse
Abb. 5.1 Punktwolke resultierend aus den Daten der Merkmale Körpergröße und Körpergewicht von 47 weiblichen Studenten (Beispiele 5.1 und 5.2)
Anhand der Punktwolke sind zwei charakteristische Eigenschaften eines Zusammenhangs auf einen Blick erkennbar:
ŷ Die Stärke des Zusammenhangs. Je dichter die Punkte beieinander liegen, desto stärker ist der Zusammenhang. Die Punktwolke in Abbildung 5.1 macht deutlich, dass ein Zusammenhang zwischen Größe und Gewicht zwar besteht, dass dieser jedoch von anderen Faktoren überlagert wird. ŷ Die Art des Zusammenhangs. Die Art wird durch eine mathematische Funktion angegeben, die den Zusammenhang optimal beschreibt. Es ist Aufgabe der Regressionsanalyse, diese Funktion zu finden. Vorausgesetzt werden metrische Skalenniveaus bei beiden Merkmalen. Wenn – wie in unserem Beispiel – der Zusammenhang durch eine Gerade charakterisiert werden kann, spricht man von einem linearen Zusammenhang; dieser wird › Abschnitt 5.3). durch eine Regressionsgerade beschrieben (z Die positive Steigung der Regressionsgeraden besagt, dass zwischen Körpergröße und Körpergewicht ein gleichsinniger Zusammenhang besteht – das heißt, große Studentinnen haben tendenziell ein höheres Gewicht, während kleine Studentinnen eher weniger wiegen. Auch der Zusammenhang zwischen Pulsfrequenz und Körpertemperatur ist gleichsinnig. Ein Beispiel für einen gegensinnigen Zusammenhang findet sich in der Anwendung volatiler Anästhetika. Je höher die inspiratorische Konzentration des Anästhetikums (z. B. Isofluran) gewählt wird, desto niedriger wird der arterielle Blutdruck (und umgekehrt).
82 5.2.2
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Die Voraussetzungen der Korrelationsanalyse
Mittels der Korrelationsanalyse wird der Korrelationskoeffizient nach Pearson berechnet, der geeignet ist, die Stärke eines Zu› Abschnitt 5.2.4). Meist schließt sammenhangs zu quantifizieren (z › Absich daran die Berechnung einer Regressionsgeraden an (z schnitt 5.3). Zunächst sollte jedoch überprüft werden, ob die Voraussetzungen für diese Methoden erfüllt sind. Es muss gelten:
ŷ Beide Merkmale x und y sind quantitativ. ŷ Der Zusammenhang ist annähernd linear. ŷ Die Beobachtungseinheiten sind unabhängig voneinander.
5
Ob der Zusammenhang als linear angesehen werden kann, sollte vorab durch sachlogische Überlegungen geklärt werden. Hilfreich › Abzur Beurteilung dieser Frage ist außerdem die Punktwolke (z schnitt 5.2.1). Sie muss so geartet sein, dass sich mittendurch eine Gerade legen lässt, um die die Punkte ellipsenförmig liegen. Die Unabhängigkeit der Beobachtungseinheiten kann ebenfalls durch logische Überlegungen überprüft werden. Bei Abhängigkeit der Merkmalspaare könnte ein stärkerer Zusammenhang als tatsächlich vorhanden vorgetäuscht werden. In unserem Beispiel ist diese Voraussetzung erfüllt. Die Daten wären jedoch nicht unabhängig, wenn sich unter den Studenten Geschwister befänden oder wenn die Daten einzelner Studenten mehrfach erfasst worden wären. Wenn die empirischen Maßzahlen der Stichprobe als Schätzer für die entsprechenden Parameter der Grundgesamtheit dienen, müssen weitere Voraussetzungen überprüft werden. Dazu sollten die › Abschnitte 9.3.4 beiden Merkmale bivariat normalverteilt sein (z und 11.1.6). 5.2.3
Die Kovarianz
Der Korrelationskoeffizient und die Parameter der Regressionsgeraden bauen auf der so genannten Kovarianz auf. Sie wird mit sxy bezeichnet und – basierend auf den Mittelwerten x und y – folgendermaßen berechnet: n
n
¦ ( xi − x ) ⋅ ( yi − y )
s xy =
i =1
n −1
¦ xi y i − n ⋅ x ⋅ y
=
i =1
n −1
(5.1)
83
5
5.2 Die Korrelationsanalyse
Die Formel (5.1) ähnelt der Formel (4.6), mit der die Varianz eines Merkmals berechnet wird. Während die Varianz das durchschnittliche Abweichungsquadrat ( xi − x )2 quantifiziert, erfasst die Kovarianz das durchschnittliche Produkt der Abweichungen ( xi − x ) und ( yi − y ) . Die Division durch n − 1 gewährleistet, dass man – analog zur Varianz – einen optimalen Schätzwert für die Kovarianz der Grundgesamtheit erhält. Die Kovarianz ist ein Maß für das „Miteinander-Variieren“ zweier quantitativer Merkmale. Sie kann sowohl positive als auch negative Werte annehmen: • Eine positive Kovarianz sxy > 0 impliziert einen gleichsinnigen Zu sammenhang. Wenn beide Messwerte einer Beobachtungseinheit größer oder beide kleiner sind als der jeweilige Mittelwert, haben die Terme ( xi − x ) und ( yi − y ) dasselbe Vorzeichen, sodass deren › Abbildung 5.2a). Produkt positiv ist (z • Eine negative Kovarianz sxy < 0 ergibt sich, wenn sich die beiden Merkmale gegensinnig verhalten. Dann haben die Abweichungen ( xi − x ) und ( yi − y ) unterschiedliche Vorzeichen, sodass deren Pro› Abbildung 5.2b). dukt negativ ist (z • Eine Kovarianz nahe bei 0 signalisiert, dass nahe beieinander lie gende x-Werte sowohl mit positiven als auch mit negativen Abweichungen ( yi − y ) korrelieren, sodass sich die Produkte ( xi − x ) ⋅ ( yi − y ) ausgleichen und in ihrer Summe einen Wert nahe › Abbildung 5.2c). Falls sxy ≈ 0 , bedeutet dies jebei 0 annehmen (z doch keineswegs, dass generell kein Zusammenhang besteht. Dies zeigt lediglich, dass kein linearer Zusammenhang nachzuweisen ist.
Abb. 5.2a gleichsinniger Abb. 5.2b gegensinniger Zusammenhang, Zusammenhang, posinegative Kovarianz tive Kovarianz
Abb. 5.2c kein linearer Zusammenhang, Kovarianz ≈ 0
84
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Die Einheit der Kovarianz ist das Produkt der Einheiten der beiden zugrunde liegenden Merkmale. Sowohl der Zahlenwert als auch die Einheit der Kovarianz sind abhängig von deren Maßstäben (die mitunter recht willkürlich gewählt sind) und deshalb schwer zu interpretieren. Die Kovarianz ist – für sich allein betrachtet – wenig informativ zur Beurteilung der Frage, ob ein Zusammenhang besonders eng oder eher lose ist. Sie informiert lediglich anhand des Vorzeichens darüber, ob der Zusammenhang gleichsinnig oder gegensinnig ist.
5
5.2.4
Der Korrelationskoeffizient nach Pearson
Der Pearson’sche Korrelationskoeffizient (auch Produkt-MomentKorrelationskoeffizient genannt) stellt ein normiertes Maß zur Quantifizierung eines linearen Zusammenhangs dar. Man erhält diesen Koeffizienten, indem man die Kovarianz s xy durch die beiden Standardabweichungen sx und s y dividiert: r=
s xy sx ⋅ s y
(5.2)
Der Korrelationskoeffizient kann nur Werte zwischen -1 und +1 annehmen; er ist dimensionslos. Der Buchstabe r weist darauf hin, dass die Korrelations- und die Regressionsanalyse eng miteinander verbunden sind. Das Vorzeichen von r ist identisch mit dem Vorzeichen der Kovarianz sxy : Ein positives Vorzeichen steht demnach für einen gleichsinnigen, ein negatives Vorzeichen für einen gegensinnigen Zusammenhang. Beispiel 5.2 Aus den Daten der Körpergröße und des Körpergewichts von 47 Studentinnen ergibt sich eine Kovarianz von 36,856 cm · kg. Wenn man nun durch die Standardabweichungen s x = 6,63 cm und s y = 9,16 kg dividiert, erhält man den Pearson’schen Korrelationskoeffizienten r = 0,607 . Die Stärke des Zusammenhangs ist also mittelmäßig. Einerseits ist r deutlich größer als 0 – daher besteht durchaus ein Zusammenhang zwischen den beiden Merkmalen. Andererseits ist r kleiner als 1 – weil das Gewicht nicht nur von der Größe, sondern von zahlreichen weiteren Faktoren abhängt.
5
85 5.2 Die Korrelationsanalyse
Der Betrag von r hat folgende Bedeutung:
ŷ Je näher r bei 0 liegt, desto schwächer ist der Zusammenhang und desto weiter streut die Punktwolke um die Gerade.
ŷ Je näher der Betrag von r bei 1 liegt, desto stärker ist der Zusammenhang und desto dichter liegen die Punkte ( xi , yi ) an der Regressionsgeraden. ŷ Die Extremfälle r = 1 und r = −1 ergeben sich bei einem funktionalen Zusammenhang, der durch eine lineare Gleichung der Form y = a + bx exakt beschrieben werden kann. Alle Punkte ( xi , yi ) liegen dann auf der Regressionsgeraden. Mathematische Herleitung des Korrelationskoeffizineten nach Pearson Es ist offenkundig, dass die Kovarianz sxy genau dann maximal wird, wenn der Zusammenhang funktional ist und durch eine lineare Gleichung y = a + bx exakt beschrieben werden kann. Dann erhält man nach den Definitionen der Kovarianz und der Varianz in (5.1) und (4.6): n
¦x y i
n
i
− nxy
i =1
i
= i =1 n −1 Für die Varianz s y 2 ergibt sich: s xy =
n
¦( y
b( ¦ xi2 − nx 2 )
i
n −1
=
i =1
n −1
= bsx 2
n
i
− y )2
b2 ¦ ( xi − x )2
= i =1 = b2 sx 2 n −1 n −1 Für positives b ist s y = bsx und s xy = bs x 2 = sx ⋅ s y . Für negatives b folgt anasy2 =
i =1
n
¦ x (a + bx ) − nx (a + bx )
log: s y = − bsx und sxy = − sx ⋅ s y . Da es sich hierbei um die beiden Extremfälle handelt, folgt für die Kovarianz: − sx ⋅ s y ≤ sxy ≤ sx ⋅ s y . Daraus ergibt sich für sxy den Korrelationskoeffizienten r = : −1 ≤ r ≤ 1 . sx ⋅ s y
5.2.5
Interpretation eines Korrelationskoeffizienten
Häufig wird ein Korrelationskoeffizient falsch interpretiert, oder seine Bedeutung wird überschätzt. Ein empirischer Koeffizient, dessen Betrag größer als 0 ist, besagt lediglich, dass ein Zusammenhang aufgrund der Stichprobe nicht auszuschließen ist. Er besagt jedoch nichts darüber, worauf dieser Zusammenhang zurückzuführen ist und welche Schlussfolgerungen gezogen werden können. Mittels einer geeigneten Statistiksoftware ist die Berechnung eines Korrelationskoeffizienten auch bei umfangreichem Datenmaterial problemlos möglich. Die Software berechnet diese Maßzahl je-
86
Kapitel 5 · Die Beschreibung eines Zusammenhangs
doch auch dann, wenn die Voraussetzungen nicht erfüllt sind; sie überprüft auch nicht, ob sachliche Gründe für den Zusammenhang sprechen. So kommt es, dass hin und wieder Zusammenhänge beschrieben werden, die zwar formal korrekt, aber sachlogisch in keiner Weise nachvollziehbar sind. Es gibt zahlreiche Beispiele für derartige Schein- oder Nonsens-Korrelationen:
5
• Formale Korrelation. Sie entsteht beispielsweise dann, wenn zwei relative Anteile miteinander in Beziehung gesetzt werden, die sich zu 100 % addieren. Wenn etwa die Merkmale x und y die relativen Anteile von Eiweiß und Fett in Nahrungsmitteln darstellen (so dass die Summe 100 % beträgt), ergibt sich rein mathematisch ein funktionaler Zusammenhang mit einem Korrelationskoeffizienten von -1 (Abweichungen wären allein durch Messfehler zu erklären). • Selektionskorrelation. In der Stichprobe muss die gesamte Vari ationsbreite der zu untersuchenden Merkmale repräsentiert sein. Wenn man jedoch bei der Wahl der Beobachtungseinheiten selektiert, ergibt sich eine Korrelation, die nicht die Verhältnisse in der Grundgesamtheit widerspiegelt. Ein Beispiel hierfür ist gegeben, wenn zur Beurteilung der Frage, ob das Geburtsgewicht in Beziehung zum Zigarettenkonsum der Mutter steht, nur Risikopatientinnen einer Spezialklinik herangezogen werden. Eine Selektion wird auch dann vorgenommen, wenn einzelne Werte aus der Stichprobe eliminiert werden, um einen vermeintlich starken Zusammenhang künstlich zu erzeugen (selbstverständlich ist dieses Vorgehen höchst unwissenschaftlich). • Korrelation durch Ausreißer. Ein Ausreißer – das ist ein Punkt, › Abbildung 5.3a) der sehr weit vom Punkteschwarm entfernt liegt (z – kann mitunter einen betragsmäßig hohen Korrelationskoeffizienten verursachen. Die Punktwolke lässt Ausreißer auf einen Blick er› Abschnitt 2.4). kennen (z • Inhomogenitätskorrelation. Sie ergibt sich, wenn für zwei inho mogene Gruppen ein gemeinsamer Korrelationskoeffizient berechnet wird. Die graphische Darstellung besteht aus zwei Punktwolken, die › Abbildung 5.3b), und die – sich nicht oder nur wenig überlappen (z isoliert betrachtet – keinen Zusammenhang offenbaren. Wenn beispielsweise die Schuhgrößen und die Gehälter der Angestellten eines Klinikums miteinander verglichen werden, ist ein Korrelationskoeffizient zu erwarten, der deutlich größer als 0 ist. Er kommt dadurch zustande, dass Männer im Allgemeinen größere Füße als Frauen haben und gleichzeitig Positionen mit höheren Einkommen innehaben.
87
5
5.2 Die Korrelationsanalyse
Abb. 5.3a Korrelation, die durch einen Ausreißer verursacht ist
Abb. 5.3b InhomogenitätsKorrelation
• Gemeinsamkeitskorrelation. Wenn zwei Merkmale durch ein drittes beeinflusst werden, liegt eine Gemeinsamkeitskorrelation vor. So ergibt sich beispielsweise rechnerisch eine positive Korrelation, wenn man die Entwicklung des Storchenbestands in Deutschland mit der Entwicklung der Geburtenrate vergleicht – obwohl allgemein bekannt sein dürfte, dass diese beiden Größen nicht kausal zusammenhängen. Die Korrelation wird durch eine dritte Größe – nämlich die allgemeine zeitliche Tendenz – künstlich erzeugt. Sie beeinflusst gleichermaßen den Storchenbestand und die Geburtenrate und täuscht somit eine typische Nonsens-Korrelation vor. Diese Ausführungen belegen, dass es in keinem Fall ausreichend ist, einen Korrelationskoeffizienten rechnerisch zu bestimmen und diesen Wert dann kritik- und kommentarlos als Maß für die Stärke eines Zusammenhangs anzugeben. Auf zwei weit verbreitete Fehlinterpretationen sei an dieser Stelle hingewiesen: ! Ein betragsmäßig hoher Korrelationskoeffizient allein ist kein Beleg für z
eine kausale Beziehung, sondern allenfalls als Hinweis zu werten. Er besagt jedoch nichts darüber, welches der beiden Merkmale das andere kausal bedingt, ob die Merkmale wechselseitig aufeinander einwirken, oder ob möglicherweise beide Merkmale durch ein drittes beeinflusst sind. ! Eine andere Fehlinterpretation wird vorgenommen, wenn beim Verz gleich zweier Messverfahren ein hoher Korrelationskoeffizient als Beweis dafür gewertet wird, dass die Messwerte beider Verfahren übereinstimmen. Um dies zu beurteilen, sollten zusätzlich der Mittelwert der Differenzen und deren Standardabweichung untersucht werden (Bland-Altman-Analyse). Als graphische Darstellung eignet sich der Bland-AltmanPlot, bei dem die Mittelwerte der einzelnen Messungen ( xi + yi ) / 2 gegen die Differenzen ( xi − yi ) aufgetragen werden.
88
5
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Merke Um Fehlinterpretationen zu vermeiden, empfiehlt sich bei der Berechnung eines Korrelationskoeffizienten folgendes Vorgehen: ŷ Theoretische Herleitung. Man sollte zunächst darüber nachdenken, ob und wie der zu quantifizierende Zusammenhang begründet werden kann. Das Erarbeiten eines theoretischen Hintergrundes trägt wesentlich dazu bei, Nonsens-Korrelationen zu vermeiden. ŷ Erstellen der Punktwolke. Die graphische Darstellung ist hilfreich bei der Beurteilung, ob der Zusammenhang linear ist. Außerdem deckt sie Ausreißer und inhomogene Gruppen auf. ŷ Überprüfen der Voraussetzungen. Dies ist insbesondere dann wichtig, wenn der empirische Korrelationskoeffizient den Zusammenhang › Abschnitte 9.3.4, 11.1.6). in der Grundgesamtheit schätzen soll (z ŷ Interpretation. Nachdem ein Zusammenhang zwischen zwei Merkmalen x und y theoretisch hergeleitet und statistisch abgesichert ist, können vorsichtig Schlussfolgerungen gezogen werden. Dazu bedarf es überwiegend medizinisch-fachlicher Überlegungen. Folgende Möglichkeiten sind zu prüfen: x beeinflusst y. y beeinflusst x. x und y bedingen sich gegenseitig. Beide Merkmale werden durch eine dritte Größe beeinflusst. Der Zusammenhang kam zufällig zustande.
5.3
Die Regressionsanalyse
5.3.1
Herleitung der Regressionsgeraden
Die Regressionsanalyse ist ein flexibles und häufig eingesetztes Verfahren, das in der Medizin u. a. für Ursachen- und Wirkungsanalysen und Zeitreihenanalysen angewandt wird. Ihre Aufgabe besteht darin, eine mathematische Gleichung herzuleiten, welche die Art des Zusammenhangs zwischen zwei quantitativen Merkmalen optimal beschreibt. Anhand dieser Gleichung lässt sich dann aus einem bekannten Wert für das x-Merkmal ein entsprechender Wert für das y-Merkmal prognostizieren. i Das Wort „Regression“ geht zurück auf den englischen Naturforscher z Francis Galton (1822-1911), ein Vetter von Charles Darwin, der die Beziehung zwischen den Körpergrößen von Vätern und ihren Söhnen untersuchte. Er fand heraus, dass die Söhne großer Väter und die Söhne
89
5
5.3 Die Regressionsanalyse
kleiner Väter eine Körpergröße haben, die weniger vom Durchschnittswert abweicht als die Größe der Väter. Dieses Phänomen bezeichnete er als „Regression“ (Rückschritt zum Mittelwert). Galtons Freund Karl Pearson hat in 1.078 Familien die Größen von Vätern und Söhnen verglichen und seine Ergebnisse zusammen mit dem nach ihm benannten Korrelationskoeffizienten im Jahre 1903 veröffentlicht. Im Laufe der Zeit wurde der Begriff „Regression“ allgemein verwendet, um den stochastischen Zusammenhang zwischen zwei oder mehr Merkmalen zu beschreiben.
