Prüfen von Mittelwertsunterschieden: t-test

Größe: px
Ab Seite anzeigen:

Download "Prüfen von Mittelwertsunterschieden: t-test"

Transkript

1 Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg Statistik 1 S. Garbade (SRH Heidelberg) t-test Statistik 1 1 / 59

2 Agenda Prüfen von Mittelwertsunterschieden t-verteilung t-test für unabhängige Stichproben und homogene Varianzen Einseitige Testung t-test bei Varianzheterogenität t-test für abhängige Stichproben S. Garbade (SRH Heidelberg) t-test Statistik 1 2 / 59

3 Prüfen von Mittelwertsunterschieden Outline Prüfen von Mittelwertsunterschieden Beispiele für Fragestellungen Logik eines Signifikanztests Ausgewählte Testverfahren Freiheitsgrade S. Garbade (SRH Heidelberg) t-test Statistik 1 3 / 59

4 Prüfen von Mittelwertsunterschieden Beispiele für Fragestellungen Beispiele für Fragestellungen In einer vorher nachher Untersuchung soll geklärt werden, ob ein Training zur Leistungssteigerung erfolgreich war. Es soll untersucht werden, ob Führungskräfte in verschiedenen Positionen eine unterschiedlich hohe Motivation haben. Verändert sich die Mitarbeiterzufriedenheit bei Veränderungen auf Vorstandsebene? S. Garbade (SRH Heidelberg) t-test Statistik 1 4 / 59

5 Prüfen von Mittelwertsunterschieden Logik eines Signifikanztests Logik eines Signifikanztests Auf Basis der Daten wird eine Prüfgröße berechnet. Die Prüfgröße wird auch als empirische Prüfgröße bezeichnet. Die Prüfgrößen folgen einer bekannten Verteilung. Die Dichte dieser Verteilung ist damit auch bekannt, und es können Flächenanteile berechnet werden, die einer Wahrscheinlichkeit entsprechen. Ist die Wahrscheinlichkeit des Auftretens der Prüfgröße kleiner als das festgesetzte Signifikanzniveau, in der Regel α = 0.05 bzw. 5%, spricht man von einem statistisch bedeutsamen, signifikanten Ergebnis, die Alternativhypothese H 1 wird akzeptiert. Der Einfluss des Zufalls ist damit genügend klein. Wichtig: Da es sich bei dem Signifikanzniveau um eine Irrtumswahrscheinlichkeit handelt, können die Ergebnisse natürlich nach wie vor auf zufälliger Basis entstanden sein. S. Garbade (SRH Heidelberg) t-test Statistik 1 5 / 59

6 Prüfen von Mittelwertsunterschieden Ausgewählte Testverfahren Ausgewählte Testverfahren Datenniveau Stichproben Nominal Ordinal Intervall Mannunabhängig χ 2 -Test Whitney-U- t-test, F-Test, Test, Kruskal- Varianzanalyse Wallis t-test für abhängige abhängig McNemar-Test Wilcoxon-Test Stich- proben Nominal: Häufigkeiten in Klassen. Ordinal: Rangreihen. Intervall: Äquidistant, normalverteilt. S. Garbade (SRH Heidelberg) t-test Statistik 1 6 / 59

7 Prüfen von Mittelwertsunterschieden Freiheitsgrade Freiheitsgrade Die Anzahl der bei einer Berechnung frei variierbaren Werte. Z. B.: 10 Bewerber sind haben ein durchschnittliches Alter (arithmetisches Mittel) von 30 Jahren. Neun Alterswerte können nun frei bzw. zufällig gewählt werden, der letzte ist dann vorgegeben. Im obigen Beispiel gibt es also 9 Freiheitsgrade. Abkürzung der Freiheitsgrade mit df (degrees of freedom). S. Garbade (SRH Heidelberg) t-test Statistik 1 7 / 59

8 t-verteilung Outline t-verteilung Dichteverteilung der t-verteilung Eigenschaften der t-verteilung Ausschnitt der t-werte Flächenanteile einer t-verteilung Auswahl eines kritischen t-werts S. Garbade (SRH Heidelberg) t-test Statistik 1 8 / 59

9 t-verteilung Dichteverteilung der t-verteilung Dichteverteilung der t-verteilung Gauss mit µ = 0, σ = 1 t mit df = 1 t mit df = 4 t mit df = S. Garbade (SRH Heidelberg) t-test Statistik 1 9 / 59

