Sensitivitätsanalyse
In diesem Beitrag
Was versteht man unter Sensitivitätsanalyse?
Eine Sensitivitätsanalyse untersucht, wie stark sich die Ergebnisse eines statistischen Modells oder einer Studie verändern, wenn bestimmte Annahmen, Eingabewerte oder methodische Entscheidungen variiert werden. Sie beantwortet im Kern die Frage: Wie robust sind meine Ergebnisse gegenüber Veränderungen in den zugrundeliegenden Voraussetzungen?
Formal lässt sich das Prinzip so beschreiben: Gegeben ein Modell mit einem Parameter oder einer Annahme , wird geprüft, wie sensitiv die Ausgabe auf Variationen von reagiert. Je stärker sich verändert, desto sensitiver – und damit potenziell fragiler – ist das Ergebnis gegenüber dieser Annahme.
Typische Variationen umfassen:
- Änderungen an Modellparametern (z. B. Schwellenwerte, Prior-Verteilungen)
- Unterschiedliche Umgangsweisen mit fehlenden Werten (z. B. listenweiser Ausschluss vs. Imputation)
- Variation in der Stichprobenzusammensetzung (z. B. Ausschluss von Ausreißern)
- Alternative Operationalisierungen von Konstrukten oder Variablen
- Wechsel des statistischen Verfahrens (z. B. parametrisch vs. nicht-parametrisch)
Warum ist die Sensitivitätsanalyse für statistische Analysen wichtig?
Statistische Analysen basieren immer auf Annahmen – über die Verteilung der Daten, den Umgang mit Ausreißern, fehlende Werte oder die Auswahl von Kovariaten. Keine dieser Annahmen ist mit absoluter Sicherheit korrekt. Die Sensitivitätsanalyse macht transparent, wie stark die Schlussfolgerungen einer Studie von diesen Annahmen abhängen.
Das ist aus mehreren Gründen relevant:
- Glaubwürdigkeit: Ergebnisse, die über verschiedene plausible Annahmen hinweg stabil bleiben, sind überzeugender und leichter zu verteidigen – etwa in einer Thesis-Verteidigung oder bei der Peer Review.
- Transparenz: Leserinnen und Leser können besser einschätzen, unter welchen Bedingungen die Ergebnisse gelten.
- Fehlerprävention: Wenn ein Ergebnis stark sensitiv auf eine einzelne Modellentscheidung reagiert, ist das ein Warnsignal, das zur kritischen Überprüfung zwingt.
- Wissenschaftliche Praxis: In vielen Fachbereichen – besonders in der Medizin, Epidemiologie, Psychologie und den Wirtschaftswissenschaften – gehört die Sensitivitätsanalyse mittlerweile zum Standardrepertoire und wird von Gutachterinnen und Gutachtern erwartet.
Praxisbeispiel zu Sensitivitätsanalyse
Angenommen, du untersuchst in deiner Masterarbeit den Zusammenhang zwischen Schlafqualität und akademischer Leistung. Dein Datensatz enthält 15 % fehlende Werte bei der Schlafqualitätsvariable. Du entscheidest dich für eine multiple Imputation, um die fehlenden Werte zu ersetzen.
Um die Robustheit deiner Ergebnisse zu prüfen, führst du zusätzlich eine Sensitivitätsanalyse durch: Du analysierst denselben Zusammenhang einmal mit listenweisem Ausschluss (complete case analysis) und einmal unter der Annahme, dass alle fehlenden Werte den niedrigstmöglichen Schlafqualitätswert hätten (worst-case-Szenario).
| Methode | Regressionskoeffizient β | p-Wert | Schlussfolgerung |
|---|---|---|---|
| Multiple Imputation (Hauptanalyse) | 0.42 | .003 | Signifikant positiver Zusammenhang |
| Listenweiser Ausschluss | 0.39 | .008 | Signifikant positiver Zusammenhang |
| Worst-Case-Imputation | 0.21 | .041 | Noch signifikant, aber abgeschwächt |
Die Ergebnisse zeigen, dass der positive Zusammenhang zwischen Schlafqualität und akademischer Leistung über alle drei Szenarien hinweg bestehen bleibt – wenn auch in unterschiedlicher Stärke. Du kannst daher mit gutem Gewissen schlussfolgern, dass dein Befund robust gegenüber den Annahmen zur Behandlung fehlender Werte ist. Diesen Befund dokumentierst du transparent im Methodenteil deiner Arbeit.
