Get these flashcards, study & pass exams. For free! Even on iPhone/Android!

• Bei der Varianzanalyse weiß man nicht, welche Gruppen sich unterscheiden:
• Die Varianzanalyse testet immer nur eine unspezifische Alternativhypothese (d.h. eine ungerichtete Hypothese), also die
allgemeine Behauptung, dass sich unter allen untersuchten Gruppen mindestens zwei befinden, die sich unterscheiden.
• Um zu erfahren, welche sich unterscheiden, benötigt man Post-hoc-Verfahren.
• Post-hoc Verfahren berücksichtigen die in der letzten Sitzung besprochenen Probleme der Testung einzelner Gruppen gegeneinander.
• Rasch et al. stellen den Tukey HSDTest vor, besonders üblich ist aber noch der Scheffé Test (der besonders konservativ testet!)

• Paarweiser Vergleich einzelner Gruppen einer Untersuchung, ohne dass der α-Fehler kumuliert oder die Teststärke abnimmt.

• Honest significant difference:
Mittelwertsunterschied, der mindestens erforderlich ist, um auf dem Gesamt-α-Niveau ein signifikantes Ergebnis zu erzielen (Berechnung der kleinsten noch signifikanten Differenz durch Tukey-Test)

• Ist die tatsächliche Differenz zwischen zwei Gruppen größer als der vom Tukey-Test berechnete kritische Wert, besteht ein signifikanter Unterschied zwischen diesen beiden Gruppen.

• Kennwert ist der q-Wert. Dieser bezieht im Gegensatz zum t-Wert zusätzlich die Anzahl der betrachteten Mittelwerte mit ein
(dadurch wird alpha-Fehler-Kumulation verhindert)

• Die kritischen q-Werte hängen insgesamt ab von der Anzahl der betrachteten Gruppen, dem festgelegten Signifikanzniveau und den Freiheitsgraden der „Varianz innerhalb“.

• Berechnung des kritischen Wertes:


• Berechnung der kleinsten noch signifikanten Differenz (Einbezug der Varianz innerhalb und der Anzahl von VPs pro Gruppe)


• Dann erfolgt ein Abgleich mit diesem Wert:
Ist die Differenz größer, unterscheiden sich die beiden Gruppen signifikant, ist sie kleiner, wird angenommen, dass die beiden
Gruppen sich nicht unterscheiden.

Wie groß muss die Differenz zwischen den Mittelwerten zweier Gruppen mindestens sein, damit diese Differenz auf einem kumulierten α-Niveau signifikant ist, das nicht die zuvor festgesetzte Grenze (zumeist 5%) überschreitet?


Das stimmt doch so nicht, oder? Das ist doch die Frage des T-Tests. Hier haben wir doch mehr als 2 Gruppen!!

• Diese Effektgröße gibt den Anteil der aufgeklärten Variabilität der Messwerte auf der Ebene der Stichprobe an.

• SPSS gibt als Effektstärke das partielle Eta-Quadrat. Im Fall der einfaktoriellen Varianzanalyse ohne Messwiederholung sind Eta-
Quadrat und das partielle Eta-Quadrat jedoch identisch. Bei mehreren Faktoren oder bei Messwiederholung gibt jedoch das partielle Eta-Quadrat höhere Werte.

• η² wird generell als den Effekt überschätzend kritisiert.
• Rasch et al. empfehlen daher das Programm GPower.
• Das Programm arbeitet mit dem Effektstärkenmaß f (Buchner, Erdfelder & Faul, 1996).

• Wichtiger Zusammenhang: Je größer der Stichprobenumfang, desto größer ist die Teststärke (desto genauer ist der Test).

• Die Stichprobenumfangsplanung ist einer der wichtigsten Schritte vor der Durchführung einer Untersuchung, denn nur sie gewährleistet die sinnvolle Interpretation jedes möglichen Untersuchungsergebnisses.

• Erfolgt keine Stichprobenumfangsplanung, so können sich zwei
Probleme ergeben:
• Der Stichprobenumfang ist zu klein. Die Teststärke ist so klein,
dass ein nicht signifikantes Ergebnis nicht interpretierbar ist.
• Der Stichprobenumfang ist zu groß. Es ergeben sich auch
statistisch signifikante Ergebnisse bei Effekten, die für eine
vernünftige inhaltliche Interpretation zu klein sind.

• Für die Stichprobenumfangsplanung ist die Festlegung der Stärke des gesuchten Effekts, der gewünschten Teststärke und des Signifikanzniveaus notwendig.

• Die abhängige Variable ist intervallskaliert.
• Das untersuchte Merkmal ist in der Population normalverteilt.
• Varianzhomogenität: Die Varianzen der Populationen der untersuchten Gruppen sind gleich.
• Die Messwerte in allen Bedingungen sind voneinander unabhängig.

Aber: Varianzanalyse verhält sich gegen die Verletzung der
zweiten und dritten Voraussetzung weitgehend robust
(problematisch nur dann, wenn die Stichprobe sehr klein
ist oder die VPs sehr ungleich auf die Bedingungen verteilt sind).

• Dies ist im Fall der Varianzanalyse der Kruskal-Wallis-Test (nonparametrisches Verfahrens).
• Die nonparametrischen Verfahren gehen allerdings einher mit eingeschränkten Aussagemöglichkeiten.

Durch große Stichprobe mit gleichmäßiger Verteilung der VPs auf die einzelnen Bedingungen.

• Das Verfahren arbeitet (wie der Mann-
Whitney-U-Test) mit Rangplätzen, die den
Versuchspersonen aufgrund ihrer
Messwerte zugeordnet werden.

• Durch die Zuordnung von Rangplätzen wird
eine künstliche Äquidistanz zwischen den
Werten erzeugt, die viele mathematische
Operationen wie z.B. die Mittelwertsbildung
erst ermöglicht.

• Bei intervallskalierten Daten und ausreichend großen Stichproben sollte immer der entsprechende parametrische Test vorgezogen werden. Er bezieht mehr Informationen der Daten
in die Auswertung mit ein.

• Beispielsweise: Größe der Unterschiede auf der abhängigen
Variablen zwischen den Versuchspersonen, während die nichtparametrischen Verfahren lediglich eine Rangreihe bilden.

• Außerdem ist die Teststärke der parametrischen Verfahren höher.

• Prüfung analog zur Varianzanalyse unspezifisch:
Alternativhypothese besagt lediglich, dass sich mindestens eine der Gruppen von den anderen unterscheidet.

• Hintergrund des Tests: Überlegung, dass die Rangplätze bei Zutreffen der Nullhypothese zufällig über alle Gruppen verteilt sein müssten.

• Allen Messwerten wird unabhängig von ihrer Gruppenzugehörigkeit je nach Größe des Messwerts eine ganze Zahl zwischen 1 und N zugeordnet. (Bei gleichen Messwerten wird ein mittlerer Rang aus den zugehörigen Rängen gebildet.)

• Für jede Gruppe/Bedingung wird dann die Summe der Rangplätze gebildet.

• Anschließend wird die Rangsumme jeder Gruppe quadriert und durch die Anzahl der Versuchspersonen in der entsprechenden
Gruppe geteilt.

• Ob die Verteilung signifikant ist (ob die Rangplätze nicht zufällig über alle Gruppen verteilt sind), wird durch einen Abgleich mit
einer χ2 – Verteilung geprüft.

Prüfung durch einen Abgleich mit einer χ2 – Verteilung

• Für den Kruskal-Wallis H-Test liegen keine gängigen Post-Hoc-Verfahren vor, um das signifikante Ergebnis genauer zu untersuchen.