Arbeitstagung DPPD 2017
print


Navigationspfad


Inhaltsbereich

Tagungsprogramm

Übersicht

Tagungsprogramm

Die Arbeitstagung findet von 4. - 6. September 2017 an der Ludwig-Maximilians-Universität in München statt. Die Tagung beginnt am Montag morgens mit den ersten Arbeitsgruppen, die offizielle Begrüßung erfolgt mittags.

Der Abstractband kann ab sofort hier als pdf heruntergeladen werden.

Workshops

Am Sonntag, 3. September 2017 finden drei Pre-Conference-Workshops statt. Sie können sich zu den Workshops zusammen mit Ihrer allgemeinen Anmeldung zur Tagung anmelden. Die Plätze sind auf 20 Teilnehmer pro Workshop begrenzt, wobei die Plätze nach Anmeldungseingang vergeben werden.

Leider können wir für die Workshops - sofern sie benötigt werden - keine Rechner zur Verfügung stellen. Bringen Sie deshalb bitte eigene Laptops mit.

Die Pre-Conference-Workshops finden ebenfalls in den Räumlichkeiten der Leopoldstr. 13 statt. Geplant sind die Workshops von 10.00 - 17.00 Uhr am Sonntag (3.9.). Genauere Informationen bekommen Sie ggf. vor Beginnn auch noch einmal von den jeweiligen Dozenten.

Folgende Workshops werden angeboten:

Workshop 1 - Crashkurs Predictive Modeling/Machine Learning

Mag. Clemens Stachl & Florian Pargent, M Sc. 

Ein Großteil der psychologischen Forschung bemüht sich darum, menschliches Erleben und Verhalten inferenzstatistisch zu erklären. Dem gegenüber steht allerdings oft auch der Anspruch, psychologische Variablen möglichst gut vorherzusagen (Yarkoni, 2015). Verfahren und Techniken aus dem Bereich des maschinellen Lernens sind darauf ausgerichtet, die Vorhersagegenauigkeit eines Kriteriums zu optimieren und erfreuen sich deshalb zunehmender Beliebtheit. Dieser Workshop bietet Ihnen eine nicht-technische Einführung in den Bereich prädiktive Modellierung und maschinelles Lernen. Zunächst widmen wir uns Grundkonzepten wie "Training- und Testset", "Resampling", und "Overfitting". Anschließend werden die kennengelernten Prinzipien auf Persönlichkeitsdaten des Big-Five-Struktur-Inventars (BFSI: Arendasy, 2009) angewandt. Hierbei werden wir exemplarisch Alter und Geschlecht der Probanden aus deren Itemantworten vorhersagen. Als typisches Verfahren aus dem Bereich der prädiktiven Modellierung lernen wir den "Random Forest" kennen und vergleichen dessen Vorhersagegüte mit der von linearen Modellen.

Voraussetzungen:

  • Grundkenntnisse in R
  • Datensätze einlesen
  • selbstständig statistische Analysen durchführen
  • Statistische Grundkenntnisse
  • Lineare Regression

Material:

  • Eigener Laptop muss mitgebracht werden
  • Detaillierte Informationen folgen nach der Anmeldung per Email

