Tierheime bemühen sich, Hunden ein dauerhaftes Zuhause bei Einzelpersonen und Familien zu vermitteln. Eine Langzeitstudie schätzt jedoch, dass etwa 9 Prozent der Hunde nach ihrer Adoption ins Tierheim zurückkehren. Die Rückgabe von Hunden aus dem Tierheim schränkt die verfügbaren Ressourcen für die Versorgung weiterer Tiere ein. Die Ermittlung der Hauptgründe für diese Rückgaben kann zur Entwicklung von Programmen beitragen, die dieses Problem verringern sollen.
Anhand eines Datensatzes eines großen Tierheimsystems in New York, der 3.465 Hunde umfasste, die zum ersten Mal in ein Tierheim aufgenommen und sechs Monate lang nach ihrer Aufnahme beobachtet wurden, identifizierten wir mithilfe verschiedener Modelle potenzielle Interventionsbereiche zur Senkung der Rückgabequoten adoptierter Hunde. Die logistische Regression in Kombination mit schrittweiser Variablenauswahl diente in diesem Forschungsprojekt als Modell, um den Zusammenhang zwischen der Wahrscheinlichkeit einer Rückgabe und einer Vielzahl von Kovariablen zu untersuchen.
Wir stellten fest, dass Alter, Aggressivität, Rasse, Aufenthaltsdauer im Tierheim und der Standort des Hundes die Wahrscheinlichkeit einer Rückgabe beeinflussen. Der Transport von Hunden zwischen Tierheimen hatte hingegen keinen Einfluss auf die Rückgabewahrscheinlichkeit. Die benutzerfreundliche, interaktive Analyse und Visualisierung von JMP half der Kundin, die nur über geringe Statistikkenntnisse verfügte, die Analyse zu verstehen und schließlich selbstständig durchzuführen. Die Ergebnisse dienen als Grundlage für die Ressourcenverteilung hin zu Maßnahmen wie Informationsmaterialien oder Trainingsprogrammen, die zur Senkung der Rückgabequoten beitragen können.
Hallo! Mein Name ist Alicia Arneson. Ich bin Doktorandin an der Virginia Tech und arbeite in unserer statistischen Beratungsgruppe auf dem Campus, um Forschern zu helfen, Erkenntnisse aus ihren Daten zu gewinnen. Dieses Projekt kam im Rahmen meiner Arbeit auf mich zu, und ich habe mich riesig darüber gefreut, denn falls Ihnen das süße Mädchen in der Mitte des Bildschirms aufgefallen ist: Sie ist meine beste Freundin. Sie heißt Winnie, und ich habe sie während der Corona-Pandemie aus einem Tierheim adoptiert.
Als ich sie abholte, sagten sie mir, dass sie schon einmal zurückgegeben worden war. Ich fuhr mit der Befürchtung nach Hause, dass ich mir vielleicht einen kleinen Wirbelwind eingefangen hätte. Ich wusste nicht genau, warum. Sie hatten nicht viele Informationen für mich. Aber es stellte sich heraus, dass wir super zusammenpassten. Sie hat zwar ihre Macken und manchmal Schluckauf, aber wir kommen gut miteinander aus. Sie ist ein Australian Cattle Dog-Mix, also macht sie all das, was verletzte Hunde eben so machen, aber es funktioniert prima für uns.
Als dieser Kunde mit diesem Projekt an mich herantrat, erfuhr ich, dass dies ein sehr häufiges Problem in Tierheimen ist. Oftmals erhalten sie nur wenige Informationen darüber, warum Hunde abgegeben werden. Menschen fühlen sich manchmal schuldig und geben vage Antworten. Den Tierheimen bleiben somit nur die offensichtlichen Informationen.
Diese Kundin verfügte über einen riesigen Datensatz. Sie arbeitet in einem großen Tierheimverbund. Sie hatte über 3.400 Datensätze von Hunden, die zum ersten Mal im Tierheim waren. Wir versuchten, Verzerrungen zu minimieren, indem wir beispielsweise Hunde, die bereits zum zweiten Mal im Tierheim waren, nicht berücksichtigten. Das ist Thema eines späteren Projekts. Wir wollten aber die vorhandenen Informationen nutzen, um herauszufinden, welche Faktoren die Wahrscheinlichkeit einer Rückgabe eines Hundes am stärksten beeinflussen.
