Statistische Teststärke [Statistical power]
Definition: Die Teststärke (power), manchmal auch als statistische Aussagekraft bezeichnet, ist die langfristige Wahrscheinlichkeit, dass die Alternativhypothese zutrifft und ein statistischer Test korrekterweise die Nullhypothese verwirft. Die Teststärke geht von 0 bis 1, wird häufig aber als Prozentzahl ausgedrückt. Berechnet wird sie aus dem gewählten Signifikanzniveau, der Effektstärke und der Stichprobengröße in Abhängigkeit der jeweiligen Analysemethode. Es gibt zwei Hauptanwendungsgebiete: Bei der a-priori Teststärke geht es um die Frage, wie groß die Stichprobe sein muss, damit ein Effekt mit X-prozentiger langfristiger Wahrscheinlichkeit auch tatsächlich entdeckt wird. Die Sensitivitäts-Teststärke dreht sich um die Frage, welche Effektgröße man finden kann, wenn eine bestimmte Stichprobengröße gegeben ist.
Verwandte Begriffe: Effect Size, Meta-analysis, Null Hypothesis Significance Testing (NHST), Power Analysis, Positive Predictive Value, Quantitative research, Sample size, Significance criterion (alpha), Type I error, Type II error **Related terms to alternative definition:** Type II Error
Referenzen:
- Carter, A., Tilling, K., & Munafo, M. R. (2021). Considerations of sample size and power calculations given a range of analytical scenarios. https://doi.org/10.31234/osf.io/tcqrn
- Cohen, J. (1962). The statistical power of abnormal-social psychological research: A review. The Journal of Abnormal and Social Psychology, 65(3), 145–153. https://doi.org/10.1037/h0045186
- Cohen, J. (1969). Statistical power analysis for the behavioral sciences. Academic Press.
- Dienes, Z. (2008). Understanding psychology as a science: An introduction to scientific and statistical inference. Macmillan International Higher Education.
- Giner-Sorolla, R., Aberson, C. L., Bostyn, D. H., Carpenter, T., Conrique, B. G., Lewis, N. A., & Soderberg, C. (2019). Power to detect what? Considerations for planning and evaluating sample size. Retrieved from https://osf.io/jnmya/
- Ioannidis, J. P. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
- Lakens, D. (2021). Sample Size Justification. https://doi.org/10.31234/osf.io/9d3yf
Verfasst und Überprüft von: Thomas Rhys Evans, James E. Bartlett, Jamie P. Cockcroft, Adrien Fillon, Emma Henderson, Tamara Kalandadze, William Ngiam, Catia M. Oliveira, Charlotte R. Pennington, Graham Reid, Martin Vasilev, Qinyu Xiao, Flávio Azevedo