APKV Dialog Lab

Statistik · vier geprüfte Walkthroughs

Deskriptive Statistik: Nenner, Form und Subgruppen

Vier vollständige Lernfälle verbinden Lage, Streuung, Gewichtung, Missingness, Form, Assoziation, Visualisierung und Simpson-Paradox mit dem richtigen Estimand.

Öffentlich belegtZuletzt fachlich geprüft: 2026-09-02

Synthetische Lernzahlen, keine APKV-Daten

Alle vier Datensätze sind konstruiert. Die Seite übt deskriptive Urteile; sie behauptet weder interne Daten noch eine bestimmte Interviewaufgabe. Jede Kennzahl braucht Objekt, Einheit, Zielpopulation, Estimand, Nenner und Unsicherheitsgrenze. Die Rechnungen werden beim Build unabhängig reproduziert.

Eine deskriptive Antwort in sechs Schritten

  1. Einheit, Population, Zeitraum und unabhängige Beobachtung definieren.
  2. Counts, Missingness, Gewichte und Denominator offenlegen.
  3. Estimand wählen: typische Lage, Gesamtlast, Tail, Assoziation oder Gruppenvergleich.
  4. Robuste und klassische Kennzahlen mit ihren Einheiten vergleichen.
  5. Rohdatenstruktur über eine passende Grafik prüfen; Bins, Skala und Gruppierung nennen.
  6. Unsicherheit, Auswahlprozess und Entscheidungsgrenze aussprechen.
Walkthrough 01 / 4Lage · Streuung · Form · kleine Stichprobe

Ausreißer: typische Lage und Streuung begründet wählen

Abgedeckte PRD-Gruppen
  • mean, weighted mean, median, mode, and trimmed mean
  • minimum, maximum, range, quantiles, percentiles, and interquartile range
  • variance, standard deviation, median absolute deviation, and coefficient of variation
  • skewness and kurtosis with the software convention stated

Population & Stichprobe: Population: alle Vorgänge des definierten Zielzeitraums. Stichprobe: fünf synthetische, als unabhängig angenommene Dauern [2, 3, 3, 4, 18] Minuten. Die Stichprobe ist didaktisch und keine APKV-Stichprobe.

Estimand: Vor der Rechnung festlegen: Soll die mittlere Ressourcenlast (arithmetisches Populationsmittel) oder die typische Vorgangsdauer (Populationsmedian) beschrieben werden? Der Schätzer und seine Einheit folgen diesem Estimand.

Daten & Konvention: Sortierte Stichprobe: 2, 3, 3, 4, 18 Minuten; n=5, keine fehlenden Werte. Quantile verwenden hier Tukey-Hinges: Bei ungeradem n wird der Median aus den beiden Hälften ausgeschlossen.

Geprüfte Rechnung

  1. Mittel = 30/5 = 6,0 min; Median = 3 min; Modus = 3 min. Ein 20%-getrimmtes Mittel entfernt je einen Randwert: (3+3+4)/3 = 3,33 min.
  2. Minimum 2, Maximum 18, Spannweite 16 min; Q1=(2+3)/2=2,5, Q3=(4+18)/2=11, IQR=8,5 min.
  3. Stichprobenvarianz s²=182/(5−1)=45,5 min²; s=6,745 min. MAD=Median(|x−3|)=1 min; Variationskoeffizient s/Mittel=1,124, nur bei sinnvoller Verhältnisskala.
  4. Explizite Formkonvention: verzerrte Momentkoeffizienten g1=m3/m2^(3/2)=1,459 und Fisher-Exzess g2=m4/m2²−3=0,196. Andere Software kann bias-korrigierte Werte liefern; Konvention und n gehören zum Bericht.

Interpretation

Die eine 18-Minuten-Beobachtung zieht Mittelwert und Standardabweichung stark nach oben; Median und MAD beschreiben den dichten Kern. Das macht den Wert nicht automatisch zu einem Fehler: Für Kapazitätsbedarf kann gerade der Tail fachlich relevant sein. Ein Wert darf nicht allein aufgrund einer Boxplot-Regel gelöscht werden.

Annahmen & Grenzen

Einheit, Zeitraum und Auswahlmechanismus müssen vergleichbar sein. Bei n=5 sind Formkennzahlen instabil; gerundete Messung erzeugt den Modus. Varianz und Standardabweichung beziehen sich auf die Stichprobe mit n−1, nicht auf eine vollständig beobachtete endliche Population. Missingness, Cluster oder Zensierung würden eine neue Analyse verlangen.

Passende Visualisierung

Zeige Rohpunkte oder ECDF plus Boxplot; ein Histogramm mit n=5 hängt zu stark von Bin-Grenzen ab. Log-Skala nur mit sichtbarer Kennzeichnung. Gib Quantilkonvention, Achseneinheit, n und den 18-Minuten-Wert an.

