Kontraste & Modellgleichung Varianzanalyse Flashcards
Welche Arten von Kontraste gibt es?
- a posteriori
- a priori
Wann benutzt man welchen Kontrast?
a posteriori: Varianzanalyse war signifikant, jetzt
Lokalisierung der Unterschiede
a priori: statt einer Omnibus-Varianzanalyse
Eigenschaften: a posteriori Kontrast
- auch post hoc Vergleiche genannt
- werden nach einer signifikanten Varianzanalyse zur Lokalisierung paarweiser signifikanter Unterschiede genutzt
- nur ungerichtet Hypothesen können getestet werden
- kein eigentlicher Hypothesentest (da nicht vorab formuliert)
- Alpha-Adjustierung ist essenziell, daher werden Verfahren verwendet, in denen diese bereits integriert ist: Scheffé-Test, Tukey’s “honestly significant difference (HSD)”-Methode, . . .
Eigenschaften: a priori Kontrast
- Im Vorhinein in varianzanalytischem Design nur theoretisch interessante Vergleiche durchführen –> deren Hypothesen auf theoretisch begründeten Vorhersagen beruht
- gezieltes Testen von Hypothesen
- nicht nur Unterschiede zwischen zwei Erwartungswerten, sondern auch beliebige Kombinationen von Erwartungswerten sind möglich
und vieles mehr
Kontrast Definition
ein Kontrast ist eine Linearkombination von Populationsparametern, d.h. die Populationsparameter µj werden mit Koeffizienten cj multipliziert und dann aufsummiert, die Summe nennen wir psi
Wichtige Restriktion bei Kontrasten
um als Kontrast zu zählen, müssen sich die Koeffizienten zu Null aufsummieren
Hypothesenpaare bei Kontrasten im ungerichteten Fall und im gerichteten Fall
- ungerichteter Fall:
H0: psi = 0
H1: psi ≠ 0 - gerichteter Fall:
Das Gleichzeichen ist immer in der H0
Welche Annahmen gelten für Kontraste
Die gleichen wie für die Varianzanalyse:
1. J Stichproben werden unabhängig voneinander gezogen
- abhängige Variable Y (mindestens) intervallskaliert
- abhängige Variable in jeder Population j normalverteilt mit einer gemeinsamen Varianz (=Varianzhomogenität):
Entscheidungsregel Kontraste
Verwirft die H0 (entschiede dich für die H1), falls der Betrag (!) von t größer/gleich tN-J; α/2 bzw. p größer/ gleich Alpha ist
Modellgleichung der einfaktoriellen Varianzanalyse: Effekt αj und yij
αj: die Abweichungen der Gruppenmittelwerte vom Gesamtmittelwert M. Diese Abweichung wird oft die erklärte Abweichung genannt.
yij: Die Abweichung der einzelnen Vp vom Gruppenmittelwert Mj
S. F. 63/ 64
Modellgleichung der einfaktoriellen Varianzanalyse: Messfehler
Messfehler: Die Abweichungen der einzelnen Personen vom Gruppenmittelwert bzw. eigentlich: dem
Gruppenerwartungswert: eij = yij − μj
Oft nicht-erklärte Abweichung genannt, da sie nicht auf die Wirkung des untersuchten Faktors zurückgeht.
Modellgleichung der einfaktoriellen Varianzanalyse: Verteilung des Messfehlers eij
wegen der eingangs gemachten Voraussetzungen der Varianzanalyse gilt für eine Zufallsvariable yij, dass
auch diese normalverteilt ist:
yij ~ N(μj , σ²)
Daraus folgt, dass auch die Messfehler normalverteilt sind, und zwar mit einem Erwartungswert von Null und der gleichen Varianz, die wir für die abhängige Variable angenommen haben:
eij ~ N(0, σ²)
Modellgleichung der einfaktoriellen Varianzanalyse: Auf der Ebene der einzelnen Messwerte, woraus setzt sich yij zusammen?
Insgesamt ergibt sich auf der Ebene der einzelnen Messwerte, dass sich eine einzelne Beobachtung yij additiv zusammensetzt aus (1) dem Gesamtmittelwert, (2) dem Effekt der Stufe j und (3) dem Messfehler eij :
yij = μ + αj + eij
Diese Gleichung bezeichnet man auch als Modellgleichung der einfaktoriellen Varianzanalyse auf Messwertebene.
Modellgleichung der einfaktoriellen Varianzanalyse auf Messwertebene
yij = μ + αj + eij
Modellgleichung d der einfaktoriellen Varianzanalyse auf Parameterebene
μj = μ + αj