Methodenlehre II, SS 2009 - Ruhr University Bochum · 2010. 6. 10. · Methodenlehre II, SS 2009...

Methodenlehre II, SS2009

Prof. Dr. HolgerDette

1. GrundlegendePrinzipien derschließenden Statistikam Beispiel des t-Tests

1.1 Schatzer undKonfidenzintervalle

1.2 t-Test fur eineStichprobe

1.3 Zweistichproben-probleme

1.4 EinfaktorielleVarianzanalyse

Methodenlehre II, SS 2009

Prof. Dr. Holger Dette

Ruhr-Universitat Bochum

7. Mai 2010

1 / 95








Methodenlehre II

I Prof. Dr. Holger Dette

I NA 3/73

I Telefon: 0234 322 8284

I Email: [email protected]

I Internet:www.ruhr-uni-bochum.de/mathematik3/index.html

I Vorlesung: Montag, 8.30 - 10.00 Uhr

I Thema: Das allgemeine lineare Modell und seine Anwendungen inder Psychologie

2 / 95








Statistik-Team

I Ubung: Dienstag, 12.15–13.00 Uhr, HGA 30Tobias Kley: [email protected]

I Tutorium: SPSS

Lars Kuchinke: [email protected]

GA 1/128 CIP-Insel Mo 10.00–12.00 UhrGA 1/128 CIP-Insel Mo 12.00–14.00 UhrMarco Grabemann: [email protected]

GAFO 03/974 Di 10.00–12.00 UhrGAFO 02/365 Mo 12.00–14.00 UhrCacilia Werschmann: [email protected]

GAFO 04/615 Mo 10.00–12.00 UhrGAFO 04/615 Mo 12.00–14.00 UhrMax Willenberg: [email protected]

3 / 95

[email protected]

[email protected]

[email protected]








Das allgemeine lineare Modell:

“ Ein mathematisches Modell - viele statistischeVerfahren”

Inhaltsverzeichnis

1. Grundlegende Prinzipien der schließenden Statistik am Beispieldes t-Tests

2. Das lineare Regressionsmodell, multiple Regression undKorrelation

3. Das “allgemeine” lineare Modell

4 / 95








Literatur

A. Aron, E.N. Aron, E.J. Coups, Statistics for Psychology, 5thEdition, Pearson Prentice Hall

J. Bortz, Statistik, 6. Auflage, Springer

M. Rudolf, J. Muller, Multivariate Verfahren, Hogrefe

P. Zofel, Statistik fur Psychologen, Pearson Studium

5 / 95








1. Grundlegende Prinzipien der schließendenStatistik (Wiederholung) am Beispiel des

t-Tests

1.1 Schatzer und Konfidenzintervalle

1.2 t-Test fur eine Stichprobe

1.3 Zweistichprobenprobleme

1.4 Einfaktorielle Varianzanalyse

6 / 95








1.1 Schatzer und Konfidenzintervalle

7 / 95








Beispiel 1.1 (Intelligenzquotient)

Fragestellung: Haben (15-jahrige) Kinder aus Bochum einen hoherenIntelligenzquotienten als 100?

I 10 Kinder (zufallig ausgewahlt) machen einen IQ-TestDaten: y1, . . . , y10 Stichprobe

i 1 2 3 4 5yi 104 98 106 99 110

i 6 7 8 9 10yi 107 100 97 108 112

I Hypothese (IQ der Kinder ist niedriger als 100):

H0 : µ ≤ 100

Alternative (IQ ist hoher als 100):

H1 : µ > 100

Dabei ist µ der (unbekannte) Erwartungswert der Gesamtpo-pulation der (15-jahrigen) Kinder aus Bochum

8 / 95








Prinzip der schließenden Statistik:

Auf Grund der Stichprobe y1, . . . , y10 sollen Aussagen uber dasMerkmal der Grundgesamtheit getroffen werden. Zum Beispiel

(a) Wie groß ist µ (Schatzung)?

(b) Kann man ein Intervall bestimmen, in dem µ liegt(Konfidenzintervall)?

(c) GiltH0 : µ ≤ 100 (IQ ist nicht hoher)

oder giltH1 : µ > 100 (IQ ist hoher)?

(statistischer Test)

9 / 95








Grundlegende Schwierigkeit:

I µ ist der Erwartungswert der Population der 15-jahrigen Kinder

I Auf Basis der Stichprobe soll auf die Grundgesamtheitgeschlossen werden−→ Fehler, Unsicherheiten sind moglich!

I Beispiel: “zufallig” wahlen wir 5 hochbegabte Kinder (IQ ≥ 130)fur die Stichprobe aus. Vermutlich wird dadurch µ uberschatzt!

I Ziel der schließenden Statistik:Quantifizierung der Unsicherheit, z.B.mit welcher Wahrscheinlichkeit macht ein statistischer Test einenFehler, falls (aufgrund von Daten) fur H1 (IQ ist hoher als 100)entschieden wird obwohl in Wirklichkeit H0 gilt?

I Notwendig fur diese Quantifizierung:Mathematische Modellannahmen

10 / 95








Zusatzliche Modellannahme: Normalverteilung

I Allgemein gangige Annahme: Intelligenz in einer bestimmtenAltersgruppe der Bevolkerung ist normalverteilt

ϕ(x) =1√

2πσ2exp

(−1

2(

x − µσ

)2

)µ : Erwartungswert

σ2 : Varianz

I Deutung: Ist Y der IQ eines zufallig aus der Populationausgewahlten Individuums, so gilt

P(a ≤ Y ≤ b) =

∫ b

a

ϕ(x)dx

I Diese Modellannahme sollte man stets rechtfertigen (wie man dasmachen kann, sehen wir spater)

11 / 95








Interpretation der Wahrscheinlichkeiten:

a b

I Die Wahrscheinlichkeit, dass eine Beobachtung zwischen denWerten a und b liegt, entspricht der Flache unter der Kurve imIntervall [a, b].

I In Formeln:

P(a ≤ Y ≤ b) =

∫ b

a

ϕ(x)dx

12 / 95








Verschiedene Normalverteilungen N(µ, σ2)

Dichten der Normalverteilung mit verschiedenen Parametern

-4 -2 0 2 4 6

0.0

0.1

0.2

0.3

0.4

0.5

N(0,0.707)N(0,1)N(1,1.25)N(2,2)

I µ: Erwartungswert

I σ2: Varianz

I Beachte: unter jeder Kurve ist die Flache genau 1

13 / 95








Motivation der Modellannahme der Normal-verteilung:

14 / 95








Zusatzliche Modellannahme: Normalverteilung:I Mathematisches Modell (hier n = 10): y1, . . . , yn sind

Realisierungen von Zufallsvariablen

Yi = µ+ εi i = 1, . . . ,m

– yi : IQ-Messung fur i-tes Kind(Realisation der Zufallsvariablen Yi )

– µ: (unbekannter) Erwartungswert der Population(hier der 15-jahrigen Kinder aus Bochum)

– ε1, . . . , εn: unabhangige Zufallsvariable, normalverteilt mitErwartungswert 0 und Varianz σ2. Interpretation: Messfehler,genetische Variabilitat, Tagesform ...

I Mathematische Statistik z.B. Maximum Likelihood (in diesem Bei-spiel auch der gesunde Menschenverstand) liefert Schatzer fur µ:

µ = y · =1

n

n∑i=1

yi = 104.1

I Wie genau ist diese Schatzung? Wie sehr streut diese Schatzung?

15 / 95








Zusatzliche Modellannahme: Normalverteilung:I Maß fur die Genauigkeit: Varianz (je kleiner die Varianz, desto

“genauer” die Schatzung)

I Mathematische Statistik (Methodenlehre I): die Varianz desSchatzers µ ist:

Var(µ) =σ2

nI Beachte:

(a) Je großer der Stichprobenumfang n, desto kleiner die Varianz vonµ. D.h. desto genauer ist die Schatzung.

