Messwiederholungs-ANOVA-Rechner

Was ist die Messwiederholungs-Varianzanalyse?

Die Messwiederholungs-Varianzanalyse (Repeated Measures ANOVA) testet, ob sich Mittelwerte ueber drei oder mehr Bedingungen unterscheiden, wenn dieselben Versuchspersonen in allen Bedingungen gemessen werden.

Beantwortete Frage: "Erzeugen diese Bedingungen unterschiedliche Ergebnisse fuer dieselben Personen?"

Beispiele:

• "Unterscheiden sich die Schmerzwerte der Patienten zu Beginn, nach 1 Woche und nach 4 Wochen der Behandlung?"
• "Schneiden Teilnehmer unter leichten, mittleren und schweren Aufgabenbedingungen unterschiedlich ab?"
• "Veraendern sich Reaktionszeiten ueber Messungen am Morgen, Nachmittag und Abend?"

Warum "Messwiederholung"?

Jede Versuchsperson liefert mehrere Messungen:

Dies ist ein Within-Subjects-Design, im Gegensatz zu Between-Subjects (verschiedene Personen in jeder Bedingung).

Vorteile gegenueber Between-Subjects

Kontrolle individueller Unterschiede

Jede Person dient als ihre eigene Kontrolle. Variabilitaet durch individuelle Unterschiede wird aus dem Fehler entfernt.

Between-Subjects: Ein hoher Punktestand in Bedingung A und ein niedriger Punktestand in Bedingung B koennen den wahren Effekt verdecken.

Messwiederholung: Vergleichen Sie jede Person mit sich selbst ueber die Bedingungen hinweg.

Erhoehte statistische Power

Mit kontrollierten individuellen Unterschieden sind kleinere wahre Effekte erkennbar.

Dieselbe Effektstaerke erfordert weniger Versuchspersonen als ein Between-Subjects-Design.

Praktische Effizienz

Weniger Versuchspersonen benoetigt. Wertvoll, wenn Teilnehmer teuer, selten oder schwer zu rekrutieren sind.

Das statistische Modell

Im Gegensatz zur einfaktoriellen ANOVA wird die Varianz unterteilt in:

• Versuchspersonenvarianz: Wie sich Individuen unterscheiden (aus dem Fehler entfernt)
• Bedingungsvarianz: Unterschiede zwischen Bedingungen (unser Fokus)
• Fehlervarianz: Versuchsperson x Bedingung Interaktion (Residuum)

Diese Trennung erklaert, warum Messwiederholung mehr Power hat - Versuchspersonenvarianz kontaminiert den Fehler nicht.

Berechnung der F-Statistik

F = MS_Bedingung / MS_Fehler

Wobei n = Versuchspersonen, k = Bedingungen.

Die Sphaerizitaetsannahme

Die Messwiederholungs-ANOVA nimmt Sphaerizitaet an: gleiche Varianzen der Differenzen zwischen allen Paaren von Bedingungen.

Warum es wichtig ist: Verletzungen blaehen den Typ-I-Fehler auf (falsch positive Ergebnisse).

Testen der Sphaerizitaet

Mauchly-Test:

• Signifikantes p < 0,05 zeigt Verletzung an
• Nicht-signifikant deutet auf akzeptable Sphaerizitaet hin

Problem: Der Mauchly-Test hat geringe Power bei kleinen Stichproben, wenn man ihn am meisten braucht.

Korrektur von Verletzungen

Wenden Sie Korrekturfaktoren auf die Freiheitsgrade an:

Greenhouse-Geisser (epsilon_GG): Konservativ. Empfohlen bei verletzter Sphaerizitaet.

Huynh-Feldt (epsilon_HF): Weniger konservativ. Kann bevorzugt werden, wenn epsilon_GG > 0,75.

Untere Grenze: Am konservativsten (epsilon = 1/(k-1)). Selten verwendet.

Korrigierte df: df_korrigiert = epsilon x df_original

Beispielanalyse

Szenario: Schmerzbewertungen (0-10) zu drei Zeitpunkten fuer 20 Patienten.

Mauchlys W = 0,82, p = ,08 (Sphaerizitaet OK)

Schlussfolgerung: Schmerzbewertungen unterscheiden sich signifikant ueber die Zeitpunkte.

Post-hoc-Vergleiche

Signifikantes F zeigt an, dass sich Bedingungen irgendwo unterscheiden. Bestimmen Sie welche:

Bonferroni-korrigierte gepaarte t-Tests: Vergleichen Sie jedes Paar mit Anpassung von alpha.

Polynomiale Kontraste: Testen Sie lineare, quadratische, kubische Trends (nuetzlich fuer Zeitreihen).

Beispiel: Ein signifikanter linearer Trend bedeutet, dass Schmerzen stetig ueber die Zeit abnehmen.

Effektstaerke: Partielles Eta-Quadrat

eta^2_p = SS_Bedingung / (SS_Bedingung + SS_Fehler)

Anteil der Nicht-Versuchspersonen-Varianz, der durch die Bedingung erklaert wird.

Im Beispiel: eta^2_p = 98,4 / (98,4 + 119,8) = 0,45 (grosser Effekt)

Anwendungen

Laengsschnittstudien

Veraenderungen ueber die Zeit bei denselben Personen verfolgen.

Wachstumskurven, Behandlungseffekte, Entwicklungsveraenderungen.

Within-Subject-Experimente

Jeder Teilnehmer erlebt alle Versuchsbedingungen.

Ausbalancierung der Reihenfolge verhindert Uebertragungseffekte.

