Zum Inhalt springen
Zurück zu den Suchergebnissen

Bestätigende Forschung – Theorieprüfendes quantitatives Design

Eingeführt von
Karl Popper (falsificationism); formalized in behavioral sciences by Paul Meehl and others
Jahr
1934 (Popper); widely adopted in social sciences from 1960s onward
Typ
Quantitative research design
Familie
Survey / observational design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Bestätigende Forschung ist ein deduktives quantitatives Design, bei dem der Forschende Hypothesen, die aus bestehenden Theorien abgeleitet wurden, vor der Datenerhebung spezifiziert und dann testet, ob die Daten diese Hypothesen stützen oder widerlegen.

Im Gegensatz zu explorativen Ansätzen, die Ideen aus Daten generieren, beginnt die bestätigende Forschung mit einem etablierten theoretischen Rahmen, präregistriert Vorhersagen und wendet statistische Tests an, um diese Vorhersagen anhand empirischer Belege zu bewerten. Sie ist das Rückgrat der hypothesengesteuerten sozial-, verhaltens- und gesundheitswissenschaftlichen Forschung.

Die Intuition hinter der Methode

Man kann sich bestätigende Forschung so vorstellen, als ob ein Gerichtsurteil schon vor Beginn des Prozesses feststünde – nur dass das „Urteil“ eine präzise formulierte Hypothese ist, die aus einer früheren Theorie abgeleitet wurde, und kein Vorurteil. Der Forschende sagt: „Theorie X sagt voraus, dass A positiv mit B zusammenhängt. Ich werde Daten sammeln und diese Behauptung testen.“ Die Studie wird dann so konzipiert, dass diese Vorhersage eine faire Chance hat, falsifiziert zu werden. Wenn die Daten mit der Vorhersage übereinstimmen, erhält die Theorie empirische Unterstützung; wenn nicht, muss die Theorie revidiert werden. Dieses von Karl Popper eingeführte Falsifizierbarkeitskriterium trennt die bestätigende Wissenschaft von bloßer Spekulation.

Geschichte

Die philosophische Grundlage der bestätigenden Forschung liegt im Falsifikationismus von Karl Popper, der in seiner Logik der Forschung (1934; übersetzt als The Logic of Scientific Discovery, 1959) dargelegt wurde und besagt, dass wissenschaftliche Hypothesen durch empirische Evidenz widerlegt werden können müssen. Dieses Prinzip wurde in den Sozialwissenschaften durch Neyman-Pearson-Hypothesenteststatistiken und durch Forderungen nach Replikation von Methodologen wie Paul Meehl und Jacob Cohen in den 1960er bis 1990er Jahren operationalisiert. Die Replikationskrise der 2010er Jahre verstärkte den Fokus auf die Präregistrierung als praktischen Durchsetzungsmechanismus für die bestätigende Logik.

Wann wird sie eingesetzt?

Verwenden Sie bestätigende Forschung, wenn eine spezifische Theorie oder ein Modell bereits existiert und Sie deren Vorhersagen anhand neuer empirischer Belege bewerten möchten – zum Beispiel, um zu testen, ob eine validierte Intervention Angst in einer neuen Population reduziert, oder ob ein Strukturmodell des organisationalen Engagements in einem anderen kulturellen Kontext Bestand hat. Sie erfordert eine ausreichend große Stichprobe (bestimmt durch eine A-priori-Power-Analyse, typischerweise N >= 80–100 für mittlere Effekte), quantitative Ergebnisse und klar falsifizierbare Hypothesen, die vor der Datenerhebung formuliert wurden. Verwenden Sie kein bestätigendes Design, wenn Ihnen eine vorherige theoretische Grundlage für Ihre Hypothesen fehlt, wenn die Konstrukte noch nicht mit validierten Messinstrumenten operationalisiert sind oder wenn das Ziel darin besteht, Ideen zu generieren statt zu testen – in diesen Fällen sind explorative oder deskriptive Designs geeigneter.