(b) Fur die Beurteilung der Genauigkeit muss man die Varianz σ2 derPopulation kennen.

I Mathematische Statistik: Schatzung fur den Parameter σ2

σ2 =1

n − 1

n∑i=1

(yi − y ·)2 = 28.32

σ2µ =

σ2

n= 2.832

16 / 95








Zusatzliche Modellannahme: Normalverteilung:

I Oft wird der Schatzer zusammen mit dem Standardfehlerangegeben

µ = 104.1

µ+ σµ = 105.78

µ− σµ = 102.42

I σµ = σ√n

=√

σ2

n = 1.683 ist der Standardfehler des Schatzers µ

(Schatzung fur Streuung des arithmetischen Mittels)

I σ = 5.322 ist die aus den Daten geschatzte Standardabweichung(Schatzung fur die Streuung einer einzelnen Beobachtung)

I Deutung: Vor der Datenerhebung ist µ zufallig. Falls die Nor-malverteilungsannahme korrekt ist, ist auch µ normalverteilt mit:

- Erwartungswert µ- Varianz σ2/n

17 / 95








40 60 80 100 120 140 160

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

x

Dic

hte

40 60 80 100 120 140 160

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

x

40 60 80 100 120 140 160

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

Verschiedene Normalverteilungen

x

Y1 ~ N (104.1, 28.32)

((Y1 ++ Y2)) 2 ~ N (104.1, 28.32/2)

((∑∑i==1

10Yi)) 10 ~ N (104.1, 2.832)

40 60 80 100 120 140 160

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

x

Dic

hte

40 60 80 100 120 140 160

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

x

18 / 95








1.2 Schatzverfahren (Erwartungswert einer Populationunter Normalverteilungsnahme)

I Daten y1, . . . , yn (Stichprobe) mit Erwartungswert µ

I Rechtfertigung der Unabhangigkeits- und Normalver-teilungsannahme

I µ = 1n

n∑i=1

yi Schatzung fur den Erwartungswert µ der

Population

I σ2 = 1n−1

n∑i=1

(yi − y ·)2 Schatzung fur die Varianz der

Population (σ Schatzung fur die Standardabweichung)

I σ2µ = σ2

n Schatzung fur die Varianz von µ

I Schatzung fur den Standardfehler von µ: σµ =√

σ2

n = σ√n

19 / 95








SPSS-Output: die Schatzer fur die Daten ausBeispiel 1.1 (Intelligenzquotient)

Statistik StandardfehlerStatistik Statistik Statistik

VarianzStandardabweichungMittelwertN

Intelligenzquotient

Gültige Werte (Listenweise) 10

28,3225,3221,683104,1010

Deskriptive Statistik

µ = 104.1 (Mittelwert)

σµ = 1.683 (Standardfehler)

σ2 = 28.322 (empirische Varianz)

σ = 5.322 (Standardabweichung)

20 / 95








Beachte:I

µ =1

n

n∑i=1

yi ; σ2 =1

n − 1

n∑i=1

(yi − y ·)2; σµ =

√σ2

n

hangen von den Daten y1, . . . , yn ab (sind also vor Datener-hebung zufallig)

I (µ− a σµ, µ+ a σµ

)ist (vor der Datenerhebung) ein zufalliges Intervall, das miteiner bestimmten Wahrscheinlichkeit den Erwartungswert µenthalt

a −→ 0 =⇒ Wahrscheinlichkeit ≈ 0a −→∞ =⇒ Wahrscheinlichkeit ≈ 1

I Gesucht: zufalliges Intervall, das den unbekannten Erwart-ungswert mit einer vorgegebenen Wahrscheinlichkeit enthalt:Konfidenzintervall

21 / 95








Das Konfidenzintervall

I Gebe eine Wahrscheinlichkeit 1− α vor (z.B. 1 - α = 95%)

I Bestimme a so, dass das zufallige Intervall

(µ− a σµ, µ+ a σµ)

den Parameter µ mit Wahrscheinlichkeit 1− α enthalt.

I Mathematische Statistik liefert

a = tn−1,1−α/2

(1− α/2)-Quantil der t-Verteilung mit n − 1 Freiheitsgraden

I Diese Werte sind tabelliert oder durch Software verfugbar.

I Das Intervall

I =(µ− tn−1,1−α/2 σµ, µ+ tn−1,1−α/2 σµ

)heißt (1− α) Konfidenzintervall fur µ.

22 / 95








Verschiedene t-Verteilungen

t Vert.pdf

-4 -2 0 2 4

0.0

0.1

0.2

0.3

0.4

t t t

Dichten der t– Verteilung mit verschiedenen Freiheitsgraden

100

4

1

Dichten der t– Verteilung mit verschiedenen Freiheitsgraden

fn(t) =1√πn

Γ((n + 1)/2)

Γ(n/2)

(1 +

t2

n

)−(n+1)/2

23 / 95








Das Quantil der t-Verteilung mit n Freiheits-graden

mit 095.pdf

-4 -2 0 2 4

0.0

0.1

0.2

0.3

0.4

Dichte der t4 -Verteilung

t 4, 0.95 = 2.132

0.95

P(T4 ≤ t4,0.95) =

∫ t4,0.95

−∞f4(t)dt = 0.95

24 / 95








Beispiel 1.3 (Fortsetzung von Beispiel 1.1)

(1) Berechnung eines 90% Konfidenzintervalls fur µ

I n = 10, µ = 104.1, σ2 = 28.32

I α = 10%

I (aus Tabelle bzw. Software) t9,0.95 = 1.833

I 90% Konfidenzintervall fur µ = (101.02, 107.18)

(2) Beachte:

I Ein (1− α)-Konfidenzintervall ist ein “zufalliges” Intervall, dasden (unbekannten) Erwartungswert mit Wahrscheinlichkeit 1− αenthalt.

I Die Aussage: “das Intervall (101.02, 107.18) enthalt den unbe-kannten Erwartungswert der Population mit Wahrscheinlichkeit90%”, hat keinen Sinn!

25 / 95








Erklarung des Begriffs “zufalliges” Intervall durchein “fiktives” Experiment

I Annahme: das Experiment (Untersuchung des IQ von 10 Kindern)kann N mal (unabhangig) wiederholt werden (z.B. 1000 mal)

I jeweils 10 Daten liefern ein (1− α)-Konfidenzintervall(z.B. 95 % Konfidenzintervall)Datensatz 1 −→ Konfidenzintervall I1Datensatz 2 −→ Konfidenzintervall I2

...Datensatz N −→ Konfidenzintervall IN

I c.a. (1− α) · N (z.B. 95% · 1000 = 950) Intervalle enthalten den(unbekannten) Erwartungswert µ der Population

26 / 95








1.4 Konfidenzbereich fur den Erwartungswert einer Po-pulation unter Normalverteilungsannahme


I Rechtfertigung der Unabhangigkeits- und Normalverteil-ungsannahme

I Bestimme das tn−1,1−α/2 Quantil der t-Verteilung mit n− 1Freiheitsgraden (aus Tabelle oder Software)

I Das Intervall

(µ− tn−1,1−α/2σµ, µ+ tn−1,1−α/2σµ)

ist ein (1− α) Konfidenzintervall fur µ

I In vielen Softwarepaketen erhalt man direkt das Konfi-denzintervall als Ausgabe (z.B. in SPSS)

27 / 95








SPSS-Output: Konfidenzintervall fur die Datenaus Beispiel 1.1 (Intelligenzquotient)

MittlereDifferenzSig. (2-seitig)dfT ObereUntere

90% Konfidenzintervall der Differenz

Testwert = 100

Intelligenzquotient 7,181,024,100,03892,436

Test bei einer Sichprobe

Beachte:

I SPSS liefert nur ein Konfidenzintervall fur die Differenz µ− 100

=⇒ 90% Konfidentintervall fur den Erwartungswert µ

(101.02, 107.18)

28 / 95








1.2 t-Test fur eine Stichprobe

29 / 95









Frage: Ist der IQ der Kinder aus Bochum hoher als 100?

