Eta-Quadrat-Omega-Quadrat-Rechner

Verwenden Sie Eta-Quadrat und Omega-Quadrat, wenn Sie die Effektgroesse fuer eine ANOVA berichten muessen. Waehrend p-Werte Ihnen sagen, ob ein Effekt existiert, sagen Ihnen diese Masse, wie gross dieser Effekt ist - wie viel Varianz im Ergebnis durch die Gruppenzogehoerigkeit erklaert wird.

Was sind Eta-Quadrat und Omega-Quadrat?

Beide messen den Anteil der Varianz in der abhaengigen Variable, der durch die unabhaengige(n) Variable(n) in der ANOVA erklaert wird.

Eta-Quadrat (η²)

$\eta^2 = \frac{SS_{Effekt}}{SS_{gesamt}}$

Einfach und intuitiv: das Verhaeltnis der Effektvarianz zur Gesamtvarianz.

Omega-Quadrat (ω²)

$\omega^2 = \frac{SS_{Effekt} - df_{Effekt} \times MS_{Fehler}}{SS_{gesamt} + MS_{Fehler}}$

Weniger verzerrte Schaetzung, besonders bei kleinen Stichproben.

Warum zwei Masse?

Eta-Quadrat ist:

• Einfach zu berechnen und zu interpretieren
• Positiv verzerrt (ueberschaetzt den Populationseffekt)
• Aequivalent zu R² in der Regression
• Die deskriptive Effektgroesse fuer Ihre Stichprobe

Omega-Quadrat ist:

• Komplexer zu berechnen
• Weniger verzerrt (bessere Populationsschaetzung)
• Bevorzugt fuer inferenzstatistische Zwecke
• Von APA-Richtlinien empfohlen

Beispielrechnung

ANOVA-Ausgabe:

Eta-Quadrat: $\eta^2 = \frac{120}{300} = 0{,}40$

Omega-Quadrat: $\omega^2 = \frac{120 - (2)(4)}{300 + 4} = \frac{120 - 8}{304} = \frac{112}{304} = 0{,}37$

Interpretation: Etwa 37-40% der Varianz im Ergebnis ist auf Gruppenunterschiede zurueckzufuehren.

Interpretation der Effektgroessen

Diese Richtwerte stammen von Cohen (1988). Der Kontext ist entscheidend - in manchen Fachbereichen sind auch "kleine" Effekte bedeutsam.

Partielle Effektgroessen

Fuer faktorielle ANOVA mit mehreren Faktoren verwenden Sie partielle Effektgroessen:

Partielles Eta-Quadrat

$\eta_p^2 = \frac{SS_{Effekt}}{SS_{Effekt} + SS_{Fehler}}$

Dies entfernt die Varianz anderer Faktoren und konzentriert sich auf den spezifischen Effekt.

Partielles Omega-Quadrat

$\omega_p^2 = \frac{SS_{Effekt} - df_{Effekt} \times MS_{Fehler}}{SS_{Effekt} + (N - df_{Effekt}) \times MS_{Fehler}}$

Wann welches Mass verwenden

Berechnung aus der F-Statistik

Wenn Sie nur F und die Freiheitsgrade haben:

Eta-Quadrat: $\eta^2 = \frac{df_{Effekt} \times F}{df_{Effekt} \times F + df_{Fehler}}$

Omega-Quadrat: $\omega^2 = \frac{df_{Effekt} \times (F - 1)}{df_{Effekt} \times F + df_{Fehler} + 1}$

Beispiel: F(2, 45) = 15,0 $\eta^2 = \frac{2 \times 15}{2 \times 15 + 45} = \frac{30}{75} = 0{,}40$ $\omega^2 = \frac{2 \times (15-1)}{2 \times 15 + 45 + 1} = \frac{28}{76} = 0{,}37$

Konfidenzintervalle

Fuer Eta-Quadrat verwenden Sie die nichtzentrale F-Verteilung:

1. Ermitteln Sie den Nichtzentralitaetsparameter λ = F × df₁
2. Verwenden Sie die nichtzentrale F-Verteilung, um Konfidenzgrenzen fuer λ zu erhalten
3. Rechnen Sie zurueck zu η²

Softwarepakete wie R (effectsize-Paket) oder G*Power koennen diese berechnen.