Denn wer schon einmal versucht hat, ein Problem in einer großen Organisation zu lösen, weiß, wie aufwendig, stressig und kostspielig das sein kann. Wir wollten diesen Tierheimen helfen, die wichtigsten und relevantesten Aspekte für die Rückkehr der Tiere zu identifizieren, damit sie ihre Ressourcen optimal einsetzen und weitere Untersuchungen durchführen können.
Wir haben beschlossen, jeden Hund, der innerhalb von sechs Monaten nach seiner Adoption zurückkommt, als zurückgegeben zu betrachten. Das ist etwas anders als in den meisten Tierheimen üblich. Dort gilt in der Regel eine Frist von 30 Tagen, aber wir haben JMP genutzt, um einen datenbasierten Stichtag festzulegen. Wir konnten den JMP-Verteilungs-Explorer verwenden. Wenn Sie auf „Analysieren“ und dann auf „Verteilung“ gehen, finden Sie genau das. Dort stehen Ihnen direkt einige sehr nützliche Tools zur Verfügung.
Dieser Vortrag wird zu mindestens 40 % eine Liebeserklärung an JMP Profiler sein. Ich möchte Sie gleich vorwarnen, damit Sie die Verteilungen entsprechend anpassen können. Ich wusste, dass diese Verteilung exponentiell ist, da wir die Zeit bis zum Ereignis hatten, und ihre Form entspricht genau meinen Erwartungen an eine Exponentialverteilung.
Wenn ich auf den roten Pfeil neben dem Namen der Zielvariablen klicke und dann „Kontinuierliche Anpassung“ auswähle (ich habe es hier nicht gezeigt), öffnet sich ein kleines Dialogfeld, in dem man „Exponentialanpassung“ auswählen kann. Anschließend kann man die Profiler basierend auf dieser Exponentialanpassung verwenden. Wir haben mit dem Quantil-Profiler begonnen, da wir einen Grenzwert festlegen wollten, der mindestens 95 % aller zurückgegebenen Hunde erfasst. Das ist in der Statistik üblich. Liegt ein Wert außerhalb dieses 95%-Bereichs, besteht die Möglichkeit, dass er auf einen anderen Prozess zurückzuführen ist. Wir hielten 95 % für einen angemessenen Wert.
Mit dem Quantil-Profiler können Sie die gewünschte Wahrscheinlichkeit, die kumulative Wahrscheinlichkeit, ändern und die dazugehörige Antwort anzeigen lassen. Er empfahl uns 173 Tage als möglichen Grenzwert. Das liegt sehr nahe an 6 Monaten. Mit 6 Monaten lässt sich die Information den Tierheimen deutlich einfacher vermitteln. Mithilfe des Verteilungs-Profilers prüften wir, ob 6 Monate nahe genug an 95 % lagen und somit plausibel waren.
Wir haben 182 Tage eingegeben, was der Kundin als 6 Monate entsprach, und die kumulative Wahrscheinlichkeit dafür lag bei 95,7 % – also ziemlich nah dran. Wir entschieden uns für 6 Monate, und JMP half uns bei dieser Entscheidung. Anschließend nutzten wir unseren großen Datensatz, den wir bereinigt und entsprechend beschriftet hatten. Wir wollten ein einfaches Modell erstellen, das der Kundin die gewünschten Informationen liefert, ohne sie zu überfordern – eine Stärke von JMP. Es ist eine hervorragende Software für diesen Zweck.
Wir haben die Option „Modell anpassen“ unter dem Reiter „Analysieren“ verwendet. Besonders gut an JMP gefällt mir, dass es, wenn die Zielvariable entsprechend benannt ist – in unserem Fall als nominale Variable –, automatisch den optimalen Modelltyp erkennt. Ich musste nichts ändern. Es war großartig.
