Zweifaktorielle-ANOVA-Rechner
Testen Sie die Effekte zweier Faktoren.
Geben Sie mindestens 4 Zellen ein (2×2 Design Minimum)
Geben Sie faktorielle Daten ein, um eine zweifaktorielle ANOVA durchzuführen
Was ist die zweifaktorielle Varianzanalyse?
Die zweifaktorielle Varianzanalyse (Two-Way ANOVA) testet die Effekte von zwei unabhaengigen Variablen (Faktoren) auf eine stetige Zielvariable, einschliesslich ihrer moeglichen Interaktion.
Beantwortete Fragen:
- Beeinflusst Faktor A das Ergebnis?
- Beeinflusst Faktor B das Ergebnis?
- Haengt der Effekt von A vom Niveau von B ab (Interaktion)?
Beispiel: Testen, wie sowohl die Lehrmethode (A: Vorlesung, Diskussion, Hybrid) als auch die Klassengroesse (B: klein, gross) die Testergebnisse beeinflussen - und ob die Lehrmethode bei verschiedenen Klassengroessen unterschiedlich wirkt.
Warum "zweifaktoriell"?
Die Daten werden nach zwei kategorialen Faktoren klassifiziert:
| Kleine Klasse | Grosse Klasse | |
|---|---|---|
| Vorlesung | 78, 82, 75 | 68, 72, 65 |
| Diskussion | 85, 88, 82 | 80, 78, 82 |
| Hybrid | 90, 92, 88 | 85, 88, 82 |
Die einfaktorielle ANOVA verwendet einen Faktor. Die zweifaktorielle verwendet zwei gleichzeitig.
Haupteffekte und Interaktion
Haupteffekt von Faktor A
Der Gesamteffekt von Faktor A, gemittelt ueber alle Stufen von Faktor B.
"Unterscheiden sich die Lehrmethoden, wenn die Klassengroesse ignoriert wird?"
Haupteffekt von Faktor B
Der Gesamteffekt von Faktor B, gemittelt ueber alle Stufen von Faktor A.
"Unterscheiden sich die Klassengroessen, wenn die Lehrmethode ignoriert wird?"
Interaktionseffekt (A x B)
Ob der Effekt eines Faktors vom Niveau des anderen abhaengt.
"Veraendert sich der Lehrmethodeneffekt je nach Klassengroesse?"
Interaktionen verstehen
Keine Interaktion
Haupteffekte sind additiv. Wenn die Vorlesung die Diskussion in kleinen Klassen um 5 Punkte schlaegt, schlaegt sie die Diskussion auch in grossen Klassen um 5 Punkte.
Linien im Interaktionsdiagramm sind parallel.
Interaktion vorhanden
Der Vorteil einer Faktorstufe haengt vom anderen Faktor ab.
"Vorlesung funktioniert gut fuer grosse Klassen, aber schlecht fuer kleine Klassen."
Linien kreuzen sich oder divergieren im Interaktionsdiagramm.
Wichtige Erkenntnis: Wenn die Interaktion signifikant ist, sollten Haupteffekte vorsichtig interpretiert werden - der "durchschnittliche" Effekt verdeckt bedingte Effekte.
Das statistische Modell
Y = mu + alpha_i + beta_j + (alpha beta)_ij + epsilon
Wobei:
- mu = Gesamtmittelwert
- alpha_i = Effekt der Faktorstufe A i
- beta_j = Effekt der Faktorstufe B j
- (alpha beta)_ij = Interaktionseffekt
- epsilon = Zufallsfehler
Die ANOVA-Tabelle
| Quelle | SS | df | MS | F | p |
|---|---|---|---|---|---|
| Faktor A | 520 | 2 | 260 | 12,4 | ,001 |
| Faktor B | 180 | 1 | 180 | 8,6 | ,007 |
| A x B | 85 | 2 | 42,5 | 2,0 | ,15 |
| Fehler | 504 | 24 | 21 | ||
| Gesamt | 1289 | 29 |
Drei separate F-Tests: einer fuer jeden Haupteffekt, einer fuer die Interaktion.
Freiheitsgrade
- Faktor A: a - 1 (wobei a = Anzahl der A-Stufen)
- Faktor B: b - 1
- Interaktion: (a - 1)(b - 1)
- Fehler: N - ab (wobei N = Gesamtbeobachtungen)
- Gesamt: N - 1
Ergebnisse interpretieren
Signifikante Interaktion
Zuerst interpretieren. Haupteffekte sind irrefuehrend, wenn eine Interaktion vorliegt.
Untersuchen Sie einfache Effekte: den Effekt von A bei jeder Stufe von B separat.
Keine signifikante Interaktion
Interpretieren Sie Haupteffekte direkt. Der Effekt jedes Faktors ist ueber die Stufen des anderen konsistent.
Signifikante Haupteffekte
Post-hoc-Tests (wie Tukey HSD) zeigen, welche Stufen sich unterscheiden.
Effektstaerken
Partielles Eta-Quadrat (eta^2_p):
eta^2_p = SS_Effekt / (SS_Effekt + SS_Fehler)
Anteil der Varianz, der durch jeden Effekt erklaert wird, nach Entfernung anderer Effekte.
| eta^2_p | Interpretation |
|---|---|
| 0,01 | Klein |
| 0,06 | Mittel |
| 0,14 | Gross |
Anwendungen
Faktorielle Experimente
Klassisches Versuchsdesign: zwei Faktoren manipulieren, Ergebnis messen.
Medikamentenstudie: Medikamententyp x Dosierungsstufe Marketing: Anzeigentyp x Zieldemografie
Beobachtungsstudien
Probanden nach zwei Merkmalen klassifizieren.
