Du hast eine Idee oder ein Feature, welches du unbedingt in Runalyze sehen möchtest? Wünsche es dir auf unserer Ideen-Plattform.
Der effektive VO2max ist vielleicht die spannendste Metrik in Runalyze. Nicht nur, weil der effektive VO2max einer der wichtigsten Parameter für die Leistung eines Läufers ist, sondern auch, weil die Schätzung fehleranfällig ist und daher oft zu Diskussionen führt. Wenn die Trainingseinheiten bei 30°C bei Gegenwind, nüchtern und mit schweren Beinen stattfinden, ist es schwierig, dies als verlässliche Grundlage zu verwenden. Doch welche Faktoren haben welchen Einfluss auf das Verhältnis von Tempo zu Herzfrequenz und damit auf den geschätzten effektiven VO2max? Unsere neue Faktorenanalyse versucht, Antworten auf diese Frage zu geben.
Die Idee
Was dabei gemacht wird, ist zunächst einfach: eine multivariate lineare Regression. Im Detail bedeutet dies, dass für jede Aktivität die Differenz zur damaligen Form als gewichtete Kombination aller möglichen Einflussfaktoren betrachtet wird. Für jeden Faktor – zum Beispiel Aktivitätseigenschaften wie Dauer, Temperatur, Trainingstyp, Tags oder Ausrüstung – wird ermittelt, ob dieser Faktor den effektiven VO2max einer Aktivität tendenziell erhöht oder senkt (und um wie viel).
Es ist dabei wichtig zu beachten, dass die Ergebnisse nicht als Trainingstipps zur Verbesserung des effektiven VO2max zu verstehen sind. Ein positiver Effekt für den Tag #Rückenwind bedeutet lediglich, dass das Verhältnis von Tempo zu Herzfrequenz dadurch (offensichtlich) besser ist. Dies bedeutet nicht unbedingt, dass Trainingseinheiten mit Rückenwind einen besseren Trainingseffekt haben.
Kommen wir nun zur Auswertung. Die Aktivitäten können nach Datum und Trainingsart ausgewählt werden. Standardmäßig sind alle Lauftrainings ausgewählt. Eine Einschränkung ist besonders dann sinnvoll, wenn ein zu analysierendes Merkmal (z.B. ein bestimmter Tag) nur in einem begrenzten Zeitraum auftritt.
Du kannst auch festlegen, ob Aktivitäten, die bei der VO2max-Form nicht berücksichtigt werden, bei der Analyse berücksichtigt werden sollen. Dies ist nur in ausgewählten Fällen sinnvoll. Datenfehler, die bei der VO2max-Form manuell ignoriert wurden, können sich natürlich auch negativ auf die Faktoranalyse auswirken.
Die Ergebnistabelle zeigt die für jeden Faktor ermittelte Effektgröße. Bei nicht-binären Faktoren (z. B. Temperatur, also Faktoren, die nicht nur ja/nein annehmen können) bezieht sich die Effektgröße auf den Einfluss der Standardabweichung (Sigma, im Tooltip angezeigt). Fast ebenso wichtig wie die Effektgröße ist jedoch die Signifikanz, die mit ***, **, * oder – angezeigt wird. Je mehr Sterne für einen Faktor angezeigt werden, desto signifikanter ist die Effektgröße. Je geringer die Streuung innerhalb eines Faktors und je größer die Datenbasis, desto wahrscheinlicher ist es, dass der Effekt signifikant ist.
Anwendungsfälle
Es gibt mehrere mögliche Anwendungsfälle für das Tool. Dazu gehören zum Beispiel:
- Analysiere einen bestimmten Tag oder Ausrüstungsgegenstand, um zu sehen, ob er das Verhältnis von Tempo zu Herzfrequenz verbessert.
- Wie viel „besser“ machen mich Superschuhe?
- Hilft mir die #verpflegung bei meinen langen Läufen?
- Bin ich bei #Gruppenläufen bei gleicher Herzfrequenz schneller?
- Wie groß ist der Einfluss der Temperatur auf meine effektive VO2max?
- Untersuche, ob bestimmte Trainingsarten den geschätzten effektiven VO2max „verfälschen“, z.B. ob besonders viele Tempotrainings die VO2max-Form über-/unterschätzen.