Aufgrund sachlogischer Überlegungen sollte vorab geklärt werden, welches der beiden Merkmale sinnvollerweise als das unabhängige x-Merkmal bzw. als das abhängige y-Merkmal bezeichnet wird. Für praktische Zwecke ist es nahe liegend, dasjenige Merkmal, das einfacher, billiger oder früher erfasst werden kann, als das x-Merkmal anzusehen. Wenn diesbezüglich keine Entscheidung möglich ist, ist die Herleitung einer Regressionsgleichung nicht sinnvoll. Man sollte sich in diesem Fall darauf beschränken, den Zusammenhang durch einen Korrelationskoeffizienten zu beschreiben. Die einfachste Form der Regressionsanalyse ist die Beschreibung des Zusammenhangs durch eine Gerade. Dies ist erlaubt, nachdem man sich davon überzeugt hat, dass der zu beschreibende Zusam› menhang annähernd linear ist. Ein Blick auf den Punkteschwarm (z Abbildung 5.1) macht deutlich, dass es bei stochastischen Zusammenhängen keine Gerade geben kann, auf der alle Punkte liegen. Dies ist dadurch begründet, dass das y-Merkmal nicht nur vom xMerkmal, sondern auch von anderen Faktoren beeinflusst wird, die in der Geradengleichung nicht berücksichtigt sind. Die Aufgabe der Regressionsanalyse besteht nun darin, eine Gerade zu finden, die die Punktwolke optimal repräsentiert – die so genannte Regressionsgerade. Diese ist so konstruiert, dass das durchschnittliche Abstandsquadrat der Beobachtungspunkte von der Geraden minimal ist. Sie ist eindeutig bestimmt durch die Steigung b=
s xy sx 2
(5.3)
und den y-Achsenabschnitt a = y − bx
(5.4)
Dabei sind s xy die in Abschnitt 5.2.3 eingeführte Kovarianz und s x 2 die Varianz der x-Werte. Der Parameter b wird als Regressionskoeffizient bezeichnet. Aus (5.3) geht hervor, dass sich der Variationsbe-
90
Kapitel 5 · Die Beschreibung eines Zusammenhangs
reich von b generell zwischen -∞ und +∞ erstreckt. Ein Vergleich mit der Formel (5.2) auf Seite 84 zeigt, dass die Vorzeichen von b und dem Korrelationskoeffizienten r übereinstimmen. Das bedeutet: Bei einem gleichsinnigen Zusammenhang ist die Steigung der Regressionsgeraden positiv, bei einem gegensinnigen Zusammenhang ist sie negativ. Mit den Parametern a und b lässt sich bei Vorliegen eines Wertes xi nach folgender Formel ein Wert yˆ i für das abhängige Merkmal prognostizieren: s xy
yˆ i = a + bxi = y +
5
s x2
( xi − x )
(5.5)
Mathematische Herleitung der Regressionsgeraden Von der Regressionsgeraden y = a + bx erwartet man, dass sie die y-Werte optimal prognostiziert; das heißt die Abweichungen ( yi − yˆ i ) sollten möglichst gering sein. Es gilt also, passende Werte für a und b zu finden, die eine Gerade mit dieser Eigenschaft definieren. Dazu minimiert man nach der Methode der kleinsten Quadrate die Summe der Abstandsquadrate: n
¦(y
n
i
i =1
− yˆ i )2 = ¦ ( yi − a − bxi ) 2 = f ( a, b) . i =1
Das Minimum dieser Funktion erhält man, indem man die Ableitungen (nach der Kettenregel der Differentialrechnung) bildet und gleich 0 setzt: n df = −2¦ ( yi − a − bxi ) = −2n( y − a − bx ) = 0 und da i =1 n n n df = −2¦ xi ( yi − a − bxi ) = 2b¦ xi 2 − 2¦ xi yi + 2anx = 0 db i =1 i =1 i =1 Aus der ersten Gleichung folgt: a = y − bx . Wenn man diesen Term in die zweite Gleichung einsetzt und nach b auflöst, ergibt sich:
n
¦x y i
b=
i
− nxy
i =1 n
¦x
i
i =1
= 2
− nx 2
sxy sx 2
.
n d2 f d2 f Da für die zweiten Ableitungen gilt: = 2¦ xi 2 > 0 , = 2n > 0 und 2 2 da i =1 handelt es sich bei den berechneten Ausdrücken für a und db b um Minima der Funktion f(a,b) und damit um optimale Parameter für die Regressionsgerade. Mit einem statistischen Test lässt sich überprüfen, ob der beschriebene Zusammenhang wirklich existiert und ob anzunehmen ist, dass er rein zufällig › Abschnitt 11.1.6). zustande kam (z
5
91 5.3 Die Regressionsanalyse
Der Mittelwert der berechneten y i -Werte ist gleich dem Mittelwert der beobachteten yi -Werte, also y . Der Punkt ( x , y ) liegt auf der Regressionsgeraden; er ist der Schwerpunkt der Punktwolke. Wenn der Zusammenhang funktional ist ( r = ±1 ), liegen alle Punkte auf der Regressionsgeraden. Beispiel 5.3 Bezüglich des Zusammenhangs zwischen Körpergröße und Gewicht von 47 Studentinnen ergibt sich folgende Regressionsgerade: yˆi = −81,111 + 0,839 xi . Für eine 170 cm große Studentin würde man ein Gewicht von 61,5 kg prognostizieren. Aus dieser Gleichung geht auch hervor, dass das Gewicht um durchschnittlich 0,839 kg pro cm Körpergröße zunimmt. Der y-Achsenabschnitt -81,111 hat keine praktische Bedeutung. ! Es ist wichtig zu beachten, dass eine Extrapolation über den Beobachz
tungsbereich hinaus problematisch ist. In unserem Beispiel wurden bei der Berechnung der Regressionsgeraden x-Werte zwischen 156 cm und 180 cm zugrunde gelegt. Wenn man mit dieser Geraden das Gewicht eines 90 cm großen Kindes bestimmen würde, erhielte man -5,6 kg. Dies zeigt, dass eine Extrapolation unsinnige Werte liefern kann. Wenn man trotzdem extrapoliert, sollte man dies mit der gebotenen Vorsicht tun.
Wenn das y-Merkmal von mehreren x-Variablen bestimmt wird, verwendet man die multiple Regressionsanalyse. Die Regressionsgleichung enthält dann mehrere x-Variablen, die die y-Zielgröße beeinflussen, und entsprechend viele Regressionskoeffizienten. Ausführliche Informationen findet man in [2], [4] und [10]. 5.3.2
Regression 1. Art und 2. Art
Bei der Regressionsanalyse unterscheidet man nach der Eigenschaft der x-Variablen zwischen Regression 1. Art und Regression 2. Art. Bei der Regression 1. Art sind die Ausprägungen der x-Variablen explizit vorgeben. Zu jedem x-Wert existieren dann mehrere, zufällig bedingte y-Werte. Als Beispiel sei der Zusammenhang zwischen der Dosis eines Medikaments und dessen Wirkung genannt. Wenn – wie beim Zusammenhang zwischen Körpergröße und Gewicht –
• • • ••
• • • • • • •
• Abb. 5.4 Regression 1. Art
• • •• • • •
•• • • • •
92
Kapitel 5 · Die Beschreibung eines Zusammenhangs
beide Merkmale Zufallsvariable darstellen, spricht man von der Regression 2. Art. In beiden Fällen ist die Bestimmung der Regressionsgleichung nützlich, um die Art des Zusammenhangs zu beschreiben. Der Korrelationskoeffizient nach Pearson als Maße der Stärke des Zusammenhangs ist allerdings nur sinnvoll bei der Regression 2. Art. 5.3.3
5
Das Bestimmtheitsmaß
Ein Problem der Regressionsanalyse liegt in der Verlässlichkeit der Schätzung. Meistens wird der zu einem Messwert xi gehörende Wert y i , der durch die Gleichung der Regressionsgeraden prognostiziert wird, vom Beobachtungswert yi abweichen. Ein einfaches Maß für diese Abweichung ist das Residuum: ei = yi − yˆ i
(5.6)
Um die Schätzung durch die Regressionsgerade generell zu beurteilen, bedarf es eines Maßes, das alle Residuen berücksichtigt. Da sich die Residuen gegenseitig ausgleichen, sodass deren Summe gleich 0 ist, legt man die Summe der Abweichungsquadrate ei 2 zugrunde. Diese Summe ist ein Teil des Zählers der Varianz der yi -Werte, die sich aus zwei Komponenten zusammensetzt: n
n
n
i =1
i =1
i =1
¦ ( yi − y ) 2 =¦ ( yi − yˆ i ) 2 +¦ ( yˆ i − y ) 2
(5.7)
Der Einfachheit halber sind in dieser Gleichung die Nenner ( n − 1) weggelassen. Der Term auf der linken Seite des Gleichheitszeichens steht für die Gesamtvarianz der Beobachtungswerte yi . Der erste Summand rechts vom Gleichheitszeichen bezieht sich auf die Varianz der Residuen ei (mit dem Mittelwert 0), der zweite auf die Varianz der mit der Regressionsgleichung berechneten Werte y i . Der zweite Teil der Gesamtvarianz wird auch als die erklärte Varianz bezeichnet (diese lässt sich durch die Gleichung der Regressionsgeraden erklären). Der erste Summand, nämlich die Residualvarianz, ist dagegen auf die Abweichung der Beobachtungswerte von der Regressionsgeraden zurückzuführen. Gleichung (5.7) lässt sich also verbal folgendermaßen formulieren: Gesamtvarianz = Residualvarianz + erklärte Varianz
5
93 5.3 Die Regressionsanalyse
Es ist offensichtlich, dass die Schätzung durch die Regressionsgerade dann besonders gut ist, wenn der Anteil der Residualvarianz möglichst klein und die erklärte Varianz entsprechend groß ist. Andererseits gilt: Je kleiner die erklärte Varianz ist, desto schlechter können die y-Werte über das Regressionsmodell geschätzt werden. Aus diesen Überlegungen ergibt sich, dass die erklärte Varianz im Verhältnis zur Gesamtvarianz ein geeignetes Maß für die Güte des Modells darstellt. Es lässt sich nachweisen, dass dieser Quotient mit r 2 übereinstimmt: n
r2 =
s yˆ
2
sy
2
¦ ( yˆ i − y ) 2 =
i =1 n
¦ ( yi − y ) 2
erklärte Varianz Gesamtvarianz
=
(5.8)
i =1
Man bezeichnet r 2 als das Bestimmtheitsmaß oder den Determinationskoeffizienten. Der Wertebereich des Bestimmtheitsmaßes r 2 erstreckt sich zwischen 0 und 1. Im Extremfall r 2 = 1 ist die Residualvarianz gleich 0. Mathematische Herleitung des Bestimmtheitsmaßes Die Gleichung (5.7) lässt sich durch elementare Umformungen unter Zuhilfenahme der Gleichungen (5.3) bis (5.5) nachweisen. Ein geeignetes Maß für die Güte der Schätzung ist die Varianz der berechneten yi -Werte (das ist die durch das Regressionsmodell erklärte Varianz) dividiert durch die Gesamtvarianz. Für die erklärte Varianz erhalten wir: n
s 2yˆ =
¦ ( yˆ
n
i
− y )2
i =1
n −1
¦ (bx
i
=
− bx ) 2 = b 2 sx2
i =1
n −1
Daraus folgt für die Güte der Schätzung: Mit b =
sxy sx
2
(Formel 5.3) erhalten wir:
s y 2 sy
s y 2 sy
2
2
=
=
b2sx 2 . sy 2 sxy 2
sx 2 ⋅ s y 2
= r 2 (nach Formel 5.2).
Beispiel 5.4 Aus r = 0,607 (Beispiel 5.2) ergibt sich für den Determinationskoeffizienten: r 2 = 0,368 . Diese Zahl besagt, dass 37 % der Varianz des Gewichts durch das Modell der Regressionsgeraden (also durch die Körpergröße) bedingt sind. 63 % sind durch andere, nicht im Modell berücksichtigte Einflüsse verursacht.
94 5.3.4
5
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Nicht-lineare Regression
Nicht jeder Zusammenhang wird durch eine Gerade optimal beschrieben. Es gibt exponentielle Zusammenhänge (die beispielsweise durch Wachstumsprozesse bedingt sind) oder Zusammenhänge, die sich durch eine logarithmische Funktion beschreiben lassen. Diese nicht-linearen Beziehungen erfordern spezielle Methoden zur Regressionsanalyse. Ehe man einen nicht-linearen Zusammenhang genauer untersucht, sollte man darüber nachdenken, ob es eine Theorie gibt, die diesen Trend erklärt. Danach versucht man, die Art des Zusammenhangs zu finden und eine allgemeine Regressionsgleichung mit Parametern a, b etc. aufzustellen. Diese Wahl ist oft recht schwierig und erfordert sehr viel Erfahrung sowie genaue Kenntnisse der theoretischen Hintergründe. Wertvolle Hinweise liefert auch hier die graphische Darstellung der Wertepaare als Punktwolke. Generell gibt es zwei Möglichkeiten, geeignete Werte für die Parameter a, b etc. zu finden:
• Manchmal ist es möglich, die nichtlineare Regressionsgleichung in eine lineare zu transformieren. Anstelle der Gleichung y = a ⋅ ebx würde man die Funktion lny = lna + bx betrachten und nach der Methode der kleinsten Quadrate optimale Werte für lna (und damit auch für a) sowie für b erhalten. • Man verwendet – ähnlich wie bei der linearen Regression – die Methode der kleinsten Quadrate. So würde man etwa bei der Funktion f ( x ) = a ⋅ ebx die Ableitungen von ¦ ( yi − a ⋅ ebxi ) 2 nach a und b bilden und diese gleich 0 setzen. i Die Güte eines multiplen oder eines nicht-linearen Modells lässt sich z ebenfalls mit dem Determinationskoeffizienten r 2 (der das Verhältnis der erklärten zur Gesamtvarianz wiedergibt) abschätzen. Mit Hilfe dieses Koeffizienten lassen sich auch mehrere Modelle miteinander vergleichen.
5.4
Weitere Techniken
5.4.1
Der Korrelationskoeffizient nach Spearman
Die Berechnung des Korrelationskoeffizienten nach Pearson ist an einige Bedingungen geknüpft. Es muss sich um quantitative Merkmale handeln, und der Zusammenhang muss annähernd linear sein.
95
5
5.4 Weitere Techniken
Als Alternative bietet sich der Korrelationskoeffizient nach Spearman an (Charles Spearman, 1863-1945, war ein britischer Psychologe). Dies ist ein Maß für die Stärke eines monotonen Zusammenhangs. Es wird auch als Rangkorrelation bezeichnet, da es auf den Rangzahlen der Beobachtungswerte ( xi , yi ) basiert. i Spearman untersuchte den Zusammenhang zwischen intellektuellen Leisz tungen und einem allgemeinen Intelligenzfaktor. Er veröffentlichte seine Ergebnisse etwa zeitgleich mit Pearson im Jahr 1904. In dieser Publikation wurde die Rangkorrelation erstmals erwähnt.
•
•
• ••• • •• • • •• • •• • • • • • •• • • • • • •
Abb. 5.5 gleichsinniger, monotoner Zusammenhang; Rangkorrelation positiv
Um diesen Koeffizienten zu berechnen, werden alle x-Werte sortiert und mit Rangzahlen versehen. Der kleinste Wert erhält den Rang 1, der größte den Rang n. Falls mehrere Ausprägungen übereinstimmen (man spricht dann von verbundenen Rängen), ermittelt man mittlere Rangzahlen, indem man die Rangzahlen der gleichen Ausprägungen addiert und die Summe durch deren Anzahl dividiert. Mit den Daten des yMerkmals verfährt man ebenso.
Jeder Beobachtungseinheit wird also eine Rangzahl für das x-Merkmal und eine für das y-Merkmal zugeordnet. Die Differenz dieser beiden Rangzahlen sei di . Aus diesen Differenzen wird der Spearman’sche Korrelationskoeffizient berechnet nach: n
6 ⋅ ¦ di 2 rs = 1 −
i =1
n ⋅ (n 2 − 1)
(5.9)
Ebenso wie der Korrelationskoeffizient nach Pearson erstreckt sich auch der Korrelationskoeffizient nach Spearman rs zwischen –1 und +1. rs nimmt den maximalen Betrag 1 an, wenn der Zusammenhang streng monoton ist (dies umfasst den Begriff „streng linear“). Ein positives Vorzeichen symbolisiert einen gleichsinnigen, ein negatives Vorzeichen einen gegensinnigen Zusammenhang. rs = 0 bedeutet, dass kein monotoner Zusammenhang nachweisbar ist.
96
Kapitel 5 · Die Beschreibung eines Zusammenhangs
! Die Voraussetzungen, die zur Berechnung des Spearman’schen Korrelatiz
onskoeffizienten erfüllt sein müssen, sind schwächer als die Voraussetzungen, die der Berechnung des Pearson’schen Koeffizienten zugrunde liegen. Wenn allerdings zusätzlich eine Regressionsgleichung ermittelt werden soll, wird – wenn es statthaft erscheint – dem Korrelationskoeffizienten nach Pearson den Vorzug gegeben.
5
Beispiel 5.5 Bei 10 Frauen wird der BMI-Wert zu Beginn ihrer Schwangerschaft gemessen; später wird der Apgar-Wert des neugeborenen Kindes ermittelt. Zum Nachweis eines Zusammenhangs eignet sich der Korrelationskoeffizient nach Spearman, da es sich beim Apgar-Score um ein ordinal skaliertes Merkmal handelt. Es ergeben sich folgende Werte (wobei x i der Apgar-Score, yi der BMI, R( xi ) und R( yi ) die Ränge und d i = R( xi ) − R ( yi ) deren Differenzen bezeichnen): xi 4 5 6 6 7 8 8 8 9 10 yi 27,1 24,9 26,4 25,9 25,3 23,2 21,0 22,4 19,6 20,1 R ( xi ) 1 2 3,5 3,5 5 7 7 7 9 10 R ( yi ) 10 6 9 8 7 5 3 4 1 2 di -9 -4 -5,5 -4,5 -2 2 4 3 8 8 81 16 30,25 20,25 4 4 16 9 64 64 di 2 10
Daraus berechnet man
¦d i =1
2 i
= 308,5 und rs = 1 −
6 ⋅ 308,5 = −0,87 . Bei der 990
kleinen Stichprobe ist also ein gegensinniger Zusammenhang erkennbar: Je höher der BMI-Wert der Mutter, desto geringer der Apgar-Score des Kindes. i Streng mathematisch gesehen setzt der Spearman-Koeffizient voraus, dass z zwei benachbarte Merkmalsausprägungen äquidistant sind (was bekanntlich bei ordinalen Merkmalen problematisch ist). Die Rang-Korrelation τ (griechischer Buchstabe tau) nach Kendall setzt dies nicht voraus; dabei werden ausschließlich die ordinalen Informationen verwendet. Ausführlich beschrieben ist dieser Koeffizient in [5]. Der Spearman’sche Korrelationskoeffizient ist bekannter und wird häufiger angewandt.