H0 : µ ≤ 100 H1 : µ > 100

H0 nennt man Nullhypothese and H1 heißt Alternative.

I Intuitiv wurde man fur H1 entscheiden, falls der Mittelwert derStichprobe

µ =1

10

10∑i=1

yi

“groß” ist

I Beachte: µ andert sich, falls man die Daten anders skaliert!

I Besser: entscheide fur H1, falls µ groß im Verhaltnis zu demStandardfehler σµ ist (Invarianz bzgl. unterschiedlichenSkalierungen)

30 / 95








Die Nullhypothese H0 : µ ≤ 100 wird abgelehnt falls

T =µ− 100

σµ> c

Fragen:

I Wie legt man den kritischen Wert c fest?

I Bei dem Verfahren konnen 2 Fehler auftreten

– Fehler erster Art: die Nullhypothese H0 wird abgelehnt, obwohlH0 in Wirklichkeit stimmt (d.h. der IQ ist nicht hoher als 100)

– Fehler zweiter Art: die Nullhypothese H0 wird nicht abgelehnt,obwohl in Wirklichkeit die Alternative H1 zutrifft (d.h. der IQ isthoher als 100)

Ziel: “kleine” Wahrscheinlichkeiten fur Fehler erster und zweiter Art

31 / 95








Grundlegendes Prinzip der TesttheorieI Der kritische Wert c wird festgelegt, in dem man eine maximal

tolerierbare Wahrscheinlichkeit α fur einen Fehler erster Artvorgibt (α-Fehler)!

I Diese Wahrscheinlichkeit heißt Niveau des Tests

I Damit hat man keine Kontrolle uber die Wahrscheinlichkeit einesFehlers zweiter Art (β-Fehler)

I Z.B. Wahrscheinlichkeit fur Fehler erster Art soll maximalα = 5% = 0.05 sein

=⇒ (mathematische Statistik, Tabelle, Software)

n = 10, c = tn−1,1−α = t9,0.95 = 1.833

T =µ− 100

σµ=

104.1− 100√2.832

= 2.436 > 1.833

D.h. die Nullhypothese H0 : µ ≤ 100 wird zum Niveau α = 5% zuGunsten der Alternative H1 : µ > 100 verworfen (signifikantesErgebnis zum Niveau 5 %)

32 / 95








Erklarung des Begriffs Niveau durch ein“fiktives” Experiment

I Annahme: das Experiment (Untersuchung des IQ von 10 Kindern)kann N mal (unabhangig) wiederholt werden (z.B. 1000 mal)

I jeweils 10 Daten liefern ein Ergebnis fur den Test zum Niveau α(z.B. Niveau 5 %)Datensatz 1 −→ Testergebnis 1Datensatz 2 −→ Testergebnis 2

...Datensatz N −→ Testergebnis N

I Falls die Nullhypothese H0 : µ ≤ 100 ”wahr” ist, so wird maximalin ca. αN (z.B. 5% 1000 = 50) Fallen fur die Alternative

H1 : µ > 100

entschieden

33 / 95








Fehler erster und zweiter Art

in der Population giltH0 H1

Entscheidung auf- richtige β-Fehlergrund der Stich- H0 Enscheidungprobe zugunsten richtigevon: H1 α-Fehler Entscheidung

Beachte:

I Die Wahrscheinlichkeiten fur α-Fehler und β-Fehler verandernsich gegenlaufig

I Bei festem Niveau (Wahrscheinlichkeit fur α-Fehler) kann dieWahrscheinlichkeit fur einen β-Fehler durch Vergroßerung desStichprobenumfangs verkleinert werden

I Bei festem Stichprobenunfang wird ”nur” der Fehler erster Artkontolliert

34 / 95








Die Verteilung von T falls µ = 100 ist.

-3 -2 -1 0 1 2 3

0.0

0.1

0.2

0.3

0.4


α = 5 %

p– Wert

t 9, 0.95 = 1.833 T n = 2.436

I Kritischer Wert: tn−1,0.95 = 1.833 (H0 wird verworfen, falls Tgroßer als der kritische Wert ist)

I Blaue Flache: Niveau (α)I Rote Flache: p-Wert: Wahrscheinlichkeit einen Wert großer als

2.436 zu beobachten: P(T > 2.436) = 0.0188I Beachte: Ist der p-Wert < α (wie in diesem Beispiel) dann wird

H0 abgelehnt (signifikantes Ergebnis)35 / 95








Testverfahren fur den Erwartungswert einerStichprobe unter Normalverteilungsannahme

1.6. Einstichproben t-Test fur rechtsseitige Hypothesen

I Hypothesen: H0 : µ ≤ µ0 ; H1 : µ > µ0 (rechtsseitigeHypothese)



I H0 wird zum Niveau α verworfen, falls

T =µ− µ0

σµ> tn−1,1−α

gilt, bzw. falls der p-Wert < α ist.

I µ: Schatzer fur µ; σµ: Schatzer fur den Standardfehler vonµ

36 / 95








Vertauschen der Hypothesen

1.7. Einstichproben t-Test fur linksseitige Hypothesen

I Hypothesen: H0 : µ ≥ µ0 ; H1 : µ < µ0 (linksseitigeHypothese)




T =µ− µ0

σµ< −tn−1,1−α = tn−1,α

gilt, bzw. falls der p-Wert < α ist.


37 / 95








Tests fur zweiseitige Hypothesen

1.8. Einstichproben t-Test fur zweiseitige Hypothesen

I Hypothesen: H0 : µ = µ0 ; H1 : µ 6= µ0 (zweiseitigeHypothese)




|T | = | µ− µ0

σµ| > tn−1,1−α/2

gilt, bzw. falls der p-Wert kleiner als α ist.


38 / 95








Die Verteilung von T falls µ = 100 ist.

-3 -2 -1 0 1 2 3

0.0

0.1

0.2

0.3

0.4

α = 2,5 % α = 2,5 %

p– Wert p– Wert


t 9, 0.975 = 2.262 T n = 2.436 t 9, 0.025 = -2.262 -T n = -2.436

I Blaue Flache: Niveau α; Rote Flache: p-Wert (Wahrscheinlichkeiteinen Wert zu beobachten, dessen Betrag großer als 2.436 istP(|T | > 2.436) = 0.038

I Beachte: Ist der p-Wert < α (wie in diesem Beispiel), dann wirdH0 abgelehnt!

39 / 95








SPSS-Output bei Anwendung des t-Tests auf dieDaten aus Beispiel 1.1 (Intelligenzquotient)

MittlereDifferenzSig. (2-seitig)dfT ObereUntere


Testwert = 100

Intelligenzquotient 7,181,024,100,03892,436

Test bei einer Sichprobe

Beachte:

I SPSS liefert nur den p-Wert fur den zweiseitigen t-Test ausBeispiel 1.8!

I Den p-Wert fur den einseitigen Test erhalt man als0.038/2 = 0.019.

40 / 95








Beispiel: t-Test fur den Vergleich von zwei”verbundenen” Stichproben

I Eine der wichtigsten Anwendungen der in 1.6, 1.7 und 1.8vorgestellten Verfahren besteht in dem Vergleich von”verbundenen” Stichproben (vorher-nachher Untersuchungen)

I Beispiel: Untersuchung der Einstellungen von 9 Jungen gegen-uber neutralen Personen vor und nach einem Frustrationserlebnis(Sundenbockfunktion).

