- Beschreiben die Grundelemente eines Einzelfachforschungsdesigns.
- Entwerfen Sie einfache Einzelfachstudien mit Reversal-und Multiple-Baseline-Designs.
- Erläutern Sie, wie Single-Subject-Forschungsdesigns das Problem der internen Validität angehen.
- Interpretieren Sie die Ergebnisse einfacher Einzelstudien basierend auf der visuellen Inspektion grafischer Daten.,
Bevor Sie sich bestimmte Forschungsdesigns mit einem Thema ansehen, ist es hilfreich, einige Funktionen zu berücksichtigen, die den meisten gemeinsam sind. Viele dieser Merkmale sind in Abbildung 10.2 dargestellt, die die Ergebnisse einer generischen Einzelfachstudie zeigt. Zunächst wird die abhängige Variable (dargestellt auf der y-Achse des Graphen) in regelmäßigen Abständen wiederholt über die Zeit (dargestellt durch die x-Achse) gemessen. Zweitens ist die Studie in verschiedene Phasen unterteilt, und der Teilnehmer wird unter einer Bedingung pro Phase getestet., Die Bedingungen werden oft mit Großbuchstaben bezeichnet: A, B, C usw. Somit stellt Abbildung 10.2 ein Design dar, bei dem der Teilnehmer zuerst in einer Bedingung (A) getestet, dann in einer anderen Bedingung (B) getestet und schließlich in der ursprünglichen Bedingung (A) erneut getestet wurde. (Dies wird als Umkehrentwurf bezeichnet und wird in Kürze ausführlicher diskutiert.)
Ein weiterer wichtiger Aspekt der Einzelfachforschung ist, dass der Wechsel von einer Bedingung zur nächsten normalerweise nicht nach einer festen Zeit oder Anzahl von Beobachtungen erfolgt. Stattdessen hängt es vom Verhalten des Teilnehmers ab. Insbesondere wartet der Forscher, bis das Verhalten des Teilnehmers in einer Bedingung von Beobachtung zu Beobachtung ziemlich konsistent wird, bevor er die Bedingungen ändert., Dies wird manchmal als Steady-State-Strategie bezeichnet (Sidman, 1960). Die Idee ist, dass, wenn die abhängige Variable einen stetigen Zustand erreicht hat, jede Änderung zwischen den Bedingungen relativ leicht zu erkennen ist. Denken Sie daran, dass wir bei der Diskussion über experimentelle Forschung im Allgemeinen auf dasselbe Prinzip gestoßen sind. Der Effekt einer unabhängigen Variablen ist leichter zu erkennen, wenn das „Rauschen“ in den Daten minimiert wird.
Umkehrdesigns
Das grundlegendste Forschungsdesign für einzelne Themen ist das Umkehrdesign, auch ABA-Design genannt., Während der ersten Phase A wird eine Basislinie für die abhängige Variable festgelegt. Dies ist der Grad der Reaktion, bevor eine Behandlung eingeführt wird, und daher ist die Basisphase eine Art Kontrollbedingung. Wenn der stationäre Zustand erreicht ist, beginnt Phase B, wenn der Forscher die Behandlung einführt. Es kann eine Phase der Anpassung an die Behandlung geben, in der das interessierende Verhalten variabler wird und zuzunehmen oder abzunehmen beginnt., Auch hier wartet der Forscher, bis diese abhängige Variable einen stetigen Zustand erreicht, so dass klar ist, ob und wie sehr sie sich geändert hat. Schließlich entfernt der Forscher die Behandlung und wartet erneut, bis die abhängige Variable einen stetigen Zustand erreicht. Dieses grundlegende Umkehrdesign kann auch mit der Wiedereinführung der Behandlung (ABAB), einer weiteren Rückkehr zum Ausgangswert (ABEBA) usw. erweitert werden.
Die Studie von Hall und seinen Kollegen war ein ABAB Reversal Design. Abbildung 10.3 approximiert die Daten für Robbie., Der Prozentsatz der Zeit, die er mit dem Studium verbrachte (die abhängige Variable), war während der ersten Baseline-Phase niedrig, stieg während der ersten Behandlungsphase an, bis sie sich ausgleichte, nahm während der zweiten Baseline-Phase ab und nahm während der zweiten Behandlungsphase wieder zu.