10 t-verteilung Eigenschaften der t-verteilung Eigenschaften der t-verteilung Die t-verteilung ist symmetrisch. Der Mittelwert der t-verteilung ist Null. Die Werte der t-verteilung sind für verschiedene Freiheitsgrade und α tabelliert. Mit df geht die t-verteilung in eine Standardnormalverteilung über. Aus praktischer Sicht: ab 120 Freiheitsgraden können Flächenanteile der z-werte Tabelle genutzt werden. S. Garbade (SRH Heidelberg) t-test Statistik 1 10 / 59

11 t-verteilung Ausschnitt der t-werte Ausschnitt der t-werte Tabelliert ist der Flächenanteil links vom angegeben t-wert: Flächenanteil df > S. Garbade (SRH Heidelberg) t-test Statistik 1 11 / 59

12 t-verteilung Flächenanteile einer t-verteilung 95% Flächenanteil der t-verteilung mit df = S. Garbade (SRH Heidelberg) t-test Statistik 1 12 / 59

13 t-verteilung Flächenanteile einer t-verteilung 95% Flächenanteil der t-verteilung mit df = t = schneidet rechts 5% ab t = schneidet links 95% der Fläche ab S. Garbade (SRH Heidelberg) t-test Statistik 1 12 / 59

14 t-verteilung Flächenanteile einer t-verteilung 95% Flächenanteil der t-verteilung mit df = 3 t = schneidet links 2.5% ab % der Fläche t = schneidet rechts 2.5% ab S. Garbade (SRH Heidelberg) t-test Statistik 1 12 / 59

15 t-verteilung Auswahl eines kritischen t-werts Auswahl eines kritischen t-werts Die t-werte sind für einseitige Testungen tabelliert. Da die Verteilung symmetrisch ist, ist der kritische Wert auf der linken Seite vom Betrag her gleich dem auf der rechten Seite der Verteilung. Allerdings schneiden natürlich der linke und rechte Wert jeweils andere Flächenanteile links vom t-wert ab. Bei zweiseitiger Testung ist der Wert für α/2 zu verwenden, bei einseitiger der Wert für α. Beispiel α = 0.05, damit sollen 95% der Verteilung abgeschnitten werden: Zweiseitige Testung, jeweils 2.5% links und rechts, Wert für 97.5%: t krit;df=22;zweiseitig = Einseitige Testung, 5% auf einer Seite, Wert für 95%: t krit;df=22;einseitig = S. Garbade (SRH Heidelberg) t-test Statistik 1 13 / 59

16 t-test für unabhängige Stichproben und homogene Varianzen Outline t-test für unabhängige Stichproben und homogene Varianzen Fragestellung Duchführung des t-tests Prüfgröße t-emp Berechnung t-emp im Beispiel Vergleich t emp mit t krit Ausgabe mit Dokumentation der Teststatistik S. Garbade (SRH Heidelberg) t-test Statistik 1 14 / 59

17 t-test für unabhängige Stichproben und homogene Varianzen Fragestellung Fragestellung Es soll überprüft werden, ob ein Lerntraining die Leistung in einem Lerntest beeinflusst. Zwei Gruppen: Kontrolle: Kontrollgruppe, ohne Training. Training: Treatmentgruppe, erhält Lerntraining. Ungerichtete Hypothesen: H 0 : Die mittlere Leistung beider Gruppen unterscheidet sich im Lerntest nicht. H 1 : Die mittlere Leistung beider Gruppen unterscheidet sich im Lerntest. Mathematisch ausgedrückt: H 0 : µ Kontrolle = µ Training H 1 : µ Kontrolle µ Training Erreichte Punkte (je mehr, desto besser): S. Garbade (SRH Heidelberg) t-test Statistik 1 15 / 59

18 t-test für unabhängige Stichproben und homogene Varianzen Fragestellung Fragestellung (Forts. 2) Kontrolle Training Unterscheiden sich die beiden Gruppen hinsichtlich ihrer durchschnittlichen Punktzahl auf einem Signifikanzniveau von 5%? S. Garbade (SRH Heidelberg) t-test Statistik 1 16 / 59

19 t-test für unabhängige Stichproben und homogene Varianzen Fragestellung Boxplot der Daten Punkte Kontrolle Gruppe Training S. Garbade (SRH Heidelberg) t-test Statistik 1 17 / 59

20 t-test für unabhängige Stichproben und homogene Varianzen Duchführung des t-tests Duchführung des t-tests Keine Messwiederholung, daher unabhängiger t-test. Wir gehen von Varianzhomogenität aus. Deskriptive Kennwerte (s = Standardabweichung): Kontrolle: Mw = 13, s = 2.19, n = 11. Training: Mw = 15, s = 2.20, n = 13. Als nächstes muss die Prüfgröße t emp berechnet werden. S. Garbade (SRH Heidelberg) t-test Statistik 1 18 / 59