Merke Die Rangkorrelation nach Spearman eignet sich für folgende Konstellationen: ŷ Beide Merkmale sind ordinal skaliert. ŷ Ein Merkmal ist metrisch, das andere ordinal skaliert. ŷ Beide Merkmale sind quantitativ; der Zusammenhang ist monoton, aber nicht linear.
5
97 5.4 Weitere Techniken
Mathematische Herleitung des Korrelationskoeffizienten nach Spearman Dieser Koeffizient wird berechnet, indem man in die Formel zur Bestimmung des Pearson’schen Korrelationskoeffizienten (5.2) anstelle der Messwerte x i und yi deren Ränge R( xi ) und R( yi ) und für x und y den mittleren Rang R einsetzt. Durch vollständige Induktion lässt sich nachweisen, dass n n n n n ⋅ ( n + 1) n ⋅ ( n + 1) ⋅ (2n + 1) R( xi ) = ¦ i = und ¦ R 2 ( xi ) = ¦ i 2 = ¦ 2 6 i =1 i =1 i =1 i =1 Daraus resultiert für den Mittelwert und die Summe der Abstandsquadrate: n n n ⋅ ( n 2 − 1) n +1 R= und ¦ ( R( xi ) −R )2 = ¦ R 2 ( xi ) − nR 2 = 2 12 i =1 i =1
Analoges gilt für die Ränge des y-Merkmals; d. h. die Standardabweichungen von R( xi ) und R( yi ) sind gleich. Deren Produkt entspricht dem Nenner von Formel (5.2). Für den Zähler ergibt sich durch Umformen: n
¦ ( R( x ) − R ) ⋅ ( R( y ) − R ) = i
i
i =1 n
n
n
¦ ( R( x ) − R ) + ¦ ( R( y ) − R ) − ¦ d 2
n
2
i
2
5.4.2
i =1
i =1
i
¦d
2
n ⋅ ( n − 1) i =1 i = − . 2 12 2 Wenn man Zähler und Nenner zusammenfasst, erhält man die Formel (5.9). i =1
i
2
Der Zusammenhang zwischen einem quantitativen und einem Alternativmerkmal
In diesem Kapitel wurde der Frage nachgegangen, wie sich der Zusammenhang zwischen zwei quantitativen Merkmalen – etwa zwischen Körpergröße und Gewicht – beschreiben lässt. Nun hängt das Gewicht bekanntlich nicht nur von der Größe, sondern auch vom Geschlecht einer Person ab. Um den Unterschied zwischen zwei Gruppen abzusichern, verwendet man üblicherweise einen statistischen Test wie etwa den t-Test für zwei unverbundene Stichproben › Abschnitt 11.1.3). Ein solcher Test beinhaltet jedoch kein (z Assoziationsmaß, das die Stärke des Zusammenhangs quantifiziert. Die Stärke des Zusammenhangs zwischen einem quantitativen und einem Alternativmerkmal kann durch die punktbiseriale Korrelation rpb ausgedrückt werden. Dabei werden für die Ausprägungen des Alternativmerkmals die Werte 0 oder 1 eingesetzt; damit lässt sich dann nach (5.2) ein Korrelationskoeffizient berechnen.
98
Kapitel 5 · Die Beschreibung eines Zusammenhangs
Beispiel 5.6 Um die Stärke des Zusammenhangs zwischen Geschlecht und Körpergewicht zu quantifizieren, codiert man das Geschlecht mit 0 (männlich) und 1 (weiblich). Die x-Werte nehmen dann entweder den Wert 0 oder 1 an; die y-Werte sind die Messwerte für das Gewicht. Mit den Daten in Tabelle 2.1 erhalten wir einen biserialen Korrelationskoeffizienten rpb = −0,638 . Der Zusammenhang ist gegensinnig – d. h. Männer (mit dem kleineren x-Wert 0 codiert) wiegen mehr als Frauen. Aus diesen Angaben folgt außerdem: rpb2 = 0,407 . Dies besagt, dass – bezogen auf alle Studenten – etwa 41 % des Körpergewichts durch den Einfluss des Geschlechts erklärt werden können.
5 5.4.3
Der Zusammenhang zwischen qualitativen Merkmalen
In Abschnitt 3.4.2 wurden die Odds Ratio und der Assoziationskoeffizient nach Yule erwähnt, die geeignet sind, den Zusammenhang zwischen zwei Alternativmerkmalen zu quantifizieren. In Abschnitt 12.2.4 werden Assoziationsmaße vorgestellt, mit denen sich der Zusammenhang zwischen zwei nominal skalierten Merkmalen beschreiben lässt. Allgemein gilt: Je höher das Skalenniveau der zugrunde liegenden Merkmale ist, desto präziser lassen sich die Stärke und die Art eines Zusammenhangs beschreiben. 5.4.4
Ausblick auf die induktive Statistik
Zur sinnvollen Interpretation eines Korrelationskoeffizienten, einer Regressionsgleichung oder eines Assoziationskoeffizienten ist es wichtig, dass der Stichprobenumfang hinreichend groß ist. Allgemein gilt: Je näher ein Korrelationskoeffizient bei 0 liegt und je kleiner der Stichprobenumfang ist, umso weniger kann auf einen real existierenden Zusammenhang geschlossen werden. In diesen Fällen muss man davon ausgehen, dass die empirisch ermittelte Korrelation zufallsbedingt ist. Um abschätzen zu können, ob und inwieweit der anhand der Stichprobe ermittelte Zusammenhang auf die Grundgesamtheit übertragbar ist, erscheint es sinnvoll, Vertrauensbereiche zu ermitteln und einen geeigneten statistischen Test durchzuführen. Dies geschieht – in Abhängigkeit von den Skalenniveaus der beiden › Abschnitte Merkmale – mit Methoden der induktiven Statistik (z 9.3.4, 11.1.6 und 12.2.4).
6
Wahrscheinlichkeiten in der Medizin 6.1
Die Aufgaben der Wahrscheinlichkeitsrechnung 101
6.2
Das Rechnen mit Wahrscheinlichkeiten 102
6.2.1
Zufallsexperimente und deren Beschreibung 102
6.2.2
Das Ermitteln einer Wahrscheinlichkeit 103
6.2.3
Die Verknüpfung zweier Ereignisse 105
6.2.4
Die Axiome von Kolmogoroff und deren Folgerungen 107
6.2.5
Abhängigkeit und bedingte Wahrscheinlichkeit 109
6.2.6
Das Bayes-Theorem 110
6.3
Wahrscheinlichkeiten in der Epidemiologie 111
6.4
Bevölkerungsstatistiken 114
6.4.1
Spezielle Wahrscheinlichkeiten 114
6.4.2
Sterbetafeln 115
6.5
Diagnostische Tests 118
6.5.1
Die Gütekriterien eines diagnostischen Tests 118
6.5.2
Vorhersagewerte 119
6.1 Die Aufgaben der Wahrscheinlichkeitsrechnung
6.1
101
6
Die Aufgaben der Wahrscheinlichkeitsrechnung
Unser Alltag ist bestimmt von unendlich vielen Zufälligkeiten und Irregularitäten. Wir haben gelernt, Wahrscheinlichkeiten intuitiv abzuschätzen, um unseren Alltag regeln zu können – ansonsten würden wir im Überangebot der auf uns einströmenden Informationen zugrunde gehen. Wir verlassen uns beispielsweise darauf, dass wir sicher am Ziel ankommen, wenn wir ein Auto besteigen, und wir kalkulieren bei unseren Zukunftsplänen keinen Lottogewinn ein. Ein Arzt vertraut darauf, dass die von ihm verordnete Therapie den gewünschten Erfolg erzielt, oder dass ein Patient durch eine Impfung einer möglichen Epidemie entgeht. Mit einem unwahrscheinlichen Ereignis befassen wir uns erst dann, wenn dieses – entgegen unseren Erwartungen – eingetreten ist. Wir orientieren uns also nicht nur nach Sicherheiten, sondern geben uns meistens notgedrungen mit Wahrscheinlichkeiten zufrieden. Der Begriff „wahrscheinlich“ und davon abgeleitete Ausdrücke entstammen unserer Umgangssprache. Mit Sätzen wie „Morgen scheint wahrscheinlich die Sonne“ oder „Es ist unwahrscheinlich, dass nach einer Impfung dauerhafte Schäden zurückbleiben“ drücken wir Vermutungen aus bezüglich Ereignissen, die wir nicht vorhersehen können. Dabei handelt es sich meist um subjektive Wahrscheinlichkeiten, die auf alltäglichen Erfahrungen basieren. Diese können wir nach unserem persönlichen Empfinden grob als hoch oder eher niedrig einstufen; es ist jedoch nicht möglich, sie exakt zu quantifizieren. Manchmal sind derlei Einschätzungen allerdings völlig unrealistisch, weil wir uns bei subjektiven Beurteilungen gerne von Wunschdenken oder anderen psychisch bedingten, intellektuell kaum nachvollziehbaren Einflüssen täuschen lassen. Auch die Prozesse und Entwicklungen in den Biowissenschaften unterliegen dem Zufall. Man bezeichnet sie als probabilistisch – im Gegensatz zu deterministischen Vorgängen, die sich exakt berechnen lassen. Für wissenschaftliche Untersuchungen ist es notwendig, den Begriff der Wahrscheinlichkeit zu präzisieren und quantitativ zu beschreiben. Diese Zahlenangaben bezeichnet man als objektive Wahrscheinlichkeiten. Die Aufgaben der Wahrscheinlichkeitsrechnung und der induktiven Statistik bestehen darin, die Realität durch ein statistisches Modell hinreichend genau zu beschreiben und anhand dieses Modells Gesetzmäßigkeiten herzuleiten und Wahrscheinlichkeiten zu bestimmen. Dabei ist es unerheblich, ob die zu
102
6
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
beschreibenden Vorgänge prinzipiell nicht erfassbar sind (wie z. B. der Zerfall eines radioaktiven Atoms), oder ob sie so komplex sind, dass sie sich einer deterministischen Beschreibung entziehen und deshalb als probabilistisch angesehen werden. Die mathematisch-theoretischen Aussagen, die in der Wahrscheinlichkeitsrechnung hergeleitet werden, bilden die Basis der induktiven Statistik. Für den praktischen Anwender sind Kenntnisse aus der Wahrscheinlichkeitsrechnung hilfreich und notwendig, um die Methoden der induktiven Statistik zu verstehen und sinnvoll mit ihnen umgehen zu können. In diesem Kapitel werden zunächst in Abschnitt 6.2 Grundlagen bezüglich des Rechnens mit Wahrscheinlichkeiten vermittelt. In den Abschnitten 6.3 bis 6.5 werden einige für die Medizin relevante Wahrscheinlichkeiten vorgestellt.
6.2
Das Rechnen mit Wahrscheinlichkeiten
6.2.1
Zufallsexperimente und deren Beschreibung
Um einen probabilistischen Vorgang zu untersuchen und relevante Wahrscheinlichkeiten herzuleiten, genügt es nicht, ihn ein einziges Mal durchzuführen. Es erscheint vielmehr angebracht, diesen Vorgang mehrmals zu wiederholen, die Ergebnisse der einzelnen Experimente zu dokumentieren und auszuwerten. Diese Art von Untersuchungen bezeichnet man als Zufallsexperimente. Ein Zufallsexperiment ist durch die folgenden Eigenschaften charakterisiert:
ŷ ŷ ŷ ŷ
Es wird nach einer bestimmten Vorschrift durchgeführt, es ist (zumindest prinzipiell) beliebig oft wiederholbar, mehrere Ausgänge oder Ergebnisse sind möglich, und das Ergebnis eines einzelnen Experiments ist vorab ungewiss.
So stellen beispielsweise das Würfeln oder das Werfen einer Münze Zufallsexperimente dar. Beim Würfeln gibt es sechs mögliche Ausgänge, beim Münzwurf zwei. Auch das Erfassen der Blutgruppe oder des Rhesusfaktors einer Person lässt sich als Zufallsexperiment auffassen mit den möglichen Ergebnissen 0, A, B und AB bzw. „Rhesusfaktor positiv“ und „Rhesusfaktor negativ“. Zur Beschreibung von Zufallsexperimenten bedient sich die Wahrscheinlichkeitsrechnung der Mengentheorie. Die Menge aller möglichen Ergebnisse bildet den so genannten Ereignisraum. Diese
6
103 6.2 Das Rechnen mit Wahrscheinlichkeiten
Menge wird mit dem griechischen Großbuchstaben Ω (Omega) bezeichnet. Teilmengen von Ω nennt man Ereignisse, 1-elementige Teilmengen Elementarereignisse. Ereignisse werden üblicherweise mit großen lateinischen Buchstaben A, B usw. angegeben. Spezielle Ereignisse sind der Ereignisraum Ω , der als das sichere Ereignis bezeichnet wird, und die leere Menge ∅ , die dem unmöglichen Ereignis entspricht. Beispiel 6.1 Der Ereignisraum für das Zufallsexperiment „Würfeln“ ist die 6-elementige Menge Ω = {1,2,3,4,5,6} . Das Ereignis „gerade Zahl“ lässt sich durch die Teilmenge A = {2,4,6} beschreiben. Man sagt: „Das Ereignis A ist eingetreten“, falls ein Elementarereignis aus der Menge A eingetreten ist.
An diesem Beispiel wird der Zusammenhang zwischen der Wahrscheinlichkeitsrechung und der deskriptiven Statistik deutlich. Das Analogon zum Ereignisraum ist die Ausprägungsliste; einzelne Merkmalsausprägungen sind vergleichbar mit Elementarereignissen. Der grundlegende Unterschied ist folgender: Die deskriptive Statistik befasst sich mit Stichproben und Merkmalen; die Wahrscheinlichkeitsrechnung untersucht die mathematisch-theoretischen Eigenschaften von Grundgesamtheiten. 6.2.2
Das Ermitteln einer Wahrscheinlichkeit
• Theoretische Herleitung. Um eine Wahrscheinlichkeit quantita tiv anzugeben, ist es notwendig, diesen Begriff zu objektivieren. Eine erste Definition geht auf den französischen Mathematiker Pierre Simon Marquis de Laplace zurück, der sich für die Zufallsgesetze bei Glücksspielen interessierte. Er definierte basierend auf dem Begriff des Zufallsexperiments die Wahrscheinlichkeit, dass ein bestimmtes Ereignis A eintritt, folgendermaßen: P( A ) =
Anzahl der günstigen Ergebnisse Anzahl der möglichen Ergebnisse
(6.1a)
Mit der Mengenschreibweise lässt sich die Formel (6.1a) auch darstellen als: P ( A) =
Anzahl der Elemente von A Anzahl der Elemente von Ω
(6.1b)
104
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
Die Laplace’sche Definition ordnet demnach jedem Ereignis eine Zahl zwischen 0 und 1 zu. Der Buchstabe P leitet sich ab vom englischen Ausdruck „probability“. Die Wahrscheinlichkeit eines Ereignisses ist vergleichbar mit der relativen Häufigkeit einer Merkmalsausprägung.
6
Beispiel 6.2 Mit der Definition von Laplace lässt sich berechnen, wie groß die Chance ist, eine gerade Zahl zu würfeln. Unter sechs möglichen Ergebnissen gibt es drei „günstige“ (nämlich die Augenzahlen 2, 4 und 6). Damit erhält man: P( A ) = 3 / 6 = 1 / 2 . Für das unmögliche Ereignis (beispielsweise die Zahl 7) ergibt sich P( ∅ ) = 0 , da die Anzahl der günstigen Ereignisse gleich 0 beträgt. Für das sichere Ereignis (Augenzahl zwischen 1 und 6) erhält man P( Ω ) = 1 , da die Anzahl der günstigen der Anzahl der möglichen Ereignisse entspricht.
Mit der Laplace’schen Definition lassen sich auch kompliziertere Wahrscheinlichkeiten herleiten – so z. B. die Wahrscheinlichkeit, sechs Richtige im Lotto zu erzielen. Dennoch ist diese Definition nur eingeschränkt anwendbar: Sie setzt nämlich voraus, dass alle Elementarereignisse mit gleicher Wahrscheinlichkeit eintreten. Für das Würfeln und den Münzwurf trifft dies auch zu. So ist beispielsweise leicht nachvollziehbar, dass man bei einem idealen Würfel jeder Augenzahl die Wahrscheinlichkeit 1/6 zuordnet, oder dass die Wahrscheinlichkeit, beim Münzwurf „Wappen“ oder „Zahl“ zu erhalten, jeweils 1/2 beträgt. Für Ereignisse im medizinischen Bereich ist dieser Ansatz jedoch im Allgemeinen unbrauchbar. • Empirische Herleitung. Bei medizinisch-wissenschaftlichen Fragestellungen wird eine Wahrscheinlichkeit in der Regel empirisch ermittelt. Dazu wird eine hinreichend große Stichprobe bezüglich eines Merkmals untersucht; der Wert der relativen Häufigkeit einer Merkmalsausprägung wird dann als Näherungswert für die entsprechende Wahrscheinlichkeit zugrunde legt. Dieses Vorgehen › Ablässt sich durch das „Gesetz der großen Zahlen“ rechtfertigen (z schnitt 8.3.2). Beispiel 6.3 Aus den Daten aus Tabelle 2.1 von 71 Studenten ergeben sich folgende Häufigkeiten: 28 (Blutgruppe 0), 31 (Blutgruppe A), 9 (Blutgruppe B) und 3 (Blutgruppe AB). 60 Studenten haben Rhesusfaktor positiv (R+), 11 Rhesusfaktor negativ (R–). Damit lassen sich folgende Wahrscheinlichkeiten schätzen: P (0) = 39% , P ( A) = 44% , P ( B) = 13% und P ( AB) = 4% ; P ( R +) = 85% , P ( R −) = 15% .
