Statistik in der medizinischen Doktorarbeit:
p-Werte, Kaplan-Meier & Testauswahl

Von deskriptiver Statistik bis zur Cox-Regression: Dieser Guide erklärt die statistischen Methoden, die in der Dr. med. Arbeit wirklich gefragt sind – mit Fokus auf klinische Endpunkte, Überlebensanalysen und den häufigsten Stolperfallen.

p-Werte korrekt interpretieren
Kaplan-Meier & Log-Rank
Cox-Regression
Interaktiver Testauswahl-Helfer
SPSS-Workflow

📑 Inhalt

📌 Statistik für die medizinische Doktorarbeit – Das Wichtigste in Kürze

Die Wahl des richtigen statistischen Tests hängt von drei Faktoren ab: Skalenniveau der Daten (nominal, ordinal, metrisch), Anzahl der Gruppen und Normalverteilung. Für Überlebensanalysen mit zensierten Daten sind Kaplan-Meier + Log-Rank-Test (bivariat) und Cox-Regression (multivariabel) der Standard. Jedes Ergebnis braucht neben dem p-Wert zwingend ein Effektmaß (Cohen's d, OR, HR) und ein 95%-Konfidenzintervall. SPSS ist das Standardprogramm an deutschen Unikliniken, R ist die bessere Wahl für hochwertige Publikationen.

1. Statistik in der Dr. med.: Was wirklich gefragt ist

Medizinische Statistik unterscheidet sich grundlegend von Sozialwissenschaft oder BWL. Klinische Daten haben eigene Strukturen: Überlebenszeiten, zensierte Beobachtungen, ordinale Outcomescores, unausgewogene Gruppen. Das bestimmt, welche Tests und Visualisierungen angemessen sind.

🔬

Experimentelle Arbeit

Zellkultur, Tiermodell, molekularbiologische Daten:

  • t-Test / ANOVA (Gruppenvergleiche)
  • Nicht-parametrische Tests bei kleinen n
  • Post-hoc-Tests (Bonferroni, Tukey)
  • Power-Analyse vor Versuchsbeginn
🏥

Klinische Arbeit

Patientendaten, Outcomes, Laborwerte:

  • Überlebensanalysen (Kaplan-Meier)
  • Cox-Regression für Hazard Ratios
  • Logistische Regression (binäre Outcomes)
  • Chi-Quadrat, Fisher-Exakt-Test
📊

Statistische / retrospektive Arbeit

Registerdaten, Krankenkassendaten:

  • Deskriptive Statistik, Subgruppenanalysen
  • Regressionsmodelle (linear, logistisch)
  • Meta-Analyse (Forest Plots)
  • Propensity Score Matching

Mehr zu den unterschiedlichen Dissertationstypen und wann welcher Ansatz passt, erklärt der Guide zu den medizinischen Dissertationstypen. Das gewählte Studiendesign bestimmt direkt, welche statistischen Methoden zulässig sind.

💡 Die drei Fragen vor jeder Testauswahl

Jede Testentscheidung lässt sich auf drei Fragen reduzieren: (1) Skalenniveau? (nominal / ordinal / metrisch) – (2) Anzahl Gruppen / Messzeitpunkte? (2 unabhängig, 2 verbunden, ≥3, Überlebenszeit) – (3) Normalverteilung? (Shapiro-Wilk-Test). Wer diese drei Fragen beantwortet hat, landet automatisch beim richtigen Test – auch ohne Statistikstudium.

2. Skalenniveau klinischer Daten: die entscheidende Weiche

Bevor Sie einen Test wählen, müssen Sie das Skalenniveau Ihrer Variablen kennen. In der Medizin ist diese Frage besonders wichtig, da viele klinische Skalen (NRS, NYHA, Gleason) ordinal aussehen, aber häufig fälschlicherweise metrisch behandelt werden.