Auswahlhilfe

Mittel/SD, wenn das Estimand Gesamtlast oder quadratischer Abstand ist und Tails angemessen behandelt werden. Median/MAD oder getrimmtes Mittel für robuste typische Lage; Quantile für Service-Level-Fragen. Berichte bei Schiefe oft beide Sichten statt eine Kennzahl zur Wahrheit zu erklären.

Mündliche Originalfrage & Detailrubrik

Frage: Welche Lage- und Streuungsmaße würdest du für diese fünf Dauern berichten, wenn (a) typische Erfahrung und (b) Personalbedarf gefragt sind? Rechne und begründe die unterschiedlichen Estimands.

0–4-Rubrik: 0: keine belastbare Aussage. 1: nennt Mittel oder Median ohne Rechnung/Estimand. 2: rechnet zentrale Maße, übersieht aber Einheit oder Tail. 3: trennt typische Dauer von Ressourcenlast, nennt robuste Alternative und Visualisierung. 4: zusätzlich Stichprobe/Population, Quantil- und Formkonvention, kleine-n-Grenze sowie eine begründete Tail-Entscheidung.

Quellenbasis: 1.3.5.1. Measures of Location, 1.3.5.6. Measures of Scale, 1.3.3.14. Histogram

Walkthrough 02 / 4Häufigkeiten · fehlende Werte · gewichtete Schätzung

Missingness und Gewichte: Nenner vor Durchschnitt

Abgedeckte PRD-Gruppen
  • count, missingness, absolute and relative frequency
  • mean, weighted mean, median, mode, and trimmed mean

Population & Stichprobe: Population: die durch ein synthetisches Designgewicht repräsentierten Einheiten. Stichprobe: Werte [10, fehlend, 30, fehlend, 30]; für die drei beobachteten Werte gelten Gewichte [1, 2, 7]. Keine APKV-Daten und kein reales Survey-Design.

Estimand: Estimand ist der gewichtete Populationsmittelwert des beobachteten Merkmals unter einem vorab begründeten Design. Der ungewichtete Complete-Case-Mittelwert beantwortet nur die Frage nach den drei beobachteten Stichprobeneinheiten.

Daten & Konvention: Fünf Records, davon drei beobachtet und zwei fehlend. Beobachtete absolute Häufigkeiten: 10 einmal, 30 zweimal. Gewichte der beobachteten Records summieren sich zu 10.

Geprüfte Rechnung

  1. Missing Count=2 von 5; Missing Rate=40%. Unter den beobachteten Werten: 10 mit 1/3=33,3%, 30 mit 2/3=66,7%.
  2. Bezogen auf alle Records: 10=20%, 30=40%, fehlend=40%. Der Nenner ändert die Aussage und muss beschriftet werden.
  3. Ungewichtetes Complete-Case-Mittel=(10+30+30)/3=23,33. Gewichtetes Mittel=(1·10+2·30+7·30)/(1+2+7)=280/10=28,0.
  4. Ein Gewicht ist keine bloße Duplikationszahl: Varianz und Unsicherheit müssen zum Stichprobendesign passen; die einfache Rechnung prüft nur den Punktschätzer.

Interpretation

Der große Unterschied zwischen 23,33 und 28,0 entsteht durch die Zielpopulation, die die Gewichte repräsentieren sollen. Er ist weder automatisch Bias-Korrektur noch Beweis, dass 28,0 richtig ist. Die Missing-Rate muss zusätzlich nach relevanten Gruppen und Messphasen geprüft werden.

Annahmen & Grenzen

Gewichte müssen zum Estimand, Zeitraum und Populationstotal passen. Complete-Case-Auswertung ist nur unter passenden Missingness-Annahmen unverzerrt. Imputation, Gewichtsanpassung und Missing-Kategorie verändern Ziel und Unsicherheit; fehlend ist nicht gleich null.

Passende Visualisierung

Zeige beobachtete und fehlende Counts nebeneinander, nenne gewichteten und ungewichteten Nenner und ergänze eine gruppierte Missingness-Ansicht. Balkenhöhen ohne Denominator oder gewichtete Prozentwerte ohne ungewichtetes n verschleiern Datenqualität.

Auswahlhilfe

Absolute und relative Häufigkeit gemeinsam berichten. Gewichtetes Mittel für eine designbasierte Zielpopulation, wenn Gewichte dokumentiert sind; ungewichtete Kennzahlen als Stichprobenbeschreibung. Bei informativer Missingness Sensitivitätsanalysen statt stiller Complete-Case-Löschung.

