Kontrollierte Analyse
In diesem Beitrag
Was versteht man unter kontrollierter Analyse?
Eine kontrollierte Analyse ist ein statistisches Vorgehen, bei dem der Einfluss einer oder mehrerer Drittvariablen – sogenannter Kontrollvariablen oder Kovariaten – auf eine Zielgröße rechnerisch herausgerechnet wird. Ziel ist es, den Zusammenhang zwischen einer unabhängigen Variable und einer abhängigen Variable zu untersuchen, ohne dass dieser Zusammenhang durch andere Faktoren verzerrt wird.
In der Praxis wird eine kontrollierte Analyse typischerweise mit Methoden wie der multiplen Regressionsanalyse, der Kovarianzanalyse (ANCOVA) oder logistischen Regression umgesetzt. Dabei werden die Kontrollvariablen als zusätzliche Prädiktoren in das Modell aufgenommen. Der Effekt der interessierenden Variable wird dann unter Konstanthaltung aller Kontrollvariablen geschätzt – man spricht auch von einem adjustierten Effekt.
Warum ist kontrollierte Analyse für statistische Analysen wichtig?
In der Realität wirken selten einzelne Faktoren isoliert. Viele Variablen hängen miteinander zusammen, und wer diesen Umstand ignoriert, riskiert verzerrte Schlussfolgerungen. Genau hier liegt die zentrale Bedeutung der kontrollierten Analyse: Sie erlaubt es, Zusammenhänge differenzierter zu betrachten und den Einfluss störender Faktoren zu bereinigen.
Besonders relevant ist dies in Beobachtungsstudien, in denen keine zufällige Zuweisung zu Gruppen möglich ist. Ohne Kontrolle von Drittvariablen besteht die Gefahr eines Confoundings: Eine Drittvariable beeinflusst sowohl die unabhängige als auch die abhängige Variable und täuscht so einen Zusammenhang vor – oder verdeckt einen tatsächlich vorhandenen.
Die Auswahl sinnvoller Kontrollvariablen sollte immer theoriegeleitet erfolgen. Übliche Kandidaten sind demografische Merkmale wie Alter, Geschlecht oder Bildungsstand, wenn diese sowohl mit dem Prädiktor als auch mit dem Outcome in Zusammenhang stehen.
Praxisbeispiel zu kontrollierter Analyse
Eine Forscherin untersucht, ob ein Mentoring-Programm den Studienerfolg (gemessen in ECTS-Punkten pro Semester) verbessert. Sie vergleicht Studierende mit und ohne Teilnahme am Programm. In einer ersten, unkontrollierten Analyse zeigt sich ein deutlicher positiver Effekt des Programms.
Allerdings stellt sie fest, dass Studierende mit höherer Eingangsmotivation sowohl häufiger am Mentoring teilnehmen als auch von Beginn an bessere Leistungen zeigen. Motivation ist also ein potenzieller Confounder.
| Analyse | Kontrollvariable | Geschätzter Effekt (ECTS) |
|---|---|---|
| Unkontrolliert | – | +6,2 ECTS |
| Kontrolliert | Eingangsmotivation | +3,8 ECTS |
Nach Kontrolle der Eingangsmotivation in einer multiplen Regressionsanalyse schrumpft der Effekt des Programms auf +3,8 ECTS. Dieser adjustierte Wert ist der verlässlichere Schätzer für den tatsächlichen Nutzen des Mentoring-Programms – bereinigt um den Einfluss der Motivation. Die Forscherin kann nun differenzierter berichten: Das Programm wirkt, aber ein Teil des ursprünglich beobachteten Effekts war auf Unterschiede in der Ausgangsmotivation zurückzuführen.