Skalenniveau Definition Medizinische Beispiele Erlaubte Statistik Geeignete Tests
Nominal Kategorien ohne Rangfolge Geschlecht, Blutgruppe, Diagnose (ICD), Therapiegruppe Häufigkeiten, Modus Chi-Quadrat, Fisher, McNemar
Ordinal Rangfolge, aber ungleiche Abstände NYHA I–IV, ASA-Score, Gleason, NRS-Schmerz 0–10, TNM-Staging Rangfolge, Median, IQR Mann-Whitney-U, Wilcoxon, Kruskal-Wallis, Spearman
Metrisch (intervall) Gleichmäßige Abstände, kein echter Nullpunkt Körpertemperatur (°C), Datum Mittelwert, SD t-Test, ANOVA, Pearson (wenn normalverteilt)
Metrisch (verhältnis) Gleichmäßige Abstände + echter Nullpunkt Blutdruck (mmHg), Laborwerte (mg/dL), Gewicht (kg), Überlebenszeit Alle arithmetischen Operationen t-Test, ANOVA, Regression (wenn normalverteilt)

⚠️ Häufiger Fehler: Ordinale Skalen als metrisch behandeln

Mittelwert und t-Test bei NYHA-Klassen oder NRS-Scores sind methodisch falsch – auch wenn es in älteren Publikationen häufig vorkommt. Gutachter erkennen das sofort. Verwenden Sie bei ordinalem Skalenniveau stets Median und IQR sowie nicht-parametrische Tests.

3. p-Werte richtig interpretieren – und was sie nicht bedeuten

Der p-Wert ist das meistmissverstandene Konzept der medizinischen Statistik. Die korrekte Interpretation wird von Gutachtern explizit geprüft.

✅ Was der p-Wert bedeutet

Der p-Wert gibt die Wahrscheinlichkeit an, die beobachteten Daten (oder extremere) zu erhalten, wenn die Nullhypothese wahr ist.

  • p < 0,05: konventionell signifikant (aber willkürlich!)
  • p < 0,01: hochsignifikant
  • p < 0,001: höchst signifikant

❌ Was der p-Wert NICHT bedeutet

  • Kein Effektmaß: p < 0,001 sagt nichts über die Effektgröße
  • Keine klinische Relevanz: bei großem n wird fast alles signifikant
  • Keine Kausalität: Signifikanz ≠ Ursache-Wirkungs-Beziehung
  • p = 0,051 und p = 0,049 sind kein qualitativer Unterschied

Effektmaße – Pflicht neben dem p-Wert

Moderne Journale und Gutachter erwarten immer Effektmaße. Folgende sind in der Medizin Standard:

EffektmaßAnwendungInterpretationKlein / Mittel / Groß
Cohen's dt-Test, MittelwertvergleicheStandardisierter Mittelwertunterschied0,2 / 0,5 / 0,8
Odds Ratio (OR)Logistische Regression, Fall-KontrollOR = 2,0: doppeltes Chancenverhältniskontextabhängig
Hazard Ratio (HR)Cox-Regression, ÜberlebensanalysenHR = 0,6: 40 % niedrigeres Ereignisrisikokontextabhängig
NNTKlinische Studien, RCTWie viele Patienten behandelt für 1 Nutzen?kontextabhängig
r (Pearson/Spearman)Korrelation zweier Variablen–1 bis +1, 0 = kein Zusammenhang0,1 / 0,3 / 0,5
η² (Eta-Quadrat)ANOVAVarianzanteil erklärt durch Gruppe0,01 / 0,06 / 0,14

📝 Musterbeschreibung für Ihre Dissertation

Falsch: „Es bestand ein signifikanter Unterschied zwischen den Gruppen (p = 0,02)."

Richtig: „Patienten in Gruppe A zeigten eine signifikant längere Überlebenszeit als die Kontrollgruppe (medianes Überleben: 24,3 vs. 18,1 Monate; Log-Rank p = 0,02; HR = 0,68; 95 %-KI: 0,49–0,94)."

Konfidenzintervalle – in jeder Tabelle Pflicht

Neben p-Wert und Effektmaß gehören 95 %-Konfidenzintervalle in jede Tabelle. Ein breites KI (z. B. HR: 0,4–1,8) zeigt, dass die Studie zu wenig Power hatte.