VPn 1 2 3 4 5 6 7 8 9Einstell- vorher 38 32 33 28 29 37 35 35 34ung- nachher 33 28 34 26 27 31 32 36 30

∆ -5 -4 1 -2 -2 -6 -3 1 -4

41 / 95








Prinzip: ”Differenzenbildung”

I Prinzip:

(1) Falls kein Unterschied zwischen den Einstellungen vor und nachdem Frustrationserlebnis besteht sollten die Differenzen(nachher-vorher)

”klein“ seien.

(2) Durch Differenzenbildung (nachher - vorher) erhalt man die”Daten” ∆1, . . . ,∆9

(3) Rechtfertigung der Voraussetzungen fur den t-Test aus 1.8 furdiese ”Daten”.

(4) Wende den t-Test fur eine Stichprobe auf die ”Daten” ∆1, . . . ,∆9

an und teste die Hypothesen

H0 : µ = 0, H1 : µ 6= 0

I Wegen

|T | =

∣∣∣∣−2.667

0.816

∣∣∣∣ = 3.27 > 2.31 = t8,0.975

besteht zum Niveau α = 0.05 ein signifikant Unterschied.

42 / 95








SPSS Output: t-Test fur gepaarte Stichproben

Standardfehlerdes Mittelwertes

Standard-abweichungNMittelwert

vorher

nachher

Paaren 1

1,1153,346930,78

1,1193,358933,44

Statistik bei gepaarten Stichproben

SignifikanzKorrelationN

vorher & nachherPaaren 1 ,025,7339

Korrelationen bei gepaarten Stichproben

Standardfehlerdes Mittelwertes

Standard-abweichungMittelwert ObereUntere

95%Konfidenzintervall

der Differenz

Gepaarte Differenzen

vorher - nachherPaaren 1 4,550,784,8162,4492,667

Test bei gepaarten Stichproben

Sig.(2-seitig)dfT

vorher - nachherPaaren 1 ,01183,266

Test bei gepaarten Stichproben

43 / 95








1.9 Bemerkungen (zu den statistischen Verfahren1.2, 1.4, 1.6, 1.7, 1.8)

I Mathematische Statistik ⇒ unter der Normalverteilungsannahmesind alle hier vorgestellten Verfahren optimal

I die Normalverteilungsannahme kann (und sollte) manrechtfertigen. Mogliche Verfahren sind:

I statistische Tests fur die Hypothese

H0 : Y1, . . . ,Yn normalverteilt

In SPSS ublich sind

- Kolmogorov-Smirnov-Test- Shapiro-Wilk Test

I Explorative Verfahren. In SPSS ublich: QQ-Plot

I besteht die Normalverteilungsannahme diese Uberprufung nicht,so sind z.B. nichtparametrische Verfahren anzuwenden

44 / 95








SPSS Output: QQ-Plot fur die Daten ausBeispiel 1.1

Beobachteter Wert

11511010510095

Erw

arte

ter

Wer

t vo

n N

orm

al

115

110

105

100

95

Q-Q-Diagramm von Normal von Intelligenzquotient

45 / 95








Der QQ-PlotI Unter der Modellannahme gilt: die Großen Yi sind normalverteilt

mit Erwartungswert µ und Varianz σ2

I Der QQ-Plot vergleicht grafisch die empirischen Quantile der“Daten” y1, . . . , yn mit den Quantilen der Normalverteilung mitErwartungswert µ und Varianz σ2.(1) 1/n-Quantil der Stichprobe y1, . . . , yn =⇒ kleinste der

Beobachtungen y(1) (in Beispiel 1.1 ist y(1) = 97)(1− 1/2)/n-Quantil der Normalverteilung mit Erwartungswert µund Varianz σ2 =⇒ (im Beispiel 1.1 ist z(1) = 104.1− 1.64 · 5.32= 95.37 )

(2) 2/n Quantil der Stichprobe y1, . . . , yn =⇒ zweitkleinste derBeobachtungen y(2) (in Beispiel 1.1 ist y(2) = 98 )(2− 1/2)/n-Quantil der Normalverteilung mit Erwartungswert µund Varianz σ2 =⇒ (in Beispiel 1.1 ist z(2) = 104.1− 1.04 · 5.32= 98.57 )

(3) usw.I Der QQ-Plot ist das Streudiagramm der Daten

(y(1), z(1)), . . . , (y(n), z(n))

I In in vielen Fallen enthalt dieses Diagramm noch die Winkelhalb-ierende des entsprechenden Quadranten

46 / 95








1.3 Zweistichprobenprobleme

47 / 95








Beispiel 1.10 (Erkennen von Zahlenreihen)

I Studierende der Fachrichtungen Mathematik (M) und Psychologie(P) machen einen Zahlengedachtnistest

– Wie viele Ziffern konnen sich maximal gemerkt werden

– Wiedergabe in Original und umgekehrter Reihenfolge

I Daten (P. Zofel: Statistik fur Psychologen)

M 14 14 15 12 13 19 17 13P 13 14 13 12 16 16 10 16

M 14 17 15 13 16 13P

I Frage: Haben Studierende der Mathematik ein besseresZahlengedachtnis als Studierende der Psychologie?

48 / 95








Mathematisches Modell (n1 = 14, n2 = 8)

I Yij := µi + εij j = 1, . . . , ni ; i = 1, 2

Yij : Ergebnis der j-ten Versuchsperson in Gruppe i(Mathematik: i = 1, Psychologie i = 2)

µi : unbekannter Erwartungswert in der Population i(Mathematik: i = 1, Psychologie: i = 2)

εij : Meßfehler, Tagesform ...

ni : Stichprobenumfang in Gruppe i

I Normalverteilungs und Unabhangigkeitsannahme

- in jeder Gruppe (i = 1, 2) liegt eine Normalverteilung mitErwartungswert µi und Varianz σ2

i vor

- in jeder Gruppe sind die Beobachtungen unabhangig

- unabhangige Stichproben

49 / 95








Schatzer

I Schatzer werden wie in 1.2 fur jede Gruppe durchgefuhrt

Mathematiker (i=1) : µ1 = y 1· = 1n1

n1∑j=1

y1j = 14.64

σ21 = 1

n1−1

n1∑j=1

(y1j − y 1·)2 = 3.94⇒ σµ1 =

√σ2

1

n1= 0.53

Psychologen (i=2): µ2 = y 2· = 1n2

n2∑j=1

y2j = 13.75

σ22 = 1

n2−1

n2∑j=1

(y2j − y 2·)2 = 4.79⇒ σµ2 =

√σ2

2

n2= 0.77

I Auch Konfidenzbereiche werden gruppenweise bestimmtz.B. unter Normalverteilungsannahme ist(

µ1 − tn1−1,1−α/2σµ1 , µ1 + tn1−1,1−α/2σµ1

)ein 90% Konfidenzinterval fur µ1. Fur das spezielle Datenbeispielergibt sich [n1 = 14, α = 10%, t13,0.95 = 1.77 (aus Tabelle)](13.70, 15.58) als 90% Konfidenzintervall fur µ1

50 / 95








SPSS-Output fur die Daten aus Beispiel 1.10

Schatzer fur die Parameter in den einzelnen Gruppen

VarianzMittelwertMathematik

Psychologie

Insgesamt 4,22714,32

4,78613,75

3,94014,64StudienfachStudienfach

Gemerkte Zahlen

Beachte:

I SPSS liefert hier die Schatzer fur Erwartungswert und Varianz dereinzelnen Gruppen

I SPSS liefert außerdem Schatzer fur Erwartungswert und Varianzder gesamten Stichprobe

51 / 95








Tests zum Vergleich der Erwartungswerte

I Nullhypothese: Zahlengedachtnis der Psychologiestudenten istnicht schlechter als das der Mathematikstudenten

H0 : µ1 ≤ µ2

I Alternative: Zahlengedachtnis der Mathematikstudenten ist besserals das der der Psychologiestudenten