- Welche Trainingsarten haben eine große Effektgröße? Wenn diese Trainingsarten in einem bestimmten Zeitraum besonders häufig vorkommen (z. B. nur Dauerläufe in der Saisonpause), kann dies die Form entsprechend beeinflussen.
- Finde Faktoren, bei denen Sie Aktivitäten aus der VO2max-Form ausschließen sollten.
- Deine #pendeln oder #hügelig Aktivitäten haben eine großen Effekt? Ignorieren sie für die VO2max-Form.
Ein Anwendungsbeispiel
Um das Tool besser zu verstehen, geben wir einen kurzen Einblick in die beispielhaften Ergebnisse der Faktoranalyse von Hannes.
Zunächst, bevor wir fortfahren: Um die Ergebnisse so übersichtlich wie möglich zu halten, prüfen wir zunächst jeden Faktortyp einzeln, um zu sehen, welche der Faktoren signifikant sein könnten (auch wenn sich die Signifikanz am Ende noch ändern kann, wenn alle ausgewählten Faktoren berücksichtigt werden). Es ist keine gute Idee, einfach alle Faktoren zu berücksichtigen, da dies leicht zu problematischen Korrelationen führen kann.
Auf diese Weise lassen wir „Subjektives Empfinden“ und „Nacht“ aus den Aktivitätseigenschaften weg und wählen nur einige wenige Tags aus. Wir lassen alle Trainingsarten in der Analyse (auch wenn „Langer Lauf“ zunächst als nicht signifikant angezeigt wurde) und wählen für die Ausrüstung nur „Barfuß“ (als „Schuh“) und „Trinkrucksack“ aus. Es wird im Allgemeinen empfohlen, die Faktoren mit dem größten (erwarteten) Effekt zuerst auszuwählen.
Die Ergebnisse zeigen, dass einige Faktoren einen sehr großen Einfluss auf den geschätzten effektiven VO2max einer Aktivität haben. Für einige Faktoren lässt sich das Ergebnis leicht erklären. Schauen wir uns ein paar Faktoren im Detail an:
- Bahn: Beim Laufen auf der Bahn ist die GPS-Distanz in der Regel zu groß, was zu einem schnelleren Tempo und damit zu einem höheren effektiven VO2max führt.
- #zwift-race: Dieser Faktor hat eine relativ geringe Signifikanz (p=0,014) und nur 6 dazugehörigeAktivitäten. Dennoch ist das Ergebnis überraschend, denn #Laufband hat einen deutlich negativen Effekt und auch Wettkampf hat mit +0,1 keinen besonders großen Effekt.
- Tempolauf / #progressions / Fahrtspiel / Intervalle / Wettkampf: Ziemlich überraschende Ergebnisse, wobei zu beachten ist, dass z.B. die Länge der langen Läufe über die „Dauer“ bereits im Faktorenmodell enthalten ist. Beim Tempotraining können die herausgestoppten Pausen (bei noch höherer Herzfrequenz) den effektiven VO2max fälschlicherweise verbessern.
- Temperatur: Keine Überraschung, aber die Größe des Effekts ist sehr interessant. Im Tooltip des roten Balkens steht „w.r.t. sigma = 8,28„, was bedeutet, dass sich der negative Effekt von -0,29 auf einen Temperaturanstieg von 8°C bezieht. Hier ist zu erwähnen, dass ein lineares Regressionsmodell verwendet wird, wobei für die Temperatur eher ein quadratischer Zusammenhang anzunehmen ist.
- Trinkrucksack: Ein negativer Effekt war prinzipiell zu erwarten, ist aber weitgehend in den korrelierten Faktoren Dauer und Temperatur enthalten. Dieser Faktor ist daher nicht mehr signifikant.
- #muskelkater: Ich hätte erwartet, dass der negative Effekt noch größer (und signifikanter) ausfällt.
- #lauf-abc: Dies ist ein Grund, warum ich persönlich die Uhr während des Lauf-ABCs in der Regel stoppe.
Du hast Fragen, Kommentare oder Wünsche zu diesem oder einem anderen Tool? Lass es uns wissen!
Der beste Ort, um Fragen zu diesem Tool zu stellen, ist unser Forum.
