da hab ich noch mal eine Frage an euch. Und letztes Mal konntet ihr mir ja gut weiter helfen.
Also ich hab eine Varianzanalyse durchgeführt und habe dann bei Post-Hoc den Tamhane T2-Test angefordert. Soweit so gut.
Nun hab ich ja meine Werte bei Signifikanz stehen und die helfen mir ja auch und sagen mir auch was es bedeutet.
Wenn ich nun aber nur gewisse Fälle betrachte und die miteinander vergleiche hab ich unterschiedliche Werte. Womit hängt das zusammen?
Müssten nicht eigentlich in meinem ersten Tamhane T2 Test die selben Werte auftauchen? Schließlich frag ich ja für einen Teil beim zweiten Mal das gleiche ab nur das andere Gruppen nicht berücksichtigt werden. Aber in der allgemeinen Auflistungen der Werte ist ja auch nur ein Paarvergleich. Wieso ist also dann eine unterschiedliche Signifikanz ausgegeben?
Ich hoffe ihr konntet mir auch dieses mal folgen und ich bin auf eure Antworten gespannt!
Vielen Dank, einen schönen Sonntag noch und einen guten Start in die neue Woche!!
hier eine ganz allgemeine Antwort.
Wenn man unterschiedlich viele Gruppen in einen Test einbezieht, dann erhält man man ganz unterschiedliche Szenarios.
Betrachtet man nur 2 Gruppen, dann mögen diese sich signifikant unterscheiden. Je mehr Gruppen man hinzunimmt, umso mehr bekommt der Zufall eine Chance, und umso geringer fallen die signifikanten Werte -zwischen denselben Gruppen- aus.
Wenn dies nicht so wäre, dann bräuchte man ANOVA und die ganzen Post Hocs nicht, dann könnte man gleich paarweise jeder mit jedem testen.
das macht Sinn.
Ist es denn dann aber schlimm,wenn ich nun kleinere Gruppen bilde und die vergleiche? Oder wäre es ratsamer die Anfangsgruppe zu nehmen, wo noch alle Werte betrachtet werden?
Ich glaub mir gefällt das mit den kleineren Gruppen irgendwie besser, da ich dann auch einen rotern Faden durch meine Auswertung bekomme.
Ist es denn dann aber schlimm,wenn ich nun kleinere Gruppen
bilde und die vergleiche? Oder wäre es ratsamer die
Anfangsgruppe zu nehmen, wo noch alle Werte betrachtet werden?
Welche Gruppen du bilden solltest, hängt von deinen wiss. Fragestellungen ab und nicht von den erwarteten „Signifikanzen“.
Kleine Gruppen lösen u.U. Strukturmerkmale besser auf und damit lassen sich dann auch bzgl. dieser strukturellen Unterschiede bessere Aussagen treffen. Das kostet allerdings Trennschärfe. Wenn die Stichproben gros genug sind, sollte das aber kein Problem sein.
Beispiel: Will ich wissen, ob ein neues Medikament wirkt, vergleiche ich Messwerte einer Behandlungs-Gruppe mit denen einer Kontrollgruppe. Mag sein, dass mir hier je 30 Personen reichen würden, um einen relevanten Behandlungserfolg mit 95%iger Sicherheit finden zu können. Wenn ich Grund zur Annahme habe, dass das Medikament bei Frauen und Männern unterschiedlich wirken könnte, sollte ich Männer und Frauen in unabh. Gruppen untersuchen. Auch könnten Ethnien, Lebensgewohnheiten, Alter, Vorerkrankungen, genet. Eigenheiten usw. auch noch eine Rolle spielen. Wenn ich das alles mit meinen 50 Personen pro Gruppe aufdrösele, habe ich vielleicht (Teil-)Gruppen mit nur 2 oder 3 Personen, und damit hat man beim testen praktisch keine Power mehr. Mit insgesamt viel mehr Personen, so dass in jeder Teil-Gruppe noch mind. 30 Personen verbleiben, kann ich dann schon ganz gut untersuchen, ob alte gesunde Männer anders reagieren als jüngere Frauen mit Herzfehler usw…
Ich glaub mir gefällt das mit den kleineren Gruppen irgendwie
besser, da ich dann auch einen rotern Faden durch meine
Auswertung bekomme.
Na, dann mach das doch. Die Gruppen sollten nur nicht zu klein werden.
hier eine ganz allgemeine Antwort.
Wenn man unterschiedlich viele Gruppen in einen Test
einbezieht, dann erhält man man ganz unterschiedliche
Szenarios.
Betrachtet man nur 2 Gruppen, dann mögen diese sich
signifikant unterscheiden. Je mehr Gruppen man hinzunimmt,
umso mehr bekommt der Zufall eine Chance, und umso geringer
fallen die signifikanten Werte -zwischen denselben Gruppen-
aus.
Ausgehend davon, dass man einen Datansatz mit n Gruppen hat, bekommt man nicht „mehr Zufall“ wenn man sich statt 2 alle Gruppen ansieht, da der Datensatz und damit die Streuung fix ist.