H1 : µ1 > µ2

I Rezept: Verwerfe die Nullhypothese H0 zu Gunsten derAlternative H1, falls die Differenz

y 1· − y 2·

der Schatzer fur die Erwartungswerte “groß” ist

52 / 95








Rezept im Fall von Varianzhomogenitat, d.h.(σ2

1 = σ22)

I Verwerfe H0 zu Gunsten von H1, falls y 1· − y 2· “groß” ist

I Normiere diese Große mit einem Schatzer fur die Standard -fehler der Mittelwertdifferenz:

I σµ1−µ2 =√

( 1n1

+ 1n2

)σ2

I σ2 = 1n1+n2−2

{(n1 − 1)σ21 + (n2 − 1)σ2

2}: Schatzer fur Varianz (die

in beiden Gruppen dieselbe ist)

I Entscheide fur die Alternative H1 : µ1 > µ2, falls

Tn1,n2 =y 1· − y 2·σµ1−µ2

> tn1+n2−2,1−α

gilt. Dabei ist tn1+n2−2,1−α das (1− α)-Quantil der t-Verteilungmit n1 + n2 − 2 Freiheitsgraden

I Im Beispiel ergibt sich fur einen Test zum Niveau α = 5%

σ2 = 4.24, t20,0.95 = 1.725 =⇒ T14,8 = 0.979

d.h. die Hypothese H0 kann nicht verworfen werden.

53 / 95








Testverfahren fur die Erwartungswerte von zweiStichproben unter Normalverteilungsannahme

1.11(a) Einseitiger t-Test fur zwei unabhangige Stich-proben (rechtsseitige Hypothese)

I Dateny11, . . . , y1n1 (Gruppe 1; Erwartungswert µ1; Varianz σ2

1)y21, . . . , y2n2 (Gruppe 2; Erwartungswert µ2; Varianz σ2

2)

I Rechtfertigung der Voraussetzungen– Unabhangigkeit in und zwischen den Gruppen– Normalverteilungsannahme (in beiden Gruppen)– Varianzhomogenitat, d.h. σ2

1 = σ22

I Die Hypothese H0 : µ1 ≤ µ2 wird zu Gunsten derAlternative H1 : µ1 > µ2 verworfen, falls

Tn1,n2 =y 1· − y 2·σµ1−µ2

> tn1+n2−2,1−α

gilt, bzw. der p-Wert < α ist. σµ1−µ2 =√

( 1n1

+ 1n2

)σ2 ist

der Schatzer fur den Standardfehler der Mittelwertdifferenz54 / 95








1.11(b) Einseitiger t-Test fur zwei unabhangige Stich-proben (linksseitige Hypothese)



2)


1 = σ22

I Die Hypothese H0 : µ1 ≥ µ2 wird zu Gunsten derAlternative H1 : µ1 < µ2 verworfen, falls

Tn1,n2 =y 1· − y 2·σµ1−µ2

< −tn1+n2−2,1−α = tn1+n2−2,α


( 1n1

+ 1n2

)σ2 ist

der Schatzer fur den Standardfehler der Mittelwertdifferenz.

55 / 95








1.11(c) t-Test fur zwei unabhangige Stichproben (zwei-seitige Hypothesen)



2)


1 = σ22

I Die Nullhypothese H0 : µ1 = µ2 (kein Unterschied derErwartungswerte in beiden Gruppen) wird zu Gunsten derAlternative H1 : µ1 6= µ2 verworfen, falls

|Tn1,n2 | =|y 1· − y 2·|σµ1−µ2

> tn1+n2−2,1−α/2


( 1n1

+ 1n2

)σ2 ist

der Schatzer fur den Standardfehler der Mittelwertdifferenz.56 / 95








Bemerkung zur Varianzhomogenitat

Ist die Annahme der Varianzhomogenitat

σ21 = σ2

2

nicht erfullt, so

I wird die vorgegebene Wahrscheinlichkeit fur einen α-Fehler nichteingehalten (der Test halt sein Niveau nicht)

I ist die Wahrscheinlichkeit fur einen β-Fehler großer

I von Interesse ist daher auch ein Test fur die Hypothesen

H0 : σ21 = σ2

2 H1 : σ21 6= σ2

2

und ein Verfahren, das ohne die Annahme der Varianzhomo-genitat auskommt

57 / 95








Rezept (fur Test auf Varianzhomogenitat)

I Die Nullhypothese H0 : σ21 = σ2

2 gilt genau dann, wenn

F =σ2

1

σ22

= 1

I Schatze den Quotienten der beiden Varianzen, durch

Fn1−1,n2−1 =σ2

1

σ22

=1

n1−1

∑n1

j=1(y1j − y 1·)2

1n2−1

∑n2

j=1(y2j − y 2·)2

I Die Nullhypothese H0 wird zu Gunsten der AlternativeH1 : σ2

1 6= σ22 verworfen, falls

Fn1−1,n2−1 > c2 oder Fn1−1,n2−1 < c1

gilt

I Die kritischen Werte c1 und c2 werden so festgelegt, dass dieWahrscheinlichkeit fur einen Fehler erster Art maximal α ist!

58 / 95








1.12 F -Max-Test fur den Vergleich von zwei Stichpro-benvarianzen

I Teststatistik

Fn1−1,n2−1 =σ2

1

σ2

I Die NullhypotheseH0 : σ2

1 = σ22

(die Varianzen sind gleich) wird zu Gunsten der Alternative

H1 : σ21 6= σ2

2

verworfen, falls mindestens eine der Ungleichungen

Fn1−1,n2−1 < Fn1−1,n2−1,α/2

Fn1−1,n2−1 > Fn1−1,n2−1,1−α/2

erfullt ist

I Fn1−1,n2−1,β bezeichnet das β-Quantil der F -Verteilung mit(n1 − 1, n2 − 1) Freiheitsgraden

59 / 95








Verschiedene F -Verteilungen

F Vert.pdf

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

F F F F

Dichten der F– Verteilung mit verschiedenen Freiheitsgraden

2, 10

4, 4

10, 1

20, 20

fm,n(x) =Γ(m+n

2 )

Γ(m2 )Γ( n

2 )

(m

2

)m/2 xm/2−1

(1 + mn x)(m+n)/2

(x ≥ 0)

60 / 95








Das Quantil der F -Verteilung mit (n1, n2) Frei-heitsgraden

4 4 mit 090.pdf

0 1 2 3 4 5

0.0

0.1

0.2

0.3

0.4

0.5

0.6

Dichte der F4, 4 -Verteilung

F 4, 4; 0.9 = 4.107

0.9

P(F4,4,≤ F4,4,0.9) =

∫ F4,4,0.9

−∞fm,n(x)dx = 0.90

61 / 95








Der F -Test auf Varianzhomogenitat fur dieDaten aus Beispiel 1.10 (n1 = 14, n2 = 8)

I σ21 = 3.94 σ2

2 = 4.79 ⇒ F13,7 = 0.823

I Fur das Niveau α = 10% erhalt man

F13,7,0.05 = 0.3531 F13,7,0.95 = 3.5503

und damit kann die Nullhypothese zum Niveau 10% nichtverworfen werden

I Beachte: oft wird der Test 1.12 verwendet, um die Voraus-setzungen fur den t-Test zu uberprufen

I In diesem Fall wahlt man oft ein großeres Niveau (→ kleinereWahrscheinlichkeit fur β-Fehler)

I Der Gesamttest (erst F -Test, falls H0 nicht verworfen wird, dannt-Test) hat nicht das Niveau α

I Was macht man, falls F -Test H0 verwirft?

