Zusammenfassung
Die Varianzanalyse ist ein Verfahren, welches die Wirkung einer (oder mehrerer) unabhängiger Variablen auf eine (oder mehrere) abhängige Variablen untersucht. Für die unabhängigen Variablen, die auch als Faktoren oder Treatments bezeichnet werden, wird dabei lediglich eine nominale Skalierung verlangt, während die abhängige Variable (auch Zielvariable genannt) metrisch skaliert ist. Die Varianzanalyse ist das wichtigste multivariate Verfahren zur Aufdeckung von Mittelwertunterschieden über mehr als zwei Gruppen hinweg und dient damit insbesondere der Auswertung von Experimenten. Das Kapitel behandelt sowohl die einfaktorielle (eine abhängige und eine unabhängige Variable) als auch die zweifaktorielle (eine abhängige Variable und zwei unabhängige Variablen) Varianzanalyse und erweitert die Betrachtungen im Fallbeispiel auf die Analyse mit zwei unabhängigen Faktoren (nominal skaliert) und zwei (metrisch skalierten) Kovariaten. Darüber hinaus werden auch die Kontrastanalyse und der Post hoc-Test behandelt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Es wird in diesem Fall von der „Inferenzstatistik“ gesprochen, die von der deskriptiven Statistik zu unterscheiden ist. Die Inferenzstatistik macht Rückschlüsse und Vorhersagen über eine Population auf der Grundlage einer aus der untersuchten Grundgesamtheit gezogenen Stichprobe.
- 2.
Im Anwendungsbeispiel wurden bewusst nur 5 Beobachtungen pro Gruppe und damit insgesamt 15 Beobachtungen gewählt, um die nachfolgenden Berechnungen leichter nachvollziehen zu können. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe empfohlen.
- 3.
Auf der zu diesem Buch gehörigen Internetseite www.multivariate.de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Methode zu erleichtern und zu vertiefen.
- 4.
Zur Auffrischung der Grundlagen zum statistischen Testen, bietet Abschn. 1.3 eine kurze Zusammenfassung der grundlegenden Aspekte.
- 5.
Vgl. zum Konzept der Freiheitsgrade die Ausführungen zu den statistischen Grundlagen in Abschn. 1.2.1.
- 6.
Der Anwender kann auch andere Werte für α verwenden. Allerdings ist α = 5 % eine Art "Gold"-Standard in der Statistik, der auf R. A. Fisher (1890 – 1962) zurückgeht, der auch die F-Verteilung entwickelt hat. Allerdings muss der Anwender auch die Folgen (Kosten) einer Fehlentscheidung bei der Entscheidung berücksichtigen.
- 7.
Zur Auffrischung der Grundlagen zum statistischen Testen, bietet Abschn. 1.3 eine kurze Zusammenfassung der grundlegenden Aspekte.
- 8.
Der p-Wert kann auch mit Hilfe von Excel durch Verwendung der Funktion F.VERT.RE(Femp; df1;df2) berechnet werden. Für das Anwendungsbeispiel erhält man: F.VERT.RE(38,09;2; 12) = 0,0000064 oder 0,00064 %. Eine detaillierte Erläuterung zum p-Wert findet der Leser auch in Abschn. 1.3.1.2.
- 9.
- 10.
Der Alpha-Fehler spiegelt die Wahrscheinlichkeit wider, die Nullhypothese abzulehnen, obwohl sie wahr ist. Vgl. zum Fehler erster und zweiter Art die Ausführungen zum statistischen Testen in Abschn. 1.3.
- 11.
- 12.
Auch hier sei nochmals darauf hingewiesen, dass die Zahl von 5 Beobachtungen pro Gruppe und damit insgesamt 30 Beobachtungen bewusst gewählt wurde, um die nachfolgenden Berechnungen leichter nachvollziehen zu können. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe bei einer zweifaktoriellen ANOVA empfohlen.
- 13.
Im Folgenden werden die drei allgemeinen Formen der Interaktion graphisch verdeutlicht. Die Interaktionseffekte im Anwendungsbeispiel entsprechen denen im Fallbeispiel und sind in Abb. 3.15 dargestellt und erläutert.
- 14.
