In diesem Modul tauchen wir in ein Thema ein, mit dem Sie wahrscheinlich schon Ihr ganzes Leben lang zu tun hatten, das Sie aber vielleicht noch nie aus einer statistischen Perspektive betrachtet haben: die Normalkurve. Ganz allgemein werden wir Wahrscheinlichkeitsverteilungen besprechen, einschließlich ihrer wichtigsten Merkmale und ihrer Bedeutung für die Quantifizierung von Unsicherheit. Obwohl sich das Studium der Wahrscheinlichkeitstheorie manchmal losgelöst von der angewandten Statistik anfühlt, ist es wichtig, ein grundlegendes Verständnis der Wahrscheinlichkeit zu entwickeln, um statistische Modelle kritisch bewerten zu können. Ein Verständnis für die Wahrscheinlichkeit und ihre kontraintuitive Natur wird Ihnen helfen, die Unsicherheit eines statistischen Ergebnisses so genau wie möglich zu interpretieren. Dies ist besonders wichtig, wenn viel auf dem Spiel steht und politische Entscheidungsträger wissen wollen, ob sie auf der Grundlage eines statistischen Ergebnisses handeln sollen oder nicht.

In diesem Modul werden wir die Konzepte der Wahrscheinlichkeit, der Zufallsvariablen und der Verteilungen anwenden, um die Unsicherheit zu messen und zu interpretieren. Insbesondere werden wir uns auf die statistische Signifikanz konzentrieren. Eine Beziehung ist statistisch signifikant, wenn sie sich von Null unterscheiden lässt. Nehmen wir an, Sie möchten untersuchen, wie sich die Exposition gegenüber negativer Wahlwerbung auf die Wahrscheinlichkeit auswirkt, dass jemand wählen geht. Die unabhängige Variable ist die Exposition gegenüber negativer Wahlwerbung und die abhängige Variable ist die Wahrscheinlichkeit, dass man wählen geht. Wenn wir feststellen, dass die Exposition gegenüber negativer Wahlwerbung keinen Zusammenhang mit der Wahrscheinlichkeit der Stimmabgabe hat, würden wir sagen, dass dies ein statistisch unbedeutender Zusammenhang ist. Wenn wir stattdessen feststellen, dass die Exposition gegenüber negativer Wahlwerbung zu einem Rückgang der Wahlwahrscheinlichkeit führt, haben wir eine statistisch signifikante (d.h. von Null verschiedene) Beziehung aufgedeckt.

In diesem letzten Modul des Kurses befassen wir uns damit, wie man die Unsicherheit von Regressionsschätzungen und Umfrageergebnissen messen kann. Es ist oft der Fall, dass ein Regressionsmodell eine Beziehung ungleich Null aufzeigt, aber es ist wichtig zu bestimmen, ob diese Beziehung ausreichend von Null abweicht, so dass wir daraus schließen können, dass die Beziehung statistisch signifikant ist. Nehmen wir zum Beispiel an, ein Regressionsmodell zeigt, dass ein Medikament die Ergebnisse der Patienten um 3,2% verbessert. Sind 3,2 % statistisch gesehen anders als 0? Ein statistischer Signifikanztest wird diese Frage beantworten. In diesem Modul werden jedoch auch einige der Nachteile erörtert, die entstehen, wenn man sich bei der datengestützten Entscheidungsfindung auf die statistische Signifikanz verlässt. Die statistische Signifikanz ist zwar eine wichtige Überlegung, aber sie ist nicht das einzige Kriterium, das man verwenden sollte, wenn man entscheidet, ob man auf eine Reihe von statistischen Ergebnissen reagieren soll.