21 t-test für unabhängige Stichproben und homogene Varianzen Prüfgröße t-emp Prüfgröße t emp bei unabhängigen Stichproben Berechnung der Prüfgröße t emp Darf Varianzhomogenität vorrausgesetzt werden, berechnet sich die Prüfgröße t emp wie folgt: t emp = x 1 x 2 s x1 x 2 = ; wobei (1) s x1 x 2 (n 1 1) s (n 2 1) s 2 ( ) (2) n 1 + n 2 2 n 1 n 2 t emp ist t-verteilt mit df = n 1 + n 2 2 Freiheitsgraden. Bei gleich großen ( ) s Gruppen vereinfacht sich s x1 x 2 zu 2 1 +s n n 2. vgl. Bortz und Schuster (2010, S. 120ff). S. Garbade (SRH Heidelberg) t-test Statistik 1 19 / 59

22 t-test für unabhängige Stichproben und homogene Varianzen Berechnung t-emp im Beispiel Berechnung t emp im Beispiel Deskriptive Kennwerte (s = Standardabweichung): Kontrolle: Mw = 13, s = 2.19, n = 11. Training: Mw = 15, s = 2.20, n = 13. Damit s x1 x 2 : s x1 x 2 = = (n 1 1) s (n 2 1) s 2 2 n 1 + n 2 2 ( 1 (11 1) (13 1) = n n 2 ) ( ) 13 S. Garbade (SRH Heidelberg) t-test Statistik 1 20 / 59

23 t-test für unabhängige Stichproben und homogene Varianzen Berechnung t-emp im Beispiel Berechnung t emp im Beispiel (Forts. 2) t emp ist damit: t emp = 0.9 = 2.22 Bei zweiseitiger Testung ist das Vorzeichen von t emp egal. Daher ist es ohne Bedeutung, ob x Kontrolle x Training oder x Training x Kontrolle gerechnet wird. Wie wahrscheinlich ist das Auftreten dieses t-werts? S. Garbade (SRH Heidelberg) t-test Statistik 1 21 / 59

24 t-test für unabhängige Stichproben und homogene Varianzen Vergleich t emp mit t krit Vergleich t emp mit t krit Kritischer t-wert bei zweiseitiger Testung mit df = = 22: t krit;df=22;α=5%;zweiseitig = t emp = 2.22, damit t emp > t krit H 1! Antwortsatz: Mit einer Irrtumswahrscheinlichkeit von 5% unterscheiden sich die durchschnittlichen Ergebnisse im Wissenstest. Die Gruppe mit Lerntraining erzielt signifikant bessere Leistungen als die Kontrollgruppe. S. Garbade (SRH Heidelberg) t-test Statistik 1 22 / 59

25 t-test für unabhängige Stichproben und homogene Varianzen Vergleich t emp mit t krit Zweiseitige Testung mit t emp (22) = Ablehnungsbereich: 2.5% t emp = Ablehnungsbereich: 2.5% Ist t emp > t krit, tritt t emp in weniger als 5% der Fälle auf. Aus statistischer Sicht ist das ein bedeutsames, signifikantes Ereignis. S. Garbade (SRH Heidelberg) t-test Statistik 1 23 / 59

26 t-test für unabhängige Stichproben und homogene Varianzen Ausgabe mit Ausgabe mit % Two Sample t- test data: Kontrolle and Training t = , df = 22, p- value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Die Ausgabe p-value gibt die Wahrscheinlichkeit an, einen Betrag des t-werts größer als p-value zu erhalten. t-werte mit t < 2.22 bzw. t > 2.22 treten in etwa 3.7% aller Fälle auf. Diese Wahrscheinlichkeit ist kleiner als 5% und daher aus statistischer Sicht bedeutsam, signifikant. S. Garbade (SRH Heidelberg) t-test Statistik 1 24 / 59

27 t-test für unabhängige Stichproben und homogene Varianzen Dokumentation der Teststatistik Dokumentation der Teststatistik In wissenschaftlichen Arbeiten oder Publikationen gibt es Standards, wie das Ergebnis eines statistischen Tests zu berichten ist. Im Falle des t-tests ist das allgemein: t(df) = t-wert; p = p-wert. Ist ein Test nicht signifikant, wird oft t(df) = t-wert; n. s. geschrieben, wobei n. s für nicht signifikant steht. Beispiel: Der Vergleich zwischen Kontroll- und Experimentalgruppe mittels eines t-test für unabhängige Stichproben ergab einen signifikanten Unterschied bezüglich der Testleistung auf dem 5% Niveau [t(22) = 2.22; p = 0.038]. S. Garbade (SRH Heidelberg) t-test Statistik 1 25 / 59

