Vorlesung: Multivariate Statistik für Psychologen
|
|
- Silke Gerhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele ii. Uni- vs. multivariate Varianzanalyse Vergleich der Verfahren Fragestellungen der MANOVA iii. Statistisches Modell Datensituation Effekte einzelner abhängiger Variablen vs. Effekte der Linearkombinationen iv. Hypothesentestung v. Varianzzerlegung 2
2 Einführung in die multivariate Varianzanalyse I Ziel Zusammenhang zwischen Gruppenzugehörigkeit einer Person und dem Erwartungswert der Person auf mehreren abhängigen Variablen einfacher: Unterschiede im Mittelwert mehrerer abhängiger Variablen bei verschiedenen Gruppen Aussage: Unterschiede der Gruppen hinsichtlich der abhängigen Variablen Y 1,, Y p? welche Gruppen unterscheiden sich (auf welchen abhängigen Variablen)? Einschränkungen keine kausalen Aussagen (Unterschiede w e g e n Gruppenzugehörigkeit) keine Differenzierung innerhalb der Gruppen keine Aussagen über Art, Größe und Richtung der Gruppenunterschiede 3 Einführung in die multivariate Varianzanalyse II Unterscheidung univariate vs. multivariate Varianzanalys univariat: Einfluss einzelner oder mehrerer Prädiktoren auf eine abhängige Variable (Gruppenunterschiede im Mittelwert bei einer abhängigen Variable) multivariat: Einfluss einzelner oder mehrerer Prädiktoren auf mehrere einzelne abhängige Variablen oder auf ein mehreren abhängigen Variablen zugrunde liegendem Konstrukt Konstruktbegriff psychologische Merkmale, die nicht (oder nur sehr grob) durch einzelne Variablen operationalisierbar sind Beschreibung durch mehrere Indikatorvariablen; Abbildung des Konstrukts durch "Gemeinsames" der Variablen Beispiele für psychologische Konstrukte: Angst, Neugier, Offenheit, Qualität der Lehre, Intelligenz 4
3 Einführung in die multivariate Varianzanalyse III Beispielfragestellungen für multivariate Varianzanalyse Beispiel 1: Wirksamkeit von Therapien (einfaktorielle MANOVA) Einfluss verschiedener Interventionen auf Ängstlichkeit klinischer Angstpatienten Angst operationalisiert durch kognitive, behaviorale und emotionale Aspekte Beispiel 2: Werbewirksamkeit (einfaktorielle MANOVA) Auswirkungen verschiedener Werbekampagnen auf Interesse der Kunden Interesse operationalisiert durch Sichtbarkeit der Marken, Bekanntheit der Marke, Beeinflussung der Kaufentscheidung Beispiel 3: Einfluss des sozioökonomischen Hintergrunds auf Spracherwerb (mehrfaktorielle MANOVA) Einfluss des sozio-ökonomischen Hintergrunds der Eltern auf verbale Ausdrucksfähigkeit der Kinder Faktoren: SES des Vaters (Unter- vs. Mittel- vs. Oberschicht), SES der Mutter verbale Ausdrucksfähigkeit der Kinder operationalisiert durch a) Satzlängen, b) Vielfalt der Wortwahl, c) Komplexität der Satzkonstruktionen Uni- vs. multivariate Varianzanalyse I Alternative Vorgehensweisen zur Analyse multivariater Fragestellungen Alternative 1: mehrere univariate Varianzanalysen Einzelanalyse aller abhängigen Variablen auf Unterschiede der Gruppenmittelwerte Nullhypothese: µ 11 = µ 21= µ 31 µ 12 = µ 22 = µ 32 µ 13 = µ 23 = µ 33 Vorteile: Interpretierbarkeit, einfache Durchführung Nachteile: kumulierter Alpha-Fehler, keine Betrachtung der Effekte auf Konstrukt Alternative 1b: mehrere ANOVAs mit Kontrolle des Alpha-Fehlers ANOVA mit Bonferroni-Korrektur Vorteile: kein kumulierter Alpha-Fehler Nachteil: Verlust an Teststärke 6
