Ich sitze gerade über meinen Daten und frage mich, ob ich bei der Interpretation meiner Ergebnisse vielleicht zu sehr auf die p-Werte fixiert bin. In meiner letzten Analyse war ein Effekt knapp nicht signifikant, aber die Effektstärke war eigentlich ganz beachtlich. Das hat mich ins Grübeln gebracht, ob ich vielleicht zu viel Gewicht auf diesen einen Schwellenwert lege.
Das klingt frustrierend, ehrlich gesagt verwirrend. Du hast eine beachtliche Effektstärke gesehen, der p Wert war knapp signifikant. Das Gewicht dieses Schwellenwertes regt dich zum Nachdenken an.
Eine nüchterne Sicht ist es p Wert und Effektgröße gemeinsam zu betrachten. Neben dem p Wert das Konfidenzintervall zu berichten und zu prüfen wie stabil der Effekt über Subgruppen ist. Eine Bayes Perspektive könnte zusätzliche Einsichten liefern.
Vielleicht denke ich, der p Wert bedeutet sofort Beweis oder Gegenbeweis. Ein nicht signifikantes Ergebnis heißt nicht automatisch kein Effekt.
Ich zweifle daran, dass dieser sture Fokus auf Schwellenwerte sinnvoll ist. Vielleicht geht es um Robustheit statt um eine Zahl. Ist der Effekt wirklich praktikabel oder nur ein Zufallsmuster?
Statt zu fragen ob der Effekt signifikant ist frage ich wie stabil Hinweise über verschiedene Modelle hinweg sind. Vielleicht führt das Thema in eine breitere Idee wie Informationsgehalt der Ergebnisse statt eines scharfen Thresholds. Und was bedeutet Praxisrelevanz in diesem Datensatz.