Beziehung zu anderen Effektgroessen

Umrechnung von η² zu Cohens f: $f = \sqrt{\frac{\eta^2}{1 - \eta^2}}$

Epsilon-Quadrat (ε²)

Eine dritte Alternative, ebenfalls weniger verzerrt:

$\varepsilon^2 = \frac{SS_{Effekt} - df_{Effekt} \times MS_{Fehler}}{SS_{gesamt}}$

Aehnlich wie Omega-Quadrat, verwendet aber SS_gesamt anstelle von SS_gesamt + MS_Fehler im Nenner.

Fuer Varianzanalyse mit Messwiederholung

Effektgroessen fuer Messwiederholungsdesigns sind komplexer:

$\eta_G^2 = \frac{SS_{Effekt}}{SS_{Effekt} + SS_{Probanden} + SS_{Fehler}}$

Das generalisierte Eta-Quadrat (η²_G) beruecksichtigt die Korrelationsstruktur und wird fuer Messwiederholungsdesigns empfohlen.

Berichtsrichtlinien

APA-Format: "Es gab einen signifikanten Haupteffekt der Behandlung, F(2, 45) = 15,00, p < ,001, η² = ,40, 90% KI [,22; ,52]."

Oder mit Omega-Quadrat: "...ω² = ,37, was auf einen grossen Effekt hinweist."

Enthalten sollte:

• F-Statistik mit Freiheitsgraden
• p-Wert
• Effektgroesse (η² oder ω²)
• Konfidenzintervall, falls verfuegbar

Haeufige Fehler

Verwendung von η² fuer Generalisierung

Eta-Quadrat beschreibt Ihre Stichprobe. Fuer Populationsschaetzungen bevorzugen Sie Omega-Quadrat.

Partiell vs. Regulaer

Partielles η² ist immer groesser als η² (es sei denn, es gibt nur einen Faktor). Vergleichen Sie keine partiellen Effekte zwischen Studien mit unterschiedlichen Designs.

Negative Werte ignorieren

Omega-Quadrat kann negativ sein, wenn F < 1. Dies zeigt im Wesentlichen einen Nulleffekt an - berichten Sie als ω² ≈ 0.

Ueberinterpretation kleiner Effekte

Ein statistisch signifikanter Effekt kann winzig sein. Berichten Sie immer die Effektgroesse zusammen mit p-Werten.

Anwendungen

Psychologie

Effekt der Therapieart auf Depressionswerte.

Bildung

Effekt der Lehrmethode auf die Testleistung.

Medizin

Effekt der Medikamentendosierung auf den Blutdruck.

Wirtschaft

Effekt der Marketingstrategie auf den Umsatz.

Historischer Kontext

Paul Hays fuehrte Eta-Quadrat in den 1960er Jahren ein. Omega-Quadrat wurde von Hays und anderen als weniger verzerrte Alternative entwickelt.

Die Unterscheidung zwischen Stichproben- und Populations-Effektgroessen wurde wichtig, als Forscher erkannten, dass η² systematisch die Populationseffekte ueberschaetzt.

Verwandte Berechnungen

• Einfaktorielle ANOVA - F- und SS-Werte berechnen
• Zweifaktorielle ANOVA - Faktorielle Designs
• Cohens d Rechner - Effektgroesse fuer t-Tests
• Teststaerke-Rechner - Stichprobenplanung mit Effektgroesse
• Hedges' g Rechner - Alternative Effektgroessen

Zusammenfassung

Eta-Quadrat und Omega-Quadrat messen, wie viel Varianz ein ANOVA-Faktor erklaert. Eta-Quadrat (η² = SS_Effekt/SS_gesamt) ist einfach, ueberschaetzt aber die Populationseffekte. Omega-Quadrat korrigiert diese Verzerrung und wird fuer Inferenzen bevorzugt. Fuer faktorielle Designs verwenden Sie partielle Versionen. Interpretieren Sie anhand von Cohens Richtwerten (0,01 = klein, 0,06 = mittel, 0,14 = gross), aber beruecksichtigen Sie den Kontext. Berichten Sie immer Effektgroessen zusammen mit Signifikanztests, um die praktische Bedeutung zu vermitteln.