Im Fallbeispiel werden aus didaktischen Gründen nochmals die Daten des erweiterten Anwendungsbeispiels verwendet (vgl. Abschn. 3.2.2.1; Tab. 3.9). Deshalb ist auch hier darauf hinzuweisen, dass das Fallbeispiel nur auf insgesamt 30 Fällen basiert. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe empfohlen.
Auf der zu diesem Buch gehörigen Internetseite www.multivariate.de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Methode zu erleichtern und zu vertiefen.
- 15.
Vgl. zu den Arten von Interaktionseffekten und der Berechnung des Interaktionseffektes im Fallbeispiel die Ausführungen in Abschn. 3.2.2.1.
- 16.
Literatur
Zitierte Literatur
Bray, J. H., & Maxwell, S. E. (1985). Multivariate analysis of variance. London: Sage.
Brown, S. R., Collins, R. L., & Schmidt, G. W. (1990). Experimental design and analysis. Newbury Park: Sage.
Christensen, R. (1996). Analysis of variance, design, and regression: Applied statistical methods. Boca Raton: CRC Press.
Haase, R. F., & Ellis, M. V. (1987). Multivariate analysis of variance. Journal of Counseling Psychology, 34(4), 404–413.
Kahn, J. (2011). Validation in marketing experiments revisited. Journal of Business Research, 64(7), 687–692.
Leigh, J. H., & Kinnear, T. C. (1980). On interaction classification. Educational and Psychological Measurement, 40(4), 841–843.
Levene, H. (1960). Robust tests for equality of variances. In I. Olkin (Hrsg.), Contributions to probability and statistics. Essays in honor of Harold Hotelling (S. 278–292). Stanford: Stanford University Press.
Levy, K. I. (1980). A Monte Carlo study of analysis of covariance under violations of the assumptions of normality and equal regression slopes. Educational and Psychological Measurement, 40(4), 835–840.
Moore, D. S. (2010). The basic practice of statistics (5. Aufl.). New York: Freeman.
Perdue, B., & Summers, J. (1986). Checking the success of manipulations in marketing experiments. Journal of Marketing Research, 23(4), 317–326.
Perreault, W. D., & Darden, W. R. (1975). Unequal cell sizes in marketing experiments: Use of the general linear hypothesis. Journal of Marketing Research, 12(3), 333–342.
Pituch, K. A., & Stevens, J. P. (2016). Applied multivariate statistics for the social sciences (6. Aufl.). New York: Routledge.
Shingala, M. C., & Rajyaguru, A. (2015). Comparison of post hoc tests for unequal variance. Journal of New Technologies in Science and Engineering, 2(5), 22–33.
Smith, R. A. (1971). The effect of unequal group size on Tukey’s HSD procedure. Psychometrika, 36(1), 31–34.
Warne, R. T. (2014). A primer on Multivariate Analysis of Variance (MANOVA) for behavioral scientists. Practical Assessment, Research & Evaluation, 19(17), 1–10.
Weiterführende Literatur
Eschweiler, M., Evanschitzsky, H., & Woisetschläger, D. (2007). Ein Leitfaden zur Anwendung varianzanalytisch ausgerichteter Laborexperimente. Wirtschaftswissenschaftliches Studium, 36(12), 546–554.
Gelman, A. (2005). Analysis of variance – Why it is more important than ever. The annals of statistics, 33(1), 1–53.
Ho, R. (2006). Handbook of univariate and multivariate data analysis and interpretation with SPSS. Boca Raton: CRC Press.
Huber, F., Meyer, F., & Lenzen, M. (2014). Grundlagen der Varianzanalyse. Wiesbaden: Springer Gabler.
Sawyer, S. F. (2009). Analysis of variance: The fundamental concepts. Journal of Manual & Manipulative Therapy, 17(2), 27–38.
Scheffe, H. (1999). The analysis of variance. New York: John Wiley & Sons.
Turner, J. R., & Thayer, J. (2001). Introduction to analysis of variance: Design, analyis & interpretation. London: Sage Publication.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Backhaus, K., Erichson, B., Gensler, S., Weiber, R., Weiber, T. (2021). Varianzanalyse (ANOVA). In: Multivariate Analysemethoden. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-32425-4_3
Download citation
DOI: https://doi.org/10.1007/978-3-658-32425-4_3
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-32424-7
Online ISBN: 978-3-658-32425-4
eBook Packages: Business and Economics (German Language)