95 %-KI für Mittelwert: x̄ ± 1,96 × (s / √n) → n=30, Mittelwert=120, SD=15: 120 ± 1,96×(15/√30) = [114,6; 125,4] HR-KI in SPSS (Cox-Regression): wird automatisch ausgegeben → HR=0,68; 95 %-KI: [0,49; 0,94] → schließt 1,0 nicht ein → p < 0,05

4. Die wichtigsten statistischen Tests in der medizinischen Doktorarbeit

Diese Tabelle deckt rund 90 % der Tests ab, die in Dr.-med.-Arbeiten vorkommen. Parametrische Tests setzen Normalverteilung voraus – prüfen Sie diese mit dem Shapiro-Wilk-Test (n < 50) oder Kolmogorov-Smirnov-Test (n ≥ 50).

Fragestellung Gruppen / Design Normalverteilt? Test SPSS-Menüpfad
Mittelwertvergleich2 unabhängige Gruppen✅ Jat-Test (unverbunden)Analysieren → Mittelwerte → t-Test unabhängige Stichproben
Mittelwertvergleich2 verbundene Gruppen (vorher/nachher)✅ Jat-Test (verbunden)Analysieren → Mittelwerte → t-Test verbundene Stichproben
Mittelwertvergleich≥ 3 unabhängige Gruppen✅ JaEinfaktorielle ANOVA + Post-hoc (Bonferroni)Analysieren → Mittelwerte → Einfaktorielle ANOVA
Rangvergleich2 unabhängige Gruppen❌ Nein / ordinalMann-Whitney-U-TestAnalysieren → Nicht-parametrische Tests → 2 unabhängige Stichproben
Rangvergleich2 verbundene Gruppen❌ Nein / ordinalWilcoxon-Vorzeichen-Rang-TestAnalysieren → Nicht-parametrische Tests → 2 verbundene Stichproben
Rangvergleich≥ 3 unabhängige Gruppen❌ Nein / ordinalKruskal-Wallis-TestAnalysieren → Nicht-parametrische Tests → k unabhängige Stichproben
Häufigkeitsvergleich2 Gruppen, nominal, ausreichend n—Chi-Quadrat-TestAnalysieren → Deskriptive Statistiken → Kreuztabellen
HäufigkeitsvergleichKleine Fallzahlen, 2×2-Tabelle—Fisher-Exakt-TestKreuztabellen → Exakt (Fisher)
Korrelation2 metrische Variablen✅ JaPearson-KorrelationAnalysieren → Korrelationen → Bivariat → Pearson
KorrelationOrdinal oder nicht-normalverteilt❌ Nein / ordinalSpearman-RangkorrelationAnalysieren → Korrelationen → Bivariat → Spearman
Binärer OutcomeMehrere Prädiktoren—Logistische RegressionAnalysieren → Regression → Binär logistisch
Überlebenszeit2 Gruppen, zensierte Daten—Kaplan-Meier + Log-Rank-TestAnalysieren → Überleben → Kaplan-Meier
ÜberlebenszeitMehrere Kovariablen—Cox-Proportional-Hazard-RegressionAnalysieren → Überleben → Cox-Regression
Messwiederholungen≥ 3 Messzeitpunkte, metrisch✅ JaMesswiederholungs-ANOVAAnalysieren → GLM → Messwiederholungen
Diagnostische GenauigkeitTest vs. Referenzstandard—ROC-Kurve, AUC, Sensitivität/SpezifitätAnalysieren → Klassifizierung → ROC-Kurve

5. Überlebensanalysen: Das Herzstück klinischer Dissertationen

Überlebensanalysen kommen immer dann zum Einsatz, wenn der Zeitpunkt eines Ereignisses die interessierende Variable ist – nicht nur ob, sondern wann. Das Ereignis muss nicht der Tod sein: Es kann Rezidiv, Entlassung, Komplikation oder Remission sein.

Das Zensierungsproblem – warum normale Tests hier versagen

Nicht alle Patienten erleben das Ereignis innerhalb des Beobachtungszeitraums. Diese zensierten Beobachtungen einfach wegzulassen würde zu einem systematischen Selection Bias führen. Überlebensanalytische Methoden berücksichtigen zensierte Daten korrekt.

