Pakete laden # Benötigte Pakete --> Installieren, falls nicht schon vorhanden library(psych) # Für logistische Transformationen library(ggplot2) # Grafiken library(gridExtra) library(MatchIt) # Für das Propensity Score Matching library(questionr) # Für gewichtete Tabellen Datenbeispiel Wir verwenden wieder unserer fiktives Datenbeispiel, in dem Patient*innen, die an einer Depression oder einer Angststörung leiden, entweder mit einer kognitiven Verhaltenstherapie (CBT) behandelt oder in einer Wartekontrollgruppe belassen wurden. Die Zuordnung konnte nicht randomisiert erfolgen, weshalb der Effekt der Behandlung nicht ohne weiteres berechenbar ist.
Einleitung und Datenbeispiel In der psychologischen Forschung ist die Bestimmung kausaler Effekte oft eine Herausforderung, dies gilt auch für die klinisch-psychologische Forschung. Wenn ein Treatment nicht randomisiert zugeordnet werden kann, besteht die Gefahr, dass andere Einflussgrößen geschätzte Wirkungen des Treatments verzerren. Bevor wir mit dem (simulierten) Beispiel beginnen, laden wir zunächst die beiden Pakete, die wir in der Sitzung brauchen werden.
Pakete laden # Benötigte Pakete --> Installieren, falls nicht schon vorhanden library(psych) # Für Deskriptivstatistiken library(EffectLiteR) # Für die Schätzung adjustierter Effekte library(car) # Quadratsummen in Anova-Output Simuliertes Beispiel In unserem fiktiven Datenbeispiel wurden Patient:innen, die an einer Depression oder einer Angststörung leiden, entweder mit einer kognitiven Verhaltenstherapie (CBT) behandelt oder in einer Wartekontrollgruppe belassen.