105
6
6.2 Das Rechnen mit Wahrscheinlichkeiten
• Computersimulation. Bei sehr komplexen Problemen, insbeson dere aus dem technisch-wissenschaftlichen Bereich, ist auch die empirische Vorgehensweise nicht brauchbar. Um beispielsweise die Wahrscheinlichkeit zu ermitteln, dass ein Flugzeug abstürzt oder dass bei einem Atomkraftwerk ein GAU eintritt, kann man keine Zufallsexperimente durchführen. In diesen Fällen ist es sinnvoll, das Problem im Computer zu simulieren und mit Hilfe dieses Modells die Wahrscheinlichkeit für das Auftreten eines bestimmten Ereignisses zu ermitteln. Die Computersimulation wird in den letzten Jahren – dank der Entwicklung hochleistungsfähiger Rechner und adäquater Software – zunehmend auch für medizinische Fragestellungen angewandt. Im Rahmen dieses Buches kann jedoch nicht näher auf diese Thematik eingegangen werden. 6.2.3
Die Verknüpfung zweier Ereignisse
Im vorangegangenen Abschnitt wurden Methoden vorgestellt, mit denen sich die Wahrscheinlichkeit für das Auftreten eines bestimmten Ereignisses A ermitteln lässt. Bei vielen Fragestellungen interessieren jedoch nicht nur einzelne Ereignisse, sondern bestimmte Ereigniskonstellationen. Fragen dieser Art lauten z. B.: Wie groß ist die Wahrscheinlichkeit,
ŷ dass eine Person eine andere Blutgruppe als 0 hat? ŷ dass eine Person an zwei Krankheiten gleichzeitig erkrankt? ŷ dass eine männliche Person an Hämophilie erkrankt? Verbindungen zwischen zwei oder mehreren Ereignissen lassen sich durch mengentheoretische Operationen beschreiben. Zur graphischen Darstellung dieser Beziehungen eignen sich die so genannten VENN-Diagramme (benannt nach dem britischen Mathematiker John Venn, 1834-1923). So bezeichnen die Vereinigungsmenge A ∪ B : (sprich: A vereinigt B) die Schnittmenge A ∩ B : (sprich: A Schnitt B) die Differenzmenge A − B : (sprich: A minus B)
das Ereignis, dass A allein oder B allein oder beide Ereignisse gemeinsam eintreten (Abb. 6.1a) das Ereignis, dass A und B gemeinsam eintreten (Abb. 6.1b) das Ereignis, dass A aber nicht B eintritt (Abb. 6.1c)
106
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
B
A Abb. 6.1a Vereinigung A ∪ B
6
B
B
A Abb. 6.1b Schnitt A ∩ B
A Abb. 6.1c Differenz A − B
Beispiel 6.4 Wenn A das Ereignis „Blutgruppe A“ und R + das Ereignis „Rhesusfaktor positiv“ bezeichnet, dann bedeutet A ∪ R + das Ereignis, dass die Blutgruppe A oder der Rhesusfaktor positiv vorliegt. Das Wort „oder“ wird dabei im nichtausschließlichen Sinne verwendet: A ∪ R + beinhaltet, dass nur das Ereignis A (Blutgruppe A, Rhesusfaktor negativ) oder nur das Ereignis R+ (andere Blutgruppe als A, Rhesusfaktor positiv) eintritt oder beide Ereignisse gemeinsam (Blutgruppe A und Rhesusfaktor positiv) eintreten.
Zwei Ereignisse A und B, deren Durchschnitt die leere Menge bildet, heißen disjunkt (oder unvereinbar). Als Beispiel seien „männliches Geschlecht“ und „schwanger“ genannt. Formal gilt für disjunkte Ereignisse: A ∩ B = ∅ . Zwei disjunkte Ereignisse, die sich zum Ereignisraum Ω ergänzen, nennt man komplementär. Das zu A komplementäre Ereignis wird üblicherweise mit A (sprich: A quer) bezeichnet. Für A und A gelten:
ŷ A ∪ A = Ω (die Ereignisse ergänzen sich) und ŷ A ∩ A = ∅ (die Ereignisse sind disjunkt). Beispiele für komplementäre Ereignisse sind: gerade und ungerade Augenzahl beim Würfeln, männliches und weibliches Geschlecht, „Rhesusfaktor positiv“ und „Rhesusfaktor negativ“ oder „Blutgruppe A“ und „andere Blutgruppe als A“.
107
6
6.2 Das Rechnen mit Wahrscheinlichkeiten
6.2.4
Die Axiome von Kolmogoroff und deren Folgerungen
Um mit Wahrscheinlichkeiten zu rechnen, ist es notwendig, deren mathematische Eigenschaften zu präzisieren. Der russische Mathematiker Andrej Kolmogoroff (1903-1987) hat im Jahre 1930 drei Axiome aufgestellt, die diese Eigenschaften definieren. Demnach heißt eine Funktion P(A), die einem Ereignis A eine reelle Zahl zuordnet, Wahrscheinlichkeit, falls die folgenden Axiome erfüllt sind: 1. 0 ≤ P( A ) ≤ 1 2. P( Ω ) = 1 3. P( A ∪ B ) = P( A ) + P( B ) für disjunkte Ereignisse A und B i Axiome sind einfache mathematische Aussagen, die nicht beweisbar sind. z Sie werden aufgestellt, um einen Begriff zu definieren oder um eine Theorie aufzubauen. Mittels der Axiome lassen sich weitere Aussagen deduktiv herleiten.
Beispiel 6.5 Wir betrachten die Funktion P, die den Blutgruppen folgende Wahrscheinlichkeiten zuordnet (Beispiel 6.3): P (0) = 0,39 , P ( A) = 0,44 , P( B ) = 0,13 und P ( AB) = 0,04 . Der Ereignisraum Ω ist die Menge {0, A, B, AB} . Man kann leicht nachprüfen, dass die Axiome von Kolmogoroff erfüllt sind. Jeder Funktionswert liegt zwischen 0 und 1 (Axiom 1), außerdem gilt P( Ω ) = 1 – denn eine der vier Blutgruppen liegt mit Sicherheit vor (Axiom 2). Die Wahrscheinlichkeit, dass eine der Blutgruppen A oder B gegeben ist, ist: P ( A ∪ B) = P ( A) + P ( B) = 0,44 + 0,13 = 0,57 ; Analoges gilt für die anderen Ereignispaare (demnach ist Axiom 3 erfüllt). Somit handelt es sich bei der Funktion P um eine Wahrscheinlichkeit im Sinne von Kolmogoroff.
Die Definition der Wahrscheinlichkeit nach Kolmogoroff schließt die Definition von Laplace ein – sie ist jedoch wesentlich allgemeiner als diese. Während Laplace davon ausgeht, dass alle Elementarereignisse mit gleicher Wahrscheinlichkeit eintreten, verlangt Kolmogoroff lediglich, dass die Wahrscheinlichkeit jedes Elementarereignisses eine Zahl zwischen 0 und 1 ist, und dass deren Summe 1 ergibt. Man kann leicht nachvollziehen, dass diese Eigenschaften auch für relative Häufigkeiten und die daraus geschätzten Wahrscheinlichkeiten gelten. Aus den Axiomen von Kolmogoroff lassen sich mehrere Rechenregeln herleiten:
• Wahrscheinlichkeit für das komplementäre Ereignis. Aus P( A) ergibt sich sehr einfach die Wahrscheinlichkeit für das Ereignis A :
108
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
P ( A ) = 1 − P ( A)
(6.2)
Daraus und aus Axiom 2 folgt für das unmögliche Ereignis:
P (∅ ) = 0
(6.3)
Beispiel 6.6 Die Wahrscheinlichkeit für die Blutgruppe 0 beträgt P (0) = 0,39 . Damit berechnet sich die Wahrscheinlichkeit, dass eine andere Blutgruppe als 0 vorliegt, als P ( 0 ) = 1 − 0,39 = 0,61 .
• Satz von der totalen Wahrscheinlichkeit. Er besagt, dass ein Er eignis A entweder zusammen mit dem Ereignis B oder B auftritt:
6
P ( A) = P ( A ∩ B ) + P ( A ∩ B )
(6.4)
Das Ereignis A ∩ B ist identisch mit der Differenzmenge A − B . Des› Abbildung 6.1c): halb folgt aus der Formel (6.4) sofort (z P( A − B ) = P( A ) − P( A ∩ B )
(6.5)
• Additionssatz. Für die Vereinigung zweier Ereignisse A und B gilt allgemein: P( A ∪ B ) = P( A ) + P( B ) − P( A ∩ B )
(6.6)
Wenn die beiden Ereignisse A und B disjunkt sind, ist A ∩ B = ∅ . Dann hat der Additionssatz eine etwas einfachere Form: P( A ∪ B ) = P( A ) + P( B )
(6.7)
Beispiel 6.7 Seien A und R+ die Ereignisse „Blutgruppe A“ bzw. „Rhesusfaktor positiv“. Dann entspricht R- dem Ereignis „Rhesusfaktor negativ“. Der Satz von der totalen Wahrscheinlichkeit (6.4) besagt, dass eine Person mit Blutgruppe A entweder „Rhesusfaktor positiv“ oder „Rhesusfaktor negativ“ hat. Die Wahrscheinlichkeit P ( A) = 0,44 ist die Summe aus P( A ∩ R + ) = 0, 374 und P( A ∩ R − ) = 0, 066 (die Wahrscheinlichkeiten der Schnittmengen werden im nächsten Abschnitt hergeleitet). Die Wahrscheinlichkeit für Rhesusfaktor positiv oder Blutgruppe A beträgt nach dem Additionssatz (6.6):
P( A ∪ R + ) = P( A) + P ( R + ) − P ( A ∩ R + ) = 0, 44 + 0,85 − 0, 374 = 0, 916
6
109 6.2 Das Rechnen mit Wahrscheinlichkeiten
Mathematische Herleitung der Rechenregeln Alle genannten Rechenregeln lassen sich auf die drei Axiome von Kolmogoroff zurückführen. Aus den Axiomen 2 und 3 folgt sofort: 1 = P( Ω ) = P( A ∪ A ) = P( A ) + P( A ) Daraus ergibt sich Formel (6.2). Der Satz von der totalen Wahrscheinlichkeit (Formel 6.4) folgt ebenfalls direkt aus Axiom 3. Um den Additionssatz herzuleiten (Formel 6.6), zerlegt man die Menge A ∪ B in drei disjunkte Teilmengen: P( A ∪ B ) = P( A ∩ B ) + P( A ∩ B ) + P( A ∩ B ) Nach dem Satz von der totalen Wahrscheinlichkeit ergibt die Summe der ersten beiden Summanden P( A ) ; für den dritten Summanden gilt: P( A ∩ B ) = P( B ) − P( A ∩ B ) . Demnach ist P( A ∪ B ) = P( A ) + P( B ) − P( A ∩ B ) .
6.2.5
Abhängigkeit und bedingte Wahrscheinlichkeit
In gewissen Situationen ist es nicht zweckmäßig, Wahrscheinlichkeiten anzugeben, die sich auf die Grundgesamtheit beziehen. Viele Krankheiten stehen in Zusammenhang mit dem Geschlecht der Patienten (z. B. Hämophilie, Rot-Grün-Blindheit oder Brustkrebs) oder sind abhängig von bestimmten Risiken. In diesen Fällen ist es sinnvoll, die Wahrscheinlichkeiten für bestimmte Teilmengen der Grundgesamtheit getrennt zu berechnen – etwa für Männer und für Frauen oder für Patienten mit und ohne Risikofaktor. Man spricht dann von einer bedingten Wahrscheinlichkeit und bezeichnet diese als P( A| B ) (sprich: „P von A gegeben B“ oder „P von A unter der Bedingung B“). Sie ist folgendermaßen definiert: P( A| B ) =
P( A ∩ B ) P( B )
(6.8)
Diese Formel quantifiziert die Wahrscheinlichkeit für das Eintreten des Ereignisses A eingeschränkt auf die Menge, die dem Ereignis B entspricht. Beispiel 6.8 Die Wahrscheinlichkeit, an Diabetes mellitus zu erkranken, beträgt für einen Mann P( D| M ) ≈ 0 ,07 und für eine Frau P( D|W ) ≈ 0 ,02 . Daraus geht hervor, dass das Risiko bei Männern wesentlich höher ist als bei Frauen. Die Wahrscheinlichkeit P( D ) ≈ 0 ,045 , die sich auf die gesamte Population bezieht, ist weniger informativ.
110
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
Durch einfaches Umschreiben von (6.8) erhält man den Multiplikationssatz, mit dem sich die Wahrscheinlichkeit berechnen lässt, dass zwei Ereignisse A und B gemeinsam eintreten: P( A ∩ B ) = P( A| B ) ⋅ P( B )
(6.9)
Wenn A und B unabhängig sind, bedeutet dies, dass das Eintreten von B keinerlei Einfluss auf das Eintreten von A hat. Formal drückt man dies folgendermaßen aus: P( A| B ) = P( A ) . Damit erhält man den Multiplikationssatz und den Additionssatz für unabhängige Ereignisse als Spezialfälle von (6.9) und (6.6):
6
P( A ∩ B ) = P( A ) ⋅ P( B )
(6.10)
P( A ∪ B ) = P( A ) + P( B ) − P( A ) ⋅ P( B )
(6.11)
Beispiel 6.9 Die Ereignisse „Blutgruppe A“ und „Rhesusfaktor positiv“ sind unabhängig mit den Wahrscheinlichkeiten P ( A) = 0,44 und P ( R +) = 0,85 . Die Wahrscheinlichkeit, dass eine Person Blutgruppe A und Rhesusfaktor positiv hat, ist dann (siehe auch Beispiel 6.7): P( A ∩ R + ) = P( A) ⋅ P ( R + ) = 0, 44 ⋅ 0,85 = 0, 374
6.2.6
Das Bayes-Theorem
Das Bayes-Theorem geht zurück auf den englischen Geistlichen Thomas Bayes (1702-1761), der sich u. a. mit Glücksspielen befasste. Es erlaubt die Berechnung der bedingten Wahrscheinlichkeit P( A | B ) , wenn außer der Wahrscheinlichkeit P ( A) auch die bedingten Wahrscheinlichkeiten P( B | A) und P ( B | A ) bekannt sind. Die Formel ist: P( A| B ) =
P( A ) ⋅ P( B| A ) P( A ) ⋅ P( B| A ) + P( A ) ⋅ P( B| A )
(6.12)
Das Bayes-Theorem ermöglicht also Rückschlüsse von der a-prioriWahrscheinlichkeit P( A ) auf die a-posteriori-Wahrscheinlichkeit P ( A | B ) . Diese Formel wird in der Medizin bei diagnostischen Tests benutzt: Wenn A das Ereignis „Vorliegen einer bestimmten Krankheit“ und B das Ereignis „Testergebnis positiv“ symbolisieren, lässt sich mit obiger Formel die Wahrscheinlichkeit P ( A | B ) berechnen, mit der ein Patient mit einem positiven Befund tatsächlich erkrankt › Abschnitt 6.5.2). ist (falls die Prävalenz P( A ) bekannt ist, z
111
6
6.3 Wahrscheinlichkeiten in der Epidemiologie
Übersicht 3: Rechenregeln für Wahrscheinlichkeiten Name des Satzes
Rechenregeln
Satz für das komplementäre Ereignis A
P( A ) = 1 − P( A )
Satz von der totalen Wahrscheinlichkeit
P ( A) = P ( A ∩ B ) + P ( A ∩ B )
Additionssatz
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
A und B disjunkt P ( A ∪ B ) = P ( A) + P ( B ) A und B unabhängig P ( A ∪ B ) = P ( A) + P( B ) − P( A) ⋅ P ( B )
Multiplikationssatz
P( A ∩ B) = P( A | B) ⋅ P( B)
A und B disjunkt P ( A ∩ B) = 0 A und B unabhängig P ( A ∩ B ) = P ( A) ⋅ P ( B )
Mathematische Herleitung des Bayes-Theorems Nach der Definition der bedingten Wahrscheinlichkeit in (6.8) ist P( A ∩ B ) . P( A| B ) = P( B ) Der Zähler dieses Quotienten lässt sich – wenn man die Ereignisse A und B in der Formel (6.9) des Multiplikationssatzes vertauscht – schreiben als: P ( A ∩ B) = P ( A) ⋅ P ( B | A) . Analog leitet man her: P( A ∩ B) = P( A ) ⋅ P( B | A ) Mittels des Satzes von der totalen Wahrscheinlichkeit (6.4) ergibt sich dann für den Nenner des obigen Quotienten: P( B ) = P( A ∩ B ) + P( A ∩ B ) = P( A ) ⋅ P( B| A ) + P( A ) ⋅ P( B| A ) Mit diesen Ausdrücken erhält man für P( A| B ) die Formel (6.12).
6.3
Wahrscheinlichkeiten in der Epidemiologie
Die Epidemiologie befasst sich mit dem Auftreten von Krankheiten in einer größeren Population. Die Ziele der epidemiologischen Forschung sind: das Erkennen von Ursachen und Risikofaktoren von Krankheiten; das Bestimmen deren Verbreitung in der Bevölkerung; die Untersuchung des natürlichen Verlaufs und relevanter prognostischer Faktoren; die Evaluation präventiver und therapeutischer Maßnahmen sowie das Schaffen von Grundlagen für politische Ent-
112
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
scheidungen. Zur Beschreibung demographischer Charakteristika werden folgende Wahrscheinlichkeiten verwendet:
6
• Prävalenz (im engeren Sinne: Punktprävalenz).. Dies ist der rela tive Krankenbestand zu einem bestimmten Zeitpunkt – also die Wahrscheinlichkeit P( K t ) für eine beliebige Person aus der Population, zum Zeitpunkt t erkrankt zu sein. Dieses Maß eignet sich für Krankheiten, die chronisch sind oder wiederholt auftreten; es wird üblicherweise im Rahmen einer Querschnittstudie bestimmt. Die Punktprävalenz muss immer zusammen mit dem Zeitpunkt angegeben werden, auf den sie sich bezieht. Es handelt sich dabei nicht um einen Zeitpunkt im physikalischen Sinne, sondern meist um einen bestimmten Tag oder Monat. Die Kenntnis der Prävalenz ist eine wertvolle Hilfe für die Bedarfsplanung im Öffentlichen Gesundheitswesen. • Periodenprävalenz. Das Bestimmen einer Punktprävalenz kann bei Krankheiten von sehr kurzer Dauer methodische Schwierigkeiten mit sich bringen. Dann mag es sinnvoll sein, anstelle der Punktprävalenz eine Periodenprävalenz zu bestimmen, die sich auf einen längeren Zeitraum bezieht. Dabei werden alle Personen berücksichtigt, die zu Beginn, während oder am Ende des Beobachtungszeitraums erkrankt waren (üblicherweise im Rahmen einer Kohortenstudie). Eine spezielle Form stellt die Lebenszeitprävalenz dar; sie quantifiziert die Wahrscheinlichkeit einer Person, krank geboren zu werden oder einmal im Laufe des Lebens zu erkranken. • Inzidenz. Dies ist die Neuerkrankungsrate, also die Wahrschein lichkeit P ( K ) für eine beliebige Person, während einer Beobachtungszeit zu erkranken. Dabei geht man von einer Population aus, deren Mitglieder zu Beginn des Beobachtungszeitraumes nicht erkrankt sind. Die Inzidenz wird immer in Verbindung mit einem Zeitraum (z. B. ein bestimmtes Jahr oder die Dauer eines Klinikaufenthaltes) angegeben. Dieses Maß hat nur Aussagekraft bei Erkrankungen, die bei einer Person während der Beobachtungszeit maximal einmal auftreten. Bei länger andauernden Krankheiten lässt sich die Prävalenz aus der Inzidenz berechnen nach: Prävalenz = Inzidenz · durchschnittliche Dauer Diese Gleichung erklärt, weshalb viele chronische Krankheiten zwar eine geringe Inzidenz, aber dennoch eine hohe Prävalenz aufweisen. Während die Inzidenz angibt, wie groß das Erkrankungsrisiko für eine einzelne Person ist, informiert die Prävalenz über die Auswirkungen einer Krankheit auf die Gesamtpopulation.
