Resampling-Verfahren

 

[engl. resampling; re- wieder, sampling Stichprobenziehung], [FSE], Verfahren zur stat. Hypothesenprüfung; wie beim klassischen Signifikanztest wird i. d. R. mit einer Nil-Nullhypothese (Annahme: in der Population liegt kein Effekt vor) gearbeitet, allerdings wird die theoretische Prüfverteilung durch eine empir. Prüfverteilung ersetzt. Dazu werden aus der empirischen Stichprobe (Ausgangsstichprobe) systematisch Unterstichproben gezogen. Aus den einzelnen Ergebnissen der Unterstrichproben wird dann die Testverteilung gebildet. Das empir. Stichprobenergebnis der Ausgangss. lässt sich somit im Licht der möglichen anderen Stichprobenergebnisse der Unterstichproben bewerten. Handelt es sich um ein sehr unwahrscheinliches Ergebnis (extreme Lage in der Testverteilung; z. B. 5% im Betrag größer-gleich dem Stichprobenergebnis), so spricht dies gegen die Nullhypothese und für die Existenz eines systematischen Effekts i. S. der Alternativhypothese. Bei kleinen Stichprobenumfängen werden Resampling-Verfahren als sog. Randomisierungstests (Randomisierungstest; auch: Permutationstests, exakte Tests) konstruiert: Die Unterstichproben werden ohne Zurücklegen systematisch so gebildet, dass jede mögliche Ergebniskonstellation genau einmal vorkommt. Randomisierungstests werden als nonparametrische bzw. verteilungsfreie Verfahren bez. (nicht parametrische Tests). Sie sind auf kleine bis sehr kleine Stichproben anwendbar sowie auf Datensätze, in denen übliche Verteilungsvoraussetzungen (z. B. Normalverteilung) parametrischer Verfahren nicht erfüllt sind. Bei großen Stichproben wird aus der Gruppe der Resampling-Verfahren das Bootstrapping angewendet. Man spricht auch von Monte-Carlo-Studien (Monte-Carlo-Methode, MCM). Hierbei wird aus der Ausgangsstichprobe mit Zurücklegen per Zufallsprinzip eine vordefinierte Anzahl von Unterstichproben gebildet, um das empir. Ergebnis wiederum im Kontext der Verteilung möglicher anderer Ergebnisse zufallskritisch zu bewerten. Statistik.