nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:

Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

3. Varianzanalyse (ANOVA)

verfasst von : Klaus Backhaus, Bernd Erichson, Sonja Gensler, Rolf Weiber, Thomas Weiber

Erschienen in: Multivariate Analysemethoden

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Zusammenfassung

Die Varianzanalyse ist ein Verfahren, welches die Wirkung einer (oder mehrerer) unabhängiger Variablen auf eine (oder mehrere) abhängige Variablen untersucht. Für die unabhängigen Variablen, die auch als Faktoren oder Treatments bezeichnet werden, wird dabei lediglich eine nominale Skalierung verlangt, während die abhängige Variable (auch Zielvariable genannt) metrisch skaliert ist. Die Varianzanalyse ist das wichtigste multivariate Verfahren zur Aufdeckung von Mittelwertunterschieden über mehr als zwei Gruppen hinweg und dient damit insbesondere der Auswertung von Experimenten. Das Kapitel behandelt sowohl die einfaktorielle (eine abhängige und eine unabhängige Variable) als auch die zweifaktorielle (eine abhängige Variable und zwei unabhängige Variablen) Varianzanalyse und erweitert die Betrachtungen im Fallbeispiel auf die Analyse mit zwei unabhängigen Faktoren (nominal skaliert) und zwei (metrisch skalierten) Kovariaten. Darüber hinaus werden auch die Kontrastanalyse und der Post hoc-Test behandelt.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Regressionsanalyse

Nächstes Kapitel Diskriminanzanalyse

Es wird in diesem Fall von der „Inferenzstatistik“ gesprochen, die von der deskriptiven Statistik zu unterscheiden ist. Die Inferenzstatistik macht Rückschlüsse und Vorhersagen über eine Population auf der Grundlage einer aus der untersuchten Grundgesamtheit gezogenen Stichprobe.

Im Anwendungsbeispiel wurden bewusst nur 5 Beobachtungen pro Gruppe und damit insgesamt 15 Beobachtungen gewählt, um die nachfolgenden Berechnungen leichter nachvollziehen zu können. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe empfohlen.

Auf der zu diesem Buch gehörigen Internetseite www.multivariate.de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Methode zu erleichtern und zu vertiefen.

Zur Auffrischung der Grundlagen zum statistischen Testen, bietet Abschn. 1.3 eine kurze Zusammenfassung der grundlegenden Aspekte.

Vgl. zum Konzept der Freiheitsgrade die Ausführungen zu den statistischen Grundlagen in Abschn. 1.2.1.

Der Anwender kann auch andere Werte für α verwenden. Allerdings ist α = 5 % eine Art „Gold“-Standard in der Statistik, der auf R. A. Fisher (1890 – 1962) zurückgeht, der auch die F-Verteilung entwickelt hat. Allerdings muss der Anwender auch die Folgen (Kosten) einer Fehlentscheidung bei der Entscheidung berücksichtigen.

Zur Auffrischung der Grundlagen zum statistischen Testen, bietet Abschn. 1.3 eine kurze Zusammenfassung der grundlegenden Aspekte.

Der p-Wert kann auch mit Hilfe von Excel durch Verwendung der Funktion F.VERT.RE (F_emp; df1;df2) berechnet werden. Für das Anwendungsbeispiel erhält man: F.VERT.RE(38,09;2; 12) = 0,0000064 oder 0,00064 %. Eine detaillierte Erläuterung zum p-Wert findet der Leser auch in Abschn. 1.3.1.2.

Hinweise zur Prüfung der Annahme multivariater Normalverteilung werden in Abschn. 3.5 gegeben. Eine detallierte Darstellung zur Prüfung von Varianzhomogenität mit dem Levene-Test findet der Leser in Abschn. 3.4.3.

Der Alpha-Fehler spiegelt die Wahrscheinlichkeit wider, die Nullhypothese abzulehnen, obwohl sie wahr ist. Vgl. zum Fehler erster und zweiter Art die Ausführungen zum statistischen Testen in Abschn. 1.3.

SPSS bietet insgesamt 18 Varianten an Post-hoc-Tests an. Vgl. hierzu Abb. 3.16 in Abschn. 3.3.3.2.

Auch hier sei nochmals darauf hingewiesen, dass die Zahl von 5 Beobachtungen pro Gruppe und damit insgesamt 30 Beobachtungen bewusst gewählt wurde, um die nachfolgenden Berechnungen leichter nachvollziehen zu können. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe bei einer zweifaktoriellen ANOVA empfohlen.

Im Folgenden werden die drei allgemeinen Formen der Interaktion graphisch verdeutlicht. Die Interaktionseffekte im Anwendungsbeispiel entsprechen denen im Fallbeispiel und sind in Abb. 3.15 dargestellt und erläutert.

Im Fallbeispiel werden aus didaktischen Gründen nochmals die Daten des erweiterten Anwendungsbeispiels verwendet (vgl. Abschn. 3.2.2.1; Tab. 3.9). Deshalb ist auch hier darauf hinzuweisen, dass das Fallbeispiel nur auf insgesamt 30 Fällen basiert. In der Literatur wird meist eine Anzahl von mindestens 20 Beobachtungen pro Gruppe empfohlen.