28 Einseitige Testung Outline Einseitige Testung Hypothesen Berechnung der Prüfgröße S. Garbade (SRH Heidelberg) t-test Statistik 1 26 / 59

29 Einseitige Testung Hypothesen Hypothesen Bei gerichteten Hypothesen wird ein Effekt in einer bestimmten Richtung vermutet. Beispiel: H 0 : Die durchschnittliche Punktzahl im Wissenstest in der Treatmentgruppe ist kleiner oder gleich der durchschnittlichen Punktzahl in der Kontrollgruppe. H 1 : Die durchschnittliche Punktzahl im Wissenstest in der Treatmentgruppe ist größer als in der Kontrollgruppe. Es geht hier also um einen Größenvergleich: H 0 : µ Training µ Kontrolle H 1 : µ Training > µ Kontrolle In diesem Fall reicht es, wenn bei der t-verteilung nur ein Segment abgeschnitten wird einseitige Testung. S. Garbade (SRH Heidelberg) t-test Statistik 1 27 / 59

30 Einseitige Testung Berechnung der Prüfgröße Berechnung der Prüfgröße Bei einer gerichteten Fragestellung ist das Vorzeichen von t emp von großer Bedeutung. Die Mittelwertsdifferenz bei Berechnung von t emp muss den gerichteten Hypothesen entsprechen. In unserem Fall gilt in der H 1 µ Training > µ Kontrolle, damit sollte t emp bei Gültigkeit der H 1 positiv sein. Damit: t emp = x Training x Kontrolle = 0.9 = 2.22 S. Garbade (SRH Heidelberg) t-test Statistik 1 28 / 59

31 Einseitige Testung Berechnung der Prüfgröße Einseitige Testung t emp (22) = Ablehnungsbereich 5% t emp = Bei einseitiger Testung kann t emp etwas kleiner werden, das Ergebnis kann trotzdem eher signifikant werden. Einseitige Testungen haben eine etwas größere Teststärke. S. Garbade (SRH Heidelberg) t-test Statistik 1 29 / 59

32 Einseitige Testung Berechnung der Prüfgröße Anmerkung In dem Beispiel wurde die H 1 so formuliert, dass die Gruppe mit Training einen höheren Punktewert erreicht als die Kontrollgruppe. Natürlich kann man die H 1 auch so formulieren, dass die Kontrollgruppe einen niedrigeren Punktewert als die Gruppe mit Training erreicht. In diesem Fall sollte t emp negativ sein. S. Garbade (SRH Heidelberg) t-test Statistik 1 30 / 59

33 Einseitige Testung Berechnung der Prüfgröße Beispiel für einseitige Testung t emp (22) = Ablehnungsbereich 5% t emp = Bei einseitiger Testung mit negativer Prüfgröße muss t emp < t krit sein, damit t emp signifikant wird. Da die t-verteilung symmetrisch, ist die Fläche links von t krit = 1 P(t krit ), wobei P(t krit ) die tabellierte Fläche für t krit ist. S. Garbade (SRH Heidelberg) t-test Statistik 1 31 / 59

34 t-test bei Varianzheterogenität Outline t-test bei Varianzheterogenität Varianzheterogenität F-Test Dichte der F-Verteilung Prüfung auf Varianzhomogenität Welch Korrektur Datenbeispiel S. Garbade (SRH Heidelberg) t-test Statistik 1 32 / 59

35 t-test bei Varianzheterogenität Varianzheterogenität Varianzheterogenität Der t-test setzt vorraus, dass die beiden zu vergleichenden Gruppen die gleiche Varianz haben. Ist dies nicht der Fall, ist die Schätzung der gemeinsamen Varianz verzerrt. s x1 x 2 Es sind verschiedene Varianten des t-tests bei Varianzheterogenität entwickelt worden. Die heute gebräuchlichste ist eine Korrektur über die Freiheitsgrade: die Welch-Korrektur. S. Garbade (SRH Heidelberg) t-test Statistik 1 33 / 59

36 t-test bei Varianzheterogenität F-Test F-Test Der F-Test prüft, ob sich zwei Stichprobenvarianzen bedeutsam unterscheiden. Die einseitigen Hypothesen für s 2 1 s2 2 lauten: H 0 : σ2 1 σ 2 2 H 1 : σ2 1 σ 2 2 = 1 > 1 Eine Alternative zum F-Test ist der Levene-Test. Prüfgröße F emp F emp = s2 1 s 2, wobei s 2 1 s 2 2 (3) 2 F emp ist F-verteilt mit df 1 = n 1 1 und df 2 = n 2 1 Freiheitsgraden. S. Garbade (SRH Heidelberg) t-test Statistik 1 34 / 59