4 Uni- vs. multivariate Varianzanalyse II Alternative Vorgehensweisen zur Analyse multivariater Fragestellungen Alternative 2: multivariate Varianzanalyse simultane Analyse aller abhängigen Variablen auf Gruppenunterschiede Nullhypothese: µ 11 µ 21 µ 31 µ 12 µ 22 µ = = 32 µ 13 µ 23 µ 33 Vorteile: gleichzeitiger Vergleich aller abhängigen Variablen (kein kumulierter Alpha-Fehler); Berücksichtigung der Zusammenhänge zwischen abhängigen Variablen Nachteile: schwierige Durchführung und Interpretation; Notwendigkeit von Folgetests Uni- vs. multivariate Varianzanalyse III Berücksichtigung von Zusammenhängen zwischen abhängigen Variablen ANOVA: keine Berücksichtigung der gemeinsamen Effekte bei theoretischer Überlappung von abhängigen Variablen Überidentifizierung von Effekten MANOVA: Effekte der Faktoren auf "System von Variablen" Gruppenunterschiede bei zugrunde liegenden Konstrukten (kombinierte Unterschiede) Gruppenunterschiede bei Linearkombinationen von abhängigen Variablen (Informationsausschöpfung) 8
5 Uni- vs. multivariate Varianzanalyse IV Fragestellungen der multivariaten Varianzanalyse Multiple Univariate Fragestellung Set von einzelnen abhängigen Variablen, die kein gemeinsames Konstrukt bilden Ziel: Kontrolle des Gesamt-Alpha-Fehlers der Analyse Vorgehen: MANOVA, folgende Einzelvergleiche mittels ANOVA Strukturierte Univariate Fragestellung mehrere abhängige Variablen mit spezifischer Struktur (z.b. Messwiederholung) Ziel: Berücksichtigung der Abhängigkeit der Messungen Vorgehen: MANOVA mit Messwiederholung; Post-hoc Tests "Intrinsische" Multivariate Fragestellung Set von miteinander zusammenhängenden abhängigen Variablen Ziel: Gruppenunterschiede auf Konstruktvariable; Treatmenteffekte der einzelnen abhängigen Variablen nachrangig gegenüber "kollektiven" Effekten Vorgehen: MANOVA, Post-hoc Tests 9 Statistisches Modell der MANOVA I Datensituation abhängige Variable Vektor der Personenwerte Abbildung mehrerer abhängiger Variablen pro Person Indizes: i = Versuchsperson 1 n j = Gruppe (Faktorstufe) 1 k q = abhängige Variable 1 p y ij Yij1 Yij2 = Y ijp Vektor der Gruppenmittelwerte Abbildung mehrerer abhängiger Variablen für Gesamtgruppe Indizes: + = (Mittelwert) über alle Pers. i der Gruppe j j = Gruppe (Faktorstufe) 1 k q = abhängige Variable 1 p y + j Y+ j1 Y+ j 2 = Y + jp 10
6 Statistisches Modell der MANOVA II Datensituation (Fortsetzung) abhängige Variable (Fortsetzung) Vektor der Gesamtmittelwerte Abbildung mehrerer abhängiger Variablen über alle Gruppen Indizes: i = (Mittelwert) über alle Pers. i der Gruppe j y j = (Mittelwert) über alle Gruppen j q = abhängige Variable 1 p inhaltliche Fragestellung der MANOVA Unterschiede der Mittelwertsvektoren der Gruppen (untereinander bzw. vom Gesamtmittelwertsvektor) im Verhältnis zu Unterschieden der Personenvektoren innerhalb der Gruppen/Faktorstufen ++ Y++ 1 Y = ++ 2 Y ++ p 11 Statistisches Modell der MANOVA III Effekte einzelner abhängiger Variablen vs. Effekte von Linearkombinationen Fragestellung 1 der MANOVA: Unterschiede zwischen mindestens zwei Gruppen auf mindestens einer der abhängigen Variablen Fragestellung 2 der MANOVA: Unterschiede zwischen mindestens zwei Gruppen auf einer Linearkombination der abhängigen Variablen Linearkombinationen von Variablen inhaltliche Interpretation: Bildung einer neuen Variablen (technisch: Eigenvektor) als gewichtete Summe der ursprünglichen Variablen Darstellung der maximalen Unterschiedlichkeit der Gruppen 12
7 Statistisches Modell der MANOVA IV graphische Veranschaulichung von Linearkombinationen Beispiel: 2 abhängige Variablen, 2 Gruppen (dargestellt durch rot vs. grün) Variable Variable 1 13 Statistisches Modell der MANOVA V graphische Veranschaulichung von Linearkombinationen Beispiel: 2 abhängige Variablen, 3 Gruppen (rot vs. grün vs. blau) Variable Variable 1 14