Tab. 3.14

Schokoladenabsatz in 15 Supermärkten nach Platzierung und Verpackung

		Verpackung
Platzierung		Box	Papier
Süßwarenabteilung	SM 1	47	40
	SM 2	39	39
	SM 3	40	35
	SM 4	46	36
	SM 5	45	37
Sonderplatzierung	SM 6	68	59
	SM 7	65	57
	SM 8	63	54
	SM 9	59	56
	SM 10	67	53
Kassenplatzierung	SM 11	59	53
	SM 12	50	47
	SM 13	51	48
	SM 14	48	50
	SM 15	53	51

Auf der zu diesem Buch gehörigen Internetseite www.multivariate.de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Methode zu erleichtern und zu vertiefen.

Vgl. zu den Arten von Interaktionseffekten und der Berechnung des Interaktionseffektes im Fallbeispiel die Ausführungen in Abschn. 3.2.2.1.

Der p-Wert kann auch mit Hilfe von Excel durch Verwendung der Funktion F.VERT.RE (F_emp; df1; df2) berechnet werden. Für das Anwendungsbeispiel in Abschn. 3.2.1.1 erhält man: F.VERT.RE(0,062;2;12) = 0,9402. Eine detaillierte Erläuterung zum p - Wert findet der Leser auch in Abschn. 13.1.2.

Bray, J. H., & Maxwell, S. E. (1985). Multivariate analysis of variance. Sage.

Brown, S. R., Collins, R. L., & Schmidt, G. W. (1990). Experimental design and analysis. Sage.

Christensen, R. (1996). Analysis of variance, design, and regression: Applied statistical methods. CRC Press.

Haase, R. F., & Ellis, M. V. (1987). Multivariate analysis of variance. Journal of Counseling Psychology, 34(4), 404–413.

Kahn, J. (2011). Validation in marketing experiments revisited. Journal of Business Research, 64(7), 687–692.

Leigh, J. H., & Kinnear, T. C. (1980). On interaction classification. Educational and Psychological Measurement, 40(4), 841–843.

Levene, H. (1960). Robust tests for equality of variances. In I. Olkin (Hrsg.), Contributions to probability and statistics. Essays in honor of Harold Hotelling (S. 278–292). Stanford University Press.

Levy, K. I. (1980). A Monte Carlo study of analysis of covariance under violations of the assumptions of normality and equal regression slopes. Educational and Psychological Measurement, 40(4), 835–840.

Moore, D. S. (2010). The basic practice of statistics (5. Aufl.). Freeman.

Perdue, B., & Summers, J. (1986). Checking the success of manipulations in marketing experiments. Journal of Marketing Research, 23(4), 317–326.

Perreault, W. D., & Darden, W. R. (1975). Unequal cell sizes in marketing experiments: Use of the general linear hypothesis. Journal of Marketing Research, 12(3), 333–342.

Pituch, K. A., & Stevens, J. P. (2016). Applied multivariate statistics for the social sciences (6. Aufl.). Routledge.

Shingala, M. C., & Rajyaguru, A. (2015). Comparison of post hoc tests for unequal variance. Journal of New Technologies in Science and Engineering, 2(5), 22–33.

Smith, R. A. (1971). The effect of unequal group size on Tukey’s HSD procedure. Psychometrika, 36(1), 31–34.

Warne, R. T. (2014). A primer on Multivariate analysis of variance (MANOVA) for behavioral scientists. Practical Assessment, Research & Evaluation, 19(17), 1–10.

Eschweiler, M., Evanschitzsky, H., & Woisetschläger, D. (2007). Ein Leitfaden zur Anwendung varianzanalytisch ausgerichteter Laborexperimente. Wirtschaftswissenschaftliches Studium, 36(12), 546–554.

Gelman, A. (2005). Analysis of variance – Why it is more important than ever. The annals of statistics, 33(1), 1–53.

Ho, R. (2006). Handbook of univariate and multivariate data analysis and interpretation with SPSS. CRC Press.

Huber, F., Meyer, F., & Lenzen, M. (2014). Grundlagen der Varianzanalyse. Springer Gabler.

Sawyer, S. F. (2009). Analysis of variance: The fundamental concepts. Journal of Manual & Manipulative Therapy, 17(2), 27–38.

Scheffe, H. (1999). The analysis of variance. Wiley.

Turner, J. R., & Thayer, J. (2001). Introduction to analysis of variance: Design, analyis & interpretation. Sage.

Titel: Varianzanalyse (ANOVA)
verfasst von: Klaus Backhaus
Bernd Erichson
Sonja Gensler
Rolf Weiber
Thomas Weiber
Verlag: Springer Fachmedien Wiesbaden
Buch: Multivariate Analysemethoden
Print ISBN: 978-3-658-40464-2

Electronic ISBN: 978-3-658-40465-9

Copyright-Jahr: 2023
DOI: https://doi.org/10.1007/978-3-658-40465-9_3