62 / 95








1.13(i) t-Test fur zwei unabhangige Stichproben mitnicht notwendig gleichen Varianzen (Welch-Test)



2)

I Rechtfertigung der Voraussetzungen– Unabhangigkeit in und zwischen den Gruppen– Normalverteilungsannahme (in beiden Gruppen)

I Varianzen in den Gruppen sind nicht notwendig gleich

I Teststatistik

TWn1,n2

=y 1· − y 2·

τ

I Dabei

τ =√τ 2 =

√σ2

1

n1+σ2

2

n2

ist die Schatzung fur die Varianz von y 1· − y 2·63 / 95








1.13(ii) t-Test fur zwei unabhangige Stichproben mitnicht notwendig gleichen Varianzen (Welch-Test);

I Die NullhypotheseH0 : µ1 ≤ µ2

(Erwartungswert der ersten Population nicht großer als derder Zweiten) wird zu Gunsten der Alternative

H1 : µ1 > µ2

falls

TWn1,n2

> tf ,1−α

gilt, bzw. der p-Wert < α ist. Dabei bezeichnet

f =(σ2µ1

+ σ2µ2

)2

σ4µ1

n1−1 +σ4µ2

n2−1

die geschatzten Freiheitsgrade der t-Verteilung.64 / 95








1.13(iii) t-Test fur zwei unabhangige Stichproben mitnicht notwendig gleichen Varianzen (Welch-Test)

I Die NullhypotheseH0 : µ1 ≥ µ2

(Erwartungswert der ersten Population nicht kleiner als derder Zweiten) wird zu Gunsten der Alternative

H1 : µ1 < µ2

verworfen, falls

TWn1,n2

< tf ,α = −tf ,1−α


f =(σ2µ1

+ σ2µ2

)2

σ4µ1

n1−1 +σ4µ2

n2−1









1.13(iv) t-Test fur zwei unabhangige Stichproben mitnicht notwendig gleichen Varianzen (Welch-Test)

I Die NullhypotheseH0 : µ1 = µ2

(kein Unterschied der Erwartungswerte in beiden Gruppen)wird zu Gunsten der Alternative

H1 : µ1 6= µ2

(es besteht ein Unterschied) verworfen, falls

|TWn1,n2| > tf ,1−α/2


f =(σ2µ1

+ σ2µ2

)2

σ4µ1

n1−1 +σ4µ2

n2−1









Bemerkung: t-Test oder Welch-Test?

I Sind die Voraussetzungen fur den t-Test erfullt (Normalver-teilung, Unabhangigkeit, Varianzhomogenitat), so ist diesesVerfahren optimal, d.h. dieser Test minimiert unter allen Testszum Niveau α die Wahrscheinlichkeit fur einen β-Fehler

I Ist die Voraussetzungen der Varianzhomogenitat beim t-Testnicht erfullt, so wird die vorgegebene Wahrscheinlichkeit fureinen α-Fehler nicht eingehalten

I Der Welch-Test ist eine “Naherungslosung”, d.h. die Wahrschein-lichkeit fur einen α-Fehler ist ”nur” naherungsweise α

I Der Welch-Test hat im Fall der Varianzhomogenitat eine großereWahrscheinlichkeit fur einen β-Fehler als der t-Test

67 / 95








SPSS-Output fur die Daten aus Beispiel 1.10

SignifikanzF Sig. (2-seitig)dfT

T-Test für die MittelwertgleichheitLevene-Test der Varianzgleichheit

Varianzen sind gleich

Varianzen sind nicht gleich

Gemerkte Zahlen

,35813,523,952

,33920,979,752,103

Test bei unabhängigen Stichproben

Standardfehlerder Differenz

MittlereDifferenz ObereUntere


T-Test für die Mittelwertgleichheit

Varianzen sind gleich

Varianzen sind nicht gleich

Gemerkte Zahlen

2,911-1,125,938,893

2,796-1,010,912,893

Test bei unabhängigen Stichproben

Beachte:

I SPSS liefert nicht den in 1.12 dargestellten F -Max Test aufVarianzhomogenitat sondern ein “robustes” Verfahren (Levene-Test)

I SPSS liefert nur einen p-Wert fur den zweiseitigen t-Test aus Beispiel 1.11(c)bzw. zweiseitigen Welch-Test aus Beispiel 1.13(iv)

I SPSS liefert ein Konfidenzintervall fur die Differenz µ1 − µ2

=⇒ 95% Konfidentintervall fur die Differenz der Erwartungswerte (unter derAnnahme gleicher Varianzen)

(−1.01, 2.796)68 / 95








1.4 Einfaktorielle Varianzanalyse

69 / 95









I An dem Zahlengedachtnistest (vgl. Beispiel 1.10) nehmen auchnoch 7 Studierende der Geisteswissenschaften (G) teil.

M 14 14 15 12 13 19 17 13P 13 14 13 12 16 16 10 16G 11 13 13 10 13 12 13 -

M 14 17 15 13 16 13 - -P - - - - - - - -G - - - - - - - -

I Frage: Existieren Unterschiede hinsichtlich des Zahlenge-dachtnisses zwischen dem Studierenden der Psychologie,Mathematik und Geisteswissenschaften?

70 / 95








Mathematisches Modell (n1 = 14, n2 = 8, n3 = 7)

I Yij := µi + εij j = 1, . . . , ni ; i = 1, 2, 3

Yij : Ergebnis der j-ten Versuchsperson in Gruppe i (Mathe-matik: i = 1, Psychologie: i = 2, Geisteswisenschaften:i = 3)

µi : unbekannter Erwartungswert in der Population i (Mathe-matik: i = 1, Psychologie: i = 2,Geisteswisenschaften:i = 3)

εij : Storgroßen (Erwartungswert 0 und Varianz σ2)

I Normalverteilungs und Unabhangigkeitsannahme

- in jeder Gruppe (i = 1, 2, 3) liegt eine Normalverteilung mitErwartungswert µi vor

- in jeder Gruppe sind die Beobachtungen unabhangig- unabhangige Stichproben

I NullhypotheseH0 : µ1 = µ2 = µ3

71 / 95








Schatzer und Konfidenzbereiche

I Schatzer fur Erwartungswert und Varianz werden in den einzelnenGruppen durchgefuhrt

I Beispiel:

y i· σ2i σµi ni

Mathematik (i = 1) 14.64 3.94 0.53 14Psychologie (i = 2) 13.75 4.79 0.60 8Geisteswissenschaften (i = 3) 12.14 1.48 0.46 7

I µ1 = 14.64 ist Schatzer fur den “Erwartungswert derMathematiker”

I Beachte: t6,0.95 = 1.943, µ3 + σµ3 t6,0.95 = 13.03µ3 − σµ3 t6,0.95 = 11.25, also ist das Intervall

[11.25, 13.03]

ein 90% Konfidenzintervall fur den ”Erwartungswert derGeisteswissenschaftler”

72 / 95








SPSS Output

NStandardfehler

des MittelwertesVarianzMittelwertMathematik

Psychologie

Geisteswissenschaften

Insgesamt 29,3894,38413,79

7,4591,47612,14

8,7734,78613,75

14,5303,94014,64StudienfachStudienfach

Gemerkte Zahlen

73 / 95








Prinzip der Varianzanalyse

I Ziel: Test fur die Hypothese “es bestehen keine Unterschiedezwischen den Gruppen”

H0 : µ1 = µ2 = µ3

I Idee: Bestimme die Streuung der Daten:

I Mittelwert:

y ·· =1

n

3∑i=1

ni∑j=1

yij

I Varianz (n = n1 + n2 + n3)

1

n − 1

3∑i=1

ni∑j=1

(yij − y ··)2

und versuche Unterschiede in der Merkfahigkeit aufgrund derGruppenzugehorigkeit durch eine Zerlegung der Streuung bzgl.der Gruppen zu erklaren!