37 t-test bei Varianzheterogenität Dichte der F-Verteilung Dichte der F-Verteilung df 1 = 1, df 2 = 5 df 1 = 5, df 2 = 10 df 1 = 10, df 2 = S. Garbade (SRH Heidelberg) t-test Statistik 1 35 / 59

38 t-test bei Varianzheterogenität Dichte der F-Verteilung Tabellierte F-Werte Zähler-df Nenner-df Fläche S. Garbade (SRH Heidelberg) t-test Statistik 1 36 / 59

39 t-test bei Varianzheterogenität Prüfung auf Varianzhomogenität Prüfung auf Varianzhomogenität Deskriptive Kennwerte: Kontrolle: Mw = 13, s = 2.19, n = 11. Training: Mw = 15, s = 2.20, n = 13. F-Tests: F emp = Kritischer F-Wert: F df1 =12;df 2 =10;α=5%;einseitig = Damit: F emp < F krit H 0! Schlusssatz: Mit einer Irrtumswahrscheinlichkeit von 5% sind die beiden Varianzen aus der Kontrollgruppe und der Treatmentgruppe gleich. Wir können also den t-test für homogene Varianzen verwenden. S. Garbade (SRH Heidelberg) t-test Statistik 1 37 / 59

40 t-test bei Varianzheterogenität Prüfung auf Varianzhomogenität Ausgabe mit F test to compare two variances data: Training and Kontrolle F = , num df = 12, denom df = 10, p- value = alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: sample estimates: ratio of variances Satz: Der F-Test auf Varianzhomogenität ist auf dem 5% Niveau nicht signifikant [F(12, 10) = 1.01; n.s.]. S. Garbade (SRH Heidelberg) t-test Statistik 1 38 / 59

41 t-test bei Varianzheterogenität Welch Korrektur Welch Korrektur Bei der Welch Korrektur wird der Standardfehler des Mittels für die Prüfgröße anders berechnet. Da die so resultierende Prüfgröße nicht mehr exakt t-verteilt ist, wird eine Korrektur der Freiheitsgrade vorgenommen. Welch Korrektur s x1 x 2 = df korr = s s2 2 (4) n 1 n 2 ( ) s n 1 + s2 2 n 2 s 4 1 n 2 1 (n 1 1) + s 4 2 n 2 2 (n 2 1) (5) S. Garbade (SRH Heidelberg) t-test Statistik 1 39 / 59

42 t-test bei Varianzheterogenität Datenbeispiel Datenbeispiel Kontrolle: Mw = 13, s = 2.19, n = 11. Die Treatmentgruppe (n = 4) erzielt nun folgende Werte: 17, 20, 25, 30. Treatmentgruppe: Mw: 23, s = 5.72, n = 4. S. Garbade (SRH Heidelberg) t-test Statistik 1 40 / 59

43 t-test bei Varianzheterogenität Datenbeispiel Boxplot der Ergebnisse Punkte Kontrolle Gruppe Treatment S. Garbade (SRH Heidelberg) t-test Statistik 1 41 / 59

44 t-test bei Varianzheterogenität Datenbeispiel Prüfung auf Varianzhomogenität Varianzen: Kontrolle (n=11) = , Treatment (n=4) = F-Test: F emp = = 6.82 mit df 1 = 3 und df 2 = 10 Freiheitsgraden. Kritischer F-Wert: F krit,df1 =3,df 2 =10,α=5%,einseitig = 3.71 Damit: F emp > F krit H 1! Schlusssatz: Mit einer Irrtumswahrscheinlichkeit von 5% sind die beiden Varianzen verschieden. S. Garbade (SRH Heidelberg) t-test Statistik 1 42 / 59

45 t-test bei Varianzheterogenität Datenbeispiel Berechnung der Prüfgröße Kontrolle: Mw = 13, s = 2.19, n=11. Treatmentgruppe: Mw: 23, s = 5.72, n=4. Prüfgröße: t emp = x 1 x 2 Wir prüfen ungerichtet: s x1 x 2, wobei s x1 x 2 = t emp = = = 3.41 s 2 1 n 1 + s2 2 n 2 S. Garbade (SRH Heidelberg) t-test Statistik 1 43 / 59

46 t-test bei Varianzheterogenität Datenbeispiel Bestimmung der Freiheitsgrade Kontrolle: Mw = 13, s = 2.19, n=11. Treatmentgruppe: Mw: 23, s = 5.72, n=4. Berechnung: df korr = ( s 2 1 n 1 + s2 2 n 2 ) 2 s 4 1 n 2 1 (n 1 1) + s 4 2 n 2 2 (n 2 1) ) 2 ( = (11 1) 4 2 (4 1) = = S. Garbade (SRH Heidelberg) t-test Statistik 1 44 / 59

