Replikation
In diesem Beitrag
Was versteht man unter Replikation?
Replikation bezeichnet in der Statistik und Forschungsmethodik die Wiederholung einer Studie oder eines Experiments unter denselben oder vergleichbaren Bedingungen, um zu prüfen, ob die ursprünglichen Ergebnisse reproduzierbar sind. Man unterscheidet dabei zwei grundlegende Formen:
- Exakte Replikation (Direct Replication): Das ursprüngliche Studiendesign wird so nah wie möglich nachgebildet – gleiche Methoden, gleiches Messinstrument, gleicher Stichprobentyp.
- Konzeptuelle Replikation (Conceptual Replication): Die zugrunde liegende Hypothese wird mit einem anderen Design, anderen Stichproben oder anderen Messinstrumenten erneut geprüft. Ziel ist es, die Generalisierbarkeit eines Befundes zu testen.
Replikation ist außerdem ein Designprinzip innerhalb eines einzelnen Experiments: Wenn mehrere Versuchseinheiten (z. B. Probanden, Felder, Tiere) denselben Bedingungen ausgesetzt werden, spricht man ebenfalls von Replikation. Diese interne Replikation ist Voraussetzung dafür, Zufallsfehler von systematischen Effekten zu trennen und statistische Kenngrößen wie den Standardfehler überhaupt schätzen zu können.
Warum ist Replikation für statistische Analysen wichtig?
Replikation ist eines der Grundprinzipien wissenschaftlicher Erkenntnisgewinnung. Ohne sie lässt sich nicht beurteilen, ob ein statistisch signifikantes Ergebnis ein echter Effekt oder ein zufälliger Ausreißer ist. Selbst bei einem Signifikanzniveau von α = 0,05 ist jeder zwanzigste Test rein durch Zufall signifikant – ohne dass ein echter Zusammenhang vorliegt.
In der Praxis hat die sogenannte Replikationskrise seit den 2010er-Jahren für Aufsehen gesorgt: Viele publizierte Befunde – besonders in Psychologie, Medizin und Sozialwissenschaften – ließen sich in unabhängigen Replikationsstudien nicht oder nur abgeschwächt bestätigen. Als Ursachen gelten unter anderem:
- Publication Bias: Positive, signifikante Ergebnisse werden häufiger veröffentlicht als negative.
- P-Hacking: Mehrfaches Testen oder nachträgliches Anpassen der Hypothese, bis ein signifikantes Ergebnis auftritt.
- Zu kleine Stichproben: Geringe statistische Power erhöht die Wahrscheinlichkeit falsch-positiver Ergebnisse.
Praxisbeispiel zu Replikation
Eine Psychologin veröffentlicht eine Studie mit 50 Studierenden, in der ein neues Lernprogramm die Prüfungsleistung signifikant verbessert (p = 0,03). Ein unabhängiges Forscherteam möchte diesen Befund replizieren und führt dieselbe Studie mit 200 Teilnehmenden an drei verschiedenen Hochschulen durch.
| Merkmal | Originalstudie | Replikationsstudie |
|---|---|---|
| Stichprobengröße | n = 50 | n = 200 |
| p-Wert | 0,03 | 0,41 |
| Effektgröße (Cohen’s d) | 0,52 | 0,08 |
| Ergebnis | Signifikant | Nicht signifikant |
Die Replikationsstudie zeigt keinen signifikanten Effekt und eine deutlich kleinere Effektgröße. Das legt nahe, dass das ursprüngliche Ergebnis möglicherweise auf einen Zufallsbefund oder spezifische Stichprobeneigenschaften zurückzuführen ist – und nicht auf einen robusten, generalisierbaren Effekt des Lernprogramms. Erst durch die Replikation wird diese Einschränkung sichtbar.
