Varianzanalyse – einfaktorielle, zweifaktorielle und mehrfaktorielle ANOVA

Faktoren sind unabhängige Variablen oder Gruppierungsmerkmale, deren Einfluss auf eine abhängige Variable untersucht wird. In einer Varianzanalyse kann ein Faktor zum Beispiel eine Behandlungsmethode, eine Altersgruppe, ein Studiengang oder eine Versuchsbedingung sein. Faktoren helfen dabei, Gruppen zu bilden und Unterschiede zwischen diesen Gruppen statistisch zu prüfen.

Eine Varianzanalyse, kurz ANOVA, ist ein statistisches Verfahren zum Vergleich von Mittelwerten. Sie prüft, ob sich die Mittelwerte mehrerer Gruppen signifikant voneinander unterscheiden. Dabei wird untersucht, ob ein oder mehrere Faktoren einen Einfluss auf eine abhängige Variable haben. Die Methode zerlegt die Gesamtstreuung der Daten in erklärte und nicht erklärte Varianzanteile.

Eine Varianzanalyse wird angewendet, wenn Mittelwerte von drei oder mehr Gruppen verglichen werden sollen. Sie eignet sich, wenn eine metrische abhängige Variable vorliegt und eine oder mehrere kategoriale unabhängige Variablen den Gruppenunterschied erklären sollen. Typische Anwendungen sind Gruppenvergleiche, Experimentalstudien, Befragungen und Messwiederholungsdesigns.

Eine einfaktorielle Varianzanalyse wird durchgeführt, wenn der Einfluss eines einzigen unabhängigen Faktors auf eine abhängige Variable untersucht werden soll. Der Faktor besitzt dabei mehrere Gruppen oder Stufen, zum Beispiel drei Behandlungsmethoden. Die Analyse prüft, ob sich die Mittelwerte dieser Gruppen statistisch signifikant unterscheiden.

Eine Korrelationsanalyse eignet sich, wenn der Zusammenhang zwischen zwei metrischen Variablen untersucht werden soll. Eine Varianzanalyse eignet sich, wenn Mittelwerte zwischen Gruppen verglichen werden sollen. Entscheidend ist also die Forschungsfrage: Geht es um einen Zusammenhang zwischen Variablen, passt meist die Korrelation. Geht es um Mittelwertunterschiede zwischen Gruppen, passt die Varianzanalyse.

Eine lineare Regression wird gewählt, wenn der Einfluss einer oder mehrerer unabhängiger Variablen auf eine metrische abhängige Variable modelliert oder vorhergesagt werden soll. Eine Varianzanalyse wird gewählt, wenn der Fokus auf Mittelwertunterschieden zwischen Gruppen liegt. Beide Verfahren sind verwandt, setzen aber unterschiedliche Schwerpunkte: Regression erklärt und prognostiziert, ANOVA vergleicht Gruppenmittelwerte.

Eine multivariate Varianzanalyse, kurz MANOVA, ist sinnvoll, wenn der Einfluss einer oder mehrerer unabhängiger Variablen auf mehrere abhängige Variablen gleichzeitig untersucht werden soll. Sie eignet sich, wenn die abhängigen Variablen inhaltlich zusammenhängen und ein gemeinsames Wirkungsbild betrachtet werden soll. Dadurch lassen sich mehrere Ergebnisdimensionen in einem Modell prüfen.

Ein t-Test wird verwendet, wenn Mittelwerte von zwei Gruppen verglichen werden sollen. Eine Varianzanalyse wird verwendet, wenn drei oder mehr Gruppen verglichen werden sollen oder wenn mehrere Faktoren gleichzeitig untersucht werden. Dadurch vermeidest du mehrere Einzeltests und reduzierst das Risiko falsch positiver Ergebnisse.

Eine Varianzanalyse wird als univariat bezeichnet, wenn sie genau eine abhängige Variable untersucht. Dabei können trotzdem mehrere Gruppen oder mehrere unabhängige Faktoren beteiligt sein. Entscheidend ist, dass nur ein Ergebnismerkmal analysiert wird. Werden mehrere abhängige Variablen gleichzeitig untersucht, handelt es sich um eine multivariate Varianzanalyse.

Mehrere einfaktorielle Varianzanalysen erhöhen das Risiko eines Alpha-Fehlers, also die Wahrscheinlichkeit falsch positiver Ergebnisse. Eine mehrfaktorielle ANOVA kann mehrere Faktoren in einem Modell prüfen und zusätzlich Interaktionen zwischen Faktoren untersuchen. Dadurch wird das Vorgehen methodisch sauberer und inhaltlich aussagekräftiger.

Eine Varianzanalyse wird zusätzlich oder statt eines t-Tests verwendet, wenn mehr als zwei Gruppen oder mehrere Faktoren untersucht werden sollen. Der t-Test ist auf den Vergleich von zwei Mittelwerten beschränkt. Die Varianzanalyse bietet eine umfassendere Prüfung, weil sie mehrere Gruppen, Faktoren und Interaktionen in einem Modell abbilden kann.