47 t-test bei Varianzheterogenität Datenbeispiel Vergleich t emp mit t krit Die Prüfgröße t emp = 3.41 muss nun mit t krit mit Freiheitsgraden verglichen werden. Da dieser Wert nicht tabelliert ist, würde man df korr = auf 3 abrunden. Mit einem Statistik Programm kann der exakte t-wert berechnet werden: t krit,df=3.325,α=5%,zweiseitig = Damit: t emp > t krit H 1! Schlusssatz: Mit einer Irrtumswahrscheinlichkeit von 5% erreicht die Treatmentgruppe signifikant mehr Punkte im Lerntest als die Kontrollgruppe. S. Garbade (SRH Heidelberg) t-test Statistik 1 45 / 59

48 t-test bei Varianzheterogenität Datenbeispiel Ausgabe mit Welch Two Sample t- test data: Kontrolle and Treatment t = , df = 3.326, p- value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y S. Garbade (SRH Heidelberg) t-test Statistik 1 46 / 59

49 t-test bei Varianzheterogenität Datenbeispiel Ausgabe mit anderen Systemen Beim System muss explizit angegeben werden, ob ein t-test mit Varianzhomogenität oder Heterogenität gerechnet werden soll. Einige Statistikprogramme wie SPSS oder rechnen einen F bzw. Levene Test und beide t-tests, der Anwender kann dann den gewünschten Test auswählen. S. Garbade (SRH Heidelberg) t-test Statistik 1 47 / 59

50 t-test bei Varianzheterogenität Datenbeispiel Ausgabe mit S. Garbade (SRH Heidelberg) t-test Statistik 1 48 / 59

51 t-test für abhängige Stichproben Outline t-test für abhängige Stichproben Abhängige Stichproben Prüfgröße t emp Beispiel Weitsprung Rechengänge Ausgabe mit Ausgabe mit S. Garbade (SRH Heidelberg) t-test Statistik 1 49 / 59

52 t-test für abhängige Stichproben Abhängige Stichproben Abhängige Stichproben Bei abhängigen Messungen muss man davon ausgehen, dass die einzelnen Messungen korrelieren. Durch korrelierte Messungen können Verzerrungen bei der Berechnung der Prüfgrößen entstehen, i. d. R. werden diese unterschätzt. Typischerweise handelt es sich um Vorher-Nachher-Untersuchungen. Einige Autoren gehen davon aus, dass Messwerte unter vielen Umständen korreliert sein können, z. B. Bortz und Schuster (2010, S. 124ff): Zwillingsuntersuchungen. Vergleich von Ehepartnern. Versuchspläne mit Matched-Pairs. Diese eher heuristischen Diskussionen können statistisch gelöst werden, in dem man Annahmen über möglicher Korrelationen explizit mit modelliert. So lassen sich auch verschiedene Arten von möglichen Korrelationen prüfen. S. Garbade (SRH Heidelberg) t-test Statistik 1 50 / 59

53 t-test für abhängige Stichproben Prüfgröße t emp Prüfgröße t emp t emp bei verbundenen Stichproben Die Prüfgröße t emp bei verbundenen Stichproben mit n Messwertpaaren berechnet sich zu t emp = ( ) d n (6) s d mit df = n 1 Freiheitsgraden. d ist der Mittelwert der Differenzen der Messwertpaare x i1 x i2, s d ist die Standardabweichung der Differenzen. S. Garbade (SRH Heidelberg) t-test Statistik 1 51 / 59

54 t-test für abhängige Stichproben Beispiel Weitsprung Fragestellung & Daten Ein Sportlehrer will wissen, ob sich die Leistung seiner Schüler im Weitsprung verändert. Dazu führt er zwei Tests durch: Einen zu Beginn des Schulhalbjahres, einen am Ende. Sprungleistung in cm pro Schüler: Schüler Messung 1 Messung S. Garbade (SRH Heidelberg) t-test Statistik 1 52 / 59

55 t-test für abhängige Stichproben Beispiel Weitsprung Hypothesen Hypothesen: H 0 : Die Sprungleistung hat sich über das Schulhalbjahr nicht verändert. H 1 : Die Sprungleistung hat sich über das Schulhalbjahr verändert. bzw. H 0 : µ Messung 1 = µ Messung 2 H 1 : µ Messung 1 µ Messung 2 Da Differenzen geprüft werden: H 0 : Messung 1 Messung 2 = 0 H 1 : Messung 1 Messung 2 0 S. Garbade (SRH Heidelberg) t-test Statistik 1 53 / 59

