Bayessche Stichprobengrößenbestimmung für Interventionsstudien vorgestellt

Ein neuer Beitrag beschreibt, wie der Bayessche Ansatz zur Bestimmung der Stichprobengröße in Verhaltensinterventionen eingesetzt werden kann. Die Autoren präsentieren ein Verfahren, das auf Bayes-Faktor und Posterior Model Probabilities basiert und an einer Cluster‑Randomisierungsstudie zur Online‑Schulung von Hausärzten im Bereich kurzer Tabakinterventionen demonstriert wird.

Kritik am traditionellen Signifikanztest

Die meisten bestehenden Richtlinien für Interventionsstudien beruhen auf dem Rahmen des Nullhypothesen‑Signifikanztests, bei dem ein p‑Wert mit einem vorher festgelegten Fehler‑I‑Niveau verglichen wird. Dieser Ansatz wurde in den letzten Jahrzehnten wegen seiner Rolle bei Publikationsbias, nachlässiger Wissenschaftspraxis und Fehlverhalten stark kritisiert.

Bayesscher Ansatz und Bayes‑Faktor

Der Bayessche Ansatz quantifiziert die relative Unterstützung der Daten für eine Hypothese gegenüber einer Alternative durch den Bayes‑Faktor. Im Gegensatz zum klassischen Test muss die Nullhypothese nicht zwingend Teil des Vergleichs sein; Hypothesen können aus Beobachtungen, Literaturbefunden oder Expertenmeinungen abgeleitet werden. Posterior Model Probabilities, die aus dem Bayes‑Faktor abgeleitet werden, ermöglichen den Vergleich mehrerer Modelle und die Auswahl des am besten unterstützten Modells.

Stichprobengrößenbestimmung im Bayesschen Kontext

Die Autoren führen ein Kriterium zur a priori Bestimmung der Stichprobengröße ein und beschreiben ein Verfahren, das die erforderliche Stichprobengröße ermittelt, um eine vorgegebene Evidenzschwelle für den Bayes‑Faktor zu erreichen. Dieses Verfahren berücksichtigt die erwartete Effektgröße und die gewünschte Sicherheit bei der Modellwahl.

Anwendungsbeispiel: Online‑Training für Ärzte

Zur Veranschaulichung wird eine Cluster‑Randomisierungsstudie herangezogen, in der Hausärzte ein Online‑Training absolvieren, das ihre Kompetenz in kurzen Tabakinterventionen verbessern soll. Die Studie vergleicht die Intervention mit einer Kontrollgruppe und nutzt das vorgestellte Bayessche Verfahren, um die notwendige Stichprobengröße zu bestimmen.

Reproduzierbarkeit und offene Daten

Alle Analysen wurden mit der Statistik‑Software R durchgeführt. Der Datensatz sowie die R‑Skripte werden öffentlich bereitgestellt, um eine unkomplizierte Replikation der Ergebnisse zu ermöglichen.

Ausblick für die Forschung

Der Beitrag legt nahe, dass der Bayessche Ansatz eine robuste Alternative zum traditionellen Signifikanztest darstellt, insbesondere für die Planung von Interventionsstudien, bei denen flexible Hypothesen und transparente Evidenzbewertung gefordert sind. Die Autoren empfehlen, die Methode in zukünftigen Studien zu prüfen und weiterzuentwickeln.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.