Auf (un)sicherem Boden – Versuchsplanung in den Natur- und Ingenieurwissenschaften

Wirkt Medikament A besser als ein Placebo? Wirkt Medikament A besser als Medikament B? Wie unterscheiden sich die Ernteerträge in Abhängigkeit von der Getreidesorte? Wie in Abhängigkeit von der Düngermenge? Wie unterscheiden sich die Ernteerträge in Abhängigkeit von der Kombination aus Getreidesorte und Düngermenge?

Klarheit schaffen in der Versuchsplanung

Dies sind nur einige Beispiele für – trotz großer Ähnlichkeiten völlig verschiedene – Versuchsfragen, die sich eine medizinische oder eine landwirtschaftliche Forschungsgruppe stellen kann. Und es muss immer der erste Schritt in der Versuchsplanung sein, sich Klarheit darüber zu verschaffen, welche Frage genau man untersuchen will. Denn daraus ergeben sich Konsequenzen sowohl für die Art und Weise der Datenerfassung als auch für die statistische Auswertung der gewonnenen Daten. Es wäre methodisch falsch, den zweiten Schritt vor dem ersten zu tun, d.h. einfach planlos Daten zu erfassen und durch die statistische Auswertung zu „klären“, was mit den Daten gezeigt werden soll.

„Wir messen erstmal …“

Leider laufen viele Experimente genau so ab: „Wir messen erstmal und schauen später, was rauskommt.“ So können keine reproduzierbaren und belastbaren Erkenntnisse über die Signifikanz von Mess- oder Untersuchungsergebnissen gewonnen werden. Das ist nicht nur ärgerlich, sondern kann gerade im medizinischen Bereich hochgefährlich werden, wenn beispielsweise einem Medikament allein aufgrund eines ungeeigneten Studien-Setups fälschlicherweise eine positive Hauptwirkung attestiert wird, die es in Wirklichkeit gar nicht hat.

Design of Experiments

Hier setzt die Versuchsplanung ein, oft auch im Deutschen „Design of Experiments“ genannt: Sie stellt einen systematischen Rahmen dar, der den Versuchsdurchführenden dabei hilft, ihre Experimente so zu gestalten und auszuwerten, dass Ursache-Wirkungs-Beziehungen herausgeschält und der Einfluss von stochastischen oder systematischen Störgrößen quantifiziert werden kann.

Abb.: Link

Für eine gute, d.h. aussagefähige Statistik braucht man nicht zwangsläufig eine große Anzahl an Probanden oder tausende von Messpunkten – man braucht ein „richtiges“, also problemangepasstes Versuchs-Setup und im Vorfeld (!) bestimmte und für die Auswertung der Versuchsdaten geeignete statistische Analysemethoden. Statistische Softwarepakete wie das kommerzielle SAS oder freie Programmiersprachen für statistische Berechnungen wie R können bei der Auswertung helfen, vorausgesetzt, die Nutzenden wissen, was sie tun. Mehr Informationen zur Versuchsplanung in den Natur- und Ingenieurwissenschaften findet man in diesen Büchern:

Schmid, Angewandte Stochastik und Versuchsplanung in den Natur- und Ingenieurwissenschaften, 978-3-527-34629-5

Rasch/Schott, Mathematische Statistik, 978-3-527-33884-9