Decken- und Bodeneffekt
In diesem Beitrag
Was versteht man unter Decken- und Bodeneffekt?
Decken- und Bodeneffekte beschreiben ein Messproblem, das auftritt, wenn eine Skala oder ein Messinstrument den tatsächlichen Wertebereich einer Variablen nicht vollständig abbilden kann – weil die Werte systematisch gegen eine obere oder untere Grenze stoßen.
- Deckeneffekt (Ceiling Effect): Die Messwerte häufen sich am oberen Ende der Skala. Das Instrument kann hohe Ausprägungen nicht mehr differenzieren, weil der Maximalwert erreicht oder überschritten wird. Beispiel: Fast alle Teilnehmenden erzielen das Maximum von 100 Punkten – ob jemand eigentlich 102 oder 115 Punkte verdient hätte, bleibt unsichtbar.
- Bodeneffekt (Floor Effect): Die Messwerte häufen sich am unteren Ende der Skala. Das Instrument kann geringe Ausprägungen nicht mehr differenzieren, weil der Minimalwert erreicht wird. Beispiel: Viele Teilnehmende erzielen 0 Punkte, obwohl ihre tatsächlichen Fähigkeiten unterschiedlich schwach ausgeprägt sind.
Beide Effekte führen zu einer Einschränkung der Varianz in den Daten und damit zu einer Verzerrung der Messung. Die Verteilung der betroffenen Variablen ist in solchen Fällen typischerweise schief – beim Deckeneffekt linkssteil (negativ schief), beim Bodeneffekt rechtssteil (positiv schief).
Warum ist der Decken- und Bodeneffekt für statistische Analysen wichtig?
Decken- und Bodeneffekte sind für statistische Analysen aus mehreren Gründen problematisch:
- Eingeschränkte Varianz: Wenn Werte sich an einem Extrem der Skala häufen, sinkt die Varianz der Variable künstlich. Das beeinträchtigt viele statistische Verfahren, die auf ausreichender Streuung basieren – etwa Korrelationen oder Regressionsanalysen.
- Unterschätzung von Zusammenhängen: Korrelationskoeffizienten wie Pearsons r werden durch eingeschränkte Varianz systematisch nach unten verzerrt. Echte Zusammenhänge zwischen Variablen erscheinen schwächer, als sie tatsächlich sind.
- Verletzung von Normalverteilungsannahmen: Viele parametrische Verfahren setzen annähernd normalverteilte Daten voraus. Stark schiefe Verteilungen durch Decken- oder Bodeneffekte können diese Voraussetzung verletzen.
- Fehlende Differenzierung: Unterschiede zwischen Gruppen oder über Zeit können nicht mehr abgebildet werden, wenn das Messinstrument zu grob oder zu eng skaliert ist.
Praxisbeispiel zu Decken- und Bodeneffekt
Eine Forscherin untersucht, wie sich ein Entspannungstraining auf den wahrgenommenen Stress bei Bachelorstudierenden auswirkt. Sie verwendet dazu eine Skala von 0 bis 10, wobei 0 für „kein Stress“ und 10 für „maximalen Stress“ steht. Die Messung erfolgt zu zwei Zeitpunkten: vor und nach dem Training.
| Person | Stresswert vorher | Stresswert nachher |
|---|---|---|
| 1 | 10 | 5 |
| 2 | 10 | 4 |
| 3 | 10 | 6 |
| 4 | 10 | 5 |
| 5 | 9 | 4 |
| 6 | 10 | 7 |
| 7 | 10 | 5 |
| 8 | 9 | 6 |
Auffällig: Fast alle Ausgangswerte liegen bei 9 oder 10 – die Skala hat also die Vorher-Werte nicht differenziert abgebildet. Ob eine Person eigentlich einen Stresswert von 11 oder 14 hätte (wenn die Skala weiter reichen würde), bleibt unklar. Die Varianz der Vorher-Werte ist entsprechend sehr gering. Das hat Konsequenzen: Eine Korrelation zwischen dem Ausgangsstress und der Veränderung durch das Training wird systematisch unterschätzt, weil die Vorher-Variable kaum streut. Außerdem lässt sich nicht sagen, ob Personen mit besonders hohem Stress stärker von dem Training profitieren als andere – der Deckeneffekt hat genau diese Information vernichtet.
In diesem Fall wäre eine breitere Skala (z. B. 0–100 oder eine validierte Stressskala mit mehr Abstufungen) sinnvoller gewesen, um den tatsächlichen Wertebereich der Stichprobe vollständig abzudecken.
