Geburtsgewicht & Rauchen der Mutter

Projektüberblick

Dieses Projekt untersucht, ob sich das Geburtsgewicht von Babys zwischen verschiedenen Kategorien des mütterlichen Rauchstatus unterscheidet. Der Datensatz enthält Informationen über Neugeborene und ihre Mütter, darunter Geburtsgewicht, Schwangerschaftsdauer, Geschlecht des Kindes, Alter, Bildung, Größe, Gewicht, Einkommen und Rauchverhalten der Mutter.

Das Projekt wurde im Rahmen von Project II im Kurs Introductory Case Studies an der TU Dortmund bearbeitet. Der Schwerpunkt lag auf dem Vergleich mehrerer Verteilungen und der korrekten Anwendung statistischer Testverfahren, einschließlich globaler Tests und paarweiser Post-hoc-Vergleiche.

Forschungsmotivation

Das Geburtsgewicht ist ein wichtiger Gesundheitsindikator für Neugeborene. Mütterliches Rauchen wird häufig als möglicher Risikofaktor für ein geringeres Geburtsgewicht untersucht. Dieses Projekt analysiert, ob sich die Verteilungen des Geburtsgewichts zwischen Müttern unterscheiden, die nie geraucht haben, aktuell rauchen, während der Schwangerschaft aufgehört haben oder früher geraucht haben.

Datensatz

Der Datensatz enthält 1236 Beobachtungen und 23 Variablen zu Neugeborenen und ihren Müttern. Die Analyse konzentriert sich hauptsächlich auf die Variable wt, die das Geburtsgewicht des Babys in Unzen beschreibt, und smoke, die die Rauchhistorie der Mutter beschreibt.

Kategorien des mütterlichen Rauchstatus

Die Variable smoke dokumentiert die Rauchhistorie der Mutter. Diese Kategorien definieren die Gruppen, deren Baby-Geburtsgewichte in der statistischen Analyse verglichen wurden.

Analyseaufgaben

Die Aufgabe erforderte sowohl deskriptive als auch inferenzstatistische Analysen. Ziel war nicht nur zu prüfen, ob sich Rauchgruppen unterscheiden, sondern auch mehrere paarweise Vergleiche korrekt zu behandeln und zu erklären, wie Korrekturmethoden statistische Schlussfolgerungen beeinflussen.

1. Verteilungen von Geburtsgewicht und mütterlichem Rauchstatus beschreiben.
2. Mit einem globalen Test prüfen, ob sich Geburtsgewichte zwischen Rauchkategorien unterscheiden.
3. Paarweise Zwei-Stichproben-Tests zwischen allen Rauchkategorie-Paaren durchführen.
4. Paarweise Tests mit Bonferroni-Korrektur anpassen.
5. Tukey’s Honest Significant Difference anwenden und Tukey-Konfidenzintervalle berechnen.
6. Korrigierte und nicht korrigierte Testergebnisse vergleichen.
7. Annahmen vor Anwendung der statistischen Tests prüfen.

Statistische Methoden

Das Projekt nutzt klassische statistische Methoden zum Vergleich mehrerer Gruppen. Deskriptive Statistiken fassen die Verteilung der Geburtsgewichte innerhalb jeder Rauchgruppe zusammen, während globale und paarweise Tests prüfen, ob beobachtete Unterschiede statistisch bedeutsam sind.

Hypothesen

Der globale Test vergleicht die mittleren Geburtsgewichte über alle Rauchstatus-Kategorien hinweg. Die paarweisen Tests vergleichen anschließend jedes Kategorienpaar separat.

Globaler Test

• Nullhypothese H0: Das mittlere Geburtsgewicht ist in allen mütterlichen Rauchstatus-Gruppen gleich.
• Alternativhypothese H1: Mindestens eine Rauchstatus-Gruppe hat ein anderes mittleres Geburtsgewicht.

Paarweise Tests

• Nullhypothese H0: Die zwei verglichenen Rauchgruppen haben das gleiche mittlere Geburtsgewicht.
• Alternativhypothese H1: Die zwei verglichenen Rauchgruppen haben unterschiedliche mittlere Geburtsgewichte.

Datenaufbereitung

Vor der Analyse müssen unbekannte oder ungültige Werte sorgfältig behandelt werden. Zum Beispiel bedeutet der Geburtsgewichtswert 999 unbekannt, und die Rauchkategorie 9 bedeutet unbekannter Rauchstatus. Diese Werte dürfen in statistischen Tests nicht als gültige numerische Beobachtungen verwendet werden.

• Unbekannte Geburtsgewichtswerte wie wt = 999 entfernen oder markieren.
• Unbekannten Rauchstatus smoke = 9 entfernen oder separat behandeln.
• Nur gültige Beobachtungen für Geburtsgewicht und Rauchstatus im Gruppenvergleich verwenden.
• Rauchcodes in lesbare Kategorienamen umwandeln.
• Gruppengrößen vor Anwendung der Tests prüfen.

Deskriptive Analyse

Der erste Schritt beschreibt die Verteilung der Geburtsgewichte und zählt, wie viele Beobachtungen in jede Rauchstatus-Kategorie fallen. Da Geburtsgewicht kontinuierlich ist, sind gruppenweise Mittelwerte, Mediane, Standardabweichungen, Quartile und Boxplots geeignet. Da Rauchstatus kategorial ist, sind Häufigkeitstabellen geeignet.