8 Statistisches Modell der MANOVA VI Linearkombinationen von Variablen (Fortsetzung) Berechnung einer Linearkombination (Eigenvektorbildung) Bildung eines Gesamtscores pro Person als gewichtete Summe der Messwerte der Person auf allen abhängigen Variablen Berechnung: Cij = w1 Yij1 + w 2 Yij wq Yijq Legende: C ij gewichteter Gesamtscore der Person i aus Gruppe j w 1 w q Gewichtungsfaktor für abhängige Variablen 1,, q Y ijq Wert der Person i aus Gruppe j auf der abhängigen Variablen q Schätzung der Gewichtungsfaktoren ein Gewichtungsfaktor pro abhängiger Variable (gleich für alle Personen aller Gruppen) Kriterium zur Bestimmung der Gewichtungsfaktoren: Maximierung der Gruppenunterschiede (maximale Zwischengruppenvarianz bei minimaler Innergruppenvarianz) 1 Statistisches Modell der MANOVA VII Linearkombinationen von Variablen (Fortsetzung) Interpretation der Linearkombination "Kunstvariable" als Gemeinsames aller abhängiger Variablen (Konstrukt), welches die Gruppenunterschiede maximiert keine "Generierung" nicht vorhandener Unterschiede der Gruppen, sondern "Sichtbarmachung" mittelbarer Gruppenunterschiede Frage nach Beitrag der einzelnen abhängigen Variablen zur gebildeten Linearkombination unterschiedliche Gewichtung der abhängigen Variablen in neuer Variable Beitrag der einzelnen Ursprungsvariablen ermittelbar über Diskriminanzanalyse (siehe Folgetests zur MANOVA) Beispiele zur Linearkombination zwei abhängige Variablen: sprachliche Intelligenz (Y 1 ), emotionale Intelligenz (Y 2 ) Faktor: Geschlecht (weiblich vs. männlich) 16
9 Statistisches Modell der MANOVA VIII Beispiel 1 zur Linearkombination: keine Gruppenunterschiede vorhanden Originaldaten 3 weiblich männlich Y 1 Y 2 Y 1 Y 2 Mittelwert 8 8 Linearkombination (ungewichtet) Y * = Y 1 + Y Mittelwert Linearkombination (gewichtet) Y * = Y Y Mittelwert Statistisches Modell der MANOVA IX Beispiel 2 zur Linearkombination: Gruppenunterschiede vorhanden Originaldaten 3 weiblich männlich Y 1 Y 2 Y 1 Y 2 Mittelwert 8 6 Linearkombination (ungewichtet) Y * = Y 1 + Y Mittelwert Linearkombination (gewichtet) Y * = Y Y Mittelwert
10 Hypothesentestung bei der MANOVA I Fragestellung der MANOVA Unterschiede der Mittelwertsvektoren der Gruppen im Verhältnis zu Unterschieden der Personenvektoren innerhalb der Gruppen/Faktorstufen Vektor der Erwartungswerte (Mittelwertsvektor) µ + j1 der p abhängigen Variablen in Gruppe j (über alle Personen der i der Gruppe) µ + j 2 µ j = µ + jp Nullhypothese Gleichheit der Mittelwertsvektoren aller abhängigen Variablen 1,, p über alle j Gruppen µ µ + 11 µ j1 µ 12 µ µ + j 2 H 0: µ 1 = µ 2= = µ j = = = µ + 1p µ + 2p µ + jp 19 Hypothesentestung bei der MANOVA II Nullhypothese (Fortsetzung) Bedeutung der Nullhypothese Gleichheit der Mittelwertsvektoren der Gruppen = Gleichheit der Mittelwerte i n n e r h a l b der einzelnen Variablen über alle Gruppe Vorsicht: keine Hypothesen über Zusammenhänge der Variablen untereinander!! Beispiel: Gleichheit der Mittelwertsvektoren mit 3 abhängigen Variablen bei 2 Gruppen µ + 11 µ + 21 H 0: µ + 12 = µ + 22 µ µ µ + 11 µ µ µ = µ + 13 µ µ µ = µ µ = µ µ =
11 Hypothesentestung bei der MANOVA III Alternativhypothese Unterschiede der Mittelwertsvektoren aller abhängigen Variablen zwischen den Gruppen Bedeutung der Alternativhypothese Unterschiede zwischen mindestens zwei Gruppen auf mindestens einer abhängigen Variablen (oder auf einer Linearkombination der abhängigen Variablen) Problem: keine Informationen bei welcher/n abhängigen Variable/n (oder Linearkombination) Unterschiede auftreten welche Gruppen sich auf dieser unterscheiden Richtung und Größe dieser Unterschiede Notwendigkeit von Folgeanalysen (Post-hoc Tests) 21 Varianzzerlegung bei der MANOVA I Analyse der Varianzen Unterschiede der Mittelwertsvektoren aller abhängigen Variablen der Gruppen analysiert durch Varianz der Mittelwertsvektoren der verschiedenen Gruppen (Abweichungen der Gruppenmittelwertsvektoren vom Gesamtmittelwertsvektor) als Effekt der Faktoren Varianz der Personenvektoren innerhalb der Gruppen (Abweichungen der Personenvektoren vom jeweiligen Gruppenmittelwertsvektor) Berücksichtigung der Korrelationen zwischen den abhängigen Variablen formale Darstellung Schätzung der "wahren" Varianz-Kovarianz-Matrix in der Population über Variabilität der Gruppenmittelwertsvektoren um den Gesamtmittelwertsvektor (Zwischengruppen-Varianz-Kovarianz-Matrix) Innergruppen-Varianz-Kovarianz-Matrizen 22
12 Varianzzerlegung bei der MANOVA II Analyse der Varianzen (Fortsetzung) formale Darstellung (Fortsetzung) Schätzung der "wahren" Varianz-Kovarianz-Matrix der abhängigen Variablen in der Population über Variabilität der Gruppenmittelwertsvektoren um den Gesamtmittelwertsvektor (Zwischengruppen-Varianz-Kovarianz-Matrix) Innergruppen-Varianz-Kovarianz-Matrizen Nullhypothese: Populations-Varianz-Kovarianz-Matrix gleich gut vorhersagbar durch beide Schätzer Alternativhypothese: Populations-Varianz-Kovarianz-Matrix besser vorhersagbar durch Zwischengruppen-Varianz-Kovarianz-Matrix 23 Varianzzerlegung bei der MANOVA III Betrachtung von Varianzen und Kovarianzen Zusammenhänge der abhängigen Variablen untereinander berücksichtigt durch Faktor erklärte Varianz der einzelnen abhängigen Variablen: Varianzen ohne Berücksichtigung der Zusammenhänge der abhängigen Variablen Überschätzung der durch Faktor erklärten Varianz durch Faktor erklärte gemeinsame Varianz aller abhängigen Variablen: Kovarianzen Varianzzerlegung / Quadratsummenzerlegung Gesamtquadratsumme Quadratsumme der abhängigen Variablen Abweichung aller Personenvektoren vom Gesamtmittelwertsvektor SSCP TO bzw. Matrix T (Sum of Squares and Cross Products) 24
13 Varianzzerlegung bei der MANOVA IV Varianzzerlegung / Quadratsummenzerlegung Treatmentquadratsumme Zwischengruppen- bzw. systematische Effekte Abweichung der Gruppenmittelwertsvektoren vom Gesamtmittelwertsvektor (pro Person) SSCP BG bzw. Matrix B Fehlerquadratsumme Innergruppen- bzw. unsystematische Effekte (im Sinne der Faktoren) Abweichung der Personenvektoren vom Mittelwertsvektor der jeweiligen Gruppe SSCP WG bzw. Matrix W Additivität der Varianzen / Quadratsummen Quadratsummen der systematischen und unsystematischen Effekte ergeben Gesamtquadratsumme SSCP TO = SSCP BG + SSCP WG bzw. T = B + W 2 Ausblick Multivariate Varianzanalyse Multivariate Prüfgrößen Prüfgrößen bei der MANOVA Exkurs: Eigenwerte und Eigenvektoren Kriterien zur Auswahl der Multivariaten Prüfgrößen Folgetests bei der MANOVA Annahmen und Voraussetzungen der MANOVA Beispielanalyse Inhaltliche Fragestellung und Auswertung Berechnung in SPSS 26
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung:.5.3 Agenda 4. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Statistisches Modell, Hypothesentestung
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrStatistik. Für Sozialwissenschaftler. Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen
Jürgen Bortz Statistik Für Sozialwissenschaftler Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen Springer-Verlag Berlin Heidelberg Newlfork London Paris Tokyo Inhaltsverzeichnis Einleitung
MehrVarianzanalyse * (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
MehrWillkommen 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