56 t-test für abhängige Stichproben Beispiel Weitsprung Boxplot der Ergebnisse Sprungleistung in cm Messung 1 Messung 2 Zeitpunkt S. Garbade (SRH Heidelberg) t-test Statistik 1 54 / 59

57 t-test für abhängige Stichproben Rechengänge Rechengänge Hilfstabelle: Schüler Messung 1 Messung 2 Differenz d = 53 Mittelwert: d = 5.3, Streuung: s = S. Garbade (SRH Heidelberg) t-test Statistik 1 55 / 59

58 t-test für abhängige Stichproben Rechengänge Rechengänge (Forts. 2) Prüfgröße: t emp = n d s d = = 3.19 Kritischer Wert: t tkrit;α=0.05;df=9 = Damit: t emp > t krit H 1! Schlusssatz: Auf einem Signifikanzniveau von 5% unterscheidet sich die Sprungleistung von der ersten zur zweiten Messung: Die Sprungleistung verbessert sich signifikant. S. Garbade (SRH Heidelberg) t-test Statistik 1 56 / 59

59 t-test für abhängige Stichproben Ausgabe mit Ausgabe mit Paired t- test data: Vorher and Nachher t = , df = 9, p- value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of the differences -5.3 S. Garbade (SRH Heidelberg) t-test Statistik 1 57 / 59

60 t-test für abhängige Stichproben Ausgabe mit Ausgabe mit S. Garbade (SRH Heidelberg) t-test Statistik 1 58 / 59

61 t-test für abhängige Stichproben Ausgabe mit Literaturverzeichnis Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Auflage). Berlin: Springer. S. Garbade (SRH Heidelberg) t-test Statistik 1 59 / 59

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Einführung in die Korrelationsrechnung

Einführung in die Korrelationsrechnung Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Sven Garbade. Statistik 1

Sven Garbade. Statistik 1 χ 2 -Test für nominale Daten Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale

Mehr

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test 1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.) ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Hypothesentests mit SPSS. Beispiel für einen t-test

Hypothesentests mit SPSS. Beispiel für einen t-test Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 22. Mai 2015 Inhaltsverzeichnis 1 Wiederholung:

Mehr

Sitzung 4: Übungsaufgaben für Statistik 1

Sitzung 4: Übungsaufgaben für Statistik 1 1 Sitzung 4: Übungsaufgaben für Statistik 1 Aufgabe 1: In einem Leistungstest werden von den Teilnehmern folgende Werte erzielt: 42.3; 28.2; 30.5, 32.0, 33.0, 38.8. Geben Sie den Median, die Spannweite

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene

Mehr

R-WORKSHOP II. Inferenzstatistik. Johannes Pfeffer

R-WORKSHOP II. Inferenzstatistik. Johannes Pfeffer R-WORKSHOP II Inferenzstatistik Johannes Pfeffer Dresden, 25.1.2011 01 Outline Lösung der Übungsaufgabe Selbstdefinierte Funktionen Inferenzstatistik t-test Kruskal-Wallis Test Übungsaufgabe TU Dresden,

Mehr

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

Bitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:..

Bitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:.. Institut für Erziehungswissenschaft der Philipps-Universität Marburg Prof. Dr. Udo Kuckartz Arbeitsbereich Empirische Pädagogik/Methoden der Sozialforschung Wintersemester 004/005 KLAUSUR FEBRUAR 005 /

Mehr

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500 Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren

Mehr

2.1 Die Normalverteilung

2.1 Die Normalverteilung . INFERENZSTATISTIK Inferenzstatistik bedeutet übersetzt schließende Statistik. Damit ist der Schluss von den erhobenen Daten einer Stichprobe auf Werte in der Population gemeint..1 Die Normalverteilung

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1

Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

12.1 Wie funktioniert ein Signifikanztest?

12.1 Wie funktioniert ein Signifikanztest? Sedlmeier & Renkewitz Kapitel 12 Signifikanztests 12.1 Wie funktioniert ein Signifikanztest? Zentrales Ergebnis eine Signifikanztests: Wie wahrscheinlich war es unter der Bedingung dass H0 gilt, diesen

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei

Mehr

Einfache statistische Testverfahren

Einfache statistische Testverfahren Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Metrische und kategoriale Merkmale

Metrische und kategoriale Merkmale Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)

