Pseudo-Replikation — Wenn Logik sich verkleidet

Pseudo-Replikation entsteht, wenn nicht-unabhängige Beobachtungen so behandelt werden, als wären sie statistisch unabhängig, was die Stichprobengröße künstlich aufbläht und Standardfehler deflationiert. Dies ist häufig, wenn mehrere Messungen von derselben Person oder Einheit stammen.

Auch bekannt als: Hurlbert-Pseudo-Replikation, Clustering-Fehler

Wie es funktioniert

Die zusätzlichen Messungen innerhalb von Einheiten fühlen sich wie zusätzliche Daten an und wirken statistisch wie zusätzliche Freiheitsgrade. Forscher sind sich oft nicht bewusst, dass die Unabhängigkeitsannahme verletzt wird.

Ein klassisches Beispiel

Eine Neurowissenschaftsstudie zeichnet Spike-Aktivität von 50 Neuronen aus 5 Mäusen auf (10 Neuronen pro Maus). Wenn die Analyse die 50 Neuronen als 50 unabhängige Beobachtungen behandelt, begeht sie Pseudo-Replikation. Die wahre unabhängige Stichprobengröße ist 5, nicht 50.

Wo man das in der Praxis findet

Pseudo-Replikation ist in der Tierforschung, Genomik und Ökologie weit verbreitet.

Wie man es erkennt und kontert

Die wahre Einheit der Randomisierung und Replikation identifizieren. Mehrebenenmodelle oder GEE-Modelle verwenden, die Clusterung berücksichtigen. Sicherstellen, dass das gemeldete n unabhängigen experimentellen Einheiten entspricht.

Das Fazit

Pseudo-Replikation gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?