📌 Wann liegt eine Zensierung vor?

  • Rechtszensierung: Patient hat Ereignis bis Studienende noch nicht erlebt (häufigster Fall)
  • Lost to follow-up: Patient verlässt die Studie
  • Konkurrierende Ereignisse: Patient stirbt an anderer Ursache
  • Linkszensierung: Erkrankungsbeginn vor Studieneintritt

📌 Datenvorbereitung in SPSS

Sie benötigen mindestens zwei Variablen:

  • Zeit-Variable: Überlebenszeit in Tagen/Monaten bis Ereignis oder Zensierung
  • Status-Variable: 1 = Ereignis eingetreten, 0 = zensiert
Patient 1: Zeit=24, Status=1 (Ereignis nach 24 Mo.) Patient 2: Zeit=36, Status=0 (zensiert nach 36 Mo.)

Welche Studiendesigns für Überlebensanalysen geeignet sind, erklärt der Ratgeber zum Studiendesign in der medizinischen Doktorarbeit – insbesondere die Kohortenstudie und das RCT.

6. Kaplan-Meier-Kurven: Erstellung, Interpretation & Log-Rank-Test

Die Kaplan-Meier-Kurve ist die Standardvisualisierung für Überlebensanalysen in medizinischen Publikationen. Sie stellt die kumulierte Überlebenswahrscheinlichkeit über die Zeit dar.

Wie funktioniert die Kaplan-Meier-Schätzung?

Der Kaplan-Meier-Schätzer berechnet bei jedem Ereigniszeitpunkt neu, wie groß die Wahrscheinlichkeit ist, das nächste Ereignis zu überleben. Die Gesamtkurve ergibt sich als Produkt dieser bedingten Wahrscheinlichkeiten.

S(t) = ∏ [1 − (dᵢ / nᵢ)] für alle tᵢ ≤ t dᵢ = Anzahl Ereignisse zum Zeitpunkt tᵢ nᵢ = Anzahl Patienten „at risk" (noch kein Ereignis, noch nicht zensiert) S(t) = geschätzte Überlebenswahrscheinlichkeit bis Zeitpunkt t
01

SPSS: Analysieren → Überleben → Kaplan-Meier

Zeitvariable (Tage/Monate), Statusvariable (0/1) und optional Faktorvariable für Gruppenvergleich eintragen. Unter „Optionen" Überlebensfunktion und Tabelle ausgeben lassen.

02

Log-Rank-Test für Gruppenvergleiche aktivieren

Der Log-Rank-Test liefert den p-Wert für den Unterschied zwischen zwei Überlebenskurven. Er testet: „Haben beide Gruppen identische Überlebensfunktionen?" → Vergleiche Faktoren → Log-Rank.

03

Medianes Überleben ablesen und berichten

S(t) = 0,50 definiert das mediane Überleben. SPSS gibt es in der Ausgabetabelle mit 95 %-KI aus. Berichten Sie: „Medianes Überleben: 24,3 Monate (95 %-KI: 19,8–28,7)."

04

At-risk-Tabelle und Zensierungsmarkierungen

Internationale Journale fordern eine „Numbers at risk"-Tabelle unter der Kurve sowie vertikale Tick-Marks für zensierte Patienten. In SPSS unter Optionen → Diagramm aktivierbar.

05

Proportional-Hazard-Annahme visuell prüfen

Die Cox-Regression setzt voraus, dass sich Kaplan-Meier-Kurven zweier Gruppen nicht kreuzen (proportionale Hazards). Kreuzen sie sich, ist eine stratifizierte Analyse oder ein Landmark-Modell nötig.

📝 Muster-Ergebnistext für Ihre Dissertation

„Die Kaplan-Meier-Analyse zeigte einen signifikanten Überlebensvorteil für Patienten in Gruppe A gegenüber Gruppe B (medianes Gesamtüberleben: 28,4 vs. 19,2 Monate; Log-Rank-Test: χ² = 8,43; p = 0,004). Die 5-Jahres-Überlebensrate betrug 38,2 % (95 %-KI: 29,7–46,7 %) in Gruppe A vs. 22,1 % (95 %-KI: 15,3–29,9 %) in Gruppe B."