Warum wird die Umkehr—die Entfernung der Behandlung—in dieser Art von Design als notwendig erachtet? Warum zum Beispiel ein ABA-Design anstelle eines einfacheren AB-Designs verwenden? Beachten Sie, dass ein AB-Design im Wesentlichen ein unterbrochenes Zeitreihendesign ist, das auf einen einzelnen Teilnehmer angewendet wird., Es sei daran erinnert, dass ein Problem bei diesem Design darin besteht, dass, wenn sich die abhängige Variable nach der Einführung der Behandlung ändert, nicht immer klar ist, dass die Behandlung für die Änderung verantwortlich war. Es ist möglich, dass sich etwa zur gleichen Zeit etwas anderes geändert hat und dass diese Fremdvariable für die Änderung der abhängigen Variablen verantwortlich ist., Wenn sich jedoch die abhängige Variable mit der Einführung der Behandlung ändert und sich dann mit der Entfernung der Behandlung wieder ändert (vorausgesetzt, die Behandlung erzeugt keine dauerhafte Wirkung), ist es viel klarer, dass die Behandlung (und die Entfernung der Behandlung) die Ursache ist. Mit anderen Worten, die Umkehrung erhöht die interne Validität der Studie erheblich.
Es gibt nahe Verwandte des grundlegenden Umkehrdesigns, die die Bewertung von mehr als einer Behandlung ermöglichen., Bei einem Multiple-Treatment-Reversal-Design folgen auf eine Baseline-Phase separate Phasen, in denen verschiedene Behandlungen eingeführt werden. Beispielsweise könnte ein Forscher eine Grundlinie für das Studium des Verhaltens eines störenden Schülers festlegen (A), dann eine Behandlung mit positiver Aufmerksamkeit des Lehrers einführen (B) und dann zu einer Behandlung mit milder Bestrafung für das Nichtstudium wechseln (C). Der Teilnehmer könnte dann zu einer Basisphase zurückkehren, bevor er jede Behandlung wieder einführt-möglicherweise in umgekehrter Reihenfolge, um die Verschleppungseffekte zu kontrollieren., Dieses besondere Mehrfachbehandlungsumkehrdesign könnte auch als ABCACB-Design bezeichnet werden.
In einem wechselnden Behandlungsdesign wechseln sich zwei oder mehr Behandlungen relativ schnell ab. Zum Beispiel könnte positive Aufmerksamkeit für das Studium eines Tages und milde Strafe für das Nichtstudium des nächsten usw. verwendet werden. Oder eine Behandlung könnte morgens und eine andere nachmittags durchgeführt werden. Das Design alternierender Behandlungen kann eine schnelle und effektive Möglichkeit sein, Behandlungen zu vergleichen, jedoch nur, wenn die Behandlungen schnell wirken.,
Multiple-Baseline-Designs
Es gibt zwei mögliche Probleme mit dem Umkehrdesign—beide haben mit der Entfernung der Behandlung zu tun. Eine ist, dass, wenn eine Behandlung funktioniert, es unethisch sein kann, sie zu entfernen. Wenn beispielsweise eine Behandlung die Häufigkeit von Selbstverletzungen bei einem entwicklungsbehinderten Kind zu verringern schien, wäre es unethisch, diese Behandlung zu entfernen, nur um zu zeigen, dass die Häufigkeit von Selbstverletzungen zunimmt. Das zweite Problem besteht darin, dass die abhängige Variable möglicherweise nicht zum Ausgangswert zurückkehrt, wenn die Behandlung entfernt wird., Wenn beispielsweise die positive Aufmerksamkeit für das Studium aufgehoben wird, kann ein Student mit einer erhöhten Rate weiter studieren. Dies könnte bedeuten, dass sich die positive Aufmerksamkeit nachhaltig auf das Studium des Schülers auswirkt, was natürlich gut wäre. Es könnte aber auch bedeuten, dass die positive Aufmerksamkeit nicht wirklich die Ursache für das erhöhte Studium war. Vielleicht geschah etwas anderes ungefähr zur gleichen Zeit wie die Behandlung—zum Beispiel hätten die Eltern des Schülers begonnen, ihn für gute Noten zu belohnen.,
Eine Lösung für diese Probleme ist die Verwendung eines Multiple-Baseline-Designs, das in Abbildung 10.4 dargestellt ist. In einer Version des Designs wird für jeden von mehreren Teilnehmern eine Basislinie festgelegt, und die Behandlung wird dann für jeden einzelnen eingeführt. Im Wesentlichen wird jeder Teilnehmer in einem AB-Design getestet. Der Schlüssel zu diesem Design ist, dass die Behandlung zu einem anderen Zeitpunkt für jeden Teilnehmer eingeführt wird. Die Idee ist, dass, wenn sich die abhängige Variable ändert, wenn die Behandlung für einen Teilnehmer eingeführt wird, dies ein Zufall sein könnte., Wenn sich jedoch die abhängige Variable ändert, wenn die Behandlung für mehrere Teilnehmer eingeführt wird—insbesondere wenn die Behandlung für die verschiedenen Teilnehmer zu unterschiedlichen Zeiten eingeführt wird—, ist es äußerst unwahrscheinlich, dass dies ein Zufall ist.