Grenzen und Hinweise

  • Erfordert einen gut entwickelten theoretischen Rahmen; kann explorative Arbeit nicht ersetzen, wenn der Bereich schlecht verstanden ist.
  • Eine einzelne bestätigende Studie liefert selten einen definitiven Beweis – Replikation ist erforderlich, bevor starke Schlussfolgerungen gezogen werden.
  • Die Ergebnisse sind durch die Validität der Operationalisierungen und die Repräsentativität der Stichprobe begrenzt.
  • Die strikte Einhaltung von Präregistrierungsprotokollen erfordert Disziplin; nicht offengelegte Abweichungen untergraben die bestätigende Behauptung.
  • Die binäre Hypothesentest-Rahmung (ablehnen / nicht ablehnen) kann die kontinuierliche Natur der Evidenzakkumulation verschleiern.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Liefert die stärkste Evidenz für oder gegen eine spezifische theoretische Behauptung, wenn die Präregistrierung eingehalten wird.
  • Vorspezifizierte Hypothesen und Analysepläne eliminieren viele Freiheitsgrade, die falsch-positive Raten erhöhen.
  • Entspricht den Open-Science- und Reproduzierbarkeitsstandards, die zunehmend von Fachzeitschriften und Förderorganisationen gefordert werden.
  • Ermöglicht die Akkumulation von Wissen durch direkte Replikation über unabhängige Studien hinweg.
  • Die statistische Power-Analyse stellt sicher, dass die Studie ausreichend groß ist, um den erwarteten Effekt zu erkennen.

Anwendungen

  • Testen, ob eine theoretisch abgeleitete Intervention (z. B. ein kognitiv-verhaltenstherapeutisches Protokoll) die Symptomschwere in einer klinischen Stichprobe reduziert.
  • Evaluierung, ob ein Strukturgleichungsmodell der Arbeitszufriedenheit in einem neuen nationalen oder kulturellen Kontext repliziert werden kann.
  • Bestätigung der vorhergesagten Faktorstruktur einer psychologischen Skala in einer unabhängigen Validierungsstichprobe mittels konfirmatorischer Faktorenanalyse (CFA).
  • Beurteilung, ob eine vorspezifizierte Mediatorvariable (z. B. Selbstwirksamkeit) den Effekt einer Behandlung auf ein Ergebnis überträgt.
  • Replikation einer veröffentlichten Korrelation zwischen zwei Konstrukten in einer neuen Population, um die Generalisierbarkeit eines bestehenden Befundes zu bewerten.
  • Testen einer pharmakologischen oder pädagogischen Intervention gegen eine Kontrollbedingung mit Ergebnissen und Analyse, die in einem klinischen Studienregister oder Open-Science-Register präregistriert sind.

So funktioniert es

So funktioniert es

1

Der Forschende beginnt mit einem etablierten theoretischen Rahmen und leitet eine oder mehrere präzise, falsifizierbare Hypothesen ab. Jede Hypothese gibt eine erwartete Richtung oder Größe einer Beziehung oder Differenz an, bevor Daten gesammelt werden. Die Präregistrierung von Hypothesen (auf Plattformen wie OSF oder AsPredicted) wird zunehmend gefordert, um die nachträgliche Umbenennung explorativer Ergebnisse in bestätigende zu verhindern.

2

Jedes theoretische Konstrukt wird in messbare Variablen mit validierten Instrumenten, Skalen oder Operationalisierungen übersetzt. Die Stichprobenstrategie, der Stichprobenumfang (bestimmt durch eine A-priori-Power-Analyse), die Datenerhebungsverfahren und die zu verwendenden statistischen Tests werden alle im Voraus festgelegt. Diese Vorspezifikation trennt eine bestätigende Studie formell von einer explorativen.

3

Daten werden gemäß dem vordefinierten Protokoll erhoben – üblicherweise durch standardisierte Umfragen, strukturierte Beobachtungen oder Extraktion aus Sekundärdatensätzen. Die strikte Einhaltung des Protokolls ist unerlässlich; Abweichungen müssen dokumentiert und berichtet werden, um den bestätigenden Charakter der Studie zu wahren.

4

Der vordefinierte statistische Test wird angewendet (z. B. t-Test, ANOVA, Regression, Strukturgleichungsmodellierung). Das Ergebnis wird anhand der vorab festgelegten Entscheidungsregel bewertet – typischerweise ein a priori festgelegtes Alpha-Niveau (üblicherweise .05 oder .01 für strengere bestätigende Aussagen). Effektstärken und Konfidenzintervalle werden zusammen mit p-Werten berichtet, um die praktische Signifikanz zu vermitteln.

5

Der Forschende zieht Schlussfolgerungen darüber, ob die Daten jede Hypothese stützen oder nicht stützen. Ein Scheitern der Ablehnung der Nullhypothese bestätigt die Nullhypothese nicht; es weist auf unzureichende Evidenz für die Alternative hin. Schlussfolgerungen sind durch das Studiendesign, die Stichprobe und die Operationalisierungen begrenzt. Echte bestätigende Befunde, die über unabhängige Stichproben hinweg repliziert werden, haben das stärkste Beweisgewicht.