Mündliche Originalfrage & Detailrubrik

Frage: Warum unterscheiden sich 23,33 und 28,0, und welche vier Metadaten brauchst du, bevor du einen der Werte als Populationsschätzung präsentierst?

0–4-Rubrik: 0: verwechselt fehlend mit null. 1: rechnet nur einen Mittelwert. 2: rechnet Missing-Rate und beide Mittel, aber ohne Estimand. 3: erklärt Gewichte, Nenner und Complete-Case-Grenze. 4: zusätzlich Zielpopulation/Zeitraum, Gewichtskonstruktion, ungewichtetes n, designgerechte Unsicherheit und Sensitivitätsplan.

Quellenbasis: Producing Summary Statistics, Statistical Quality Standard E2: Reporting Results

Walkthrough 03 / 4Kovarianz · Korrelation · grafische Diagnose

Assoziation: Pearson, Spearman, Kendall und das Bild dazu

Abgedeckte PRD-Gruppen
  • covariance plus Pearson, Spearman, and Kendall association measures
  • empirical CDF, histogram, box plot, violin or density view, and Q-Q or probability plot

Population & Stichprobe: Population: hypothetische Paare zweier metrischer Variablen in einem definierten Prozess. Stichprobe: fünf synthetische Paare x=[1,2,3,4,5], y=[2,1,4,3,5], als unabhängig zwischen Paaren angenommen.

Estimand: Estimand ist je nach Frage lineare Populationsassoziation (Pearson), monotone Rangassoziation (Spearman/Kendall) oder die gesamte gemeinsame Struktur. Keines dieser Maße ist ein kausaler Effekt.

Daten & Konvention: Fünf eindeutige Paare ohne Ties. Beide Mittelwerte sind 3; beide Stichprobenstandardabweichungen sind √2,5=1,581. Rangfolge y ist [2,1,4,3,5].

Geprüfte Rechnung

  1. Stichprobenkovarianz Σ(x−3)(y−3)/(5−1)=8/4=2,0 in x-Einheit·y-Einheit.
  2. Pearson r=2,0/(√2,5·√2,5)=0,8. Es misst hier lineare, nicht beliebige Beziehung.
  3. Spearman ρ=1−6·Σd²/[n(n²−1)]=1−24/120=0,8, weil Σd²=4 und keine Ties vorliegen.
  4. Kendall τ=(8 konkordante−2 diskordante Paare)/10=0,6. Bei Ties wäre eine tie-korrigierte Variante anzugeben.

Interpretation

Alle drei Maße zeigen eine positive Assoziation, gewichten Abstände und Paarordnungen aber verschieden. Mit n=5 ist die Schätzung unsicher. Ein Scatterplot zeigt die zwei lokalen Rangumkehrungen sofort und kann Nichtlinearität, Heteroskedastizität oder Ausreißer sichtbar machen, die eine Einzelzahl verbirgt.

Annahmen & Grenzen

Pearson braucht für eine lineare Interpretation geeignete metrische Skalen und ist ausreißerempfindlich. Spearman/Kendall prüfen monotone Ordnung und sind nicht annahmefrei. Pairs, Missingness, Abhängigkeit, Range Restriction und selektive Stichprobe beeinflussen alle Maße.

Passende Visualisierung

Primär: Scatterplot mit Einheiten und Rohpunkten. Für jede Marginalverteilung ECDF plus Histogramm oder Dichte; Bins/Bandbreite offenlegen. Boxplot zeigt Quartile, eine Violine/Dichte kann bei n=5 Scheingenauigkeit erzeugen. Q-Q-Plot prüft eine spezifizierte Verteilungsform, beweist sie aber nicht.

Auswahlhilfe

Pearson bei linearer fachlicher Frage; Spearman für monotone rangbasierte Beziehung; Kendall für paarweise Ordnungsinterpretation und oft kleine Stichproben. Bei nichtmonotoner Struktur Kurve, lokale Maße oder Modellvergleich erwägen. Immer mit Plot, n und Unsicherheit berichten.

Mündliche Originalfrage & Detailrubrik

Frage: Rechne die drei Assoziationsmaße und erkläre, warum du trotz ähnlicher Werte zuerst den Scatterplot sehen willst. Welche Aussage über Kausalität ist zulässig?

0–4-Rubrik: 0: behauptet Kausalität. 1: nennt nur r. 2: rechnet mindestens zwei Maße korrekt. 3: trennt lineare und monotone Assoziation, Einheiten und Visualisierung. 4: zusätzlich Ties/kleines n, Missingness/Abhängigkeit, alternative nichtlineare Struktur und klare Grenze zur Kausalität.