Als ein Beispiel, betrachten Sie eine Studie von Scott Ross und Robert Horner (Ross & Horner, 2009). Sie interessierten sich dafür, wie sich ein schulweites Mobbingpräventionsprogramm auf das Mobbingverhalten bestimmter Problemschüler auswirkte. An jeder von drei verschiedenen Schulen untersuchten die Forscher zwei Schüler, die regelmäßig Mobbing betrieben hatten. Während der Basisphase beobachteten sie die Schüler jeden Tag während der Mittagspause 10 Minuten lang und zählten die Anzahl der aggressiven Verhaltensweisen, die sie gegenüber Gleichaltrigen zeigten., (Die Forscher verwendeten Handheld-Computer, um die Daten aufzuzeichnen. Nach 2 Wochen wurde das Programm an einer Schule umgesetzt. Nach 2 weiteren Wochen haben sie es an der zweiten Schule umgesetzt. Und nach zwei weiteren Wochen haben sie es an der dritten Schule umgesetzt. Sie stellten fest, dass die Anzahl der aggressiven Verhaltensweisen, die jeder Schüler zeigte, kurz nach der Durchführung des Programms an seiner Schule sank., Beachten Sie, dass, wenn die Forscher nur eine Schule studiert hätten oder wenn sie die Behandlung gleichzeitig an allen drei Schulen eingeführt hätten, unklar wäre, ob die Verringerung des aggressiven Verhaltens auf das Mobbingprogramm zurückzuführen war oder etwas anderes, das ungefähr zur gleichen Zeit geschah Es wurde eingeführt (z. B. ein Urlaub, ein Fernsehprogramm, eine Änderung des Wetters). Aber mit ihrem Multiple-Baseline-Design müsste diese Art von Zufall dreimal passieren—ein sehr unwahrscheinliches Ereignis -, um ihre Ergebnisse zu erklären.,
In einer anderen Version des Multiple-Baseline-Designs werden mehrere Baselines für denselben Teilnehmer, aber für verschiedene abhängige Variablen festgelegt, und die Behandlung wird zu einem anderen Zeitpunkt für jede abhängige Variable eingeführt. Stellen Sie sich zum Beispiel eine Studie über die Auswirkungen der Festlegung klarer Ziele auf die Produktivität eines Büroangestellten vor, der zwei Hauptaufgaben hat: Verkaufsgespräche führen und Berichte schreiben. Baselines für beide Aufgaben konnten eingerichtet werden. Zum Beispiel könnte der Forscher die Anzahl der getätigten Verkaufsanrufe und Berichte messen, die der Arbeiter jede Woche für mehrere Wochen schreibt., Dann könnte die zielsetzende Behandlung für eine dieser Aufgaben eingeführt werden, und zu einem späteren Zeitpunkt könnte die gleiche Behandlung für die andere Aufgabe eingeführt werden. Die Logik ist die gleiche wie zuvor. Wenn die Produktivität bei einer Aufgabe nach der Einführung der Behandlung zunimmt, ist unklar, ob die Behandlung den Anstieg verursacht hat. Wenn jedoch die Produktivität bei beiden Aufgaben nach der Einführung der Behandlung zunimmt—insbesondere wenn die Behandlung zu zwei verschiedenen Zeiten eingeführt wird -, scheint es viel klarer zu sein, dass die Behandlung verantwortlich war.,
In einer dritten Version des Multiple-Baseline-Designs werden mehrere Baselines für denselben Teilnehmer, jedoch in unterschiedlichen Einstellungen, erstellt. Zum Beispiel könnte eine Grundlinie für die Zeit festgelegt werden, die ein Kind während seiner Freizeit in der Schule und während seiner Freizeit zu Hause liest. Dann könnte eine Behandlung wie positive Aufmerksamkeit zuerst in der Schule und später zu Hause eingeführt werden. Wenn sich die abhängige Variable nach der Einführung der Behandlung in jeder Einstellung ändert, gibt dies dem Forscher das Vertrauen, dass die Behandlung tatsächlich für die Änderung verantwortlich ist.,
Datenanalyse in der Einzelfachforschung