Ich habe meine Y-Variable eingegeben und alle relevanten Parameter in die Eingabefelder eingetragen. Im oberen Feld hätte ich die Einstellungen geändert, wenn ich ein anderes Modell gewählt hätte. JMP wusste aber bereits, dass ich ein logistisches Regressionsmodell verwenden wollte – einfach genial! Ich habe auf „Ausführen“ geklickt. JMP liefert sofort eine übersichtliche Effektübersicht, die es ermöglicht, auf einen Blick zu erkennen, welche Faktoren wichtig sind oder ein starkes Signal liefern.
Wir haben uns, wie bereits erwähnt, dazu entschlossen, die große Anzahl an Variablen auf die wichtigsten Faktoren zu reduzieren. Dazu haben wir eine schrittweise Rückwärtsregression durchgeführt. Das bedeutet, dass wir diejenigen Variablen entfernt haben, die im Verhältnis zu den anderen Variablen kein ausreichendes Signal lieferten.
Ich begann mit diesen übergeordneten Interaktionen. Um den Kontext zu verdeutlichen: Der Kunde interessierte sich sehr für die geografische Lage der Tierheime, woher die Hunde kamen und wohin sie gebracht wurden und welche Auswirkungen das hatte. Wir verwendeten einige übergeordnete Begriffe. Diese entfernten wir jedoch zuerst, da sie sich letztendlich als nicht so wichtig erwiesen. Anschließend begannen wir, die Haupteffekte herauszuarbeiten.
Aus all dem entstand durch wiederholtes Klicken – man klickte auf die Variable, dann auf „Entfernen“, JMP passte das Modell neu an, man erhielt neue p-Werte, und das wiederholte man. Das haben wir mehrmals gemacht. So erhielten wir ein deutlich kleineres Modell mit den Faktoren, die uns am wichtigsten erschienen, was wirklich großartig ist. Das sind die Faktoren, die am stärksten mit der Wahrscheinlichkeit der Rückgabe eines Hundes zusammenhingen bzw. korrelierten.
Und dann sind wir wieder bei den Profilern und wie sehr ich sie schätze. Wir konnten die Profiler-Option unter der Modellausgabe nutzen, damit die Kundin selbst erkunden konnte, welche Faktoren wichtig waren und wie sie die Renditewahrscheinlichkeit beeinflussten. Das ist großartig, denn manchmal ist es schwierig, insbesondere wenn man sich nicht im Bereich der klassischen linearen Modelle bewegt, die Bedeutung der Koeffizienten und all das zu erklären. Für eine Kundin ist es absolut unschätzbar wertvoll, die Auswirkungen von Variablenänderungen visuell nachvollziehen zu können. Das war ein wichtiger Teil dieses Projekts und hat der Kundin ein Gefühl der Selbstbestimmung gegeben.
Wir verwenden JMP auch für unsere Visualisierungen. Ich liebe den JMP Graph Builder, weil ich damit alles individuell anpassen kann und mich nicht mit Code herumschlagen muss. Er ist einfach fantastisch. Wir haben einige grundlegende Analysen durchgeführt. Dabei haben wir festgestellt, dass 10,5 % der Hunde in unserem Datensatz zurückgegeben wurden. Das ist nachvollziehbar, da wir mit etwa 8 oder 9 gerechnet hatten, weil der Kunde diese Werte in anderen veröffentlichten Studien beobachtet hat. Wir haben unseren Schwellenwert jedoch weiter angesetzt als die meisten Tierheime üblicherweise, daher gehen wir davon aus, dass dort noch einige weitere Rückgaben erfasst werden.
Diese Grafik zeigt deutlich, dass Arbeitshunderassen am häufigsten zurückgegeben werden. Dazu gehören beispielsweise Deutsche Schäferhunde. Wer schon mal auf einer Tierheim-Website war, hat wahrscheinlich viele davon gesehen, daher ist das nachvollziehbar. Kleinere Hunderassen sind dagegen weniger gefährdet. Das leuchtet ein, denn ein Zwergpudel ist oft keine große Belastung für den Haushalt. Ich sage das zwar, aber ich hatte selbst noch nie einen Zwergpudel, daher kann ich mich irren.
