Adjustierte Analyse
In diesem Beitrag
Was versteht man unter einer adjustierten Analyse?
Bei einer adjustierten Analyse wird der Zusammenhang zwischen zwei Variablen – zum Beispiel zwischen einer Behandlung und einem Ergebnis – unter Berücksichtigung weiterer Einflussvariablen untersucht. Diese zusätzlichen Variablen nennt man Kovariablen oder Confounder. Durch die Adjustierung soll ihr Einfluss rechnerisch „herausgerechnet“ werden, sodass der eigentliche Zusammenhang klarer sichtbar wird.
Im Gegensatz dazu betrachtet eine unadjustierte Analyse (auch: crude Analyse) lediglich den rohen, unkorrigierten Zusammenhang zwischen zwei Variablen, ohne auf weitere Störfaktoren einzugehen.
Technisch wird die Adjustierung häufig über Regressionsmodelle umgesetzt. In einer multiplen linearen Regression etwa wird der Koeffizient für eine Zielvariable geschätzt, während die übrigen Prädiktoren im Modell gehalten werden:
Hier steht für den adjustierten Effekt von auf , wenn alle anderen Kovariablen konstant gehalten werden.
Warum ist die adjustierte Analyse für statistische Analysen wichtig?
In der Realität wirken auf ein Ergebnis fast immer mehrere Faktoren gleichzeitig ein. Wenn man diese Faktoren ignoriert, besteht die Gefahr von Confounding: Ein beobachteter Zusammenhang zwischen zwei Variablen ist dann nicht auf eine direkte Beziehung zurückzuführen, sondern wird durch eine dritte, unberücksichtigte Variable verzerrt.
Adjustierte Analysen helfen dabei, solche Verzerrungen zu reduzieren und Schätzungen zu erhalten, die dem wahren Effekt näherkommen. Das ist besonders relevant in der Epidemiologie, der klinischen Forschung und den Sozialwissenschaften, wo randomisierte kontrollierte Experimente nicht immer möglich sind.
Unadjustiert vs. Adjustiert – Kurzvergleich
| Merkmal | Unadjustierte Analyse | Adjustierte Analyse |
|---|---|---|
| Kovariablen berücksichtigt | Nein | Ja |
| Verzerrungsrisiko | Höher | Geringer |
| Interpretierbarkeit | Einfacher | Komplexer |
| Typische Methode | Einfache Regression, t-Test | Multiple Regression, ANCOVA |
Praxisbeispiel
Eine Studie untersucht, ob ein neues Medikament den Blutdruck senkt. Die Teilnehmenden sind jedoch unterschiedlich alt und haben unterschiedliche Body-Mass-Indizes (BMI) – beides bekannte Einflussfaktoren auf den Blutdruck.
In der unadjustierten Analyse wird lediglich der mittlere Blutdruckunterschied zwischen der Behandlungs- und der Kontrollgruppe verglichen. Das Ergebnis könnte verzerrt sein, wenn die Behandlungsgruppe zufällig jünger oder schlanker ist.
In der adjustierten Analyse wird eine multiple lineare Regression geschätzt, in der Alter und BMI als Kovariablen aufgenommen werden. Der Regressionskoeffizient für die Behandlung gibt dann den Blutdruckunterschied an, der auf das Medikament zurückzuführen ist – bei gleichen Werten für Alter und BMI in beiden Gruppen.
Angenommen, die unadjustierte Analyse ergibt eine Blutdrucksenkung von 8 mmHg. Nach Adjustierung für Alter und BMI reduziert sich dieser Effekt auf 5 mmHg. Die ursprünglichen 8 mmHg waren also teilweise durch die unterschiedliche Alters- und BMI-Verteilung zwischen den Gruppen bedingt – und nicht ausschließlich durch das Medikament.