7. Cox-Regression: Multivariable Überlebensanalyse

Während Kaplan-Meier nur einen Faktor zur Zeit betrachtet, erlaubt die Cox-Proportional-Hazard-Regression die simultane Kontrolle mehrerer Kovariablen – Standard für klinische Studien, in denen Alter, Komorbidität und Therapie gleichzeitig berücksichtigt werden müssen.

Was Cox berechnet: das Hazard Ratio (HR)

Das HR beschreibt das relative Ereignisrisiko zu jedem Zeitpunkt:

  • HR = 1,0: Kein Unterschied
  • HR = 0,6: 40 % niedrigeres Ereignisrisiko (günstiger)
  • HR = 1,8: 80 % höheres Ereignisrisiko (ungünstiger)

Das 95 %-KI des HR darf die 1,0 nicht einschließen → p < 0,05.

Voraussetzungen der Cox-Regression

  • Proportional-Hazard-Annahme: HR konstant über Zeit (Log-Minus-Log-Plot, Schoenfeld-Residuen)
  • Keine extremen Ausreißer in kontinuierlichen Kovariablen
  • Kein Multikollinearität (VIF < 10)
  • ≥ 10 Events pro Kovariable im Modell

Standardvorgehen: Uni- vs. multivariable Cox-Analyse

SchrittAnalyseZielAufnahmekriterium
1Univariable Cox-RegressionJeden Faktor einzeln testenp < 0,10 oder klinische Relevanz
2Multivariable Cox-RegressionUnabhängige Prognosefaktoren identifizierenAlle signifikanten Faktoren aus Schritt 1
3Modellanpassung prüfenProportional-Hazard-Annahme validierenSchoenfeld-Residuen, Log-Minus-Log-Plot
4Forest Plot erstellenHR mit 95 %-KI visualisierenStandard in Publikationen
SPSS: Analysieren → Überleben → Cox-Regression Zeitvariable: Überlebenszeit_Monate Statusvariable: Ereignis(1) Kovariablen: Alter, Therapiegruppe, ECOG-Status, T-Stadium Methode: Enter (alle gleichzeitig) oder Schrittweise vorwärts Optionen: 95 %-KI für Exp(B) ausgeben lassen Ausgabe: Exp(B) = Hazard Ratio

8. SPSS-Workflow für die medizinische Doktorarbeit

SPSS ist in den meisten deutschen Unikliniken das Standardprogramm für medizinische Datenauswertungen. Dieser Workflow beschreibt den Weg von rohen Patientendaten bis zur publikationsreifen Ergebnistabelle.

🔑 SPSS vs. R vs. Stata: Welches Programm für Dr. med.?

SPSS ist der Standard an deutschen Unikliniken – gut unterstützt, kostenlos über Uni-Lizenz, keine Programmierkenntnisse nötig. R bietet mehr Möglichkeiten (ggplot2 für Kaplan-Meier, komplexere Modelle) und wird für hochwertige Publikationen bevorzugt. Stata ist vor allem in der Epidemiologie verbreitet. Externe Unterstützung bei der statistischen Auswertung bietet unsere Statistik-Beratung (SPSS, R, Stata).

01

Dateneingabe & Datenbereinigung

Variablennamen standardisieren (kein Leerzeichen), fehlende Werte kodieren (systemdefiniert oder 999), Ausreißer identifizieren (Histogramm, Boxplot). Goldene Regel: Rohdaten nie überschreiben – immer eine Backup-Kopie anlegen.

02

Patientencharakteristika: die „Tabelle 1"

Jede klinische Arbeit beginnt mit einer deskriptiven Tabelle aller Basischarakteristika: metrische Variablen als Mittelwert ± SD (oder Median + IQR), nominale Variablen als Häufigkeit (n) und Prozent (%). In SPSS: Analysieren → Deskriptive Statistiken.

03

Normalverteilung prüfen

Shapiro-Wilk-Test (bevorzugt bei n < 50): Analysieren → Deskriptive Statistiken → Explorative Datenanalyse → Diagramme → Normalverteilungsdiagramme mit Tests. p < 0,05 = Abweichung von Normalverteilung → nicht-parametrische Tests.