Crossover-Klinische Studien

Jeder Patient erhaelt alle Behandlungen (mit Auswaschphasen).

Effizienter als parallele Designs.

Psychophysik

Testen der Wahrnehmung ueber Reizbedingungen innerhalb von Individuen.

Lernstudien

Leistungsmessung ueber Uebungssitzungen.

Designueberlegungen

Reihenfolgeeffekte

Uebungseffekte: Leistung verbessert sich unabhaengig von der Bedingung. Ermuedungseffekte: Leistung verschlechtert sich ueber die Zeit. Uebertragungseffekte: Eine Bedingung beeinflusst die Reaktion auf nachfolgende Bedingungen.

Loesungen:

• Bedingungsreihenfolge ueber Versuchspersonen ausbalancieren
• Reihenfolge randomisieren
• Auswaschphasen zwischen Bedingungen einschliessen

Fehlende Daten

Fehlende Beobachtungen erschweren die Messwiederholungsanalyse.

Optionen: Listenweiser Ausschluss (Power verlieren), gemischte Modelle (Daten erhalten).

Sphaerizitaet im Detail

Technische Definition: Die Varianz der Differenzen zwischen Bedingungen ist fuer alle Paare konstant.

Wenn die Differenz Bedingung 1-2 Varianz 4 hat, sollte die Differenz Bedingung 1-3 ebenfalls Varianz 4 haben, ebenso wie Bedingung 2-3.

Compound Symmetry (gleiche Varianzen und Kovarianzen) impliziert Sphaerizitaet, ist aber staerker.

Bei Verletzung: F-Statistik ist positiv verzerrt (zu viele falsch positive Ergebnisse).

Gemischte Designs

Kombinieren Sie Between-Subjects- und Within-Subjects-Faktoren:

Beispiel: Zwei Gruppen (Behandlung vs. Kontrolle) gemessen zu drei Zeitpunkten.

• Between-Subjects-Faktor: Gruppe
• Within-Subjects-Faktor: Zeit
• Interaktion: Gruppe x Zeit (veraendern sich Gruppen unterschiedlich ueber die Zeit?)

Die Gruppe x Zeit Interaktion ist oft die zentrale Forschungsfrage.

Annahmen

Unabhaengigkeit

Beobachtungen von verschiedenen Versuchspersonen sind unabhaengig.

Normalverteilung

Residuen annaehernd normal, ODER ausreichende Stichprobengroesse.

Sphaerizitaet

Gleiche Varianzen der paarweisen Differenzen.

Verwenden Sie Korrekturen (Greenhouse-Geisser) bei Verletzung.

Haeufige Fehler

Sphaerizitaet ignorieren

Pruefen und berichten Sie immer den Sphaerizitaetstest; wenden Sie Korrekturen bei Bedarf an.

Als Between-Subjects behandeln

Die Verwendung einer einfaktoriellen ANOVA anstelle von Messwiederholung verliert Power und verletzt die Unabhaengigkeit.

Reihenfolgeeffekte ignorieren

Keine Ausbalancierung in Experimenten ermoeglicht Konfundierungen.

Ueberinterpretation ohne Post-hocs

Signifikantes F bedeutet nur, dass sich Bedingungen irgendwo unterscheiden.

Ergebnisse berichten

APA-Format (Sphaerizitaet angenommen):

"Die Messwiederholungs-ANOVA zeigte einen signifikanten Effekt der Zeit auf die Schmerzbewertungen, F(2, 38) = 15,6, p < ,001, eta^2_p = ,45. Der Mauchly-Test zeigte, dass Sphaerizitaet erfuellt war, W = 0,82, p = ,08."

Mit Korrektur:

"Der Mauchly-Test zeigte eine Sphaerizitaetsverletzung, W = 0,65, p = ,02. Die Greenhouse-Geisser-korrigierten Ergebnisse zeigten einen signifikanten Zeiteffekt, F(1,52, 28,9) = 12,3, p = ,001."

Historischer Kontext

Die Messwiederholungs-ANOVA entwickelte sich aus Fishers ANOVA-Rahmenwerk, erforderte aber die Behandlung des Sphaerizitaetsproblems.

Box (1954) und Geisser und Greenhouse (1958) entwickelten Korrekturen fuer Sphaerizitaetsverletzungen, die bis heute Standard sind.

Die Methode wurde unverzichtbar fuer psychologische und biomedizinische Forschung, wo Within-Subject-Designs ueblich und praktisch sind.

Verwandte Berechnungen

• Einfaktorielle ANOVA - Between-Subjects
• Zweifaktorielle ANOVA - Zwei Faktoren
• Gepaarter t-Test - Zwei Bedingungen
• Friedman-Test - Nichtparametrische Alternative

Zusammenfassung

Die Messwiederholungs-Varianzanalyse testet Unterschiede ueber Bedingungen hinweg, wenn dieselben Versuchspersonen wiederholt gemessen werden. Durch Entfernung der Between-Subject-Varianz aus dem Fehler bietet sie mehr Power als Between-Subjects-Designs. Die zentrale Annahme ist Sphaerizitaet - gleiche Varianzen paarweiser Differenzen. Bei Verletzung (pruefen mit Mauchly-Test) wenden Sie Greenhouse-Geisser- oder Huynh-Feldt-Korrekturen an. Fuehren Sie immer Post-hoc-Vergleiche durch, um festzustellen, welche Bedingungen sich unterscheiden. Berichten Sie korrigierte F-Werte wenn angemessen, Effektstaerken und Post-hoc-Ergebnisse.