Quasi-experimentelle und natürliche Experimentdesigns

Quasi-experimentelle Designs evaluieren die Wirkung einer Intervention oder Exposition, wenn eine zufällige Zuweisung unmöglich, unethisch oder unpraktisch ist, indem sie eine strukturierte, aber nicht-zufällige Variation nutzen, um einen kontrollierten Vergleich zu approximieren. Natürliche Experimente sind eine eng verwandte Form, bei der die Exposition aus einer politischen Änderung, einem Programm oder einem externen Ereignis resultiert und nicht aus der Zuweisung durch den Forscher, wodurch Untersucher bevölkerungsweite Interventionen studieren können, die niemals randomisiert werden könnten.

Definition

Ein quasi-experimentelles Design schätzt die Wirkung einer Intervention ohne zufällige Zuweisung ab, wobei es sich auf einen strukturierten Vergleich (über die Zeit, zwischen Gruppen oder über einen Schwellenwert hinweg) stützt, um die Wirkung der Intervention zu isolieren; ein natürliches Experiment ist ein Quasi-Experiment, bei dem die Exposition durch Ereignisse außerhalb der Kontrolle des Untersuchers bestimmt wird.

Scope

Dieses Thema behandelt die gemeinsame Logik von Quasi-Experimenten und natürlichen Experimenten, gängige Designs wie unterbrochene Zeitreihen, kontrollierte Vorher-Nachher-Studien, Differenz-in-Differenzen und Regressionsdiskontinuität sowie deren Positionierung zwischen randomisierten Studien und rein beobachtenden Studien. Es ist eine methodologische Referenz im Rahmen der evidenzbasierten Praxis und bietet keine klinischen Anweisungen.

Core questions

• Wie können kausale Effekte geschätzt werden, wenn eine Randomisierung nicht möglich ist?
• Welche Vergleichsstrukturen nutzen unterbrochene Zeitreihen, Differenz-in-Differenzen und Regressionsdiskontinuität aus?
• Welche Bedrohungen der Validität bleiben bestehen, wenn die Zuweisung nicht zufällig ist?

Key concepts

• Nicht-zufällige Zuweisung
• Unterbrochene Zeitreihen
• Differenz-in-Differenzen
• Regressionsdiskontinuität
• Kontrollierte Vorher-Nachher-Studie
• Kontrafaktum und Vergleichsgruppe
• Confounding und säkulare Trends

Mechanisms

Mangels Randomisierung konstruieren diese Designs ein Kontrafaktum aus Struktur statt aus Zufall. Unterbrochene Zeitreihen vergleichen den Trend vor einer Intervention mit dem Trend danach, wobei die prä-interventionelle Trajektorie als erwarteter Verlauf ohne die Intervention dient (Kontopantelis et al., 2015). Differenz-in-Differenzen kontrastiert die zeitliche Veränderung in einer exponierten Gruppe mit der Veränderung in einer nicht-exponierten Vergleichsgruppe, um gemeinsame säkulare Trends herauszurechnen, und Regressionsdiskontinuität nutzt eine Schwellenwertregel aus, die die Exposition zuweist, um Effekte nahe des Cutoffs abzuschätzen. Da die Zuweisung nicht zufällig ist, bleiben Rest-Confounding, Historien-Effekte und Selektion Bedrohungen, die durch Design und Analyse angegangen werden müssen (Shadish et al., 2002).

Clinical relevance

Quasi-Experimente und natürliche Experimente liefern einen Großteil der Evidenz für bevölkerungsweite und politische Interventionen im Gesundheitswesen, wo eine Randomisierung oft unmöglich ist. Dieser Eintrag erklärt, wie solche Evidenz generiert und bewertet wird, und ist keine Grundlage für individuelle klinische Entscheidungen.

Evidence & guidelines

Die Leitlinien des Medical Research Council legen dar, wie natürliche Experimente bevölkerungsbezogene Gesundheitsinterventionen glaubwürdig evaluieren können und welche Bedingungen ihre Schlussfolgerungen stärken (Craig et al., 2012). Methodologische Darstellungen beschreiben unterbrochene Zeitreihen und verwandte regressionsbasierte Ansätze, wenn eine Randomisierung keine Option ist (Kontopantelis et al., 2015), und in Bewertungsrahmen werden solche Designs in der Regel als Beobachtungsstudien behandelt, die bei einem starken Vergleich aufgewertet werden können (Guyatt et al., 2008).

History

Die konzeptuellen Grundlagen wurden Mitte des 20. Jahrhunderts in den Sozialwissenschaften von Campbell und Kollegen gelegt, die experimentelle von quasi-experimentellen Designs unterschieden und Bedrohungen der Validität katalogisierten, später konsolidiert von Shadish, Cook und Campbell (2002). Die Gesundheitsforschung übernahm diese Designs und natürlichen Experimente zunehmend zur Bewertung von Politiken und Programmen, wobei spezielle Leitlinien für die öffentliche Gesundheit entwickelt wurden (Craig et al., 2012).

Debates

Wie viel kausales Gewicht kann quasi-experimentelle Evidenz tragen?

Starke Designs wie gut durchgeführte natürliche Experimente und Regressionsdiskontinuität können für bestimmte Fragen die Glaubwürdigkeit von Studien erreichen, aber ohne Randomisierung sind die für die kausale Inferenz erforderlichen Annahmen stärker und schwerer zu überprüfen, sodass das Evidenzgewicht umstritten und designabhängig ist.

Key figures

• Donald Campbell
• Thomas Cook
• William Shadish
• Peter Craig

Seminal works

• shadish-2002
• craig-2012-natural
• kontopantelis-2015-its

Frequently asked questions

Wie unterscheidet sich ein Quasi-Experiment von einer randomisierten Studie?

Beide evaluieren eine Intervention im Vergleich zu einer Kontrollgruppe, aber ein Quasi-Experiment weist die Intervention nicht zufällig zu; es stützt sich auf Strukturen wie Zeitpunkt, Gruppenunterschiede oder einen Schwellenwert, um den Vergleich aufzubauen, was mehr Raum für Störfaktoren lässt.

Was ist ein natürliches Experiment?

Es ist ein Quasi-Experiment, bei dem die Exposition durch ein Ereignis, eine Politik oder ein Programm außerhalb der Kontrolle des Forschers entsteht, was die Untersuchung von Interventionen, oft auf Bevölkerungsebene, ermöglicht, die nicht zufällig zugewiesen werden könnten.