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrLehrbuch der Statistik
Jürgen Bortz Lehrbuch der Statistik Für Sozialwissenschaftler Zweite, vollständig neu bearbeitete und erweiterte Auflage Mit 71 Abbildungen und 223 Tabellen Springer-Verlag Berlin Heidelberg New York Tokyo
MehrAnwendungsaufgaben. Effektgröße bei df Zähler = df A = 1 und N = 40 (zu berechnen aus df Nenner ): Der aufgedeckte Effekt beträgt also etwa 23 %.
Anhang A: Lösungen der Aufgaben 39 beiden Kombinationen sehr hoch ist. (Dieses Ergebnis wäre aber in diesem Beispiel nicht plausibel.) 5. Der Faktor A und die Wechselwirkung werden signifikant: Lärm hat
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrModul G.1 WS 07/08: Statistik 31.01.2008 1
Modul G.1 WS 07/08: Statistik 31.01.2008 1 Varianzanalyse Als Varianzanalyse bezeichnet man eine große Gruppe datenanalytischer und mustererkennender statistischer Verfahren, die zahlreiche unterschiedliche
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrV 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,
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
Mehr1 Varianzanalyse (ANOVA)
1 Varianzanalyse (ANOVA) Ziele: Erklärung einer Meßgröße durch ein additves Modell. Abschätzung der Wirkungsweise von Einflußfaktoren, ihres Zusammenwirkens und ihres anteiligen Beitrages an der Variation
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrWillkommen 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
MehrWeitere (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
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrFormelsammlung 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
MehrLösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
MehrI Einführung 1. 1 Über den Umgang mit Statistik 3
I Einführung 1 1 Über den Umgang mit Statistik 3 1.1 Statistik richtig lehren und lernen 3 1.2 Testergebnisse richtig interpretieren 6 1.3 Einfluss des Zufalls 8 1.4 Die Interpretation von Zusammenhängen
MehrMethodenlehre. Vorlesung 5. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 5 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ 20.2.13 Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrSTATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
MehrBeispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav
Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,
MehrMethodik für Linguisten
Claudia Methodik für Linguisten Eine Einführung in Statistik und Versuchsplanung narr VERLAG 1 Reisevorbereitungen und Wegweiser 2 Linguistik als empirische Wissenschaft 15 2.1 Karl Popper und der Falsifikationismus
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrAuswertung 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
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrMarco Vannotti (Autor) Die Zusammenhänge zwischen Interessenkongruenz, beruflicher Selbstwirksamkeit und verwandten Konstrukten
Marco Vannotti (Autor) Die Zusammenhänge zwischen Interessenkongruenz, beruflicher Selbstwirksamkeit und verwandten Konstrukten https://cuvillier.de/de/shop/publications/2438 Copyright: Cuvillier Verlag,
MehrWebergänzung 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
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 30.04.2014 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Was sind multivariate Analysemethoden? Vorlesung Übung/Tut Prüfung Verfahrensdarstellung in Überblick
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrMultivariate Statistische Methoden und ihre Anwendung
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg R. Oldenbourg Verlag München Wien
Mehr6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...