Quellenbasis: 1.3.3.26. Scatter Plot, 1.3.3.14. Histogram, 3.1.3.1. Distribution (Location, Spread and Shape)

Walkthrough 04 / 4Subgruppen · Gewichtungsmix · verantwortete Interpretation

Aggregation: Simpson-Paradox als Nennerproblem

Abgedeckte PRD-Gruppen
  • robust and subgroup summaries, with aggregation and Simpson's-paradox warnings
  • count, missingness, absolute and relative frequency

Population & Stichprobe: Population: alle Einheiten eines synthetischen Zwei-Gruppen-Vergleichs im angegebenen Zeitraum. Stichprobe: Kategorie A hat in Segment leicht 81/87 und schwer 192/263 Erfolge; B hat 234/270 und 55/80. Keine APKV-Daten und keine Personenmerkmale.

Estimand: Zuerst klären: deskriptive Gesamtquote im beobachteten Mix, standardisierte Quote bei gemeinsamem Segmentmix oder segmentbedingter Unterschied? Diese drei Estimands sind nicht austauschbar.

Daten & Konvention: Segment leicht: A 81 Erfolge/87, B 234/270. Segment schwer: A 192/263, B 55/80. Beide Kategorien haben aggregiert 350 Beobachtungen, aber sehr unterschiedliche Segmentmixe.

Geprüfte Rechnung

  1. Leicht: A=81/87=93,10%, B=234/270=86,67%; Differenz A−B=+6,44 Prozentpunkte.
  2. Schwer: A=192/263=73,00%, B=55/80=68,75%; Differenz A−B=+4,25 Prozentpunkte.
  3. Aggregiert: A=273/350=78,00%, B=289/350=82,57%; Differenz A−B=−4,57 Prozentpunkte – umgekehrte Richtung.
  4. Mix: A besteht zu 75,14% aus schweren, B nur zu 22,86%. Die Gesamtquote ist ein gewichtetes Mittel segmentierter Quoten; andere Gewichte erzeugen eine andere deskriptive Frage.

Interpretation

A hat in beiden Segmenten die höhere beobachtete Quote, aggregiert aber die niedrigere, weil A viel häufiger im schweren Segment liegt. Das ist kein Rechenfehler. Welche Zusammenfassung entscheidungsrelevant ist, hängt von Assignment, Zielpopulation und möglichem Confounding ab; die Tabelle allein identifiziert keinen kausalen Effekt.

Annahmen & Grenzen

Segmente müssen vorab fachlich definiert, disjunkt und konsistent gemessen sein. Kleine oder fehlende Zellen, unterschiedliche Zeitfenster, post-treatment Gruppierung und selektive Erfassung können den Vergleich entwerten. Subgruppenbericht braucht Counts und Unsicherheit, nicht nur Prozentwerte.

Passende Visualisierung

Zeige Counts und Quoten je Segment sowie aggregiert, idealerweise als facettierte Punkt-/Intervallgrafik. Einheitliche y-Skala und explizite Nenner verhindern, dass Balkenflächen oder abgeschnittene Achsen Unterschiede überzeichnen.

Auswahlhilfe

Für reine Beschreibung Gesamt- und Subgruppenmix gemeinsam berichten. Für standardisierte Vergleiche einen fachlich begründeten gemeinsamen Gewichtungsmix vorab wählen. Für Kausalfragen Design, zeitliche Ordnung, Confounder und Identifikationsannahmen klären statt Simpson durch bloßes Stratifizieren zu ‚lösen‘.

Mündliche Originalfrage & Detailrubrik

Frage: Erkläre die Richtungsumkehr mit Counts und Quoten. Welche drei unterschiedlichen Estimands könnten Stakeholder meinen, und welche Zusatzfragen stellst du vor einer Empfehlung?

0–4-Rubrik: 0: nennt die Umkehr einen Fehler. 1: vergleicht nur Gesamtquoten. 2: rechnet Segment- und Gesamtquoten. 3: erklärt den Gewichtungsmix und trennt Beschreibung von Kausalität. 4: zusätzlich Estimand-Varianten, Counts/Unsicherheit, Standardisierung, Missingness/Segmentdefinition und Risiken post-treatment Gruppierung.

Quellenbasis: Producing Summary Statistics, Statistical Quality Standard E2: Reporting Results, Analyzing and Interpreting Data — Field Epidemiology Manual

Belege auf dieser Seite

  1. 1.3.5.1. Measures of Location · geprüft 2026-09-02
  2. 1.3.5.6. Measures of Scale · geprüft 2026-09-02
  3. 1.3.3.14. Histogram · geprüft 2026-09-02
  4. 1.3.3.26. Scatter Plot · geprüft 2026-09-02
  5. Producing Summary Statistics · geprüft 2026-09-02
  6. Statistical Quality Standard E2: Reporting Results · geprüft 2026-09-02
  7. Analyzing and Interpreting Data — Field Epidemiology Manual · geprüft 2026-09-02