04

Hauptanalyse durchführen

Den richtigen Test wählen (→ interaktiver Helfer unten). Immer mit univariablen Analysen beginnen, dann multivariable Modelle. Alle Ausgaben in einer SPSS-Syntaxdatei dokumentieren – das ist Ihre Dokumentation der exakten Analyseschritte, unerlässlich für die Dissertation und Publikation.

05

Grafiken erstellen & exportieren

SPSS-Grafiken für die Dissertation in hoher Auflösung exportieren: Rechtsklick auf Grafik → Bearbeiten → Exportieren → Format: TIFF oder EPS (300 dpi). Für Journale oft .eps oder .svg – R ggplot2 produziert hier bessere Qualität.

06

Sensitivitätsanalysen & Subgruppenanalysen

Robustheit prüfen: Analyse ohne Ausreißer wiederholen, verschiedene Endpunktdefinitionen testen. Wichtig: Subgruppenanalysen müssen im Ethikantrag vorab geplant sein (prospektiv), sonst nur explorativ.

📊 Interaktiver Testauswahl-Helfer

4 Fragen → passender statistischer Test für Ihre Fragestellung

Frage 1 von 4
Was ist Ihre statistische Fragestellung?
Frage 2 von 4
Wie viele Gruppen vergleichen Sie?
Frage 3 von 4
Welches Skalenniveau haben Ihre Daten?
Frage 4 von 4
Sind die Daten normalverteilt?
Parametrisch
t-Test

Voraussetzungen

    SPSS-Pfad & Ausgabe

      10. Die 8 häufigsten Statistikfehler in medizinischen Doktorarbeiten

      Diese Fehler erscheinen in Gutachten immer wieder – und sind leicht vermeidbar, wenn man sie kennt.

      #FehlerWarum problematischLösung
      1Kein Power-KalkülZu kleine Fallzahl → nicht signifikante Ergebnisse nicht interpretierbarG*Power (kostenlos) vor Studienbeginn nutzen
      2Normalverteilung nicht geprüftt-Test bei nicht-normalverteilten Daten verletzt TestvoraussetzungenImmer Shapiro-Wilk vor t-Test / ANOVA
      3Nur p-Wert, kein EffektmaßStatistisch signifikant ≠ klinisch relevantImmer Cohen's d, OR, HR oder r ergänzen
      4Multiples Testen ohne KorrekturBei 20 Tests tritt per Zufall 1 signifikantes Ergebnis auf (α-Inflation)Bonferroni- oder FDR-Korrektur, oder explizit explorativ deklarieren
      5Zensierte Beobachtungen ignoriertNur Patienten mit Ereignis analysieren → Selection BiasKaplan-Meier / Cox; alle zensierten Patienten einschließen
      6Ordinal als metrisch behandeltMittelwert von NRS/NYHA statistisch nicht sinnvollMedian + IQR, Mann-Whitney-U-Test
      7Kausalaussagen aus KorrelationAus Querschnittsdaten keine Kausalität ableitbarKorrekt: „Rauchen war signifikant mit Lungenkarzinom assoziiert (OR=4,2)"
      8Kein 95 %-KIPräzision der Schätzung nicht beurteilbar; Journale lehnen ohne KI abIn jeder Tabelle: Schätzer [95 %-KI; obere Grenze]

      Häufig gestellte Fragen zur Statistik in der Dr. med. Arbeit

      Wie viele Patienten brauche ich für meine Studie?

      Das hängt von Effektgröße, gewünschter Power (Standard: 80 %) und Signifikanzniveau (α = 0,05) ab. Faustregeln:

      • t-Test (mittlerer Effekt, d = 0,5): ca. 64 Patienten pro Gruppe
      • Überlebensanalyse: Fallzahl richtet sich nach der erwarteten Zahl an Events, nicht nach Patienten
      • Logistische Regression: ≥ 10 Events pro Prädiktor

      Berechnen Sie Ihre Fallzahl vor Studienbeginn mit G*Power (kostenlos) – das ist Pflicht im Ethikantrag und gehört in den Methoden-Teil.

