🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
regression_artifact
Ein Regressionsartefakt tritt auf, wenn Personen aufgrund extremer Werte auf einer Variable mit Messfehler ausgewählt werden und Folgemessungen scheinbar Verbesserungen zeigen, lediglich weil extreme Werte bei erneuter Messung zur Bevölkerungsmitte neigen.
Schüler, die bei einem Lesetest in den untersten 10 % abschneiden, werden in ein Förderleseprogramm aufgenommen. Bei der Folgemessung verbessern sich ihre Werte erheblich. Eine Kontrollgruppe ähnlich niedriger Ausgangsscorer ohne Intervention verbessert sich jedoch fast ebenso stark — durch Regression zur Mitte.
Ein Unternehmen identifiziert die zehn Filialen mit den schlechtesten Quartalsumsätzen und schickt dort ein Managementtraining-Team hin. Im nächsten Quartal steigen die Umsätze dieser Filialen deutlich. Das Management feiert das Training als Erfolg – ohne zu bedenken, dass extrem schlechte Quartale oft teilweise auf Zufallsschwankungen zurückgehen und sich die Zahlen auch ohne Intervention wahrscheinlich erholt hätten.
Ein Sportpsychologe arbeitet mit Athleten, die bei einem Wettkampf ihre persönliche Bestleistung weit verfehlt haben. Nach einer Sitzung mit ihm erzielen die meisten beim nächsten Wettkampf deutlich bessere Ergebnisse. Der Psychologe schreibt dies seiner Methode zu – übersieht jedoch, dass außergewöhnlich schlechte Leistungen statistisch gesehen oft von einer Rückkehr zum individuellen Mittelwert gefolgt werden.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Wurden Teilnehmende aufgrund extremer Werte auf der Ergebnisvariablen ausgewählt?
Typ: binaryVerbessert sich die Leistung in einer Folgemessung gegenüber der Selektion?
Typ: binaryIst eine Kontrollgruppe vorhanden, die nicht aufgrund extremer Werte ausgewählt wurde?
Typ: binaryWäre die Verbesserung allein durch Regression zur Mitte zu erwarten, unabhängig von einer Intervention?
Typ: binaryEin Regressionsartefakt tritt auf, wenn Personen aufgrund extremer Werte auf einer Variable mit Messfehler ausgewählt werden und Folgemessungen scheinbar Verbesserungen zeigen, lediglich weil extreme Werte bei erneuter Messung zur Bevölkerungsmitte neigen.
Jede Messung mit weniger als perfekter Reliabilität zeigt Regression zur Mitte bei erneuter Messung extremer Scorer. Die Selektion extremer Fälle garantiert, dass die erneuten Messwerte im Durchschnitt weniger extrem sind.
Kontrollgruppe mit demselben Extrem-Score-Kriterium einschließen, die keine Intervention erhält. Wiederholte Basislinien-Messungen vor der Behandlung verwenden. ANCOVA korrekt anwenden.
Sporttrainer, die schlechte Leistungen bestrafen, sind überrascht, wenn sich die Leistung danach verbessert — Regression zur Mitte, nicht die Bestrafung, ist die wahrscheinlichste Erklärung.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.