Bildung: Geschlecht x Soziooekonomischer Status auf Testergebnisse Gesundheit: Altersgruppe x Aktivitaetsniveau auf Blutdruck
Qualitaetskontrolle
Fertigung: Maschine x Schicht auf Fehlerquoten Landwirtschaft: Duengertyp x Bewaesserungsmethode auf Ertrag
Balancierte vs. unbalancierte Designs
Balanciert
Gleiche n in allen Zellen. Einfachste Analyse, hoechste Power, orthogonale Effekte.
Unbalanciert
Ungleiche Zellengroessen. Effekte sind moeglicherweise nicht orthogonal - die Reihenfolge der Eingabe ist wichtig.
Typ I SS: Sequentiell, reihenfolgeabhaengig Typ II SS: Jeder Effekt adjustiert fuer andere Haupteffekte (nicht Interaktion) Typ III SS: Jeder Effekt adjustiert fuer alle anderen Effekte (haeufigste Standardeinstellung)
Annahmen
Unabhaengigkeit
Beobachtungen sind unabhaengig innerhalb und ueber alle Zellen.
Normalverteilung
Residuen sind normalverteilt, ODER Stichprobengroessen sind ausreichend.
Varianzhomogenitaet
Varianzen sind ueber alle Zellen gleich (nicht nur ueber Faktorstufen).
Pruefung: Levene-Test oder visuelle Inspektion von Residuendiagrammen.
Keine fehlenden Zellen
Jede Kombination von Faktorstufen sollte Beobachtungen haben.
Feste vs. zufaellige Faktoren
Feste Faktoren
Stufen sind gezielt ausgewaehlt und erschoepfend.
"Diese drei Lehrmethoden sind das, woran wir interessiert sind."
Am haeufigsten in Forschungsanwendungen.
Zufaellige Faktoren
Stufen sind zufaellig aus einer groesseren Population gezogen.
"Diese fuenf Lehrer repraesentieren alle moeglichen Lehrer."
Erfordert andere F-Verhaeltnis-Berechnungen (gemischte Modelle).
Interaktionsdiagramme
Faktorbeziehungen visualisieren:
- X-Achse: Stufen von Faktor A
- Y-Achse: Mittlere Antwort
- Separate Linien: Stufen von Faktor B
Parallele Linien: Keine Interaktion Nicht-parallele Linien: Interaktion vorhanden Kreuzende Linien: Starke disordinale Interaktion
Post-hoc-Verfahren
Fuer signifikante Haupteffekte (ohne Interaktion):
- Tukey HSD fuer alle paarweisen Vergleiche
- Bonferroni fuer ausgewaehlte Vergleiche
Fuer signifikante Interaktion:
- Analyse einfacher Effekte (Effekt von A bei jeder B-Stufe)
- Einfache Vergleiche innerhalb von Zellen
Haeufige Fehler
Interaktion ignorieren
Das Berichten von Haupteffekten bei signifikanter Interaktion fuehrt zu unvollstaendigen oder irrefuehrenden Schlussfolgerungen.
Falscher Fehlerterm
In Designs mit zufaelligen Faktoren oder Messwiederholungen unterscheiden sich die Fehlerterme.
Unbalancierte Analyse
Keine Angabe des geeigneten SS-Typs fuer unbalancierte Daten.
Ueberinterpretation
Viele nicht-signifikante Interaktionen existieren, weil die Power zu ihrer Entdeckung begrenzt ist.
Ergebnisse berichten
APA-Format:
"Eine 3 x 2 Between-Subjects-ANOVA zeigte signifikante Haupteffekte der Lehrmethode, F(2, 24) = 12,4, p = ,001, eta^2_p = ,51, und der Klassengroesse, F(1, 24) = 8,6, p = ,007, eta^2_p = ,26. Die Interaktion war nicht signifikant, F(2, 24) = 2,0, p = ,15. Post-hoc-Tukey-Tests zeigten, dass Hybridunterricht (M = 87,5) sowohl Vorlesung (M = 73,3, p < ,001) als auch Diskussion (M = 82,5, p = ,03) uebertraf."
Historischer Kontext
Die zweifaktorielle Varianzanalyse entstand aus Ronald Fishers Arbeit in landwirtschaftlichen Experimenten in Rothamsted in den 1920er-1930er Jahren.
Faktorielle Designs - das gleichzeitige Testen mehrerer Faktoren - erwiesen sich als effizienter als Ein-Faktor-nach-dem-anderen-Experimente. Das Interaktionskonzept war besonders revolutionaer: Es formalisierte, wie Faktoren in Kombination anders wirken koennen als allein.
Verwandte Berechnungen
- Einfaktorielle ANOVA - Ein Faktor
- Messwiederholungs-ANOVA - Within-Subjects-Faktor
- Tukey HSD - Post-hoc-Vergleiche
- F-Verteilungsrechner - P-Werte
Zusammenfassung
Die zweifaktorielle Varianzanalyse testet Haupteffekte von zwei Faktoren und ihre Interaktion auf eine stetige Zielvariable. Eine signifikante Interaktion zeigt an, dass der Effekt eines Faktors vom anderen Faktor abhaengt - in solchen Faellen untersuchen Sie einfache Effekte statt Haupteffekte. Die Analyse zerlegt die Gesamtvarianz in Faktor A, Faktor B, A×B-Interaktion und Fehler. Berichten Sie alle drei F-Tests, Effektstaerken (partielles eta^2) und geeignete Post-hoc-Tests. Interaktionsdiagramme bieten eine wesentliche Visualisierung der Faktorbeziehungen.