6
113 6.3 Wahrscheinlichkeiten in der Epidemiologie
Beispiel 6.10 Im Oktober 2003 lebten in Deutschland 39.000 HIV-positive Menschen; dies entspricht bei einer Gesamtbevölkerung von 82 Millionen etwa 4,76 von 10.000 (Prävalenz). Bei Asthma beträgt die jährliche Inzidenz aller Kinder und Jugendlichen zwischen 6 und 16 Jahren 3/1.000; die durchschnittliche Dauer beträgt etwa 11 Jahre. Dann lässt sich nach obiger Formel ermitteln, dass 33 von 1.000 Personen in dieser Altersgruppe zu einem bestimmten Zeitpunkt an Asthma erkrankt sind (Prävalenz).
• Krankheitsspezifische Mortalität. Darunter versteht man die To desrate – also die Wahrscheinlichkeit P ( K ∩ T ) , während der Beobachtungszeit an der Krankheit K zu erkranken und daran zu versterben. • Letalität. Die Tödlichkeitsrate der Erkrankten ist die bedingte Wahrscheinlichkeit P( T| K ) . Die Angabe der Letalität ist nur sinnvoll für Erkrankungen, deren Beginn und Ende innerhalb des Beobachtungszeitraums liegen. Nach dem Multiplikationssatz (6.9) gilt: P( K ∩ T ) = P( K ) ⋅ P( T | K )
(6.13)
oder in Worten: Mortalität = Inzidenz · Letalität Beispiel 6.11 Ignaz Semmelweis ermittelte für den April des Jahres 1846 in der Ärzte-Abteilung des Wiener Gebärhauses, dass 24 % der gebärenden Frauen während des Klinikaufenthaltes an Kindbettfieber erkrankten (Inzidenz) und von den Erkrankten 80 % verstarben (Letalität). Mit Formel (6.13) berechnet man daraus eine Mortalität von etwa 19 %.
• Morbidität. Dieser Begriff ist in der Literatur unterschiedlich de finiert: Teilweise wird er synonym für Prävalenz, teilweise synonym für Inzidenz verwendet. ! Die Prävalenz, Inzidenz oder Mortalität sind keine absoluten Häufigkeiz
ten, sondern Wahrscheinlichkeiten. Die Angabe der Bezugspopulation ist unbedingt erforderlich. Man stellt diese Größen entweder als Prozentzahl dar oder – wenn diese sehr gering ist – als relative Häufigkeit bezogen auf 1.000, 10.000 oder mehr Personen.
Bei Infektionskrankheiten sind außerdem folgende Wahrscheinlichkeiten interessant:
114
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
• Kontagionsindex. Dieser Index gibt die Wahrscheinlichkeit an, dass sich eine nicht immune Person, die mit dem Erreger in Kontakt kommt, infiziert. Er ist also ein Maß für die Ansteckungsfähigkeit. • Manifestationsindex. Dies ist die Wahrscheinlichkeit, mit der eine infizierte Person manifest erkrankt (die Krankheitsbereitschaft). Je kleiner dieser Index ist, desto mehr Infektionsfälle verlaufen klinisch stumm. Beispiel 6.12 Bei Masern beträgt der Kontagionsindex fast 100 %; der Manifestationsindex liegt bei etwa 95 %. Das heißt: Fast alle Personen, die mit dem Virus in Kontakt kommen, infizieren sich. Davon erkranken 95 % manifest, während 5 % der Infektionen klinisch stumm verlaufen.
6
Schließlich sei noch angemerkt, dass all diese Maßzahlen keineswegs Naturkonstanten sind, die – nachdem man sie einmal bestimmt hat – für alle Zeit ihren Wert behalten. Es handelt sich vielmehr um Größen, die abhängig sind von den sozialen Rahmenbedingungen sowie den aktuellen diagnostischen und therapeutischen Möglichkeiten. Mit besseren diagnostischen Mitteln werden mehr Krankheitsfälle erkannt – dadurch steigt die Inzidenz. Wenn für eine Krankheit eine bessere Therapie zur Verfügung steht, werden mehr Personen überleben – damit steigt bei chronischen Erkrankungen die Prävalenz, während die Mortalität und die Letalität sinken. Weitere interessante Hinweise dazu findet man in [6].
6.4
Bevölkerungsstatistiken
6.4.1
Spezielle Wahrscheinlichkeiten
• Natalität. Das ist die Geburtenrate (auch Geburtenziffer genannt), also der Anteil lebend geborener Kinder im Verhältnis zur Gesamtpopulation während eines Beobachtungszeitraums. Sie ist abhängig von der Altersstruktur der beobachteten Population. Ein hoher Altenanteil impliziert automatisch eine niedrige Geburtenrate. • Fertilitätsziffer. Dieses Maß beschreibt die Fruchtbarkeitsrate (oder Fruchtbarkeitsziffer) – das ist die Wahrscheinlichkeit, dass eine Frau im gebärfähigen Alter ein lebendes Kind zur Welt bringt (bezogen auf ein Jahr). Sie ist – im Gegensatz zur Geburtenziffer – unabhängig von der Altersstruktur der Population.
6
115 6.4 Bevölkerungsstatistiken
• Pearl-Index. Dies ist ein Risikomaß bezüglich der Sicherheit einer Verhütungsmethode. Zu dessen Schätzung müssen hinreichend viele Frauen, die eine bestimmte Verhütungsmethode anwenden, über einen längeren Zeitraum beobachtet werden. Der Index wird bestimmt, indem die Anzahl der ungewollten Schwangerschaften im Verhältnis zur Anzahl der beobachteten Zyklen mit dem Faktor 1.200 multipliziert wird. Er gibt somit an, wie viele von 100 Frauen in einem Jahr ungewollt schwanger werden (wobei davon ausgegangen wird, dass eine nicht-schwangere Frau zwölf Zyklen pro Jahr hat). Dieses Maß ist im Gegensatz zur Fertilitätsziffer keine Wahrscheinlichkeit! • Sterbeziffer. Dies ist die Gesamtmortalität – also der Anteil der im Beobachtungszeitraum Verstorbenen. Darüber hinaus gibt es auch spezifische Sterbeziffern, wie Sterbeziffern für Neugeborene oder Sterbeziffern bezogen auf bestimmte Krankheiten. Beispiel 6.13 Im Jahre 2004 betrug die Geburtenziffer im EU-Durchschnitt 10,9 pro 1.000 Einwohner. In Deutschland wurden damals 8,5 Kinder pro 1.000 Einwohner geboren – das war eine der niedrigsten Geburtenziffern der Länder der Europäischen Union. Wenn man bedenkt, dass die Sterbeziffer 10,4 Personen pro 1.000 Einwohner betrug, bedeutet das einen Bevölkerungsrückgang um 1,9 Personen je 1.000 Einwohner. Dieser Rückgang konnte durch Zuwanderungen teilweise ausgeglichen werden. Die Fertilitätsrate lag bei 46 Geburten pro 1.000 Frauen im gebärfähigen Alter.
6.4.2
Sterbetafeln
Eine Sterbetafel beschreibt die Verteilung von Lebensdauern. Sie basiert auf folgenden Häufigkeiten:
A 0 : Anzahl von Lebendgeborenen innerhalb eines Beobachtungszeitraums (z. B. in einem bestimmten Jahr) A x : Anzahl der Personen, die ihren x-ten Geburtstag erleben und danach noch unbestimmte Zeit leben. Dann ist d x = A x − A x +1
(6.14)
die Anzahl der Lebendgeborenen, die zwischen ihrem x-ten und (x+1)-ten Geburtstag sterben. Der Einfachheit halber wird die Lebensdauer als diskretes Merkmal aufgefasst mit den Ausprägungen x (Anzahl der erreichten Lebensjahre) und den absoluten Häufigkeiten dx .
116
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
Die Sterbeziffern sind die altersspezifischen Mortalitätsraten qx = d x / A x ( x = 0,..., ω )
(6.15)
Ein Wert q x drückt die Wahrscheinlichkeit aus, dass jemand, der seinen x-ten Geburtstag erlebt hat, vor seinem (x+1)-ten Geburtstag stirbt. Dabei ist ω das letzte in der Sterbetafel berücksichtige Alter. Man nimmt also an: A ω+1 = 0 (oft wird ω = 100 gesetzt). Die durchschnittliche Lebenszeit (oder Lebenserwartung) eines Neugeborenen lässt sich schätzen als: e0 =
6
1 1 + 2 A0
ω
¦A
(6.16)
x
x =1
Die Lebenserwartung eines x-jährigen berechnet sich analog als:
ex =
1 1 + 2 Ax
ω
¦A
(6.17)
y
y = x +1
Die Verteilungsfunktion F ( x ) gibt den relativen Anteil der Lebendgeborenen an, deren Sterbealter kleiner als x ist: F ( x) = 1 −
Ax A0
für 0 ≤ x ≤ ω
(6.18)
Mathematische Herleitung der Lebenserwartungen Die Anzahl der Personen, die x Jahre alt werden (und vor dem (x+1). Geburtstag sterben), beträgt d x . Damit ist die mittlere Lebensdauer bei A 0 Lebendgeboreω
nen leicht herleitbar als: e0 = ¦ x ⋅ d x / A 0 . x =0
Nach (6.14) und unter Berücksichtigung von A ω+1 = 0 ergibt sich daraus: ω
Ax 0( A 0 − A1 ) + 1( A1 − A 2 ) + 2(A 2 − A 3 ) + ... + ω(A ω − A ω+1 ) ¦ e0 = = x =1 A0 A0
Üblicherweise wird zu e0 der Term ½ addiert, da man annimmt, dass die Lebensdauer eines Menschen, der im Jahr nach seinem x-ten Geburtstag stirbt, durchschnittlich x + 1 / 2 beträgt. Der Anteil der Lebendgeborenen, die maximal x −1
das Alter x erreichen, ist
¦d i =0
i
/ A 0 = ( A 0 − A x ) / A 0 = 1 − A x / A 0 . Daraus folgt (6.18).
117
6
6.4 Bevölkerungsstatistiken
Tabelle 6.1: Sterbetafel aus den Jahren 1901/10, entnommen aus dem Statistischen Jahrbuch der Bundesrepublik Deutschland. Die Tafel enthält folgende Angaben: Anzahl A x der Personen, die das Alter x erreichen, Sterbeziffern qx ⋅1000 und Lebenserwartung e x in Jahren.
x 0 1 2 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
männliche Bevölkerung bezogen auf 100.000 lebend geborene Personen Ax qx ⋅1000 ex 100.000 202,34 44,82 79.766 39,88 55,12 76.585 14,92 56,39 74.211 5,28 55,15 72.827 2,44 51,16 72.007 2,77 46,71 70.647 5,04 42,56 68.881 5,13 38,59 67.092 5,56 34,55 65.104 6,97 30,53 62.598 9,22 26,64 59.405 12,44 22,94 55.340 16,93 19,43 50.186 23,57 16,16 43.807 32,60 13,14 36.079 47,06 10,40 27.136 69,36 7,99 17.586 106,40 5,97 8.987 157,87 4,38 3.212 231,60 3,18 683 320,02 2,35
weibliche Bevölkerung bezogen auf 100.000 lebend geborene Personen Ax qx ⋅1000 ex 100.000 170,48 48,33 82.952 38,47 57,20 79.761 14,63 58,47 77.334 5,31 57,27 75.845 2,56 53,35 74.887 3,02 49,00 73.564 4,22 44,84 71.849 5,37 40,84 69.848 5,97 36,94 67.679 6,86 33,04 65.283 7,71 29,16 62.717 8,54 25,25 59.812 11,26 21,35 55.984 16,19 17,64 50.780 24,73 14,17 43.540 39,60 11,09 34.078 62,06 8,45 23.006 98,31 6,30 12.348 146,50 4,65 4.752 217,39 3,40 1.131 295,66 2,59
Die Sterbetafel in Tabelle 6.1 beinhaltet – getrennt für männliche und weibliche Personen – die Lebenserwartungen zu Beginn des 20. Jahrhunderts im damaligen deutschen Reich. Bei neueren Sterbetafeln sind die Sterbeziffern und Lebenserwartungen nicht alle exakt (da einige Personen, deren Lebenserwartung aufgelistet ist, noch leben). Sie werden deshalb aufgrund von Erfahrungswerten aus vergangenen Jahren geschätzt.
118
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
6.5
Diagnostische Tests
6.5.1
Die Gütekriterien eines diagnostischen Tests
Diagnostische Tests – wie z. B. der HIV-Test – werden benutzt, um größere Sicherheit bezüglich des Krankheitsstatus eines Patienten zu gewinnen. Im einfachsten Fall sind nur zwei Testergebnisse möglich. Von einem guten Test erwartet man:
ŷ ein positives Ergebnis bei einer erkrankten Person und ŷ ein negatives Ergebnis bei einer nicht-erkrankten Person.
6
Seien nun T+ und T− die Ereignisse, dass das Testergebnis positiv bzw. negativ ist; K und K seien die Ereignisse, dass die zu untersuchende Krankheit vorliegt bzw. nicht vorliegt. Die Güte eines diagnostischen Tests wird quantifiziert durch:
• Sensitivität. Dies ist die bedingte Wahrscheinlichkeit P (T+ | K ) , dass der Test bei einer kranken Person richtig (also positiv) reagiert. • Spezifität. Darunter versteht man die bedingte Wahrscheinlich keit P(T− | K ) , dass eine nicht-erkrankte Person ein richtiges (also negatives) Testergebnis erhält. Im Idealfall – wenn alle Testergebnisse richtig sind – nehmen beide Wahrscheinlichkeiten den Wert 1 an. In der Praxis muss man leider damit rechnen, dass sich hin und wieder ein falscher Befund ergibt. Wenn der Test die Krankheit eines Patienten übersieht, erhält man ein falsch negatives Ergebnis. Die Wahrscheinlichkeit dafür ergibt sich aus der Sensitivität. Da nämlich T− und T+ komplementäre Ereignisse sind, berechnet man mit (6.2): P (T− | K ) = 1 − P (T+ | K )
(6.19)
In analoger Weise lässt sich aus der Spezifität die Wahrscheinlichkeit für ein falsch positives Ergebnis ermitteln:
P(T+ | K ) = 1 − P(T− | K )
(6.20)
6
119 6.5 Diagnostische Tests
Beispiel 6.14 Ein HIV-Test habe eine Sensitivität von 99% und eine Spezifität von 99,5%. Dann werden 99% der infizierten und 99,5% der nicht-infizierten Personen richtig klassifiziert. Die Wahrscheinlichkeit, dass eine infizierte Person fälschlicherweise ein negatives Ergebnis erhält, ist nach (6.19) 1%. Die Wahrscheinlichkeit, dass sich bei einer nicht-infizierten Person ein falsch positives Ergebnis ergibt, berechnet sich nach (6.20) als 0,5%. Wenn dieser Test bei einer Population von 100.000 homosexuellen Männern (Prävalenz = 0,001) angewandt wird, erwartet man theoretisch folgende Häufigkeiten: positiver Befund negativer Befund infiziert 99 1 100 nicht infiziert 500 99.400 99.900 599 99.401 100.000 Nur etwa 1/6 der positiven Ergebnisse ist auf eine Infektion zurückzuführen; der Rest ist falsch positiv. Die negativen Befunde sind dagegen fast alle richtig.
6.5.2
Vorhersagewerte
Für den behandelnden Arzt und die betroffenen Patienten sind nicht so sehr die Sensitivität und die Spezifität als vielmehr die Vorhersagewerte (oder prädiktiven Werte) interessant – das sind die Wahrscheinlichkeiten, dass das Testergebnis den richtigen Krankheitsstatus anzeigt. Unter dem positiven Vorhersagewert versteht man die bedingte Wahrscheinlichkeit P ( K | T+ ) ; der negative Vorhersagewert ist die bedingte Wahrscheinlichkeit P ( K | T− ) . Mit dem BayesTheorem (6.12) leitet man her: P( K|T+ ) =
P( K ) ⋅ P( T+| K ) P( K ) ⋅ P( T+ | K ) + P( K ) ⋅ P( T+ | K )
(6.21)
P( K |T− ) =
P( K ) ⋅ P( T−| K ) P( K ) ⋅ P( T− | K ) + P( K ) ⋅ P( T− | K )
(6.22)
Während die Prävalenz P( K ) die Wahrscheinlichkeit bezeichnet, erkrankt zu sein, bevor das Testergebnis bekannt ist, ist der positive Vorhersagewert die Wahrscheinlichkeit, erkrankt zu sein, nachdem das positive Ergebnis vorliegt. Deshalb wird die Prävalenz auch „apriori-Wahrscheinlichkeit“ genannt, während der positive Vorhersagewert als „a-posteriori-Wahrscheinlichkeit“ bezeichnet wird.
