Einfache ANOVA

Die einfache Varianzanalyse (ANOVA) ist ein statistisches Verfahren, mit dem bestimmt wird, ob signifikante Unterschiede zwischen den Mittelwerten von drei oder mehr unabhängigen Gruppen bestehen. Sie umfasst eine unabhängige Variable und vergleicht Gruppenmittelwerte, um den Einfluss des Faktors zu beurteilen.

Zuletzt geprüft

Kernaussage

Die einfache Varianzanalyse (ANOVA) ist ein statistisches Verfahren, mit dem bestimmt wird, ob signifikante Unterschiede zwischen den Mittelwerten von drei oder mehr unabhängigen Gruppen bestehen.

Auf dieser Seite
  1. Was ist die einfache ANOVA?
  2. Wann wird die einfache ANOVA eingesetzt?
  3. Hinweise zur richtigen Anwendung der einfachen ANOVA
  4. Alternativen: Wann Sie die einfache ANOVA nicht verwenden sollten
  5. Beispiel für die einfache ANOVA
  6. Anleitung: Einfache ANOVA durchführen

Was ist die einfache ANOVA?

Die einfache Varianzanalyse (ANOVA) ist ein statistisches Verfahren, mit dem bestimmt wird, ob signifikante Unterschiede zwischen den Mittelwerten von drei oder mehr unabhängigen Gruppen bestehen. Sie umfasst eine unabhängige Variable und vergleicht Gruppenmittelwerte, um den Einfluss des Faktors zu beurteilen. Der Test prüft die Nullhypothese, dass alle Gruppenmittelwerte gleich sind, gegen die Alternative, dass mindestens einer abweicht. Die einfache ANOVA ist in Bereichen wie Psychologie, Pädagogik und Medizin weit verbreitet; die Ergebnisse werden in einer ANOVA-Tabelle dargestellt.

Wann wird die einfache ANOVA eingesetzt?

Dieser Test eignet sich, wenn Sie eine stetige abhängige Variable und eine kategoriale unabhängige Variable mit drei oder mehr Stufen haben.

  • Vergleich mehrerer Gruppen: Wenn Sie die Mittelwerte von drei oder mehr unabhängigen Gruppen vergleichen müssen, um festzustellen, ob zwischen ihnen ein signifikanter Unterschied besteht.
  • Einfluss eines einzelnen Faktors: Wenn die Untersuchung sich auf die Wirkung eines einzelnen Faktors (unabhängige Variable) auf eine abhängige Variable konzentriert.
  • Versuchsplan: Wenn Sie einen Versuchsplan haben, in dem die Versuchseinheiten zufällig verschiedenen Gruppen zugeordnet werden, die verschiedene Stufen der unabhängigen Variable darstellen.
  • Normalverteilung: Wenn die Daten der abhängigen Variable in jeder Gruppe annähernd normalverteilt sind.
  • Varianzhomogenität: Wenn angenommen wird, dass die Varianzen der Grundgesamtheiten gleich sind (Homoskedastizität).
  • Unabhängige Beobachtungen: Wenn die Beobachtungen innerhalb jeder Gruppe voneinander unabhängig sind.

Typische Beispiele für den Einsatz der einfachen ANOVA:

  • Vergleich der durchschnittlichen Ergebnisse von Studierenden, die verschiedene Kursformen besucht haben (z. B. online vs. Präsenz vs. hybrid).
  • Analyse der Wirksamkeit von drei oder mehr verschiedenen Medikamenten bei der Behandlung einer Krankheit.
  • Vergleich der durchschnittlichen Gehälter von Mitarbeitenden in drei oder mehr verschiedenen Abteilungen eines Unternehmens.

Hinweise zur richtigen Anwendung der einfachen ANOVA

Hinweise zu Datenerhebung, Analyse und Interpretation der Ergebnisse:

  • Nehmen Sie nur eine kategoriale Variable als festen Faktor auf; verwenden Sie für mehrere feste oder zufällige Faktoren geeignete Modelle.
  • Stellen Sie sicher, dass die Zielgröße stetig ist; verwenden Sie für kategoriale Zielgrößen spezielle logistische Modelle.
  • Die Stichproben sollten aus einer normalverteilten Grundgesamtheit stammen oder ausreichend groß sein (>15 oder 20), um eine genaue Analyse zu ermöglichen.
  • Jede Beobachtung sollte unabhängig sein, damit die Ergebnisse gültig sind.
  • Erheben Sie Daten, die die Grundgesamtheit präzise und richtig abbilden, und erfassen Sie sie in der Reihenfolge der Erhebung.
  • Stellen Sie sicher, dass das Modell gut zu den Daten passt, und prüfen Sie es mit Diagnose- und zusammenfassenden Kennwerten.