Neben dem Fokus auf einzelne Teilnehmer unterscheidet sich die Einzelfachforschung von der Gruppenforschung in der Art und Weise, wie die Daten typischerweise analysiert werden. Wie wir im gesamten Buch gesehen haben, umfasst die Gruppenforschung die Kombination von Daten zwischen den Teilnehmern. Gruppendaten werden anhand von Statistiken wie Mittelwerten, Standardabweichungen, Pearson ‚ s r usw. beschrieben, um allgemeine Muster zu erkennen. Schließlich werden inferenzielle Statistiken verwendet, um zu entscheiden, ob das Ergebnis für die Stichprobe wahrscheinlich auf die Bevölkerung verallgemeinert wird., Die Einzelfachforschung hingegen stützt sich stark auf einen ganz anderen Ansatz, der als visuelle Inspektion bezeichnet wird. Dies bedeutet, die Daten der einzelnen Teilnehmer wie in diesem Kapitel gezeigt zu zeichnen, diese Daten sorgfältig zu betrachten und zu beurteilen, ob und in welchem Umfang sich die unabhängige Variable auf die abhängige Variable ausgewirkt hat. Inferenzielle Statistiken werden normalerweise nicht verwendet.
Bei der visuellen Überprüfung ihrer Daten berücksichtigen Einzelsubjektforscher mehrere Faktoren. Eine davon sind Änderungen in der Ebene der abhängigen Variablen von Bedingung zu Bedingung., Wenn die abhängige Variable in einem Zustand viel höher oder viel niedriger ist als in einem anderen, deutet dies darauf hin, dass die Behandlung eine Wirkung hatte. Ein zweiter Faktor ist der Trend, der sich auf allmähliche Zu-oder Abnahmen der abhängigen Variablen über Beobachtungen hinweg bezieht. Wenn die abhängige Variable mit einer Änderung der Bedingungen zunimmt oder abnimmt, deutet dies wiederum darauf hin, dass die Behandlung eine Wirkung hatte. Es kann besonders aussagekräftig sein, wenn ein Trend die Richtung ändert—zum Beispiel, wenn ein unerwünschtes Verhalten während der Grundlinie zunimmt, aber dann mit der Einführung der Behandlung abnimmt., Ein dritter Faktor ist die Latenz, dh die Zeit, die die abhängige Variable benötigt, um sich nach einer Änderung der Bedingungen zu ändern. Wenn eine Änderung der abhängigen Variablen kurz nach einer Änderung der Bedingungen beginnt, deutet dies im Allgemeinen darauf hin, dass die Behandlung verantwortlich war.
Im oberen Bereich von Abbildung 10.5 gibt es ziemlich offensichtliche Änderungen der Ebene und des Trends der abhängigen Variablen von Bedingung zu Bedingung. Darüber hinaus sind die Latenzen dieser Änderungen kurz; Die Änderung erfolgt sofort., Dieses Muster der Ergebnisse stark darauf hin, dass die Behandlung war verantwortlich für die Veränderungen in der abhängigen variable. Im unteren Bereich von Abbildung 10.5 sind die Pegeländerungen jedoch relativ gering. Und obwohl es einen zunehmenden Trend in der Behandlungsbedingung zu geben scheint, sieht es so aus, als ob es eine Fortsetzung eines Trends sein könnte, der bereits während der Grundlinie begonnen hatte. Dieses Ergebnismuster deutet stark darauf hin, dass die Behandlung nicht für Änderungen der abhängigen Variablen verantwortlich war—zumindest nicht in dem Maße, wie Forscher mit einem Thema normalerweise hoffen.,
Die Ergebnisse der Einzelfachforschung können auch mit statistischen Verfahren analysiert werden-und dies wird immer häufiger. Es gibt viele verschiedene Ansätze, und Forscher mit einem Thema diskutieren weiterhin, welche am nützlichsten sind., Ein Ansatz Parallelen, was in der Regel in der Gruppenforschung getan wird. Der Mittelwert und die Standardabweichung der Antworten jedes Teilnehmers unter jeder Bedingung werden berechnet und verglichen, und inferentielle statistische Tests wie der t-Test oder die Varianzanalyse werden angewendet (Fisch, 2001). (Beachten Sie, dass die Mittelung zwischen den Teilnehmern seltener ist.) Ein anderer Ansatz besteht darin, den Prozentsatz der nicht überlappenden Daten (PND) für jeden Teilnehmer zu berechnen (Scruggs & Mastropieri, 2001)., Dies ist der Prozentsatz der Reaktionen in der Behandlungsbedingung, die extremer sind als die extremste Reaktion in einer relevanten Kontrollbedingung. In der Studie von Hall und seinen Kollegen waren zum Beispiel alle Maße von Robbies Studienzeit im ersten Behandlungszustand größer als das höchste Maß in der ersten Grundlinie, für einen PND von 100%. Je größer der Prozentsatz der nicht überlappenden Daten ist, desto stärker ist der Behandlungseffekt., Dennoch werden formale statistische Ansätze zur Datenanalyse in der Einzelfachforschung im Allgemeinen als Ergänzung zur visuellen Inspektion betrachtet, nicht als Ersatz dafür.
