Messfehler
In diesem Beitrag
Was versteht man unter Messfehler?
Ein Messfehler bezeichnet die Abweichung zwischen dem gemessenen Wert einer Variable und ihrem wahren, tatsächlichen Wert. Formal lässt sich das so ausdrücken: Der beobachtete Wert setzt sich zusammen aus dem wahren Wert zuzüglich eines Fehlerterms.
Formel: Messfehlermodell
Dabei steht für den beobachteten (gemessenen) Wert, für den wahren Wert der Variable und für den Messfehler. In der Praxis ist der wahre Wert meist unbekannt – genau das macht Messfehler so tückisch.
Messfehler lassen sich in zwei grundlegende Typen einteilen:
- Systematische Fehler (Bias): Der gemessene Wert weicht konsistent und vorhersehbar vom wahren Wert ab – beispielsweise weil eine Waage immer 200 Gramm zu viel anzeigt. Der Fehler ist nicht zufällig, sondern hat eine feste Richtung.
- Zufällige Fehler: Die Abweichung schwankt unvorhersehbar um den wahren Wert. Mal wird zu hoch, mal zu niedrig gemessen. Über viele Messungen hinweg heben sich diese Fehler im Durchschnitt auf.
Warum ist Messfehler für statistische Analysen wichtig?
Messfehler können statistische Analysen erheblich verfälschen. Welche Konsequenzen das hat, hängt von der Art des Fehlers und der Analysemethode ab:
- Verzerrte Schätzungen: Systematische Fehler führen dazu, dass Mittelwerte, Regressionskoeffizienten oder andere Kennzahlen nicht den wahren Zusammenhang widerspiegeln. Ein klassisches Beispiel ist die Attenuation Bias: Wenn eine unabhängige Variable mit Messfehlern behaftet ist, wird der geschätzte Regressionskoeffizient in der Regel zur Null hin verzerrt – der wahre Effekt wird unterschätzt.
- Geringere statistische Power: Zufällige Messfehler erhöhen die Varianz in den Daten und machen es schwieriger, echte Effekte zu erkennen. Tests werden konservativer, und die Wahrscheinlichkeit steigt, einen tatsächlich vorhandenen Effekt zu übersehen.
- Eingeschränkte Generalisierbarkeit: Wenn Messungen nicht valide sind – also nicht das messen, was sie messen sollen – sind Schlussfolgerungen auf die interessierende Population fraglich.
Praxisbeispiel zu Messfehler
Angenommen, du untersuchst in deiner Masterarbeit, ob regelmäßige Bewegung den Blutdruck senkt. Du misst den Blutdruck deiner Studienteilnehmenden jeweils einmal zu Beginn und einmal nach einem Interventionsprogramm.
Problem: Blutdruck schwankt natürlicherweise im Tagesverlauf. Eine Einzelmessung ist daher mit erheblichen zufälligen Messfehlern behaftet. Zusätzlich könnte ein systematischer Fehler entstehen, wenn alle Teilnehmenden beim ersten Messtermin aufgeregter sind als beim zweiten – der Effekt der Intervention würde dann überschätzt.
| Person | Wahrer Wert (Ø aus 10 Messungen) | Einzelmessung (beobachtet) | Messfehler |
|---|---|---|---|
| A | 120 | 128 | +8 |
| B | 135 | 131 | –4 |
| C | 118 | 124 | +6 |
| D | 142 | 139 | –3 |
In diesem Beispiel weichen die Einzelmessungen teils deutlich vom „wahren“ Wert ab (hier approximiert durch den Durchschnitt aus zehn Messungen). Würdest du deine Analyse ausschließlich auf Einzelmessungen stützen, könnten Veränderungen im Blutdruck fehlinterpretiert werden. Die Lösung: Mehrere Messungen mitteln, um zufällige Fehler zu reduzieren, und das Studiendesign so gestalten, dass systematische Verzerrungen minimiert werden.