Alternativen: Wann Sie die einfache ANOVA nicht verwenden sollten

  • Wenn Sie mehrere feste kategoriale Faktoren haben, verwenden Sie Fit General Linear Model, sofern alle Faktoren fest sind.
  • Gibt es zufällige Faktoren, verwenden Sie stattdessen Fit Mixed Effects Model.
  • Wenn Sie den Zusammenhang zwischen einem stetigen Prädiktor und der Zielgröße darstellen möchten, verwenden Sie den Fitted Line Plot.
  • Wenn Sie mehr als einen Prädiktor haben, verwenden Sie das Regressionsmodell (Fit Regression Model).

Beispiel für die einfache ANOVA

Ein Chemieingenieur möchte die Härte von vier verschiedenen Lackmischungen beurteilen. Dazu trägt er sechs Proben jeder Mischung auf ein Metallstück auf, lässt sie aushärten und misst ihre Härte. Um die Gleichheit der Mittelwerte zu prüfen und die Unterschiede zwischen Paaren von Mittelwerten zu untersuchen, setzt der Analyst eine einfache ANOVA mit Mehrfachvergleichen ein. Die Schritte:

  1. Die erforderlichen Daten wurden erhoben.
Test for Equal Variances — figure 1
  1. Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
  2.  Die einfache ANOVA finden Sie unter Statistical module> Anova>One way anova.
  3.  Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:
Test for Equal Variances — figure 2

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:

One way ANOVA — figure 3One way ANOVA — figure 4One way ANOVA — figure 5One way ANOVA — figure 6One way ANOVA — figure 7

Anleitung: Einfache ANOVA durchführen

So gehen Sie vor:

  1. Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Anova >one way ANOVA.
  3. Klicken Sie auf one way ANOVA , um zum Dashboard zu gelangen.
  4. Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
  5. Geben Sie anschließend den Wert für das Konfidenzniveau ein.
  6. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard von one way ANOVA ist in zwei Bereiche unterteilt.

One way ANOVA — figure 8

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.

Load example: Es werden Beispieldaten geladen.

Load File: Damit werden Excel-Daten direkt geladen.

Im rechten Bereich stehen folgende Optionen zur Verfügung:

  • Confidence level: Bei der einfachen ANOVA (Varianzanalyse) bezeichnet das Konfidenzniveau den Grad der Sicherheit, den eine statistische Analyse liefert. Es ist die Wahrscheinlichkeit, dass der in der Untersuchung beobachtete Unterschied zwischen den Gruppen nicht auf Zufall beruht. Das Konfidenzniveau wird üblicherweise in Prozent angegeben und gibt den Grad der Sicherheit an, dass die aus den Stichprobendaten gewonnenen Ergebnisse für die größere Grundgesamtheit repräsentativ sind. Ein in der statistischen Analyse übliches Konfidenzniveau ist 95 %.
  • Two sided confidence level: Verwenden Sie bei der einfachen ANOVA ein zweiseitiges Konfidenzintervall, um sowohl die untere als auch die obere Grenze für den Mittelwert der Zielgröße zu schätzen; es liefert einen Wertebereich, der den wahren Mittelwert der Grundgesamtheit wahrscheinlich enthält. Diese Intervallschätzung gibt den Unterschied der Mittelwerte zwischen den Gruppen in beide Richtungen wieder, oberhalb und unterhalb des Stichprobenmittelwerts, mit einem festgelegten Konfidenzniveau.
  • Individual value plot: Ein Einzelwertdiagramm (Individual Value Plot, IVP) ist ein grafisches Werkzeug, das sich am besten für kleine Stichprobenumfänge (weniger als 50 Beobachtungen) eignet. Es zeigt einzelne Datenpunkte und erleichtert so die genaue Betrachtung von Verteilung, Lage, Streuung und Ausreißern; außerdem eignet es sich gut zum Vergleich der Verteilungen mehrerer kleiner Gruppen.
  • Interval plot: Verwenden Sie ein Intervalldiagramm, auch Mittelwertdiagramm oder Konfidenzintervalldiagramm genannt, um die 95-%-Konfidenzintervalle der Gruppenmittelwerte in einer einfachen ANOVA zu beurteilen und zu vergleichen. Diese grafische Darstellung zeigt den Mittelwert jeder Gruppe als Punkt oder Symbol auf der horizontalen Achse, während die vertikale Achse die gemessene Variable darstellt. Horizontale Linien oder vertikale Balken oberhalb und unterhalb jedes Mittelwerts kennzeichnen die Konfidenzintervalle. Diese Methode funktioniert am besten mit Stichprobenumfängen von mindestens 20 je Gruppe, da größere Stichprobenumfänge kleinere und genauere Konfidenzintervalle liefern. Bei der einfachen ANOVA helfen Intervalldiagramme festzustellen, ob signifikante Unterschiede zwischen den Mittelwerten von drei oder mehr Gruppen bestehen.
  • Box plot: Ein Boxplot ist eine grafische Darstellung von Daten, die die Verteilung einer Variable innerhalb verschiedener Gruppen einer einfachen ANOVA zeigt. Bei einer einfachen ANOVA vergleichen wir die Mittelwerte einer stetigen Variable über verschiedene Stufen einer kategorialen Variable. Der Boxplot zeigt die Verteilung der stetigen Variable für jede Gruppe, einschließlich Median, Interquartilsabstand (IQR) und etwaiger Ausreißer.
  • Residual versus fit graph: Ein Diagramm der Residuen gegen die Anpassungswerte, auch Residuendiagramm genannt, ist ein grafisches Werkzeug der einfachen ANOVA, mit dem die Anpassungsgüte des Modells beurteilt wird. Das Diagramm zeigt die Residuen, also die Differenzen zwischen beobachteten und vorhergesagten Werten, auf der y-Achse und die vorhergesagten Werte auf der x-Achse.
  • Residual versus order graph: Bei der einfachen ANOVA ist ein Diagramm der Residuen gegen die Reihenfolge ein grafisches Werkzeug, mit dem die Annahme gleicher Varianz der Residuen über die verschiedenen Stufen des Faktors bzw. der unabhängigen Variable beurteilt wird. In diesem Diagramm werden die Residuen (d. h. die Differenzen zwischen beobachteten und vorhergesagten Werten) gegen die Reihenfolge der Beobachtungen aufgetragen; das kann einfach die Abfolge der Datenpunkte oder die Stufe des Faktors sein. Die Residuen sollten zufällig um null streuen und kein systematisches Muster oder keinen Trend zeigen, wenn sich die Reihenfolge oder die Faktorstufe ändert.
  • Histogram: Ein Histogramm ist eine grafische Darstellung der Verteilung eines Datensatzes. Im Zusammenhang mit der einfachen ANOVA (Varianzanalyse) wird ein Histogramm häufig verwendet, um die Verteilung der abhängigen Variable (d. h. der analysierten Variable) für jede Gruppe der Untersuchung darzustellen.
  • Probability plot: Ein Wahrscheinlichkeitsnetz, auch Quantil-Quantil-Diagramm (Q-Q-Plot) genannt, ist ein grafisches Werkzeug, mit dem in der statistischen Analyse häufig beurteilt wird, ob ein Datensatz einer bestimmten Verteilung folgt. Im Zusammenhang mit der einfachen ANOVA (Varianzanalyse) lässt sich damit beurteilen, ob die Normalitätsannahme für die Residuen (die Differenzen zwischen beobachteten Daten und Modellvorhersagen) des ANOVA-Modells erfüllt ist.
  • Download as Excel: Gibt das Ergebnis im Excel-Format aus, das sich leicht bearbeiten und über die Option load file erneut für Berechnungen laden lässt.

