Die Kombination von Hirngröße, Cortexgröße, Zahl der Nervenzellen und Synapsen bestimmt das, was man Intelligenz nennt. Intelligenz ist die Fähigkeit, neue Probleme kognitiver oder motorischer Art in angemessen kurzer Zeit zu lösen. Hiervon lässt sich also ableiten, dass die Größe eines Gehirns eine Auswirkung auf die Intelligenz hat. Gibt es jedoch weitere Faktoren eines Menschen, die auf das Gewicht eines Gehirns schließen lassen? Dieser Frage ging die Universität Gladstone mit der Sammlung an Daten von 237 erwachsenen Menschen nach. Anhand dessen kann geprüft werden, ob es einen Zusammenhang zwischen dem Kopfumfang sowie Geschlecht und dem Gewicht eins Gehirns gibt.
Das Gehirn eines Menschen ist eines der wichtigsten Organe. Es ist für die Steuerung sämtlicher lebensnotweniger Körperfunktionen verantwortlich und ermöglicht das Denken und Erinnern. Des Weiteren hat das Gehirn durch das emotionale Erleben einen großen Einfluss auf das Leben eines Menschen. In der Regel hat das Gehirn ein durchschnittliches Gewicht von 1,5 Kilogramm und ist vorrangig von der Körpergröße eines Menschen und dessen Geschlecht abhängig. Im Laufe der Evolution ist das Gehirn des Menschen im Vergleich zu anderen Wirbeltieren sprunghaft gewachsen. Ein evolutionsgeschichtlicher Zusammenhang von Gehirngröße und Intelligenz wird in der Forschung grundsätzlich angezweifelt und eher als genetischen Unfall angesehen.
Inhaltsverzeichnis
1 Einführung in die Thematik
2 Quantitative Datenanalyse
2.1 Erläuterung des Datensatzes
2.2 Statistische Vorgehensweise und Voraussetzung
2.3 Analyse
2.4 Breusch-Pagan-Test
2.5 Durbin-Watson-Test
2.6 Shapiro-Wilk-Test
2.7 RESET-Test
3 Schlussteil
3.1 Bewertung der Ergebnisse
3.2 Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht mittels einer quantitativen Datenanalyse den statistischen Einfluss des Kopfumfangs sowie des Geschlechts auf das Gewicht des menschlichen Gehirns. Ziel ist es, die Stärke und Signifikanz dieser Zusammenhänge auf Basis eines historischen Datensatzes aus dem Jahr 1905 zu prüfen und dabei die Eignung eines multiplen Regressionsmodells zu evaluieren.
- Anwendung der linearen Regressionsanalyse zur Hypothesenprüfung
- Methodische Prüfung statistischer Voraussetzungen (Homoskedastizität, Normalverteilung, Autokorrelation)
- Verarbeitung und Bereinigung eines historischen Datensatzes
- Interpretation von Regressionskoeffizienten und Bestimmtheitsmaß
Auszug aus dem Buch
2.1 Erläuterung des Datensatzes
Der gewählte Datensatz „brainhead“ beinhaltet Daten von 237 Erwachsenen (n = 237) und 4 Variablen. Aufgrund der zu analysierenden Forschungsfrage wird das Gewicht eines Gehirns in Gramm („brain.weight“), der Umfang des Kopfes in cm („head.size“), sowie das Geschlecht („gender“) der Studienteilnehmer verwendet. Da das Alter im Datensatz lediglich in zwei Altersgruppen enthalten, stellt im Hinblick auf die Forschungsfrage die Variable Altersgruppe(„age“) keine Relevanz dar und wird weiterführend vernachlässigt. Innerhalb der drei relevanten und genannten Variablen wird angenommen, dass eine Variable als unabhängige Variable (AV) klassifiziert wird und deren Ergebnisse von den unabhängigen Variablen (UV) beeinflusst werden. Das Gewicht des Gehirns stellt diesbezüglich die AV dar. Die zugehörigen Daten wurden logarithmiert („brain.weight“ = „logbrain“) woraus sich aus der ursprünglichen Verhältniskalierung eine Intervallskalierung ohne absoluten Nullpunkt ergibt. Eine auf diese Variable Einfluss nehmende UV bildet der Kopfumfang. Diese wird ebenfalls logarithmiert („head.size“ = „loghead“), und somit intervallskaliert dargestellt. Die AV und die erste UV lassen sich als metrische Variablen bezeichnen. Die zweite, einflussnehmende UV ist das Geschlecht. In den zugehörigen Daten gibt es ausschließlich Ausprägungen „männlich“ oder „weiblich“, wodurch diese normalskaliert ist. Dies begründet sich dadurch, dass bei einer Nominalskalierung die möglichen Ausprägungen lediglich durch eine Aufschlüsselung der Untersuchungsobjekte in Kategorien vorgenommen wird. Die Daten der Variable liegen bereits Dummy-codiert vor (1 = männlich, 2 = weiblich), so dass diese für die lineare Regression nicht weiter angepasst werden mussten.