Häufige Fallstricke

  • HARKing (Hypothesizing After Results are Known) – die Darstellung post-hoc explorativer Befunde, als wären sie vorspezifizierte bestätigende Hypothesen, erhöht die falsch-positiven Raten und wird als eine Form wissenschaftlichen Fehlverhaltens betrachtet.
  • Unterpowerte Designs – das Versäumnis, eine A-priori-Power-Analyse durchzuführen, führt zu Studien, die reale Effekte nicht zuverlässig erkennen können, was zu mehrdeutigen Nullergebnissen führt, die nicht informativ sind.
  • Fehlinterpretation eines nicht-signifikanten Ergebnisses als Bestätigung der Nullhypothese – ein p-Wert über Alpha bedeutet nur, dass die Evidenz für die Alternative unzureichend war, nicht dass die Nullhypothese wahr ist.
  • Verwendung nicht-validierter oder Ad-hoc-Messungen – bestätigende Schlussfolgerungen über theoretische Konstrukte sind nur so stark wie die Validität der zur Operationalisierung verwendeten Instrumente.
  • Durchführung mehrerer ungeplanter Analysen, wobei nur die signifikanten berichtet werden – dies ist p-Hacking und zerstört die inferenzielle Logik des bestätigenden Designs.

Häufig gestellte Fragen

Was ist der Unterschied zwischen bestätigender und explorativer Forschung?

Explorative Forschung generiert Hypothesen oder Modelle aus Daten, wenn der Bereich schlecht verstanden ist; bestätigende Forschung testet Hypothesen, die aus früheren Theorien abgeleitet wurden, anhand neuer Daten. Der wesentliche formale Unterschied ist der Zeitpunkt: In der bestätigenden Forschung werden Hypothesen und Analysepläne vor der Datenerhebung vollständig spezifiziert; in der explorativen Forschung entstehen sie während oder nach der Analyse. Beide spielen wichtige Rollen, aber nur vorspezifizierte bestätigende Tests kontrollieren die falsch-positive Rate auf dem angegebenen Alpha-Niveau.

Ist die Präregistrierung für bestätigende Forschung obligatorisch?

Streng genommen ist die Präregistrierung der Mechanismus, der eine Studie nachweislich bestätigend macht, anstatt sie nur als solche zu bezeichnen. Ohne eine zeitgestempelte, öffentlich zugängliche Präregistrierung können Leser vorspezifizierte Hypothesen nicht von post-hoc Rationalisierungen unterscheiden. Viele Fachzeitschriften, insbesondere in Psychologie und Medizin, verlangen nun eine Präregistrierung für bestätigende Behauptungen. Plattformen umfassen OSF Registries, AsPredicted und ClinicalTrials.gov.

Kann ich sowohl bestätigende als auch explorative Analysen in derselben Studie durchführen?

Ja – dies ist üblich und legitim, aber die beiden Analysearten müssen im Bericht klar unterschieden werden. Vorspezifizierte Analysen werden als bestätigend bezeichnet und mit dem angegebenen Alpha-Niveau interpretiert. Zusätzliche Analysen, die nach Betrachtung der Daten durchgeführt werden, werden als explorativ bezeichnet, ihre Ergebnisse werden als hypothesengenerierend statt hypothesenprüfend behandelt und erfordern eine Replikation, bevor starke Schlussfolgerungen gezogen werden.

Welchen Stichprobenumfang benötige ich für eine bestätigende Studie?

Der Stichprobenumfang sollte vor der Datenerhebung durch eine A-priori-Power-Analyse bestimmt werden, basierend auf der kleinsten Effektgröße, die theoretisch bedeutsam wäre, der gewünschten Power (konventionell .80 oder .90) und dem Alpha-Niveau. Für einen mittleren Effekt (Cohens d = 0.50 oder r = .30) bei Power = .80 und Alpha = .05 liegen die typischen Anforderungen je nach Test bei etwa 50–130 Teilnehmern. Die Verwendung eines bestehenden Datensatzes zur nachträglichen Rechtfertigung des Stichprobenumfangs ist keine bestätigende Praxis.

Beweist eine bestätigende Studie eine Theorie?

Keine einzelne Studie beweist eine Theorie. Eine bestätigende Studie kann Evidenz liefern, die mit den Vorhersagen einer Theorie übereinstimmt, aber ein Beweis erfordert konvergente Evidenz aus mehreren unabhängigen Studien unter Verwendung variierter Operationalisierungen, Stichproben und Designs. Poppers Rahmen besagt, dass Theorien nur bestätigt oder falsifiziert, nicht bewiesen werden können – das Ziel ist die Akkumulation von replizierbarer, falsifizierbarer Evidenz über die Zeit.

Verwandte Methoden

Quellen

  1. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.

    ISBN: 978-0415278447
    Kopiert.
  2. Kline, R. B. (2013). Beyond Significance Testing: Statistics Reform in the Behavioral Sciences (2nd ed.). American Psychological Association.

    ISBN: 978-1433812378
    Kopiert.