- Single-subject research Designs beinhalten typischerweise die wiederholte Messung der abhängigen Variablen über die Zeit und die Änderung der Bedingungen (z. B. von der Grundlinie zur Behandlung), wenn die abhängige Variable einen stetigen Zustand erreicht hat. Dieser Ansatz ermöglicht es dem Forscher zu sehen, ob Änderungen in der unabhängigen Variablen Änderungen in der abhängigen Variablen verursachen.,
- In einem Umkehrdesign wird der Teilnehmer in einem Ausgangszustand getestet, dann in einem Behandlungszustand getestet und dann zum Ausgangswert zurückgegeben. Wenn sich die abhängige Variable mit der Einführung der Behandlung ändert und dann mit der Rückkehr zum Ausgangswert zurückkehrt, liefert dies einen starken Beweis für einen Behandlungseffekt.
- In einem Multiple-Baseline-Design werden Baselines für verschiedene Teilnehmer, verschiedene abhängige Variablen oder unterschiedliche Einstellungen festgelegt—und die Behandlung wird zu einem anderen Zeitpunkt an jeder Baseline eingeführt., Wenn auf die Einführung der Behandlung eine Änderung der abhängigen Variablen zu jedem Ausgangswert folgt, liefert dies einen starken Beweis für einen Behandlungseffekt.
- Einzelsubjektforscher analysieren typischerweise ihre Daten, indem sie sie grafisch darstellen und beurteilen, ob die unabhängige Variable die abhängige Variable basierend auf Level, Trend und Latenz beeinflusst.
- Praxis: Entwerfen Sie eine einfache Einzelfachstudie (entweder mit einem Umkehr-oder Mehrfachbasisdesign), um die folgenden Fragen zu beantworten., Stellen Sie sicher, dass Sie die Behandlung angeben, die abhängige Variable operativ definieren, entscheiden, wann und wo die Beobachtungen gemacht werden, und so weiter.
- Erhöht die positive Aufmerksamkeit eines Elternteils das Zahnbürstenverhalten eines Kindes?
- Verbessert das Selbsttest während des Studiums die Leistung eines Schülers bei wöchentlichen Rechtschreibtests?
- Hilft regelmäßiges Training Depressionen zu lindern?
- Übung: Erstellen Sie ein Diagramm, das die hypothetischen Ergebnisse für die Studie anzeigt, die Sie in Übung 1 entworfen haben. Schreiben Sie einen Absatz, in dem Sie beschreiben, was die Ergebnisse zeigen., Achten Sie darauf, Ebene, Trend und Latenz zu kommentieren.
Lange Beschreibungen
Abbildung 10.3 lange Beschreibung: Liniendiagramm mit den Ergebnissen einer Studie mit einem ABAB-Umkehrdesign. Die abhängige Variable war während der ersten Baseline-Phase niedrig; erhöht während der ersten Behandlung; verringert während der zweiten Baseline, war aber immer noch höher als während der ersten Baseline; und war am höchsten während der zweiten Behandlungsphase.
Abbildung 10.,4 lange Beschreibung: Drei Liniendiagramme, die die Ergebnisse einer generischen Multiple-Baseline-Studie zeigen, in der verschiedene Basislinien festgelegt und die Behandlung den Teilnehmern zu unterschiedlichen Zeiten vorgestellt wird.