Empfohlene Outputs

• Anzahl der Mütter in jeder Rauchstatus-Kategorie.
• Mittelwert und Median des Geburtsgewichts pro Kategorie.
• Standardabweichung und Interquartilsabstand pro Kategorie.
• Boxplot des Geburtsgewichts gruppiert nach mütterlichem Rauchstatus.
• Histogramm oder Dichteplot des Geburtsgewichts für jede Gruppe.

Annahmeprüfung

Vor der Anwendung von ANOVA-ähnlichen Tests sollten die Annahmen geprüft werden. Die Aufgabe verlangte ausdrücklich, die Testannahmen vor Anwendung der jeweiligen statistischen Tests zu kontrollieren.

Globaler Test

Der globale Test prüft, ob sich das mittlere Geburtsgewicht zwischen den mütterlichen Rauchgruppen unterscheidet. Dies ist der erste inferenzstatistische Schritt, weil er die Gesamtfrage testet, bevor einzelne Paare untersucht werden.

Wenn die Annahmen ungefähr erfüllt sind, kann eine einfaktorielle ANOVA verwendet werden. Wenn Normalitäts- oder Varianzannahmen stark verletzt sind, kann eine nichtparametrische Alternative wie der Kruskal-Wallis-Test erwogen werden.

Paarweise Vergleiche

Nach dem globalen Test werden alle Paare von Rauchstatus-Kategorien verglichen. Paarweise Zwei-Stichproben-Tests identifizieren, welche konkreten Kategorien sich im Geburtsgewicht unterscheiden.

Viele Tests erhöhen jedoch die Wahrscheinlichkeit falsch positiver Ergebnisse. Daher vergleicht das Projekt nicht korrigierte p-Werte mit Bonferroni-korrigierten Ergebnissen und Tukey-HSD-Ergebnissen.

Warum Korrektur notwendig ist

• Viele paarweise Tests erhöhen die Family-Wise Error Rate.
• Nicht korrigierte p-Werte können zu viele signifikante Unterschiede anzeigen.
• Die Bonferroni-Korrektur ist konservativ und reduziert falsch positive Ergebnisse.
• Tukey HSD ist für alle paarweisen Mittelwertvergleiche nach ANOVA konzipiert.

Bonferroni vs. Tukey HSD

Bonferroni und Tukey HSD korrigieren beide für multiples Testen, funktionieren aber unterschiedlich. Bonferroni passt das Signifikanzniveau oder die p-Werte anhand der Anzahl der Tests an. Tukey HSD ist speziell für den Vergleich aller Gruppenmittelwerte entwickelt und liefert zusätzlich Konfidenzintervalle für Mittelwertdifferenzen.

Interpretationsstrategie

Die wichtigste Interpretation betrifft nicht nur die Frage, ob sich Rauchgruppen unterscheiden, sondern auch, wie robust das Ergebnis nach Korrektur für multiples Testen bleibt. Wenn ein Unterschied im nicht korrigierten Test signifikant ist, aber nach Bonferroni- oder Tukey-Korrektur verschwindet, sollte er vorsichtig interpretiert werden.

• Signifikanter globaler Test: Evidenz, dass mindestens eine Gruppe abweicht.
• Nur signifikanter nicht korrigierter paarweiser Test: schwache Evidenz, möglicherweise falsch positiv.
• Signifikantes Bonferroni-Ergebnis: stärkere Evidenz unter konservativer Korrektur.
• Signifikantes Tukey-HSD-Ergebnis: starke Post-hoc-Evidenz für einen Mittelwertunterschied.
• Tukey-Konfidenzintervall ohne Null: unterstützt einen signifikanten Unterschied zwischen zwei Gruppenmittelwerten.

Gezeigte technische Fähigkeiten

Dieses Projekt demonstriert angewandtes statistisches Denken und einen sorgfältigen Analyseworkflow statt komplexem Machine Learning. Es zeigt Verständnis für Gruppenvergleiche, Hypothesentests, Testannahmen, Korrektur für multiples Testen und klare Interpretation statistischer Ergebnisse.

Limitationen

Das Projekt ist ein einführender statistischer Vergleich und sollte vorsichtig interpretiert werden. Beobachtungsdaten können Zusammenhänge zeigen, aber nicht beweisen, dass mütterliches Rauchen allein Veränderungen im Geburtsgewicht verursacht. Andere Faktoren wie Schwangerschaftsdauer, Alter der Mutter, Gesundheit, Einkommen, Bildung und Gewicht vor der Schwangerschaft können das Geburtsgewicht ebenfalls beeinflussen.

• Der Datensatz ist beobachtend, kein randomisiertes Experiment.
• Unbekannte Werte wie wt = 999 und smoke = 9 müssen sorgfältig behandelt werden.
• Mütterliches Rauchen kann mit sozioökonomischen und gesundheitlichen Variablen konfundiert sein.
• Geburtsgewicht kann stark von Schwangerschaftsdauer und mütterlichen Eigenschaften abhängen.
• ANOVA-ähnliche Schlussfolgerungen hängen von Annahmen wie ungefährer Normalverteilung und gleichen Varianzen ab.

Ergebnis

Dieses Projekt hat mein Verständnis für den Vergleich mehrerer Verteilungen, deskriptive Statistik, gruppenweise Analyse, ANOVA-ähnliche Tests, Zwei-Stichproben-Tests, Korrektur für multiples Testen, Tukey-HSD-Konfidenzintervalle und Annahmeprüfung gestärkt.

Es ist ein wertvolles Portfolio-Projekt, um angewandte Statistik, Gesundheitsdatenanalyse und sorgfältige Interpretation statistischer Testergebnisse in Python/Jupyter zu demonstrieren.