74 / 95








Prinzip der VarianzanalyseI Zerlegung der Summe der QuadrateI Haufig verwendete Abkurzungen: SS ≡ Sum of squares;

SAQ ≡ Summe der Abweichungsquadrate

– Summe der Quadrate innerhalb der Gruppen (within groups)

SSR =3∑

i=1

ni∑j=1

(yij − y i·)2

– Summe der Quadrate zwischen den Gruppen (between groups)

SSM =3∑

i=1

ni (y i· − y ··)2

wobei n = n1 + n2 + n3 = 29 die Gesamtzahl der Beobachtungen

bezeichnet und

y ·· =1

n

3∑i=1

ni∑j=1

yij

den Mittelwert aus allen Beobachtungen.

75 / 95








Prinzip der Varianzanalyse

I Zerlege die Summe der Quadrate in eine durch das Modellerklarte Summe (Varianz zwischen den Gruppen) und eineSumme von Quadraten der nicht erklarten Varianz (Varianzinnerhalb der Gruppen)

SST =3∑

i=1

ni∑j=1

(yij − y ··)2

︸︷︷︸Gesamtvarianz (Total)

=3∑

i=1

ni∑j=1

(yij − y i·)2

︸︷︷︸Gesamtvarianz innerhalb der Gruppen

+k∑

i=1

ni (y i· − y ··)2

︸︷︷︸Varianz zwischen den Gruppen

76 / 95








F -Test fur die Hypothese H0 : µ1 = µ2 = µ3

(gleiche Erwartungswerte in den drei Gruppen)

I Vergleiche die Varianz zwischen den Gruppen mit der Varianzinnerhalb der Gruppen

F =

13−1

3∑i=1

ni (y i· − y ··)2

129−3

3∑i=1

ni∑j=1

(yij − y i·)2

Falls F “groß” ist, wird die Nullhypothese H0 abgelehnt.

I Mathematische Statistik ⇒ Test zum Niveau α verwirft dieNullhypothese H0, falls

F > F2,26,1−α

gilt (Vergleich mit dem (1− α)-Quantil der F -Verteilung mit(2,26) Freiheitsgraden), bzw. falls der zugehorige p-Wert desTests kleiner als α ist.

77 / 95









I Frage: “besteht ein Unterschied zwischen den Studierenden derFacher Psychologie, Mathematik und Geisteswissenschaften bzgl.des Zahlengedachtnisses”Genauer: Besteht ein Unterschied zwischen den Erwartungs-werten der drei Gruppen: H0 : µ1 = µ2 = µ3

I n1 = 14, n2 = 8, n3 = 7; α = 5% F2,26,0.95 = 3.37

F =SSM/2

SSR/26=

14.6

3.6= 4.06 > 3.37

I D.h. die Hypothese: H0 : µ1 = µ2 = µ3 wird zum Niveau 5%abgelehnt.

I In anderen Worten: zwischen den Studierenden der verschiedenenFacher besteht ein Unterschied

I Beachte: In vielen Fallen ist man an der Frage interessiert,zwischen welchen Gruppen ein Unterschied besteht. DieseFrage beantwortet der F -test nicht!

78 / 95








F -Verteilung

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

x

Dic

hte

F == 4.06

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

x

Dic

hte

Dichte der F2,26 −− Verteilung

F2,26,0.95 == 3.37

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

x

Dic

hte

79 / 95








F -Verteilung

2.5 3.0 3.5 4.0 4.5 5.0

0.00

0.05

0.10

0.15

x

Dic

hte

F2,26,0.95 == 3.37 F == 4.06

Dichte der F2,26 −− Verteilung ((Zoom))

αα == 5%

p−Wert

2.5 3.0 3.5 4.0 4.5 5.0

0.00

0.05

0.10

0.15

x

Dic

hte

I Blaue Flache: Niveau des Tests

I Rote Flache: p-Wert (Wahrscheinlichkeit, daß ein Wert großer alsF = 4.06 beobachtet wird)

80 / 95








Varianzanalysetabelle (k bezeichnet die Anzahlder Gruppen)

Variabilitat Sum of Squares df SS/df F

zwischen SSM k − 1 SSM/(k − 1) SSM

k−1 /SSR

n−kinnerhalb SSR n − k SSR/(n − k)gesamt SST n − 1 SST/(n − 1)

Beispiel (Zahlengedachtnis)

Variabilitat Sum of Squares df SS/df Fzwischen 29.2 2 14.6 4.06innerhalb 93.6 26 3.6gesamt 122.8 28

81 / 95








SPSS Output

SignifikanzFMittel der QuadratedfQuadratsumme

Zwischen den Gruppen

Innerhalb der Gruppen

Gesamt 28122,759

3,5992693,571

,0294,05514,594229,187

Gemerkte Zahlen

82 / 95









I Bei signifikantem Ergebnis der Varianzanalyse (d.h. die Hypothesegleicher Erwartungswerte wird abgelehnt) stellt sich die Frage:“Welche Gruppe ist maßgeblich fur die Signifikanzverantwortlich?”

I Losungsvorschlag: paarweise Vergleiche!

Gruppe 1 - Gruppe 2; H12 : µ1 = µ2



I Jeder Vergleich wird mit dem Zwei-Stichproben-t-Test (vgl.1.11(b)) durchgefuhrt.

I Dabei ist zu beachten, dass das Gesamtverfahren: Verwerfe dieHypothese H0 : µ1 = µ2 = µ3, falls mindestens ein Paarvergleichsignifikant ist das Niveau α einhalt .

I Die t-Tests fur die paarweisen Vergleiche sind mit Niveau α/3durchzufuhren. Man dividiert durch 3, da 3 paarweise Vergleichedurchgefuhrt werden (Bonferroni-Methode)

83 / 95








Paarweise Vergleiche mit Zwei-Stichprobent-Tests (α = 5%):I Test-Statistik fur den Vergleich von Gruppe i mit Gruppe j :

Tni ,nj =|Yi· − Yj·|

σij

σ2ij =

( 1

ni+

1

nj

)( 1

ni + nj − 2{(ni − 1)σ2

i + (nj − 1)σ2j })

i j Tni ,nj ni nj tni+nj−2,1−α′/2 p-Wert signifikant1 2 0.98 14 8 2.61 0.339 nein1 3 3.04 14 7 2.62 0.007 ja2 3 1.72 8 7 2.74 0.109 nein

Beachte: die paarweisen Vergleiche werden zum Niveau α′ = α/3= 5%/3 = 0.0167 durchgefuhrt (da man 3 Vergleiche macht).

I Mit dieser Methode kann man zum Niveau 5% einen signifi-kanten Unterschied zwischen den Gruppen feststellen.

I Bonferroni-Methode ist konservativ (d.h. das wirkliche Niveaudes Verfahrens wird unterschatzt

I Ist die Anzahl der Paarvergleiche groß, so ist dieses Verfahrennicht zu empfehlen.

84 / 95








Post-Hoc-Test “Bonferroni” in SPSS

I Verwendet andere Schatzung fur den Standardfehler der Differenzder Mittelwerte aus Gruppe i und j :

σ2ij =

(1

ni+

1

nj

)(1

n − 3

3∑k=1

(nk − 1)σ2k

)

I An Stelle der Quantile der t-Verteilung mit ni + nj − 2 Freiheits-graden mussen dann die Quantile der t-Verteilung mit n − 3Freiheitsgraden verwendet werden (n = n1 + n2 + n3)

I Das Niveau fur die Paarvergleiche muss dann wieder durch dieAnzahl der Vergleich dividiert werden (im Beispiel α′ = α/3)

I Adjustierung der p-Werte erfolgt durch Multiplikation der p-Werteaus den Paarvergleichen mit der Anzahl der Vergleiche. Z.B.

0, 894 = 3 ∗ P(|T12| > 0, 893/0, 841)

Dabei berechnet sich die Wahrscheinlichkeit mit einert-Verteilung mit 26 = 29− 3 Freiheitsgraden.