Mehr

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

J. Bortz/N. Döring: Forschungsmethoden und Evaluation (jeweils neueste Auflage) Springer, Berlin S. 463ff

J. Bortz/N. Döring: Forschungsmethoden und Evaluation (jeweils neueste Auflage) Springer, Berlin S. 463ff J. Bortz/N. Döring: Forschungsmethoden und Evaluation (jeweils neueste Auflage) Springer, Berlin S. 463ff Signifikanztests Zur Logik des Signifikanztests Tests zur statistischen Überprüfung von Hypothesen

Mehr

Grundlagen der Inferenzstatistik

Grundlagen der Inferenzstatistik Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,

Mehr

(Repeated-measures ANOVA) path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/"))

(Repeated-measures ANOVA) path = Verzeichnis wo Sie anova1 gespeichert haben attach(paste(path, anova1, sep=/)) Varianzanalyse mit Messwiederholungen (Repeated-measures ANOVA) Jonathan Harrington Befehle: anova2.txt path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Messwiederholungen:

Mehr

Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade

Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler

Mehr

Die Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden

Die Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Ein bisschen Statistik

Ein bisschen Statistik Prof. Dr. Beat Siebenhaar ein bisschen Statistik 1 Ein bisschen Statistik (orientiert an Hüsler/Zimmermann (006) mit Umsetzung auf die linguistische Fragen) 1. Datentypen und Grafik Grafische Darstellungen

Mehr

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1- SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung

Mehr

Jonathan Harrington. Die t-verteilung

Jonathan Harrington. Die t-verteilung Jonathan Harrington Die t-verteilung Standard error of the mean (SE) ist die Standardabweichung von Mittelwerten Ich werfe 5 Würfel und berechne den Mittelwert der Zahlen µ = 3.5 der wahrscheinlichste

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik

Mehr

Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R

Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R Mathias Stephan Panzenböck e0427417 12. Juni 2006 Beispiel 1 library(e1071) library(car) load('0427417.rdata') a) min(bsp1$x) # = 2.435354

Mehr

1.1. Vergleich von Mittelwerten

1.1. Vergleich von Mittelwerten 1.1. Vergleich von Mittelwerten 1.1.1. Eine glückliche Familie: Die t-tests Die einfachsten inferenzstatistischen Verfahren sind die t-tests. Bei ihnen dreht sich alles um Mittelwerte und die Frage: Sind

Mehr

U0. Einführender Text: ein quickly prototyping

U0. Einführender Text: ein quickly prototyping U0. Einführender Text: ein quickly prototyping Mit der zunehmenden Computerunterstützung bei der Anwendung statistischer Verfahren haben sich zugleich die Schwierigkeiten beim Einsatz der Statistik verschoben.

Mehr

Marktforschung I. Marktforschung I 2

Marktforschung I. Marktforschung I 2 Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Mittelwertvergleiche Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Klausur Statistik Lösungshinweise

Klausur Statistik Lösungshinweise Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/

Mehr

Varianzanalyse * (1) Varianzanalyse (2)

Varianzanalyse * (1) Varianzanalyse (2) Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz

Mehr

Mann-Whitney-U-Test für zwei unabhängige Stichproben

Mann-Whitney-U-Test für zwei unabhängige Stichproben Mann-Whitney-U-Test für zwei unabhängige Stichproben Wir haben bis jetzt einen einzigen Test für unabhängige Stichproben kennen gelernt, nämlich den T-Test. Wie wir bereits wissen, sind an die Berechnung

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst Springer-Lehrbuch Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Franz Kronthaler Hochschule für Technik und Wirtschaft HTW Chur, Schweiz ISSN 0937-7433 ISBN 978-3-642-53739-4 DOI

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

Einfache Varianzanalyse für unabhängige Stichproben

Einfache Varianzanalyse für unabhängige Stichproben Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,

Mehr

Messung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes

Messung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling Einführung in die Versuchsplanung

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise

Mehr

1 Statistische Grundlagen

1 Statistische Grundlagen Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.

Mehr

Analyse von Experimenten. Stefan Hanenberg (University of Duisburg-Essen)

Analyse von Experimenten. Stefan Hanenberg (University of Duisburg-Essen) Analyse von Experimenten Stefan Hanenberg (University of Duisburg-Essen) Eine Intuitive Einführung Intuitive Einführung (1) siehe vorherige Vorlesung Beispiel und Diskussion Ich glaube, dass die Programmiersprache

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen zu den Übungsaufgaben in Kapitel 10 Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert

Mehr

Analyse von Querschnittsdaten. Signifikanztests I Basics

Analyse von Querschnittsdaten. Signifikanztests I Basics Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004

Mehr

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette Ruhr-Universität Bochum 7. Mai 2010 1 / 95 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30-10.00

Mehr

e) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese

e) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese 9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die

Mehr

1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.

1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest. Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden

Mehr