Workshop 2 - Sequentielles Hypothesen-Testen mit Bayes Faktoren

PD Dr. Felix Schönbrodt

Wer kennt nicht das "p = .08 Dilemma"? Eine der ersten Intuitionen bei einem solchen Ergbebnis ist, die Stichprobe zu erhöhen, um zu sehen ob der p-Wert unter die magische Grenze fällt. Beim Nullhypothesentest ist dies jedoch nicht erlaubt, da es zu einer Inflation falsch-positiver Ergebnisse führt. Ungeachtet dessen ist eine optionale Erhöhung der Stichprobe eine der häufigsten "questionable reseach practices".
In der Medizin werden jedoch seit langem sequentielle Methoden angewendet, bei denen man in typischerweise 2-3 "interim tests" zwischendurch testen kann, ob der Effekt so stark ist, dass man bereits bei der kleineren Stichprobe aufhört ("stopping for efficacy"), oder schon vorher klar ist, dass man kein signifikantes Ergebnis erzielen wird ("stopping for futility"). Wenn das Ergebnis unklar ist, testet man weiter. Diese sogenannten "group sequential designs" benötigen im Schnitt kleinere Stichproben, um einen Effekt nachweisen zu können. Darüber hinaus haben sie auch ethische Vorteile: Wenn schon sicher feststeht, dass Intervention X besser ist, sollte man auch der Kontrollgruppe von Patienten diese zur Verfügung stellen.
In in dem Workshop stelle ich eine Erweiterung dieser sequentiellen Methoden vor, welche auf Bayes-Faktoren beruht. Wer diese Methode nutzt, kann sogar nach jeder Versuchsperson testen, und so lange Evidenz akkumulieren, bis man sich entweder für die H1 oder die H0 entscheiden kann. Wenn man stärkere Evidenz möchte, erhebt man einfach weiter. Die Methode ist maximal flexibel, und bei gleicher Fehlerrate doppelt so effizient wie klassische NHST-Designs. Als moderne Methode des Hypothesentestens bietet dieses sequentielle Vorgehen viele Vorteile für alle Bereiche der Psychologie, insbesondere im Licht der aktuellen Replikations-Debatte.

Der Workshop beinhaltet eine Einführung in die Bayes-Statistik mit Bayes-Faktoren, wie diese sequentiell anzuwenden sind, sowie praktische Übungen mit R und JASP.

Workshop 3 - Open Science Practices: Reproduzierbare Arbeitsabläufe für reproduzierbare Forschung

Anne Scheel, M. Sc. & Dipl.-Psych. Johannes Albert-von der Gönna

„Open Science“ ist ein Sammelbegriff für Praktiken, die Forschung zugänglicher, transparenter und reproduzierbarer – kurz: nachhaltiger – machen sollen. Im Workshop beleuchten wir Hintergrund und Ziele von Open Science und zeigen, wie verschiedene Praktiken in den eigenen Forschungsablauf integriert werden können.

Im ersten Teil des Workshops beschäftigen wir uns mit den Hintergründen der Replikationskrise und mit Maßnahmen, die zu ihrer Bewältigung aktuell bereits angewendet werden. Wir geben einen Überblick über Open-Science-Praktiken für den gesamten Forschungsprozess von Literaturrecherche bis Publikation (z.B. Erkennen von p-hacking, Implikationen von Publikationsbias für die Stichprobenplanung, Nutzen von Preprint-Servern). Ein besonderer Schwerpunkt wird auf die drei Open-Practice-Badges für Open Data, Open Materials und Präregistrierung gelegt: Was bedeuten sie, welchen Nutzen bieten sie, wie lassen sich diese Praktiken konkret umsetzen?

Im zweiten Teil des Workshops werden Programme und Techniken vorgestellt, die als Best Practices des Research Computing angesehen werden können und als solche die wesentlichen Werkzeuge zeitgemäßer, reproduzierbarer Forschung bilden.

Aufbauend auf der Besprechung essentieller computationaler Grundlagen werden zunächst Anregungen zur Organisation digitaler Materialien im Forschungsprozess gegeben. Daran anknüpfend werden Möglichkeiten reproduzierbarer Arbeitsschritte aufgezeigt – von der Datenspeicherung und -aufbereitung über die Umsetzung nachvollziehbarer, versionierter Analysen bis hin zur Erstellung publikationsreifer Manuskripte.

Im praktischen Teil des Workshops wird u.a. mit R und RMarkdown in RStudio gearbeitet. Entsprechende Grundkenntnisse sind von Vorteil, werden aber explizit nicht vorausgesetzt. Bitte bringen Sie einen eigenen Laptop zum Workshop mit.

Workshop 4 - Bayesianische Multilevelmodelle in R

Paul-Christian Bürkner , M.Sc.