120
6
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
Beispiel 6.15 Wir greifen zurück auf den HIV-Test in Beispiel 6.14 (Sensitivität 99%, Spezifität 99,5%) und betrachten die Risikogruppe „homosexuelle Männer“ (Prävalenz 0,001). Für den positiven Vorhersagewert berechnet man nach (6.21): 0,001 ⋅ 0,99 P ( K | T+ ) = = 0,165 0,001 ⋅ 0,99 + 0,999 ⋅ 0,005 Dieser Wert gibt die a-posteriori-Wahrscheinlichkeit an, dass eine Person mit einem positiven Testergebnis auch tatsächlich infiziert ist. Für den negativen Vorhersagewert berechnet man nach (6.22): 0,999 ⋅ 0,995 P ( K | T− ) = = 0,99999 0,999 ⋅ 0,995 + 0,001 ⋅ 0,01 Das bedeutet, dass man bei einem negativen Testergebnis fast sicher sein kann, dass die betreffende Person nicht infiziert ist. Diese Werte entsprechen den relativen Häufigkeiten, die sich in Beispiel 6.14 ergeben: 99 99.400 = 0,165 und P ( K | T− ) = = 0,99999 P ( K | T+ ) = 599 99.401
Der geringe positive und der hohe negative Vorhersagewert in Beispiel 6.15 sind keine Besonderheit, sondern eher typisch für einen diagnostischen Test. Ein positiver Befund kann sich nämlich auch bei gesunden Personen ergeben aufgrund von Einflüssen, die in keinem Zusammenhang mit der relevanten Krankheit stehen. Deshalb ist bei niedriger Prävalenz (wenn der Test bei weitaus mehr gesunden als bei kranken Personen durchgeführt wird) oft nur ein kleiner Teil der positiven Befunde auf die zu diagnostizierende Krankheit zurückzuführen. Die negativen Befunde sind dagegen fast ausschließlich gesunden Personen zuzuordnen; nur ein sehr kleiner Anteil ist falsch negativ. Beispiel 6.16 Für den HIV-Test ergeben sich in Abhängigkeit von der Prävalenz folgende Vorhersagewerte: positiver negativer Population Prävalenz Vorhersagewert Vorhersagewert ohne Risiko 0,00001 0,00198 1,00000 (Rechenbeispiel) 0,0001 0,01942 1,00000 homosexuelle Männer 0,001 0,16541 0,99999 Drogenabhängige 0,01 0,66667 0,99990 (Rechenbeispiel) 0,1 0,95652 0,99888
121
6
6.5 Diagnostische Tests
An Beispiel 6.16 wird deutlich, dass die Vorhersagewerte von der Prävalenz abhängen. Dies kann bei klinischen Anwendungen zu Problemen führen, da ein exakter Wert für die Prävalenz im Einzelfall oft gar nicht bekannt ist. Bei den meisten Krankheiten ist die Prävalenz glücklicherweise gering – was sich jedoch nachteilig auf den positiven Vorhersagewert auswirkt. Aus Beispiel 6.16 geht hervor, dass dieser insbesondere bei kleiner Prävalenz extrem niedrig sein kann. Nur bei besonderen Risikogruppen oder in Spezialkliniken sind die Prävalenz und damit auch die Aussagekraft eines diagnostischen Tests höher. Die negativen Vorhersagewerte haben dagegen alle einen Wert, der nahe bei 1 liegt. Während also bei einem negativen Ergebnis die Krankheit mit hoher Wahrscheinlichkeit ausgeschlossen werden kann, ist ein positiver Befund weitaus schwieriger zu bewerten. In jedem Fall muss der Arzt ihn ernst nehmen; er sollte sich jedoch hüten, voreilig falsche Schlussfolgerungen zu ziehen. Das Testergebnis ist lediglich ein Hinweis darauf, dass die Krankheit vorliegen könnte. Um eine sichere Diagnose zu erstellen, bedarf es weiterer Untersuchungen. Leider sind sich viele Anwender darüber nicht im Klaren und interpretieren ein positives Testergebnis intuitiv so, als seien Zweifel an der Erkrankung eines Patienten quasi ausgeschlossen. Sie folgern naiv, dass – wenn mit 99%-iger Wahrscheinlichkeit aus der Bedingung „Krankheit vorhanden“ die Aussage „Testergebnis positiv“ folgt – auch der Umkehrschluss gilt: dass also aus einem positiven Ergebnis mit 99%-iger Sicherheit auf die Krankheit geschlossen werden kann. Dabei unterliegen sie jedoch einer kognitiven Täuschung – sei es aufgrund von Selbstüberschätzung, Bequemlichkeit oder einfach nur wegen mangelnder Erfahrung im Umgang mit Wahrscheinlichkeiten (siehe dazu [3] und [8]). Um ein Testergebnis zu beurteilen, bedarf es jedoch weniger Intuition als vielmehr fachlicher Fähigkeiten und solider Statistik-Kenntnisse. Merke ŷ Die Vorhersagewerte sind abhängig von der Prävalenz. ŷ Der positive Vorhersagewert kann bei geringer Prävalenz sehr niedrig sein – auch dann, wenn die Sensitivität und Spezifität hoch sind. ! In einigen Publikationen taucht der Begriff „accuracy“ im Zusammenz
hang mit diagnostischen Tests auf. Dies bezeichnet die Wahrscheinlichkeit, dass eine beliebige Person, die sich dem Test unterzieht, einen korrekten Befund erhält. Allerdings ist dieses Maß für praktische Anwendungen wenig geeignet, da es von der Prävalenz abhängt und keine Information bezüglich der Vorhersagewerte beinhaltet.
122
Kapitel 6 · Wahrscheinlichkeiten in der Medizin
Übersicht 4: Kenngrößen diagnostischer Tests formelle Schreibweise
Testergebnis richtig positiv Testergebnis falsch negativ Testergebnis richtig negativ
Bezeichnung der Wahrscheinlichkeit Prävalenz (a-priori-Wahrscheinlichkeit) Sensitivität --Spezifität
Testergebnis falsch positiv Krankheit liegt vor, falls Testergebnis positiv
--positiver Vorhersagewert (a-posteriori-Wahrscheinl.)
P( T+| K )
Krankheit liegt nicht vor, falls Testergebnis negativ
negativer Vorhersagewert
P( K |T− )
Ereignis Krankheit liegt vor
6
P( K ) P( T+ | K ) P( T−| K ) P( T−| K ) P( K|T+ )
! Weitere Hinweise zu diagnostischen Tests finden sich in Kapitel 15. z
7
Diskrete Verteilungen 7.1
Diskrete Zufallsvariable 125
7.1.1
Die Bedeutung einer Zufallsvariablen 125
7.1.2
Wahrscheinlichkeiten 126
7.1.3
Lageparameter 127
7.1.4
Streuungsparameter 128
7.2
Die Binomialverteilung 129
7.2.1
Das Bernoulli-Experiment 129
7.2.2
Eigenschaften der Binomialverteilung 130
7.2.3
Die symmetrische Binomialverteilung 134
7.3
Andere diskrete Verteilungen 136
7.3.1
Die Poissonverteilung 136
7.3.2
Die Polynomialverteilung 138
7.3.3
Die negative Binomialverteilung 139
7.3.4
Die hypergeometrische Verteilung 140
7.3.5
Die diskrete Gleichverteilung 141
125
7
7.1 Diskrete Zufallsvariable
In diesem und dem nächsten Kapitel werden einige Verteilungen behandelt, die für die Biowissenschaften von Bedeutung sind. Häufigkeitsverteilungen, die bei empirischen Studien beobachtet werden, lassen sich oft über eine solche Verteilung approximieren und in ihren wesentlichen Eigenschaften beschreiben. Zunächst wird in Abschnitt 7.1 der Begriff der Zufallsvariablen eingeführt, und es wird erläutert, wie eine Verteilung mittels statistischer Kenngrößen beschrieben werden kann. Danach werden die Binomialverteilung und andere diskrete Verteilungen vorgestellt. Die Normalverteilung und weitere stetige Verteilungen werden in Kapitel 8 besprochen.
7.1
Diskrete Zufallsvariable
7.1.1
Die Bedeutung einer Zufallsvariablen
Der Begriff des Merkmals ist fundamental für die deskriptive Statistik. Die Beschreibung einer Stichprobe beruht im Wesentlichen auf den Häufigkeiten der Merkmalsausprägungen und auf statistischen Kenngrößen wie etwa Mittelwert und Standardabweichung. In der Wahrscheinlichkeitsrechnung benutzt man anstelle des konkreten Begriffs „Merkmal“ den abstrakten Begriff „Zufallsvariable“. Theoretisch handelt es sich dabei um eine Funktion, die jedem möglichen Ergebnis eines Zufallsexperiments eine reelle Zahl zuordnet. Diese Zahlenwerte entsprechen den Merkmalsausprägungen und werden mit Kleinbuchstaben vom Ende des Alphabets (z. B. xi ) symbolisiert. Die Zufallsvariable selbst bezeichnet man in der Regel mit dem passenden Großbuchstaben (z. B. X ). Es ist für das Verständnis der Wahrscheinlichkeitsrechnung sehr hilfreich, sich die Analogie der Begriffe „Merkmal“ und „Zufallsvariable“ immer wieder vor Augen zu halten. Die xi werden Realisationen (oder Realisierungen) der Zufallsvariablen X genannt. Bei quantitativen Merkmalen sind die xi die Mess- oder Zählwerte; bei qualitativen Merkmalen entsprechen die › xi den numerischen Codierungen der einzelnen Ausprägungen (z Beispiel 2.5). Ebenso wie ein Merkmal lässt sich auch eine Zufallsvariable einem bestimmten Skalenniveau zuordnen; ferner lassen sich diskrete und stetige Zufallsvariablen unterscheiden. Dieses Kapitel 7 befasst sich mit diskreten Zufallsvariablen und deren Verteilungen.
126
Kapitel 7 · Diskrete Verteilungen
7.1.2
Wahrscheinlichkeiten
Diskrete Zufallsvariable ergeben sich bei der Beobachtung von Zufallsexperimenten, bei denen abzählbar viele Ergebnisse möglich sind. So lassen sich beispielsweise die Merkmale „Münzwurf“, „Blutgruppe“ oder die Anzahl der Schwangerschaften einer Frau durch diskrete Zufallsvariablen beschreiben. Ein Elementarereignis A lässt sich darstellen durch X = xi (das heißt: Die Zufallsvariable X nimmt den Wert xi an). Für die Wahrscheinlichkeit P ( X = xi ) sind folgende Schreibweisen gebräuchlich: P ( A) = P( X = xi ) = P( xi ) = pi
7
(7.1)
Beispiel 7.1 Beim Münzwurf gibt es zwei Möglichkeiten: Wappen oder Zahl. A sei das Ereignis „Zahl“. Dieses Merkmal lässt sich durch eine diskrete Zufallsvariable X beschreiben, die die beiden Werte 0 (Wappen) oder 1 (Zahl) annehmen kann. Wenn man mehrmals nacheinander eine Münze wirft, bedeutet xi = 1 , dass sich beim i-ten Wurf eine Zahl ergeben hat; das Ereignis „Wappen“ wird beschrieben durch xi = 0 . Dabei gilt: P( A) = P( X = 1) = 1/ 2 .
Die Wahrscheinlichkeiten aller Elementarereignisse (deren Anzahl sei k) summieren sich – ebenso wie die relativen Häufigkeiten – zu 1: k
k
¦ p = ¦ f (x ) = 1 i
i =1
i
(7.2)
i =1
Die Wahrscheinlichkeitsfunktion f ( x ) ordnet jedem Wert xi dessen Wahrscheinlichkeit pi zu; sie ist definiert als: p für x = xi (i = 1,...k ) f ( x) = ® i ¯0 sonst
(7.3)
Die Formel (7.2) entspricht dem 2. Axiom von Kolmogoroff, nach dem die Wahrscheinlichkeit des Ereignisraums gleich 1 ist. Die Verteilungsfunktion F ( x) = P ( X ≤ x) einer diskreten Zufallsvariablen (die mindestens ordinal skaliert sein muss) gibt die Wahrscheinlichkeit an, dass die Zufallsvariable X einen Wert annimmt, der kleiner als x oder gleich x ist. Man erhält die Funktionswerte F ( x ) durch › Beispiel 7.3). Aufaddieren der Wahrscheinlichkeiten pi (z
7
127 7.1 Diskrete Zufallsvariable
7.1.3
Lageparameter
• Erwartungswert. Das bekannteste Lagemaß einer Stichprobe ist der Mittelwert; das Analogon zur Charakterisierung einer Grundgesamtheit wird Erwartungswert genannt. Während die Parameter einer Stichprobe gewöhnlich mit lateinischen Buchstaben dargestellt werden, werden die Parameter einer Grundgesamtheit mit griechischen Buchstaben bezeichnet. So wird der Erwartungswert mit µ (sprich: mü) symbolisiert; dies entspricht dem lateinischen m. Bei einer diskreten Zufallsvariablen mit k möglichen Realisationen ist µ definiert als: k
µ = ¦ xi ⋅ pi
(7.4)
i =1
Der Erwartungswert von X wird auch mit E( X ) , EX oder µ x bezeichnet. Diese Schreibweisen bevorzugt man, wenn der Variablenname X hervorgehoben werden soll. Zwei unmittelbar einleuchtende Rechenregeln seien an dieser Stelle genannt: E ( aX + b) = a ⋅ EX + b
(7.5)
n
E ( X 1 + ... + X n ) = ¦ EX i
(7.6)
i =1
Die Gleichung (7.6) beschreibt die Additivität der Erwartungswerte. ! Der Begriff des Erwartungswertes wurde bereits im Jahr 1657 vom niez
derländischen Mathematiker Christiaan Huygens in dessen Buch „De Ratiociniis in Alea Ludo“ eingeführt. Dieses Werk war das erste gedruckte Lehrbuch der Wahrscheinlichkeitsrechnung und hatte großen Einfluss auf die weitere Entwicklung dieses Gebietes.
Abgesehen von den Begriffen „Mittelwert“ bzw. „Erwartungswert“ stimmen bei den anderen Parametern die Bezeichnungen für die Stichprobe und die Grundgesamtheit weitgehend überein. ~ (sprich: mü Schlange) einer • Median und Quantile. Der Median µ Grundgesamtheit ist durch die Verteilungsfunktion bestimmt. Bei einer diskreten Zufallsvariablen ist der Median die kleinste Zahl ~ ) ≥ 0,5 . Analog dazu ist ein zwischen 0 und k, für die gilt: F (µ ~ beliebiges α-Quantil µ α (mit 0 < α < 1 ) definiert als die kleinste ~ ) ≥ α . So ist etwa der Median in Beispiel 7.3 gleich 2. Zahl mit F (µ α
128
Kapitel 7 · Diskrete Verteilungen
Übersicht 5: Analoge Begriffe aus der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung
7
deskriptive Statistik
Wahrscheinlichkeitsrechnung
Merkmal Ausprägungsliste Merkmalsausprägung ermittelter Merkmalswert der Beobachtungseinheit i relative Häufigkeit hi empirische Verteilungsfunktion Fˆ ( x) Mittelwert x
Zufallsvariable X Ereignisraum Ω Elementarereignis A Realisation xi der Zufallsvariablen Wahrscheinlichkeit pi Verteilungsfunktion F ( x) Erwartungswert µ
• Modus. Der Modus der Grundgesamtheit ist der Wert mit der größten Wahrscheinlichkeit. Bei bi- oder multimodalen Verteilungen existieren eventuell mehrere Modalwerte. 7.1.4
Streuungsparameter
• Varianz. In der deskriptiven Statistik ist die empirische Varianz definiert als die mittlere quadratische Abweichung der StichprobenDaten vom Mittelwert. Das Analogon in der Wahrscheinlichkeitsrechnung ist der Erwartungswert der quadratischen Abweichung der Zufallsvariablen X vom Erwartungswert µ : σ2 = E ( ( X − µ ) 2 ) = E ( X 2 ) − µ 2
(7.7)
Das griechische σ (Sigma) entspricht dem lateinischen s. Für diskrete Zufallsvariable ist die Varianz äquivalent zu: k
σ2 = ¦ ( xi − µ) 2 pi
(7.8)
i =1
Wegen der quadratischen Dimension einer Varianz gilt:
Var( aX + b) = a 2 ⋅ Var(X )
(7.9)
Daraus folgt sofort (für a = 0 ): Var(b) = 0 . Dies beinhaltet die triviale Feststellung: Eine Konstante hat keine Varianz. Analog zur deskriptiven Statistik erhält man die Standardabweichung ı aus der Wurzel der Varianz. Für verhältnisskalierte Zufallsvariable ist der
7
129 7.2 Die Binomialverteilung
Variationskoeffizient definiert als der Quotient σ / µ . Für die Summe zweier Zufallsvariablen gilt allgemein: Var( X + Y ) = Var( X ) + Var(Y ) + 2 ⋅ Cov( X , Y )
(7.10)
Dabei gilt für die Kovarianz: Cov( X , Y ) = E ( ( X − µ x ) ⋅ (Y − µ y ) ) = E ( XY ) − µ x ⋅ µ y
(7.11)
Die Kovarianz ist 0, wenn X und Y unabhängige Variable sind. Für die Summe von mehreren unabhängigen Zufallsvariablen gilt: n
n
i =1
i =1
Var( ¦ X i ) = ¦ Var(X i )
(7.12)
Mathematische Herleitung der Rechenregeln zur Varianz Aus der Definition der Varianz ergibt sich unter Berücksichtigung der Rechenregeln (7.5) und (7.6) die Formel (7.7): σ2 = E (( X − µ )2 ) = E ( X 2 − 2µ ⋅ X + µ 2 ) = E ( X 2 ) − 2µ ⋅ E ( X ) + µ 2 = = E ( X 2 ) − 2µ 2 + µ 2 = E ( X 2 ) − µ 2
Die Formel (7.8) folgt dann direkt aus (7.4), indem man xi durch ( xi − µ) 2 ersetzt. Für die Variable aX + b erhält man aus der Definition der Varianz in (7.7) die Formel (7.9): Var (aX + b) = E (aX + b − aµ − b) 2 = a 2 ⋅ E ( X − µ) 2 = a 2 ⋅ Var ( X ) i Weitere Kenngrößen zur Beschreibung einer Verteilung, nämlich die z Formmaße, werden in Abschnitt 8.1.3 erläutert.
7.2
Die Binomialverteilung
7.2.1
Das Bernoulli-Experiment
Die Binomialverteilung basiert auf einem Zufallsexperiment einfachster Art, bei dem nur zwei Ausgänge möglich sind. Man bezeichnet dies als ein Bernoulli-Experiment, benannt nach dem Schweizer Mathematiker Jakob Bernoulli (1654-1705). Generell lassen sich alle Experimente, bei denen ein Alternativmerkmal beobachtet wird (z. B. der Münzwurf oder die Bestimmung des Geschlechts einer Person) als ein Bernoulli-Experiment auffassen. Die-
130
Kapitel 7 · Diskrete Verteilungen
ses Modell ist anwendbar bei allen qualitativen und quantitativen Merkmalen, deren Ausprägungen in zwei Gruppen oder Klassen eingeteilt sind (z. B. Blutgruppe A oder andere Blutgruppe, Laborwert normal oder pathologisch). Um ein Bernoulli-Experiment formal zu beschreiben, betrachten wir zwei komplementäre Ereignisse A und A . Wir führen eine Zufallsvariable X ein, welche die Werte 1 (falls A eintritt) und 0 (falls › Beispiel 7.1). Die dazugehörenden A eintritt) annehmen kann (z Wahrscheinlichkeiten seien:
P( A) = P( X = 1) = p P( A) = P( X = 0) = q Nach Formel (6.2) erhalten wir für die Wahrscheinlichkeit des komplementären Ereignisses A : q = 1− p
7
(7.13)
Die Wahrscheinlichkeit p kann – wie bereits in Abschnitt 6.2.2 erwähnt – empirisch geschätzt werden, indem man ein Bernoulli-Experiment hinreichend oft wiederholt und dann die relative Häufigkeit des Ereignisses A als Schätzwert für p verwendet. › Abschnitt 8.3.2) fini Diese Variante des Gesetzes der großen Zahlen (z z det sich bereits in Bernoullis Schrift „Ars conjectandi“, die erst nach seinem Tod im Jahr 1713 veröffentlicht wurde. Das Neue und Besondere an diesem Werk ist die Idee, die Statistik auf wirtschaftliche und gesellschaftliche Probleme anzuwenden. 7.2.2
Eigenschaften der Binomialverteilung
Wenn ein Bernoulli-Experiment mehrfach wiederholt wird und diese Wiederholungen unabhängig voneinander sind, bezeichnet man dies als einen Bernoulli-Prozess. Wenn beispielsweise bei einer Wurfserie mit einem Würfel die Anzahl der 6er gezählt wird, oder wenn eine bestimmte Anzahl von Personen danach untersucht wird, wie häufig „Rhesusfaktor positiv“ vorkommt, dann handelt es sich bei diesen Beobachtungsserien formal um Bernoulli-Prozesse. Ein solcher Prozess ist folgendermaßen charakterisiert:
ŷ Es werden n unabhängige Bernoulli-Experimente durchgeführt,
die durch gleich verteilte Zufallsvariable X i ( i = 1,..., n ) beschrieben werden.