Wenn dies nicht so wäre, dann bräuchte man ANOVA und die
ganzen Post Hocs nicht, dann könnte man gleich paarweise jeder
mit jedem testen.
Das ist ja auch viel sinnvoller. Es gibt das Phänomen der Inkohärenz und Inkonsonanz, welche die Fälle beschreiben, dass ein signifikanter globaler F-Test nicht automatisch zu einem signifikanten paarweisen Vergleich führen muss und umgekehrt.
Von daher sollte man sich fragen: Was will ich wissen und welchen Test brauche ich dafür?
Der Unterscheid der Werte kommt daher, dass die kritischen Werte bei T2 nach
√(si²/ni + sj²/nj)*√(Fg,1,ν)
berechnet werden, wobei
g = 1-(1-ε)2/(k(k-1))
ε = Experiment-weise error rate
ν = (si²/ni + sj²/nj)² / (si4/ni²*vi + sj4/nj²*vj )
k = Anzahl der Level für einen Effekt (i)
si = Standardabweichung für Level i
vi = Freiheitsgrade für level i (ni-1)
Bei unterscheidlicher Wahl der Gruppen verändert sich natürlich si, vi, nj und vj und dementsprechend werden die kritischen Werte anders berechnet.
Grüße,
JPL
Wenn dies nicht so wäre, dann bräuchte man ANOVA und die
ganzen Post Hocs nicht, dann könnte man gleich paarweise jeder
mit jedem testen.
Das ist ja auch viel sinnvoller. Es gibt das Phänomen der
Inkohärenz und Inkonsonanz, welche die Fälle beschreiben, dass
ein signifikanter globaler F-Test nicht automatisch zu einem
signifikanten paarweisen Vergleich führen muss und umgekehrt.
Von daher sollte man sich fragen: Was will ich wissen und
welchen Test brauche ich dafür?
Hallo,
ich möchte von meinen einzelnen Gruppen die Signifikanz überprüfen. Da es aber mehrere Gruppen sind ist es doch besser diese in Gruppen zusammenzufassen, oder? Dann vergleiche ich die Gruppen untereinander auf signifikanz und wollte das auch innerhalb der Gruppen machen.
Dafür wollte ich dann die einfaktorielle Varianzanalyse nehmen und den Tamhane T2 Test durchführen.
Also kann man das so machen?
Hallo,
ich möchte von meinen einzelnen Gruppen die Signifikanz
überprüfen.
Signifikanz ist immer ein Vergleich zu etwas (so wie eine Entfernung). Man kann also zwei Gruppen gegeneinander testen oder z.b. den Mittelwert einer Gruppe gegen einen festen Wert.
Da es aber mehrere Gruppen sind ist es doch besser
diese in Gruppen zusammenzufassen, oder?
Nur, wenn es inhaltlich Sinn macht. Dann stellt sich nur die Frage, wozu du sie erst in Gruppen aufgeteilt hast. Statistisch gibt es keine Notwendigkeit für ein zusammenfassen.
Dann vergleiche ich
die Gruppen untereinander auf signifikanz und wollte das auch
innerhalb der Gruppen machen.
Also bildest du größere Cluster, die du vergleichen willst und innerhlab von diesen willst du dann wieder Vergleiche zwischen den Gruppen machen?
Dann hast du so etwas wie ein genestetes desgign, bei dem du alle Abhängigkeiten modellieren kannst.
Dafür wollte ich dann die einfaktorielle Varianzanalyse nehmen
und den Tamhane T2 Test durchführen.
Also kann man das so machen?
Eine one-way ANOVA ist für den oben beschriebenen Fall nicht das richtige, weil du dann die Korelationen innerhalb der Cluster nicht richtig abbildest.
Eine one-way ANOVA ist für den oben beschriebenen Fall nicht
das richtige, weil du dann die Korelationen innerhalb der
Cluster nicht richtig abbildest.
Also ich hab mir das so gedacht. Ich hab eine Tabelle aufgestellt und nach den Mittelwerten geordnet von dem kleinsten bis zum größten Wert. Da bei der ANOVA zu viele Einzelpaare sind und es für mich zu schwierig ist auszuwerten habe ich Gruppen gebildet (die auch inhaltlich Sinn machen) da habe ich dann eine neue Tabelle gebildet und werte nun meine ergebnisse aus. das passt auch wunderbar. um nun aber wieder Rückschlüsse auf die allgemeine Tabelle zu ziehen (dir mir zu aufwendig bzw zu schwer zum auswerten ist) wollt ich die einzelnen Gruppen intern vergleichen, da ich dann auf die Tabelle bezug nehmen kann.
Ist ja blöd,wenn das nicht geht…
das wäre dann eine Subgruppenanalyse. Kann man machen, hat aber den Nachteil, dass sie eher unterpowert ist, als wenn man das ganze design adäquat analysiert.
Ausserdem: Umständlichkeit ist kein Grund etwas nicht zu machen.
Viele Grüße,
JPL