Dieser Workshop bietet eine anwendungsnahe Einführung in Multilevelmodelle in R unter Benutzung Bayesianischer Methoden. Im ersten Teil des Workshops geht es um Multilevelmodelle im Allgemeinen (Anwendungsbereiche, Modellformulierung und Spezifikation in R). Außerdem werden kurz die Grundlagen der Bayesianischen Statistik erläutert, Unterschiede zwischen klassischen und Bayesianischen Methoden diskutiert und einfache Multilevelmodelle gerechnet. Im zweiten Teil werden wir uns dann fortgeschrittenen Themen zuwenden. Dazu gehören die Modellierung nicht-normalverteilter abhängiger Variablen (z.B. bei kategorialen oder ordinalen Daten), Autokorrelationen in Längsschnittanalysen und die Behandlung spezieller Mischverteilungen (sog. Zero-Inflated und Hurdle Modelle), jeweils an Anwendungsbeispielen erläutert. Die Teilnehmer können eigene Datensätze mitbringen und diese gegebenenfalls am Ende des Workshops unter Supervision auswerten und Fragen dazu stellen. Die Bayesianischen Analysen werden mit dem R Paket brms durchgeführt, welches auf dem Programmpaket Stan (http://mc-stan.org/) basiert.

  • eigener Laptop sollte mitgebracht werden
  • vor dem Workshop werden Informationen zur Vorbereitung verschickt

Voraussetzungen / Niveau:

  • Grundkenntnisse in R werden vorausgesetzt - der Workshop bietet keine allgemeine Einführung in R. Vorausgesetzt werden folgende Kenntnisse: Das Benutzen von Funktionen, Einlesen von Rohdaten, Arbeit mit Objekten und Berechnung deskriptiver Statistiken.
  • Verständnis von multipler Regression, sowie von Kodierungen kategorialer Prädiktoren (z.B. Dummykodierung, Kontrastkodierung).
  • Vorkenntnisse in Multilevelmodellierung sind von Vorteil, aber nicht zwingend. Der Workshop wird nur eine kurze theoretische Einführung geben und dann schnell zur Anwendung wechseln.
  • Vorkenntnisse in Bayesianischer Statistik werden nicht vorausgesetzt.

Yoga am Dienstag/Mittwoch zum Tagungsbeginn

yoga_ankuendigung

Erstmalig auf der Arbeitstagung der Fachgruppe DPPD bieten wir dieses Jahr als Rahmenprogramm Hatha Yoga am Morgen an. Die 45-minütigen Yogaklassen lassen Sie entspannt in den Tag starten und bieten einen Ausgleich zum langen Sitzen und Zuhören. Der Körper wird bewegt, gedehnt, der Geist entspannt und innerlich Ruhe getankt. Gerade auf langen Konferenztagen mit vielen Eindrücken und Informationen bietet Yoga die Chance, sich Zeit für sich zu nehmen, Kräfte zu sammeln und ausgeglichen in den Tag zu starten. Angeleitet werden die Yoga-Stunden von Dr. Nora-Corina Jacob, sie ist ausgebildetet Yoga-Lehrerin und Yoga Alliance-zertifiziert.
Alle Level sind willkommen, Anfänger wie Geübte. 15 Yoga-Matten stehen zur Verfügung. Teilnehmende, die eine eigene Matte mitbringen können, sind ebenfalls herzlich willkommen. Bitte bequeme Kleidung tragen! Die Anmeldung erfolgt im Kongressbüro.

Gesellschaftsabend

Der Gesellschaftsabend findet am Dienstag, 5. September 2017 im Café Reitschule statt. Die Anmeldung erfolgt über die allgemeine Anmeldung.

Get-together am Sonntag

Wenn Sie bereits am Sonntag (3. September 2017) anreisen oder an einem unserer Pre-Conference-Workshops teilnehmen, würden wir uns freuen, wenn Sie zum gemeinsamen Get-together in der Max Emanuel-Brauerei (Adalbertstr. 33, ab 18.30 Uhr) kommen. Wir haben auf den Namen „DPPD-Kongress“ einige Tische vorreserviert – eine prima Gelegenheit sich gemeinsam auf den Kongress einzustimmen!