7
131 7.2 Die Binomialverteilung
ŷ Jedes X i nimmt mit der Wahrscheinlichkeit p den Wert 1 (bei
Eintreten des Ereignisses A) und mit der Wahrscheinlichkeit q = 1 − p den Wert 0 (bei Eintreten von A ) an. ŷ Dann quantifiziert die Zufallsvariable X = X 1 + X 2 + ... + X n , wie häufig bei n Experimenten das Ereignis A eingetreten ist. X wird durch eine Binomialverteilung beschrieben. Eine binomialverteilte Zufallsvariable X ist durch die Parameter n und p eindeutig festgelegt und wird mit X ~ B (n, p ) angegeben. Der Erwartungswert und die Varianz sind berechenbar als: n
E ( X ) = ¦ EX i = n ⋅ p
(7.14)
i =1
n
Var( X ) = ¦ Var( X i ) = n ⋅ p ⋅ q
(7.15)
i =1
Beispiel 7.2 Eine Klausur in Biomathematik bestehe aus 10 Aufgaben. Es sind jeweils fünf Antworten vorgegeben, von denen genau eine richtig ist. Wenn ein Student mangels solider Statistik-Kenntnisse darauf angewiesen ist, die richtigen Antworten zu erraten, lässt sich dieses Vorgehen formal ansehen als einen Prozess bestehend aus n = 10 Bernoulli-Experimenten mit den möglichen Ereignissen A (richtig raten) und A (falsch raten). Die Wahrscheinlichkeiten sind: p = P ( A) = 1 / 5 = 0,2 und q = P (A ) = 4 / 5 = 0,8 . X ~ B (10;0,2) sei die Zufallsvariable, die die Anzahl der richtig gelösten Aufgaben angibt. Für den Erwartungswert und die Varianz ergeben sich: µ = 10 ⋅ 0, 2 = 2, 0 nach (7.14) σ2 = 10 ⋅ 0, 2 ⋅ 0, 8 = 1, 6
nach (7.15)
Etwas komplizierter ist die Berechnung der Wahrscheinlichkeiten. Die Zufallsvariable X ~ B (n, p ) kann theoretisch jede natürliche Zahl zwischen 0 und n annehmen. Diese Zahl gibt an, wie oft bei n Zufallsexperimenten das Ereignis A eingetreten ist. Die entsprechenden Wahrscheinlichkeiten berechnet man nach folgender Formel: §n· P ( X = k ) = ¨ ¸ ⋅ p k ⋅ q n − k für k = 0,..., n ©k ¹
(7.16)
132
Kapitel 7 · Diskrete Verteilungen
§n· Der Ausdruck ¨¨ ¸¸ (sprich: n über k) wird als Binomialkoeffizient ©k ¹ bezeichnet. Er quantifiziert die Anzahl der Möglichkeiten, aus einer Menge von n Elementen genau k Elemente auszuwählen, und ist folgendermaßen definiert:
§n· 1 ⋅ 2 ⋅ ... ⋅ n n! = ¨k ¸ = © ¹ k !⋅ ( n − k )! (1 ⋅ ... ⋅ k ) ⋅ ((1 ⋅ ... ⋅ ( n − k ))
(7.17)
Der Zähler dieses Ausdrucks n! (sprich: n Fakultät) bezeichnet das Produkt, das aus allen natürlichen Zahlen von 1 bis n gebildet wird. Entsprechend werden k! und (n − k )! im Nenner berechnet.
7
Mathematische Herleitung der Parameter der Binomialverteilung Wir betrachten den einfachsten Fall n = 1 , also ein einzelnes Bernoulliexperiment mit zwei möglichen Ergebnissen A bzw. A und den Wahrscheinlichkeiten p bzw. q. Nach (7.4) und (7.8) berechnet man: µ = 1⋅ p + 0 ⋅ q = p σ 2 = (1 − p ) 2 ⋅ p + (0 − p ) 2 ⋅ q = q 2 ⋅ p + p 2 ⋅ q = pq ⋅ (q + p ) = pq Für die Summe X = X 1 + ... + X n gilt nach (7.6) und (7.12): EX = np und VarX = npq Bei n unabhängigen Wiederholungen dieses Experiments beträgt die Wahrscheinlichkeit, dass bei den ersten k Experimenten das Ereignis A und bei den folgenden (n-k) Experimenten das Ereignis A eintritt, p k ⋅ q n−k . Diese Wahrscheinlichkeit ergibt bei jeder Kombination, bei der k-mal A und (n-k)mal A eintritt – egal in welcher Reihenfolge. Jetzt bleibt nur noch zu klären, wie viele Möglichkeiten existieren, aus einer Menge von n Elementen eine Teilmenge von k Elementen auszuwählen. Für das 1. Element gibt es n Auswahlmöglichkeiten, für das 2. verbleiben (n − 1) und für das k. Element noch (n − k + 1) Möglichkeiten – dies ergibt insgesamt n! n ⋅ (n − 1) ⋅ ... ⋅ (n − k + 1) = . (n − k )! Da es k! Möglichkeiten gibt, diese k Elemente anzuordnen (und da die Reihenfolge keine Rolle spielt), müssen wir diesen Quotienten durch k! dividieren und erhalten: § n· §n· n! = ¨ ¸ und damit: P( X = k ) = ¨¨ ¸¸ ⋅ p k ⋅ q n−k . (k!) ⋅ (n − k )! ¨© k ¸¹ ©k ¹
7
133 7.2 Die Binomialverteilung
Beispiel 7.3 Wir greifen zurück auf das Beispiel 7.2 (Biomathe-Klausur) und berechnen die Wahrscheinlichkeit dafür, dass 3 von 10 Antworten richtig sind. Die Wahrscheinlichkeit, die ersten 3 Aufgaben richtig und die restlichen 7 falsch zu lösen, ist: p 3 ⋅ q 7 = 0, 23 ⋅ 0,87 ≈ 0, 0017 . Es gibt jedoch nicht nur eine, sondern
§ 10 · insgesamt ¨ ¸ = 120 Möglichkeiten, von 10 Aufgaben genau 3 richtig zu ©3¹ erraten. Demnach beträgt die gesuchte Wahrscheinlichkeit nach (7.16): P ( X = 3) = 120 ⋅ 0,23 ⋅ 0,87 = 0,2013 . Für die anderen Wahrscheinlichkeiten › Abbildung 7.1): ergibt sich (z P( X = k )
k 0
0
10
F ( k ) = P( X ≤ k )
10
1 ⋅ 0, 2 ⋅ 0, 8 = 0, 8 = 0,1074 1
9
0,1074
1
10 ⋅ 0, 2 ⋅ 0, 8 = 0, 2684
0,3758
2
45 ⋅ 0, 22 ⋅ 0, 88 = 0, 3020
0,6778
3
7
3
120 ⋅ 0, 2 ⋅ 0, 8 = 0, 2013
0,8791
4
210 ⋅ 0,2 4 ⋅ 0,86 = 0,0881
0,9672
5
5
5
252 ⋅ 0, 2 ⋅ 0, 8 = 0, 0264
0,9936
6
210 ⋅ 0, 26 ⋅ 0, 84 = 0, 0055
0,9991
7
3
7
120 ⋅ 0, 2 ⋅ 0, 8 = 0, 0008
0,99992
8
45 ⋅ 0, 28 ⋅ 0, 82 = 7 ⋅ 10−5
0,999996
9
10 ⋅ 0, 29 ⋅ 0, 81 = 4 ⋅ 10−6
10
10
0
10
1 ⋅ 0, 2 ⋅ 0, 8 = 0, 2 = 10
0,9999999 −7
1
Die Wahrscheinlichkeit, durch Raten weniger als 6 Punkte zu erreichen, beträgt demnach P ( X ≤ 5) = 99,36% . Wenn 6 Punkte zum Bestehen der Klausur notwendig sind, hat man eine Chance von weniger als 1 %, ohne die geringste Ahnung von Biomathematik die Klausur zu bestehen.
Bezüglich der Formel (7.17) sind folgende Regeln zu beachten:
ŷ Jeder Binomialkoeffizient ist eine natürliche Zahl. ŷ Einen Binomialkoeffizienten berechnet man am einfachsten als einen Bruch mit k natürlichen Zahlen im Zähler (beginnend bei n in absteigender Reihenfolge) und k Zahlen im Nenner (beginnend bei 1 in aufsteigender Reihenfolge). So ist z. B. §10 · 10 ⋅ 9 ⋅ 8 ¨¨ ¸¸ = = 120 . © 3 ¹ 1⋅ 2 ⋅ 3
134
Kapitel 7 · Diskrete Verteilungen
ŷ Für alle p gilt generell: p 0 = 1 und p1 = p . §n·
§ n ·
§ 10 ·
§ 10 ·
¸¸ ; z. B. ¨ ¸ = ¨ ¸ . ŷ Für alle k = 0,..., n gilt: ¨¨ ¸¸ = ¨¨ ©3¹ ©7¹ ©k ¹ ©n − k ¹ § n·
§ n·
© ¹
© ¹
ŷ Per definitionem ist: ¨¨ ¸¸ = ¨¨ ¸¸ = 1 0 n 7.2.3
Die symmetrische Binomialverteilung
Für die symmetrische Binomialverteilung ( p = q = 0,5 ) vereinfachen sich die obigen Formeln zu:
7
E ( X ) = 0,5 ⋅ n
(7.18)
Var( X ) = 0, 25 ⋅ n
(7.19)
§n· P( X = k ) = P( X = n − k ) = ¨ ¸ ⋅ 0,5n ©k ¹
(7.20)
Beispiel 7.4 Eine Familie habe vier Kinder, X sei die Anzahl der Jungen. Wir nehmen an, dass mit der Wahrscheinlichkeit von 0,5 ein Junge geboren wird. Nach (7.18) und (7.19) ergibt sich: E ( X ) = 2 und Var ( X ) = 1 . Für die Wahrschein› Abbildung 7.2): lichkeiten berechnet man nach (7.20) (z
k
P( X = k )
P( X ≤ k )
0
1 ⋅ 0,54 = 1 / 16 = 0,0625
0,0625
1
4
4 ⋅ 0,5 = 1 / 4 = 0,25 4
0,3125
2
6 ⋅ 0,5 = 3 / 8 = 0,375
0,6875
3
4 ⋅ 0,54 = 1 / 4 = 0,25
0,9375
4
4
1 ⋅ 0,5 = 1 / 16 = 0,0625
1
i Die Schiefe einer Binomialverteilung berechnet sich als γ1 = ( q − p ) / σ . z Also ist die Verteilung genau dann symmetrisch ist, wenn p = q .
135 7.2 Die Binomialverteilung
0,4
0,3 0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 Abb. 7.1 Binomialverteilung mit n = 10 und p = 0,2 0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 Abb. 7.2 Binomialverteilung mit n = 4 und p = 0,5 0,3
0,2
0,1
0
0 1 2 3 4 5 6 Abb. 7.3 Poissonverteilung mit λ = 2
7
8
9
10
7
136
7
Kapitel 7 · Diskrete Verteilungen
7.3
Andere diskrete Verteilungen
7.3.1
Die Poissonverteilung
Der französische Mathematiker Siméon Denis Poisson (1781-1840) hat die Binomialverteilung für den speziellen Fall untersucht, dass die Anzahl der Wiederholungen n groß und die Wahrscheinlichkeit p für das Eintreten des Ereignisses A klein ist. Fragestellungen dieser Art treten in der Medizin häufig auf. So wird etwa bei epidemiologischen Untersuchungen eine umfangreiche Population beobachtet, wobei die Wahrscheinlichkeit, dass bei einem Individuum eine bestimmte Krankheit eintritt, sehr gering ist. Ein anderes Beispiel stellt der radioaktive Zerfall dar: In einer bestimmten Zeiteinheit zerfällt nur ein minimaler Anteil von Millionen radioaktiver Isotope. Poisson hat nachgewiesen, dass für n ≥ 30 und p ≤ 0,1 die Binomialverteilung durch folgende Grenzverteilung approximiert werden kann:
P( X = k ) =
λ k −λ ⋅e k!
(7.21)
Der Buchstabe e symbolisiert die Euler’sche Zahl, deren Wert ungefähr 2,718 beträgt. Die Formel (7.21) hat gegenüber (7.16) den Vorteil, dass sie für große n und kleine k wesentlich leichter zu handhaben ist. Der griechische Buchstabe λ (Lambda) repräsentiert den Erwartungswert der Verteilung, für den nach (7.14) gilt: E( X ) = λ = n ⋅ p
(7.22)
Nach (7.15) und (7.13) lässt sich die Varianz approximieren durch:
Var( X ) = n ⋅ p ⋅ q = n ⋅
λ λ ⋅ (1 − ) → λ n n n→∞
(7.23)
Demnach stimmen bei der Poissonverteilung der Erwartungswert und die Varianz überein. Durch den Parameter λ ist eine Poissonverteilte Zufallsvariable eindeutig festgelegt; sie wird als X ~ P (λ) angegeben. Wegen des kleinen Wertes für p bezeichnet man diese Verteilung auch als die „Verteilung der seltenen Ereignisse“. ! Für die Berechnung einer Wahrscheinlichkeit nach (7.21) wird nur der z
Erwartungswert NJ benötigt. Weitere Angaben (der Parameter n oder die Wahrscheinlichkeit p für das Eintreten eines Ereignisses im Einzelfall)
137
7
7.3 Andere diskrete Verteilungen
sind nicht erforderlich. Daher kann die Poissonverteilung auch angewandt werden, wenn die Grundgesamtheit nicht konkret angegeben werden kann oder wenn die Wahrscheinlichkeit p nicht explizit quanti› Beispiel 7.6). fizierbar ist (z Beispiel 7.5 In einer Geburtsklinik werden jährlich n = 2.000 Kinder geboren. Die Wahrscheinlichkeit, dass ein Neugeborenes mit einem Down-Syndrom zur Welt kommt, beträgt p = 0,001 . Unter der Annahme, dass die Ereignisse unabhängig sind, lässt sich die Anzahl der Neugeborenen mit Down-Syndrom durch eine Poisson-verteilte Zufallsvariable X beschreiben. Für den charakteristischen Parameter gilt: λ = n ⋅ p = 2.000 ⋅ 0,001 = 2 . Mit (7.21) berechnet man:
k
P( X = k )
0
−2
e
= 0,135
F ( k ) = P( X ≤ k )
0,135
0,406 2 ⋅ e −2 = 0,271 4 −2 ⋅ e = 0, 271 2 0,677 2 8 −2 ⋅ e = 0,180 3 0,857 6 16 −2 ⋅ e = 0,090 4 0,947 24 32 −2 ⋅ e = 0,036 5 0,983 120 64 −2 ⋅ e = 0,012 6 0,995 720 Man erkennt, dass die Wahrscheinlichkeiten für wachsendes k sehr schnell › Abbildung 7.3). Die Wahrscheinlichkeit, dass pro Jahr mehr als abnehmen (z 6 Kinder mit Down-Syndrom geboren werden, ist nahezu 0. 1
Beispiel 7.6 Verdünntes Blut wird in eine Zählkammer eingefüllt. Diese ist in zahlreiche Quadrate identischer Fläche eingeteilt. Unter dem Mikroskop werden die Erythrozyten in 80 Quadraten gezählt. Man ermittelt durchschnittlich 5,9125 Erythrozyten pro Zählquadrat. Es stehen Millionen von Erythrozyten zur Verfügung; die Wahrscheinlichkeit, dass ein bestimmter Erythrozyt in einem Zählquadrat gefunden wird, ist extrem gering. Dies rechtfertigt die Annahme, dass die Anzahl der Erythrozyten pro Quadrat einer Poissonverteilung folgt. Also kann man nach (7.21) mit λ = 5,9125 Wahrscheinlichkeiten berechnen, › Abohne dass die Parameter n und p explizit bekannt sind (siehe auch z schnitt 12.2.6, Beispiel 12.6).
138
Kapitel 7 · Diskrete Verteilungen
Mathematische Herleitung der Poissonverteilung Diese Verteilung ist ein Grenzfall der Binomialverteilung und kann aus dieser hergeleitet werden. Mit (7.16) und λ = n ⋅ p ergibt sich: −k
§n· 1 n ⋅ ( n − 1) ⋅ ... ⋅ ( n − k + 1) k § λ· § λ· P( X = k ) = ¨ ¸ ⋅ p k ⋅ q n − k = ⋅ ⋅ λ ⋅ ¨1 − ¸ ¨1 − ¸ k k ! k n n¹ n © ¹ © © ¹ Für großes n und vergleichsweise kleines k ist das Produkt der k Faktoren des n
Zählers ungefähr n k . Aus der Analysis ist bekannt, dass gilt: n
§ λ· § λ· lim ¨1 − ¸ = e − λ . Außerdem ist lim ¨ 1 − ¸ n →∞ n → ∞© n¹ © n¹
−k
=1.
Damit erhalten wir für obige Formel: P ( X = k ) =
λ k −λ ⋅e k!
i Die Poissonverteilung ist immer rechtsschief (oder linksgipfelig), da für z die Schiefe gilt: γ1 = ( q − p ) / σ → (1 − 0) / λ = 1/ λ > 0 . n →∞
7
7.3.2
Die Polynomialverteilung
Die Polynomialverteilung (oder Multinomialverteilung) stellt eine Verallgemeinerung der Binomialverteilung dar. Sie beschreibt eine Serie von n Zufallsexperimenten, bei denen pro Beobachtung eines von k möglichen Ereignissen A1 , A2 ,..., Ak mit den Wahrscheinlichkeiten p1 , p2 ,..., pk auftreten kann. Die Wahrscheinlichkeit, dass bei n Beobachtungen das Ereignis A1 mit der Häufigkeit n1 , das Ereignis A2 mit der Häufigkeit n2 usw. eintritt, berechnet sich nach: P ( n1 , n2 ,..., nk p1 , p2 ,..., pk ) = k
Dabei ist
¦p
i
i =1
( p1 ) n1 ⋅ ... ⋅ ( pk ) nk ⋅ n! n1 !⋅ ... ⋅ nk !