Eine Varianzanalyse wird statt eines t-Tests verwendet, wenn mehr als zwei Gruppen verglichen werden sollen. Würden mehrere t-Tests nacheinander gerechnet, steigt das Risiko für falsch positive Ergebnisse. Die Varianzanalyse prüft die Gruppenunterschiede in einem gemeinsamen Modell und ist daher bei drei oder mehr Gruppen methodisch geeigneter.

df steht für degrees of freedom, also Freiheitsgrade. Freiheitsgrade geben an, wie viele unabhängige Informationsanteile in die Berechnung eingehen. In der Varianzanalyse werden Freiheitsgrade für die Varianz zwischen den Gruppen und innerhalb der Gruppen bestimmt. Sie sind wichtig für die Berechnung und Interpretation des F-Werts und der statistischen Signifikanz.

Eine einfaktorielle Varianzanalyse ist ein statistisches Verfahren, das Mittelwerte mehrerer Gruppen anhand eines einzigen unabhängigen Faktors vergleicht. Beispiel: Du untersuchst, ob drei verschiedene Lernmethoden zu unterschiedlichen Testergebnissen führen. Die abhängige Variable ist dabei metrisch, der unabhängige Faktor besteht aus mehreren Gruppen oder Stufen.

Eine Varianzanalyse mit Messwiederholung wird verwendet, wenn dieselben Personen oder Untersuchungseinheiten mehrfach gemessen werden. Beispiel: Eine Gruppe wird vor, während und nach einer Intervention untersucht. Die Methode prüft, ob sich die Mittelwerte über die Messzeitpunkte hinweg signifikant verändern. Dabei muss die Abhängigkeit der Messungen berücksichtigt werden.

Eine zweifaktorielle Varianzanalyse untersucht den Einfluss von zwei unabhängigen Faktoren auf eine abhängige Variable. Zusätzlich kann geprüft werden, ob zwischen beiden Faktoren eine Interaktion besteht. Eine Interaktion liegt vor, wenn die Wirkung eines Faktors davon abhängt, welche Ausprägung der andere Faktor besitzt.

Bei einer zweifaktoriellen Varianzanalyse zu Diabetespatienten und Trinken könnten zwei Faktoren untersucht werden, zum Beispiel Medikamententyp und Trinkgewohnheiten. Die abhängige Variable könnte der Blutzuckerspiegel sein. Die Analyse prüft dann, ob Medikamententyp, Trinkverhalten und die Kombination beider Faktoren einen signifikanten Einfluss auf den Blutzuckerspiegel haben.

Bei der Interpretation einer ANOVA in SPSS werden vor allem F-Wert, Signifikanzwert und Effektgröße betrachtet. Ein signifikanter F-Wert zeigt, dass mindestens ein Gruppenmittelwert von einem anderen abweicht. Danach können Post-hoc-Tests notwendig sein, um zu erkennen, zwischen welchen Gruppen die Unterschiede liegen. Zusätzlich sollten Annahmen wie Varianzhomogenität und Normalverteilung der Residuen geprüft werden.

Der kritische F-Wert wird in einer F-Verteilungstabelle nachgeschlagen. Dafür werden die Freiheitsgrade zwischen den Gruppen und innerhalb der Gruppen sowie das gewählte Signifikanzniveau benötigt. Der berechnete F-Wert wird anschließend mit dem kritischen Tabellenwert verglichen. Ist der berechnete F-Wert größer als der kritische Wert, kann das Ergebnis statistisch signifikant sein.

Fb bezeichnet den F-Wert zwischen den Gruppen. Er wird berechnet, indem die mittlere Quadratsumme zwischen den Gruppen durch die mittlere Quadratsumme innerhalb der Gruppen geteilt wird. Vereinfacht zeigt dieser Wert, ob die Streuung zwischen den Gruppen deutlich größer ist als die Streuung innerhalb der Gruppen. Je größer Fb ausfällt, desto eher sprechen die Daten für Gruppenunterschiede.

Ftab ist der kritische Tabellenwert der F-Verteilung. Er wird nicht aus den Stichprobendaten berechnet, sondern aus einer F-Verteilungstabelle abgelesen. Dafür brauchst du das Signifikanzniveau sowie die Freiheitsgrade im Zähler und Nenner. Ftab dient als Vergleichswert für den berechneten F-Wert.

Eine Varianzanalyse basiert nicht direkt auf der t-Verteilung, sondern auf der F-Verteilung. Bei zwei Gruppen besteht jedoch ein Zusammenhang zwischen t-Test und einfaktorieller ANOVA: Der F-Wert entspricht dann dem quadrierten t-Wert. Bei kleinen Stichproben sind die Voraussetzungen besonders sorgfältig zu prüfen, etwa Unabhängigkeit, annähernde Normalverteilung und Varianzhomogenität.

Die Fehlervarianz beschreibt den Anteil der Varianz, der nicht durch die untersuchten Faktoren oder deren Interaktion erklärt wird. In einer zweifaktoriellen Varianzanalyse wird die Gesamtvarianz in Varianzanteile der beiden Haupteffekte, der Interaktion und des Fehlers zerlegt. Wenn die Faktoren viel Varianz erklären, fällt der relative Fehleranteil geringer aus.

In der Varianzanalyse wird die Gesamtstreuung in erklärte und nicht erklärte Anteile zerlegt. Bei der einfaktoriellen ANOVA wird zwischen Streuung zwischen den Gruppen und Streuung innerhalb der Gruppen unterschieden. Bei mehrfaktoriellen Analysen kommen Varianzanteile für Haupteffekte und Interaktionen hinzu. Dadurch wird sichtbar, welcher Anteil der Unterschiede durch die Faktoren erklärt werden kann.