Für Baseline 1 wird die Behandlung ein Viertel des Weges in die Studie eingeführt. Die abhängige Variable liegt während der Grundlinie zwischen 12 und 16 Einheiten, sinkt jedoch mit der Behandlung auf 10 Einheiten ab und nimmt meistens bis zum Ende der Studie zwischen 4 und 10 Einheiten ab.
Für Baseline 2 wird die Behandlung auf halbem Weg durch die Studie eingeführt., Die abhängige Variable liegt während der Grundlinie zwischen 10 und 15 Einheiten und nimmt dann bei der Einführung der Behandlung stark auf 7 Einheiten ab. Die abhängige Variable erhöht sich jedoch kurz nach dem Rückgang auf 12 Einheiten und reicht bis zum Ende der Studie zwischen 8 und 10 Einheiten.
Für Baseline 3 wird die Behandlung drei Viertel des Weges in die Studie eingeführt. Die abhängige Variable liegt größtenteils während der Baseline zwischen 12 und 16 Einheiten, wobei eine auf 10 Einheiten reduziert wird., Wenn die Behandlung eingeführt wird, sinkt die abhängige Variable auf 10 Einheiten und liegt dann bis zum Ende der Studie zwischen 8 und 9 Einheiten.
Abbildung 10.5 lange Beschreibung: Zwei Diagramme, die die Ergebnisse einer generischen Einzelfachstudie mit einem ABA-Design zeigen. In der ersten Grafik ist unter Bedingung A das Niveau hoch und der Trend nimmt zu. Unter Bedingung B ist das Niveau viel niedriger als unter Bedingung A und der Trend nimmt ab. Unter Bedingung A ist das Niveau wieder ungefähr so hoch wie beim ersten Mal und der Trend nimmt zu., Für jede Änderung ist die Latenz kurz, was darauf hindeutet, dass die Behandlung der Grund für die Änderung ist.
In der zweiten Grafik ist das Niveau unter Bedingung A relativ niedrig und der Trend nimmt zu. Unter Bedingung B ist das Niveau etwas höher als unter Bedingung A und der Trend nimmt leicht zu. Unter Bedingung A ist das Niveau wieder etwas niedriger als unter Bedingung B und der Trend nimmt leicht ab. Es ist schwierig, die Latenz dieser Änderungen zu bestimmen, da jede Änderung eher winzig ist, was darauf hindeutet, dass die Behandlung unwirksam ist.,
Der Forscher wartet, bis das Verhalten des Teilnehmers in einer Bedingung von Beobachtung zu Beobachtung ziemlich konsistent wird, bevor er die Bedingungen ändert. Auf diese Weise ist jede Änderung der Bedingungen leicht zu erkennen.
Eine Untersuchungsmethode, bei der der Forscher Daten zu einem Ausgangszustand sammelt, die Behandlung einführt und die Beobachtung fortsetzt, bis ein stationärer Zustand erreicht ist, und schließlich die Behandlung entfernt und den Teilnehmer beobachtet, bis er in einen stationären Zustand zurückkehrt.,
Der Grad der Reaktion vor jeder Behandlung wird eingeführt und wirkt daher als eine Art Kontrollbedingung.
Auf eine Basisphase folgen separate Phasen, in denen verschiedene Behandlungen eingeführt werden.
Zwei oder mehr Behandlungen wechseln sich relativ schnell ab.
Für mehrere Teilnehmer wird eine Grundlinie festgelegt und die Behandlung wird dann jedem Teilnehmer zu einem anderen Zeitpunkt vorgestellt.,
Das Plotten der Daten einzelner Teilnehmer, das Untersuchen der Daten und das Urteilen darüber, ob und inwieweit sich die unabhängige Variable auf die abhängige Variable ausgewirkt hat.
Ob die Daten höher oder niedriger sind, basierend auf einer visuellen Inspektion der Daten; Eine Änderung des Niveaus impliziert, dass die eingeführte Behandlung eine Wirkung hatte.
Die allmähliche Zunahme oder Abnahme der abhängigen Variablen über Beobachtungen hinweg.
Die Zeit, die die abhängige Variable benötigt, um sich nach einer Änderung der Bedingungen zu ändern.,
Der Prozentsatz der Reaktionen in der Behandlungsbedingung, die extremer sind als die extremste Reaktion in einer relevanten Kontrollbedingung.