(7.24)
k
= 1 und
¦n
i
=n.
i =1
Beispiel 7.7 Die Wahrscheinlichkeiten für das Auftreten der Blutgruppen betragen: P (0) = p1 = 0,39 , P (A ) = p2 = 0,44 , P (B) = p3 = 0,13 , P (AB) = p4 = 0,04 . Dann ist die Wahrscheinlichkeit, dass unter n = 10 Personen je 4mal die Blutgruppen 0 und A und je 1mal B und AB vorkommen, nach (7.24):
P(4,4,1,1 0,39;0,44;0,13;0,04 ) =
0,394 ⋅ 0,444 ⋅ 0,131 ⋅ 0,041 ⋅10!= 0,0284 4! ⋅4! ⋅1! ⋅1!
139
7
7.3 Andere diskrete Verteilungen
7.3.3
Die negative Binomialverteilung
Während die Binomialverteilung darüber informiert, mit welcher Wahrscheinlichkeit das Ereignis A bei n unabhängigen Beobachtungen 0, 1, 2, ... oder n-mal gezählt wird, beschreibt die negative Binomialverteilung NB (r , p ) , mit welcher Wahrscheinlichkeit das Ereignis A gerade bei der j-ten Beobachtung zum r-ten Mal eintritt. Diese Verteilung wird häufig zur Analyse von Wartezeiten verwendet. Der einfachste Spezialfall ist die geometrische Verteilung NB (1, p) , die angibt, mit welcher Wahrscheinlichkeit das Ereignis A bei der j-ten Beobachtung erstmals eintritt. Sie lässt sich leicht herleiten als: P ( X = j ) = q j −1 ⋅ p
(7.25)
Dabei wird zugrunde gelegt, dass bei den ersten j − 1 Beobachtungen jeweils das Ereignis A (mit der Wahrscheinlichkeit q = 1 − p ) und bei der j. Beobachtung das Ereignis A (mit der Wahrscheinlichkeit p ) eintritt. Beispiel 7.8 Eine Blutbank benötigt Blut von 10 Personen mit dem Rhesusfaktor positiv. Wie groß ist die Wahrscheinlichkeit, dass man nach der Blutentnahme bei maximal 14 Personen 10 positive Konserven hat? Nach (7.26) berechnet man für X ~ NB(10;0,85) (also r = 10 und p = 0,85 ): §9· P ( X = 10) = ¨¨ ¸¸ ⋅ 0,8510 = 0,1969 ©9¹ §10 · P( X = 11) = ¨¨ ¸¸ ⋅ 0,15 ⋅ 0,8510 = 0,2953 ©9¹ §11· P( X = 12) = ¨¨ ¸¸ ⋅ 0,152 ⋅ 0,8510 = 0,2436 ©9¹
§12 · P( X = 13) = ¨¨ ¸¸ ⋅ 0,153 ⋅ 0,8510 = 0,1462 ©9¹ §13· P ( X = 14) = ¨¨ ¸¸ ⋅ 0,154 ⋅ 0,8510 = 0,0713 ©9¹ Durch Addition erhält man: P ( X ≤ 14) = 0,9533 . Das bedeutet, dass mit 95%iger Wahrscheinlichkeit 14 Entnahmen ausreichen werden, um 10 positive Reserven zu erhalten.
140
Kapitel 7 · Diskrete Verteilungen
Wie groß ist nun die Wahrscheinlichkeit, dass bei der j-ten Beobachtung das Ereignis A zum r-ten Mal eintritt? Dabei ist zu berücksichtigen, dass unter den vorangegangenen ( j − 1) Beobachtungen das Ereignis A genau (r − 1) -mal gezählt worden ist. Also gilt für die negative Binomialverteilung allgemeiner Art:
§ j − 1· j − r r ¸¸ ⋅ q P( X = j ) = ¨¨ ⋅ p für j ≥ r © r − 1¹ 7.3.4
7
(7.26)
Die hypergeometrische Verteilung
Die hypergeometrische Verteilung beschreibt n Beobachtungen, bei denen jeweils alternativ die Ereignisse A und A eintreten können. Im Gegensatz zur Binomialverteilung sind diese Beobachtungen jedoch nicht unabhängig voneinander – das Auftreten eines bestimmten Ereignisses beeinflusst die Wahrscheinlichkeiten aller nachfolgenden Ereignisse. i Die Binomial- und die hypergeometrische Verteilung lassen sich durch z zwei unterschiedliche Urnenmodelle veranschaulichen. Gegeben sei eine Urne mit roten und weißen Kugeln; der Anteil roter Kugeln betrage p. Wenn man aus dieser Urne nacheinander n Kugeln zieht, und nach jeder Ziehung die Kugel zurück in die Urne legt, sind die Ziehungen unabhängig voneinander und die Wahrscheinlichkeit, eine rote Kugel zu ziehen, beträgt bei jedem Zug p. Ein solcher Prozess lässt sich durch eine Binomialverteilung beschreiben. Wenn man jedoch die gezogenen Kugeln nicht zurücklegt, ändern sich bei jedem Zug die Wahrscheinlichkeiten. Die Ziehungen sind voneinander abhängig und werden durch eine hypergeometrische Verteilung charakterisiert.
Der hypergeometrischen Verteilung liegen folgende Annahmen zugrunde:
ŷ Insgesamt stehen N Objekte (also endlich viele) zur Verfügung,
von denen genau M die Eigenschaft A und ( N − M ) die Eigenschaft A aufweisen. ŷ Von den N Objekten werden n zufällig ausgewählt. Die Zufallsvariable X ~ HG (n; N , M ) gibt an, wie häufig das Merkmal A bei n Beobachtungen auftritt. Die Wahrscheinlichkeiten für k = 0,..., n sind:
141
7
7.3 Andere diskrete Verteilungen
§M · §N − M · ¨ k ¸⋅¨ n − k ¸ ¹ P( X = k ) = © ¹ © §N· ¨n¸ © ¹
(7.27)
Der Quotient p = M / N wird auch als Anteilswert bezeichnet. Damit ist der Erwartungswert der hypergeometrischen Verteilung ähnlich wie bei der Binomialverteilung (Formel 7.14): E ( X ) = np = n ⋅
M N
(7.28)
Für die Varianz gilt: Var( X ) =
N −n ⋅ n ⋅ p ⋅ (1 − p ) N −1
(7.29)
Der Faktor ( N − n) /( N − 1) in Formel (7.29) entspricht der Endlichkeitskorrektur. Falls N im Vergleich zu n sehr groß ist, kann die hypergeometrische Verteilung durch die Binomialverteilung approximiert werden. Beispiel 7.9 Von den 71 Studenten in Tabelle 2.1 sind 23 männlich. Wie groß ist die Wahrscheinlichkeit, dass von 5 zufällig ausgewählten Studenten 2 männlich sind? Nach (7.27) ergibt sich mit N = 71 , M = 23 , n = 5 und k = 2 : § 23· § 48 · ¨¨ ¸¸ ⋅ ¨¨ ¸¸ 2 3 253 ⋅17.296 P ( X = 2) = © ¹ © ¹ = = 0,336 13.019.909 § 71· ¨¨ ¸¸ ©5¹
7.3.5
Die diskrete Gleichverteilung
Schließlich sei noch die diskrete Gleichverteilung DG (k ) erwähnt. Sie beschreibt ein Zufallsexperiment, bei dem k Ereignisse A1 , A2 ,..., Ak mit jeweils derselben Wahrscheinlichkeit eintreten können. Ein bekanntes Beispiel ist der ideale Würfel, bei dem jede Augenzahl mit der Wahrscheinlichkeit p = 1 / 6 erzielt wird. In der Statistik spielen diskrete Gleichverteilungen bei Zufallszahlen eine Rolle. Dies sind Ziffernfolgen, bei denen jede Ziffer mit derselben Wahrscheinlichkeit p = 0,1 auftritt. Zwei nebeneinander stehende
142
Kapitel 7 · Diskrete Verteilungen
Ziffern bilden dann eine 2-stellige Zufallszahl zwischen 0 und 99. Diese sind gleichverteilt mit p = 1 / 100 . Übersicht 6: Diskrete Verteilungen
7
Name und Bezeichnung der Verteilung
Abschnitt
Anzahl und Art der mögliche Beobachtungen Einzelereignisse
Binomialverteilung B ( n, p )
7.2
n unabhängige
A und A
Poisson-Verteilung P (λ)
7.3.1
n unabhängige n ≥ 30, p ≤ 0,1
A und A
Polynomial-Verteilung
7.3.2
n unabhängige
A1 ,..., Ak
geometrische Verteilung NB(1, p)
7.3.3
bis A zum 1. Mal eintritt
A und A
negative Binomialverteilung NB(r , p)
7.3.3
bis A zum r. Mal eintritt
A und A
hypergeometrische Verteilung HG (n; N , M )
7.3.4
n abhängige
A und A
Gleichverteilung DG (k )
7.3.5
1
A1 ,..., Ak
8
Stetige Verteilungen 8.1
Stetige Zufallsvariable 145
8.1.1
Funktionen 145
8.1.2
Lage- und Streuungsparameter 147
8.1.3
Die zentralen Momente 147
8.2
Die Normalverteilung 148
8.2.1
Allgemeine Eigenschaften 148
8.2.2
Die Standardnormalverteilung 149
8.2.3
σ-Bereiche und Referenzbereiche 151
8.2.4
Normalisierende Transformationen 152
8.3
Sätze der Wahrscheinlichkeitsrechnung 155
8.3.1
Die Tschebyscheff’sche Ungleichung 155
8.3.2
Das Gesetz der großen Zahlen 157
8.3.3
Der zentrale Grenzwertsatz 159
8.3.4
Die Bedeutung der Normalverteilung 161
8.4
Die Verteilung von Überlebenszeiten 162
8.4.1
Einige wichtige Begriffe 162
8.4.2
Die Exponentialverteilung 164
8.4.3
Die Weibull-Verteilung 165
8.5
Prüfverteilungen 166
8.5.1
Die t-Verteilung 167
8.5.2
Die Chi2-Verteilung 168
8.5.3
Die F-Verteilung 170
145
8
8.1 Stetige Zufallsvariable
8.1
Stetige Zufallsvariable
8.1.1
Funktionen
Eine stetige Zufallsvariable X (z. B. Körpergewicht oder Körpergröße) kann theoretisch alle Zahlenwerte innerhalb eines bestimmten Intervalls annehmen. Die Wahrscheinlichkeitsverteilung wird durch die Dichtefunktion (oder Dichte) beschrieben. Diese Funktion ordnet jedem Wert xi der Zufallsvariablen einen Funktionswert f ( xi ) > 0 zu. Die Gesamtfläche unter der Kurve f (x) ist gleich 1: +∞
³ f ( x)dx = 1
(8.1)
−∞
Diese Gleichung drückt aus, dass die Zufallsvariable X mit Sicherheit (also der Wahrscheinlichkeit 1) einen Wert zwischen -∞ und +∞ annimmt. Sie ist vergleichbar mit (7.2); das Σ-Zeichen ist ersetzt durch das Integral. Die Verteilungsfunktion einer stetigen Zufallsvariablen ist das Integral über der Dichte: x
F ( x) = P( X ≤ x) =
³ f (t )dt
(8.2)
−∞
Daraus folgt für das komplementäre Ereignis X > x : +∞
P( X > x) =
³ f (t )dt = 1 − F ( x)
(8.3)
x
! Die Dichte wird in den Gleichungen (8.2) und (8.3) mit f ( t ) bezeichnet, z
weil x eine Grenze des Integrals darstellt, während sich die Variable t zwischen den Grenzen -∞ und x bzw. zwischen x und +∞ bewegt.
Aus den obigen Formeln lassen sich folgende allgemeine Eigenschaften der Verteilungsfunktion F ( x ) herleiten:
ŷ F ( x ) ist eine monoton wachsende Funktion, ŷ F ( x ) hat die Grenzwerte F( −∞ ) = 0 und F( +∞ ) = 1 , ŷ die Dichte f ( x ) ist die Ableitung der Verteilungsfunktion; es gilt nämlich: f ( x ) = F' ( x ) .
146
Kapitel 8 · Stetige Verteilungen
Die Wahrscheinlichkeit, dass X einen Wert zwischen a und b annimmt, wird folgendermaßen berechnet:: b
P ( a ≤ X ≤ b) =
³ f ( x)dx = F (b) − F (a)
(8.4)
a
Dieses Integral beschreibt eine Fläche, die von der x-Achse, der Kurve f ( x ) und den Parallelen zur y-Achse x = a und x = b be› Abbildung 8.1). Dies entspricht einem Teil der Gegrenzt wird (z samtfläche unter der Dichtefunktion, deren Wert nach (8.1) 1 beträgt. Infolgedessen hat das Integral in (8.4) immer einen Wert zwischen 0 und 1. Für die Wahrscheinlichkeit, dass X einen bestimmten Wert a annimmt, berechnet man: P( X = a) = F (a) − F (a) = 0
8
(8.5)
Dieses Ergebnis mag manchen Leser überraschen. Es sei an einem konkreten Beispiel erläutert: Wir betrachten die Zufallsvariable X, die das Merkmal „Körpergröße“ symbolisiert. Dann ist es sinnlos, nach der Wahrscheinlichkeit zu fragen, mit der X einen Wert von beispielsweise 178 cm annimmt. Dieser scheinbare Widerspruch zur Realität wird dadurch erklärt, dass die gemessene Körpergröße nicht exakt 178 cm beträgt, sondern sich – bei einer Messgenauigkeit von 1 cm – zwischen 177,5 cm und 178,5 cm bewegt.
Abb. 8.1 Dichte einer stetigen Zufallsvariablen. Die eingezeichnete Fläche entspricht P ( a ≤ X ≤ b) .
P(a ≤ x ≤ b)
a
b
147
8
8.1 Stetige Zufallsvariable
8.1.2
Lage- und Streuungsparameter
Für den Erwartungswert einer stetigen Zufallsvariablen gilt: +∞
µ=
³ x ⋅ f ( x)dx
(8.6)
−∞
Der Median und die α-Quantile sind definiert als: F( µ ) = 0 ,5 bzw. F( µ α ) = α . Der Modus ist der Wert, an dem die Dichtefunktion f ( x ) ein Maximum aufweist (bei multimodalen Verteilungen gibt es mehrere relative Maxima). Die Varianz lässt sich darstellen als: +∞ 2
σ =
³ ( x − µ)
2
f ( x)dx
(8.7)
−∞
Ansonsten gelten die in Abschnitt 7.1 dargelegten Rechenregeln analog. 8.1.3
Die zentralen Momente
Weitere Charakterisierungen einer quantitativen Zufallsvariablen gestatten die so genannten Momente EX k und die zentralen Momente E ( X − EX )k (wobei k eine natürliche Zahl ist). Das erste Moment EX haben wir bereits als den Erwartungswert µ kennen gelernt. Das zweite zentrale Moment E( X − EX )2 ist die Varianz. Aus dem 3. zentralen Moment lässt sich die Schiefe γ1 (Gamma) herlei› Formel 4.15): ten (z γ1 = E ( X − EX ) 3 σ 3
(8.8)
Da sich wegen der 3. Potenz negative und positive Abweichungen der x-Werte vom Mittelwert ausgleichen, ergibt sich bei symmetrischen Verteilungen für die Schiefe der Wert 0. Bei rechtsschiefen Verteilungen ist γ1 > 0 , bei linksschiefen ist γ1 < 0 . Mit dem 4. zentralen Moment wird die Wölbung definiert als γ 2 = E ( X − EX ) 4 σ 4 − 3
(8.9)
› Formel 4.17). Das 4. Moment der Normalverteilung ist 3σ 4 . Mit (z der Definition nach (8.9) erreicht man, dass die Wölbung einer normalverteilten Zufallsvariablen den Wert 0 annimmt.
148
Kapitel 8 · Stetige Verteilungen
8.2
Die Normalverteilung
8.2.1
Allgemeine Eigenschaften
Die Normalverteilung ist für die Statistik und deren praktische Anwendung von grundlegender Bedeutung. Ihre Dichte wird durch die Gauß’sche Glockenkurve dargestellt (sie war ehemals zusammen mit dem Konterfei von Carl Friedrich Gauß auf dem 10-Mark-Schein abgebildet). Die zugrunde liegende mathematische Funktion lautet: f ( x) =
8
1 2π ⋅ σ
−( x −µ) 2 2 ⋅ e 2σ
(8.10)
Eine normalverteilte Zufallsvariable X ist durch den Erwartungswert µ und die Standardabweichung σ eindeutig charakterisiert. Sie wird deshalb allgemein als X ~ N (µ, σ 2 ) angegeben (so auch in diesem Buch); andere Autoren verwenden die Schreibweise X ~ N (µ, σ) . Aus (8.10) lassen sich folgende Eigenschaften der Normalverteilung herleiten:
ŷ Die Glockenkurve ist symmetrisch um den Erwartungswert µ; es gilt also: f (µ + x) = f (µ − x) .
ŷ Sie hat zwei Wendepunkte bei x = µ − σ und x = µ + σ . ŷ Ihr Maximum ist an der Stelle x = µ . ŷ Der Erwartungswert, der Median und der Modalwert von X stimmen überein.
ŷ Die Dichte f ( x) ist für jede reelle Zahl definiert und größer als 0. Für x → ±∞ nähert sie sich asymptotisch der x-Achse.
Der Ausdruck „asymptotisch“ bedeutet in diesem Zusammenhang, dass die Glockenkurve für hinreichend große x-Beträge beliebig nahe an die x-Achse herankommt, ohne diese jedoch zu erreichen. Die spezielle Form der Glockenkurve hängt von der Standardabweichung σ ab: Bei kleinem σ ist sie schmal und hoch; bei großem σ ist › Abbildung 8.2). In jedem Fall ist die sie dagegen breit und niedrig (z Gesamtfläche unter der Kurve gemäß Formel (8.1) gleich 1. Die Schiefe γ1 ist – wie bei jeder symmetrischen Verteilung – gleich 0. Auch die Wölbung γ 2 ist nach (8.9) so definiert, dass sie bei einer Normalverteilung den Wert 0 annimmt. Die Wahrscheinlichkeit, dass eine normalverteilte Zufallsvariable X einen Wert zwischen zwei Grenzwerten a und b annimmt, berechnet man nach (8.4) über die Verteilungsfunktion F ( x ) :
149
8
dx = F (b) − F (a)
(8.11)
8.2 Die Normalverteilung
P ( a ≤ X ≤ b) =
b
1 2π ⋅ σ
⋅³e
− ( x −µ ) 2 2σ 2
a
Diese Wahrscheinlichkeit entspricht der Fläche, die von der Glockenkurve, der x-Achse und den Parallelen zur y-Achse x = a und › Abbildung 8.1). Die Bestimmung eines solx = b begrenzt wird (z chen Intervalls ist allerdings problematisch: Es ist nicht möglich, die F