Robuste statistische Methoden und die Glaubwürdigkeitsbewegung der psychologischen Wissenschaft

Das allgemeine lineare Modell (GLM) ist die am häufigsten angewandte Familie von statistischen Modellen in der Psychologie. Innerhalb des GLM werden die zu untersuchenden Effekte mittels der kleinsten Quadrate (OLS) geschätzt, was unverzerrte und optimale Parameterschätzungen sowie unverzerrte Signifikanztests der Nullhypothese ergibt, wenn (1) Ausreißer und einflussreiche Fälle abwesend sind und (2) die Annahmen von Linearität und Additivität, sphärischen Fehlern und normalen Fehlern erfüllt sind. Dieses Papier bietet zunächst eine technische Beschreibung von OLS und einen Überblick über seine statistischen Annahmen. Anschließend diskutieren wir die Methoden, die häufig verwendet werden, um Verstöße gegen Annahmen zu erkennen und zu beheben, und wie die aktuelle Anwendung dieser Methoden die Reproduzierbarkeit von Ergebnissen gefährden kann, indem sie zu viel Flexibilität im analytischen Prozess zulässt. Wir führen kurz mehrere robuste Schätzmethoden ein - nämlich Bootstrapping, heteroskedastie-konsistente Standardfehler, M-Schätzer und Trimmen - die die Genauigkeit der Parameterschätzungen und die Aussagekraft statistischer Tests verbessern können. Wir geben Hinweise, wie diese Methoden verwendet werden können, um eine Sensitivitätsanalyse transparent vorab zu registrieren, wodurch die Möglichkeit verringert wird, dass problematische Forscherfreiheitsgrade in die analytische Pipeline gelangen.