85 / 95








SPSS Output paarweise Vergleiche mit derBonferroni-Methode

SignifikanzStandardfehlerMittlere

Differenz (I-J) ObergrenzeUntergrenze

95%-Konfidenzintervall

Psychologie


Mathematik


Mathematik

Psychologie

Mathematik

Psychologie


,91-4,12,341,982-1,607

-,25-4,75,026,878-2,500*

4,12-,91,341,9821,607

1,26-3,04,894,841-,893

4,75,25,026,8782,500*

3,04-1,26,894,841,893(I) Studienfach (J) Studienfach(I) Studienfach (J) Studienfach

Mehrfachvergleiche

Gemerkte ZahlenBonferroni

*. Die Differenz der Mittelwerte ist auf dem Niveau 0.05 signifikant.

86 / 95








Scheffe-Methode (α = 5%)

I Fur den Vergleich der Gruppe i mit j betrachte:

ds(i , j) =

√3− 1

29− 3SSR · F2,26,0.95(

1

ni+

1

nj)

=

√2

26· 93.6 · 3.37(

1

ni+

1

nj) = 4.93

√1

ni+

1

nj

und vergleiche diese Große mit Mittelwertdifferenz y i· − y j·I Ergebnis

i j y i· − y j· ds(i , j) Ergebnis1 2 0.89 2.18 kein sign. Unterschied1 3 2.5 2.28 y 1· sign. großer als y ·32 3 1.61 2.55 kein sign. Unterschied

87 / 95








Einige Bemerkungen zur Scheffe-Methode:

I Die Scheffe-Methode garantiert, dass die Wahrscheinlichkeit einesα-Fehlers fur jeden beliebigen a-posteriori durchgefuhrtenEinzelvergleichstests nicht großer ist als der α-Fehler des F -Tests

I Kurz: Die Signifikanzaussagen gelten simultan fur ALLEPaarvergleiche mit dem Gesamtniveau α

I Die Scheffe-Methode ist ein konservatives Verfahren

I Die Wahrscheinlichkeit eines α-Fehlers ist eher kleiner als dasvorgegebene Niveau

I man entscheidet tendenziell eher zu oft fur H0

88 / 95








SPSS Output paarweise Vergleiche mit derScheffe-Methode

SignifikanzStandardfehlerMittlere

Differenz (I-J) ObergrenzeUntergrenze

95%-Konfidenzintervall

Psychologie


Mathematik


Mathematik

Psychologie

Mathematik

Psychologie


,94-4,16,279,982-1,607

-,22-4,78,029,878-2,500*

4,16-,94,279,9821,607

1,29-3,08,576,841-,893

4,78,22,029,8782,500*

3,08-1,29,576,841,893(I) Studienfach (J) Studienfach(I) Studienfach (J) Studienfach

Mehrfachvergleiche

Gemerkte ZahlenScheffé-Prozedur

*. Die Differenz der Mittelwerte ist auf dem Niveau 0.05 signifikant.

89 / 95








1.17 Einfaktorielle Varianzanalyse (zum Vergleichvon k unabhangigen Stichproben)

Modellannahmen und Hypothese

I Daten (n =∑k

i=1 ni )

y11, . . . , y1n1 (Gruppe 1, Erwartungswert µ1; Varianz σ21)

......

...yk1, . . . , yknk (Gruppe k , Erwartungswert µk ; Varianz σ2

k)

I Nullhypothese: es besteht kein Unterschied zwischen denErwartungswerten der einzelnen Gruppen:

H0 : µ1 = µ2 = . . . = µk

I Rechtfertigung der VoraussetzungenI Unabhangigkeit zwischen den Gruppen

I Unabhangigkeit innerhalb der Gruppen

I Normalverteilungsannahme

I Varianzhomogenitat: σ21 = σ2

2 = · · · = σ2k

90 / 95








F-Test fur die einfaktorielle Varianzanalyse (zum Ver-gleich von k unabhangigen Stichproben)

I Die Hypothese H0 : µ1 = µ2 = . . . = µk gleicher Erwart-ungswerte in allen Gruppen wird verworfen, falls

F =1

k−1 SSM

1n−k SSR

> Fk−1,n−k,1−α

Dabei ist:

SSM =k∑

i=1

ni (y i· − y ··)2

(sum of squares between groups)

SSR =k∑

i=1

ni∑j=1

(yij − y i·)2

(sum of squares within groups) und Fk−1,n−k,1−α das(1− α)-Quantil der F -Verteilung mit (k − 1, n − k)Freiheitsgraden

91 / 95








1.18 Paarweise Vergleich mit der Scheffe-Methode (No-tation wie in 1.15)

I wird die Nullhypothese H0 : µ1 = µ2 = · · · = µk abgelehnt,so kann mit der Scheffe-Methode festgestellt werden,“welche Gruppen fur die Signifikanz verantwortlich sind”!

I dazu bestimmt man die Großen (n =∑k

i=1 ni )

ds(i , j) =

√k − 1

n − kSSR · Fk−1,n−k,1−α(

1

ni+

1

nj)

Ist y i· − y j· großer (bzw. kleiner) als ds(i , j) (bzw. als−ds(i , j)) so ist y i· signifikant großer (bzw. kleiner) als y j·

I Beachte:– insgesamt k(k−1)

2 Vergleiche– die Scheffe-Methode halt simultan das Niveau α– es ist moglich, das F -Test H0 ablehnt, aber keiner der

paarweisen Vergleiche signifikant ist!

I Andere Verfahren (z.B. in SPSS implementiert): Tukey-Methode, Duncan Test

92 / 95








1.19 Levene-Test auf Varianzhomogenitat von kunabhangigen Stichproben

Modellannahmen und Hypothese

I Daten (n =∑k

i=1 ni )

y11, . . . , y1n1 (Gruppe 1, Erwartungswert µ1; Varianz σ21)

......

...yk1, . . . , yknk (Gruppe k , Erwartungswert µk ; Varianz σ2

k)

I Nullhypothese: es liegt Varianzhomogenitat vor, d.h.

H0 : σ21 = σ2

2 = . . . = σ2k

I Rechtfertigung der VoraussetzungenI Unabhangigkeit zwischen den Gruppen

I Unabhangigkeit innerhalb der Gruppen

I Normalverteilungsannahme

93 / 95








Levene-Test auf Varianzhomogenitat von k un-abhangigen Stichproben

I Die Hypothese der Varianzhomogenitat

H0 : σ21 = σ2

2 = . . . = σ2k

wird verworfen, falls

F =1

k−1

∑ki=1 ni (x i· − x ··)

2

1n−k

∑ki=1

∑nij=1(xij − x i·)2

> Fk−1,n−k,1−α

Dabei ist:I n = n1 + . . .+ nk der GesamtstichprobenunfangI x i· = 1

ni

∑nij=1 xij , x ·· = 1

n

∑ki=1

∑nij=1 xij

I xij = |yij − y i·|I Fk−1,n−k,1−α das (1− α)-Quantil der F -Verteilung mit

(k − 1, n − k) Freiheitsgraden.

I Beachte:I Der Test ist robust bzgl. der NormalverteilungsannahmeI Der Test halt ”nur” naherungsweise das Niveau αI Alternativer Test: Bartlett Test

94 / 95








SPSS Output

Signifikanzdf2df1Levene-Statistik

,3132621,214

Test der Homogenität der Varianzen

Gemerkte Zahlen

SignifikanzFMittel der QuadratedfQuadratsumme

Zwischen den Gruppen

Innerhalb der Gruppen

Gesamt 28122,759

3,5992693,571

,0294,05514,594229,187

ONEWAY ANOVA

Gemerkte Zahlen

95 / 95

Methodenlehre II, SS 2009 - Ruhr University Bochum · 2010. 6. 10. · Methodenlehre II, SS 2009...

Documents

Transcript of Methodenlehre II, SS 2009 - Ruhr University Bochum · 2010. 6. 10. · Methodenlehre II, SS 2009...