Delphine klicken mehrmals pro Sekunde – und erkennen Beute oder Feinde am Echo des Schalls aus ihrer Umwelt. Welch ein toller Trick der Natur.
Moderne Statistiker machen dasgleiche: Sie stellen Fragen an Daten, erhalten ein erstes Echo, fragen nach, verwerten das zweite Echo, fragen wiederum und so weiter. Einzelinformationen werden zu Mustern verdichtet und daraus Schlüsse gezogen. So erkennen Statistiker (kaum sichtbare) Zusammenhänge, Abhängigkeiten oder Brüche.
Statistisches Vorgehen gleicht einer Reise ins unbekannte Land, einem Abenteuer. Verfahren wie Cluster- oder Faktorenanalyse sind von Haus aus so angelegt: sie entdecken vorher unbekannte Typen oder zusammegehörige Faktoren.
Leider wird mit Statistik Schindluder getrieben. Dazu zählt die "Signifikanz". Dies meint ein Stützen auf eine (!) vermeintlich-alles-ins-Wahre-bringende Methode. Das Testen einer oder zwei Variablen soll eine jenseits von 95% gehenden Wahrheit mitteilen. Nichts könnte falscher sein1. Von Anfang an wurde diese Methode kritisiert. Die Kritik nimmt von Jahr zu Jahr an Heftigkeit zu2.
Doch Signifikanz wird von vielen Betreuern als Beleg für "Wissenschaftlichkeit" eingefordert. Gut, die Betreuer:innen sollen ihren Wunsch erfüllt kriegen, diese Methode ist grundsätzlich nicht falsch, nur sollte sie sinnvoll ergänzt werden. Ich zeige meinen Klient:innen, auf welche einfache Weise zusätzlichen Muster erkennbar und wie einfach Arbeiten im Sinne moderner Statistik aufgewertet werden können!
1 Die Replikationskrise der Psychologie spricht Bände. Zwischen einem und zwei Drittel von durch Studien gewonnenen Effekte konnten bei Überprüfungen nicht nachvollzogen werden. Einer der Gründe ist das verständnislose Anwenden der ".05-Signifikanz", eines Urteils nach dem Schwarz-Weiß-Schema. Völlig ungeeignet für die reale Welt: Open Science Foundation, 2015, Science 349(6251), DOI: 10.1126/science.aac4716.
2 Wir sind laut ASA (des US-amerikanischen statistischen Fachverbandes) in der Nach-p<.05-Periode angelangt. Viele hartnäckige wissenschaftstheoretische und -praktische Probleme sind auf dieses übersimplifizierte Schwarz-Weiß-Schema zurückzuführen. Ronald L. Wasserstein & Nicole A. Lazar (2016) The ASA Statement on p-Values: Context, Process, and Purpose, The American Statistician, 70:2, 129-133, DOI: https://doi.org/10.1080/00031305.2016.1154108