Zusammenfassung der Kapitel
1 Einführung in die Thematik: Dieses Kapitel motiviert die Forschungsfrage durch evolutionäre und biologische Hintergründe und definiert den Untersuchungsgegenstand sowie den verwendeten Datensatz.
2 Quantitative Datenanalyse: Hier erfolgt die detaillierte Beschreibung des Datensatzes, der methodischen Vorgehensweise, die Durchführung der Regression sowie die Prüfung aller statistischen Voraussetzungen durch diverse Tests.
3 Schlussteil: In diesem Teil werden die empirischen Resultate interpretiert, kritisch gewürdigt und ein abschließendes Fazit zur Forschungsfrage gezogen.
Schlüsselwörter
Quantitative Datenanalyse, Multiple lineare Regression, Kopfumfang, Gehirngewicht, brainhead-Datensatz, Regressionsmodell, Signifikanzniveau, Homoskedastizität, Normalverteilung, Autokorrelation, Bestimmtheitsmaß, Forschungsfrage, Statistik, Dummy-Variablen, Residuenanalyse.
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundlegend?
Die Arbeit analysiert statistisch, inwieweit physische Merkmale wie der Kopfumfang und das Geschlecht das Gewicht des menschlichen Gehirns beeinflussen.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Themen sind die statistische Datenanalyse, die Anwendung linearer Regressionsmodelle und die Überprüfung wissenschaftlicher Annahmen mittels spezifischer Testverfahren.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Beantwortung der Frage, ob ein signifikanter Einfluss des Kopfumfangs und des Geschlechts auf das Gehirngewicht besteht.
Welche wissenschaftliche Methode wird primär verwendet?
Es wird die Methode der multiplen linearen Regressionsanalyse angewendet, ergänzt durch verschiedene statistische Diagnosetests zur Validierung der Modellvoraussetzungen.
Was wird im Hauptteil behandelt?
Im Hauptteil liegt der Fokus auf der Aufbereitung des Datensatzes, der Durchführung der Regression, der Eliminierung von Ausreißern und der anschließenden Prüfung der Modellgüte und Residuen.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die Arbeit ist durch Begriffe wie quantitative Datenanalyse, lineare Regression, Residuenanalyse und statistische Signifikanz geprägt.
Warum wurde der Datensatz logarithmiert?
Die Logarithmierung wurde vorgenommen, um die Variablen von der ursprünglichen Verhältniskalierung in eine Intervallskalierung zu überführen, die für die lineare Regression geeignet ist.
Was ist das Hauptergebnis bezüglich des Einflusses der Variablen?
Die Analyse zeigt, dass sowohl der Kopfumfang als auch das Geschlecht einen statistisch signifikanten, wenn auch bedingten Einfluss auf das Gewicht des Gehirns haben.
Wie wurde die Qualität des Regressionsmodells bewertet?
Die Güte des Modells wurde primär anhand des Bestimmtheitsmaßes (R²-Wert) und des adjustierten R²-Werts beurteilt.
Welche Einschränkungen werden im Fazit genannt?
Es wird eingeräumt, dass das Modell lediglich 63% der Streuung erklärt und weitere Faktoren, wie etwa der Intelligenzquotient oder das Alter, einen Einfluss haben könnten, die in dieser Analyse jedoch vernachlässigt wurden.
- Citar trabajo
- Manuel Witt (Autor), 2021, Einfluss von Kopfumfang und Geschlecht auf das Gewicht eines Gehirns, Múnich, GRIN Verlag, https://www.grin.com/document/1034718