      Wann nehme ich den Mann-Whitney-U statt t-Test?

      Immer wenn eines der folgenden Kriterien zutrifft:

      • Daten nicht normalverteilt (Shapiro-Wilk p < 0,05)
      • Ordinales Skalenniveau (NRS, NYHA, Gleason)
      • Kleine Stichprobe (n < 15 pro Gruppe) mit unbekannter Verteilung
      • Ausreißer, die nicht entfernt werden können

      Beim Mann-Whitney-U berichten Sie Median + IQR statt Mittelwert + SD.

      Was ist der Unterschied zwischen Log-Rank-Test und Cox-Regression?

      Log-Rank-Test: Bivariater Test – vergleicht zwei Überlebenskurven, liefert nur p-Wert, kein Effektmaß. Ideal für Kaplan-Meier-Visualisierung.

      Cox-Regression: Multivariables Modell – kontrolliert mehrere Kovariablen gleichzeitig, liefert Hazard Ratios mit 95 %-KI. Standard für klinische Publikationen.

      Empfehlung: Immer beides: Kaplan-Meier + Log-Rank für die Visualisierung, Cox-Regression für die multivariable Analyse.

      Wie berichte ich nicht-signifikante Ergebnisse in der Dissertation?

      Nicht-signifikante Ergebnisse sind kein Misserfolg – sie sind ein valides Ergebnis. Berichten Sie vollständig:

      Falsch: „Es wurde kein Unterschied gefunden."

      Richtig: „Zwischen Gruppe A und B zeigte sich kein statistisch signifikanter Unterschied (medianes Überleben: 22,1 vs. 24,3 Monate; Log-Rank p = 0,28; HR = 0,89; 95 %-KI: 0,72–1,10)."

      Diskutieren Sie in der Diskussion: Hatte Ihre Studie genug Power? Könnte ein klinisch relevanter Unterschied trotz nicht-signifikantem p-Wert bestehen?

      Kann ich externe Statistikunterstützung in Anspruch nehmen?

      Ja – externe Unterstützung ist üblich und legitim. Die Grundlagen der Auswertung sollten Sie selbst verstehen, da Gutachter die Methodik prüfen. Möglichkeiten:

      • Uni-Statistikberatung: Die meisten medizinischen Fakultäten bieten kostenlose Sprechstunden an
      • Biometrie-Institut: Für komplexere Studiendesigns
      • Externe Beratung: Unsere Statistik-Beratung (SPSS, R, Stata) – von Fallzahlkalkulation bis Auswertung

      Die Beratungsperson muss im Danksagungsteil der Dissertation erwähnt werden.

      Was ist eine Power-Analyse und wann brauche ich sie?

      Die Power-Analyse berechnet die benötigte Fallzahl, um einen Effekt der erwarteten Größe mit gewünschter Wahrscheinlichkeit (Power) zu detektieren.

      • Bei prospektiven Studien und RCTs: Pflicht im Ethikantrag
      • Bei Tierversuchsprotokollen: Pflicht (Tierschutz)
      • Bei retrospektiven Arbeiten: Posteriori-Power-Analyse im Methoden-Teil sinnvoll

      Tool: G*Power (kostenlos, Windows/Mac) – für alle gängigen Tests verfügbar.

      Statistik-Unterstützung für Ihre medizinische Doktorarbeit

      Sie stecken bei der Auswertung fest? Unsere Experten mit Dr. med. und Statistikexpertise helfen Ihnen – von der Fallzahlplanung über die SPSS-Analyse bis zur Interpretation und Publikationsreife Ihrer Ergebnisse.

      Jetzt unverbindlich anfragen Statistik-Beratung ansehen

      📚 Weiterführende Seiten

      Doktorarbeit Medizin – Hauptguide Studiendesign Medizin Medizinische Dissertationstypen Ethikantrag schreiben Vancouver-Zitierweise AWMF-Leitlinien zitieren Statistik-Beratung buchen Ghostwriter Statistik Doktorarbeit schreiben lassen Ghostwriter Medizin
      crossmenu