Häufig gestellte Fragen

Was ist die einfache ANOVA?

Die einfache Varianzanalyse (ANOVA) ist ein statistisches Verfahren, das bestimmt, ob signifikante Unterschiede zwischen den Mittelwerten von drei oder mehr unabhängigen Gruppen bestehen. Sie umfasst eine kategoriale unabhängige Variable und prüft die Nullhypothese, dass alle Gruppenmittelwerte gleich sind, gegen die Alternative, dass mindestens einer abweicht. Die Ergebnisse werden in einer ANOVA-Tabelle dargestellt.

Welche Annahmen gelten für die einfache ANOVA?

Die Zielgröße sollte stetig sein, mit einem einzelnen kategorialen Faktor mit drei oder mehr Stufen. Die Daten jeder Gruppe sollten annähernd normalverteilt sein, oder die Stichproben sollten ausreichend groß sein (mehr als 15 oder 20). Es wird angenommen, dass die Gruppenvarianzen gleich sind, und die Beobachtungen müssen unabhängig sein. Prüfen Sie die Modellanpassung mit Diagnosediagrammen wie Residuen gegen Anpassungswerte und einem Wahrscheinlichkeitsnetz.

Wann sollte man die einfache ANOVA nicht verwenden?

Wenn Sie mehrere feste kategoriale Faktoren haben, verwenden Sie Fit General Linear Model; gibt es zufällige Faktoren, verwenden Sie Fit Mixed Effects Model. Bei mehr als einem Prädiktor verwenden Sie Fit Regression Model, und um einen stetigen Prädiktor gegen eine Zielgröße darzustellen, den Fitted Line Plot. Für eine kategoriale Zielgröße verwenden Sie ein logistisches Modell.

Welche Diagramme helfen bei der Interpretation der einfachen ANOVA?

Ein Intervalldiagramm vergleicht die Konfidenzintervalle der Gruppenmittelwerte, ein Einzelwertdiagramm zeigt bei kleinen Stichproben jeden Datenpunkt, und ein Boxplot zeigt Median, Interquartilsabstand und Ausreißer jeder Gruppe. Residuendiagramme – Residuen gegen Anpassungswerte, Residuen gegen Reihenfolge, ein Histogramm und ein Wahrscheinlichkeitsnetz – prüfen die Annahmen des Modells.