Da ich erwähnt hatte, dass der Kunde großes Interesse an diesen Regionen zeigte, fanden wir heraus, dass der Aufenthaltsort der Hunde offenbar mit der Wahrscheinlichkeit ihrer Rückkehr zusammenhängt. Wir stellten fest, dass Hunde, die in städtische Haushalte gelangen, häufiger zurückgebracht werden als Hunde, die in ländliche oder vorstädtische Haushalte gelangen.
Ich möchte betonen, dass dies keinesfalls kausal ist und dass all diese Variablen lediglich Näherungswerte darstellen, die genauer untersucht werden müssen. Wir wissen noch nicht, warum Stadtwohnungen eine höhere Renditewahrscheinlichkeit aufweisen, aber es ist ein sehr interessanter Ansatzpunkt für weitere Recherchen des Kunden.
Weniger überraschend stellten wir fest, dass Hunde, die vom Tierheimpersonal als aggressiv dokumentiert worden waren – sie führen also bei der Ankunft Verhaltenschecks durch und achten dabei auf Anzeichen von Aggression –, eine höhere Wahrscheinlichkeit hatten, zurückgegeben zu werden. Das war wohl einer der wichtigsten Faktoren.
Das Alter der Hunde scheint also eine Rolle zu spielen. Die meisten zurückgegebenen Hunde waren ausgewachsen, das muss man schon sagen. Die Altersgruppe der 5- bis 9-Jährigen war der Höhepunkt. Das hat mich wirklich überrascht, denn ich hatte erwartet, dass Welpen häufiger zurückgegeben würden als erwachsene Hunde, einfach weil sie oft schwieriger zu handhaben sind. Aber das stimmte nicht. Tatsächlich wurden ältere Hunde am seltensten zurückgegeben, was auch sehr interessant ist.
Wir wussten von vornherein, dass es keinen einzelnen Grund für die Rückgabe eines Hundes gibt. Manchmal passt es einfach nicht zwischen dem Besitzer und dem Hund oder den Umständen. Wir haben aber einige interessante Kandidaten identifiziert, die Tierheime dazu anregen sollten, ihre Ressourcen datengestützt einzusetzen, um die Anzahl der Rückgaben langfristig zu reduzieren. JMP hat diesen Prozess erheblich vereinfacht.
Wie bereits erwähnt, arbeitet diese Kundin in einem großen Tierheimverbund. Sie ist keine Datenwissenschaftlerin. Sie hat einen Master in einem sehr praxisorientierten Studiengang absolviert und hatte eine konkrete Frage, die wir mit den passenden Daten beantworten konnten. Dank JMP fühlte sie sich aktiv in den Prozess eingebunden. Wir kombinierten ihre praktischen Erfahrungen mit meinem statistischen Wissen, und sie konnte sich einbringen, da man in JMP beispielsweise die Analyse direkt im Datensatz speichern kann. Ich konnte ihr den Datensatz schicken, sie konnte ihn abspielen und meine Ergebnisse sehen. Außerdem konnte sie die Profiler und den Graph Builder nutzen. Insgesamt war die Zusammenarbeit mit dieser Kundin sehr angenehm und unkompliziert. Das war großartig.
Ich möchte mich an dieser Stelle ganz herzlich bei einigen Personen bedanken, allen voran bei dem Auftraggeber, der diese Daten erhoben und uns dabei fachkundig beraten hat. Mein Dank gilt auch meiner guten Freundin und Kollegin Simin, die mich bei der Analyse und Datenbereinigung unterstützt und unsere Arbeit sorgfältig dokumentiert hat. Ebenso möchte ich unserer Mentorin, Dr. Jennifer Van Mullekom, für ihre Unterstützung und Beratung bei diesem und allen anderen Projekten danken, an denen ich in unserer Statistikgruppe SAIG mitarbeite. Vielen Dank fürs Zuhören. Ich hoffe, Sie kommen persönlich vorbei und stellen mir Ihre Fragen.