MehrI. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrÜBUNGSAUFGABEN 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)
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
Mehr1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. In diesem Kapitel behandeln wir die Varianzanalyse (ANOVA). Varianzanalysen kommen in sehr sehr vielen verschiedenen Gestalten einher. Das Ziel
MehrKorrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrSPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrEinfaktorielle Varianzanalyse
Einfaktorielle Varianzanalyse 5 Einfaktorielle Varianzanalyse Dieses und das folgende Kapitel beschäftigen sich mit einem in den sozialwissenschaftlichen Disziplinen sehr weit verbreiteten und beliebten
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrVarianzanalyse. Seminar: Multivariate Verfahren Dr. Thomas Schäfer. Datum: 25. Mai 2010
Varianzanalyse Seminar: Multivariate Verfahren Dozent: Dr. Thomas Schäfer Referenten: Ralf Hopp, Michaela Haase, Tina Giska Datum: 25. Mai 2010 Gliederung I Theorieteil 1. Das Prinzip der Varianzanalyse
MehrStatistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrAnalyse 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
MehrHypothesentests 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
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrLösungen 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
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrStatistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen Ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario
MehrKapitel 7: Varianzanalyse mit Messwiederholung
Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrEinfache 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,
MehrVarianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)
Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe
MehrHypothesenbasierende Untersuchungen. Hypothesenbasierende Untersuchungen
Hypothesenbasierende Untersuchungen Hypothesenbasierende Untersuchungen Unterschiedshypothesen Zusammenhangshypothesen Veränderungshypothesen Äquivalenzhypothesen PD Dr. Sven Reese, LMU München 1 Definition:
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrGewichtung in der Umfragepraxis. Von Tobias Hentze
Gewichtung in der Umfragepraxis Von Tobias Hentze Gliederung 1. Einführung 2. Gewichtungsarten 1. Designgewichtung 2. Non-Response-Gewichtung 3. Zellgewichtung 3. Fazit Gewichtung Definition: Ein Gewicht
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrEine 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/
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
Mehr10 Der statistische Test
10 Der statistische Test 10.1 Was soll ein statistischer Test? 10.2 Nullhypothese und Alternativen 10.3 Fehler 1. und 2. Art 10.4 Parametrische und nichtparametrische Tests 10.1 Was soll ein statistischer
MehrZusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
MehrInhaltsverzeichnis. 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
MehrPsycholinguistik. Definition: Psycholinguistik (synonym: Sprachpsychologie) erforscht das kognitive (mentale) System, das den Sprachgebrauch erlaubt.
Psycholinguistik Definition: Psycholinguistik (synonym: Sprachpsychologie) erforscht das kognitive (mentale) System, das den Sprachgebrauch erlaubt. Teilgebiete der Psycholinguistik Können danach klassifiziert
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrLehrbuch Statistik. Rainer Leonhart. Verlag Hans Hub er. Unter Mitarbeit von Stephanie Lichtenberg, Katrin Schornstein und Jana Groß Ophoff
Rainer Leonhart Lehrbuch Statistik Unter Mitarbeit von Stephanie Lichtenberg, Katrin Schornstein und Jana Groß Ophoff 2., überarbeitete und erweiterte Auflage Verlag Hans Hub er Inhaltsverzeichnis I Einführung
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung 1 Berechnung der Effektstärke und der beobachteten Teststärke einer einfaktoriellen Varianzanalyse
Mehr