Hallo,
Für meine Thesenarbeit habe ich einen Fragebogen mit 38 Items erstellt. Damit habe ich Männer und Frauen (26 Frauen und 48 Männer haben geantwortet) zum Thema Kommunikation befragt. Die einzelnen Antworten haben eine Skala von 1 bis 4 (gar nicht - völlig). Alter etc. wurden nicht erfragt, d.h. ich habe jeweils nur das Geschlecht als Variable. Habe aus den Daten nun Häufigkeitstabellen erstellt, mit Cronbach alpha den Fragebogen überprüft (dabei auch einige Fragen gestrichen) und auf Normalverteilung kontrolliert. Ich möchte jetzt eigentlich mittels unabhängigen t-Test meine Hypothese prüfen.
Dabei erhalte ich für den F-Test die Werte F=2.723 und P=0.0041. Für den homogenen t-Test T=-3.177/P=0.0022 und für den heterogenen t-Test T=-2.7004/P=0.011.
Ist es richtig das F-Test signifikant ist und damit der homogene t-Test zum Tragen kommt? Ist der t-Test signifikant und damit die Nullhypothese bestätigt?
Da ich mich mit Statistik wenig bis gar nicht auskenne, habe ich Mühe die Werte zu interpretieren.
Kann mir jemand helfen?
Besten Dank
Hallo,
Dabei erhalte ich für den F-Test die Werte F=2.723 und
P=0.0041. Für den homogenen t-Test T=-3.177/P=0.0022 und für
den heterogenen t-Test T=-2.7004/P=0.011.
Ist es richtig das F-Test signifikant ist und damit der
homogene t-Test zum Tragen kommt? Ist der t-Test signifikant
und damit die Nullhypothese bestätigt?
Der F-Test überprüft die Nullhypothese, ob die Varianzen beider Gruppen gleich sind. Bei einem signifikanten Ergebnis (in der Regel p
Hallo,
Falk hat schon die richtige ANtowort gegeben. Ich habe nur noch eine Frage:
und
auf Normalverteilung kontrolliert.
Was genau hast du auf Normalverteilung geprüft und wie?
Die Antworten (Daten) können Werte zwischen -4 und +4 annehmen, richtig? Die _können_ also gar nicht normalverteilt sein. Das brauch man nicht mal prüfen.
Zum Test auf Normalverteilung noch eine Anmerkung: Wie beim F-Test ist hier die Null-Hypothese die „Wunsch“-Hypothese („die Daten SIND normalverteilt“). Wenn der Test „signifikant“ ist, heißt das, dass die Verteilung der Daten signifikant von der Normalverteilung ABWEICHT, dass die Daten also NICHT normalverteilt sind. Das Blöde ist aber, dass ein Test auf Normalverteilung mit empirischen Daten in aller Regel nur deshalb „nicht-signifikant“ bleibt, weil nicht ausreichend Daten vorliegen, um einen Unterschied zur Normalverteilung (statistisch) absichern zu können. Das ist ein Problem, wenn die Daten schief verteilt sind.
Wenn du mehr als 50 Werte je Gruppe hast, schlägt ein Test auf Normalverteilung meist an. Hier spielt allerdings die Verteilung der Daten selbst sowieso keine Rolle mehr, weil (nach dem zentralen Grenzwertsatz) die Mittelwerte(!), die du ja vergleichst, in praktisch jedem Fall näherungsweise normalverteilt sind (und der t-Test hinreichend robust ist gegen leichte Abweichungen von der Normalverteilung).
Bei weniger Daten und bei ordinalem Skalenniveau (wie bei Dir) sollte der t-Test nicht verwendet werden. Warum? Weil der t-Test bei schiefen Verteilungen falsche Ergebnisse liefert und weil die „Schiefe“ bei ordinalen Daten nicht bekannt ist (die „Abstände“ zwischen der „Werten“ sind nicht definiert und brauchen nicht äquidistant zu sein. Beispiel: mögliche Werte = {„vital“,„angeschlagen“,„krank“,„tot“}; der Unterschied zwischen „vital“ und „angeschlagen“ könnte nur marginal sein, während der Unterschied zwischen „krank“ und „tot“ eher gewaltig ist…).
Kann mir jemand helfen?
http://www.psycho.uni-osnabrueck.de/ggediga/www/pm98/
http://statistikforum.foren-city.de/
http://www.graphpad.com/articles/interpret/principle…
http://viles.zef.uni-oldenburg.de/navtest/viles2/
http://faculty.vassar.edu/lowry/webtext.html
http://www.statsoft.com/textbook/stathome.html
http://www.bmj.com/collections/statsbk/
LG
Jochen
Was genau hast du auf Normalverteilung geprüft und wie?
Die Antworten (Daten) können Werte zwischen -4 und +4
annehmen, richtig? Die _können_ also gar nicht normalverteilt
sein. Das brauch man nicht mal prüfen.
Hallo,
voerst vielen Dank für die schnellen Antworten und die Hilfe.
@Jochen - Die Antworten können einen Wert von 1 bis 4 annehmen.
Die Normalverteilung habe ich mit Kolmogorov-Smirnov-Test geprüft P=0.5503.
Gruss
Tobi
Hallo,
Die Antworten (Daten) können Werte zwischen -4 und +4
annehmen, richtig? Die _können_ also gar nicht normalverteilt
sein. Das brauch man nicht mal prüfen.
das ist kein wirkliches Argument, da empirische Werte generell nicht normalverteilt sind. Die Normalverteilung ist eine theoretische Verteilung. Was man mit Tests „auf Normalverteiltheit“ überprüft, ist, ob die empirische Verteilung nicht allzu stark (nicht signifikant) von dem Modell der Normalverteilung abweicht.
Die Sache mit dem Skalenniveau stimmt so auch nicht, wie Du sie beschrieben hast. Denn klar ist, daß sich die Schiefe bei ordinalskalierten Daten berechnen läßt. Das Problem ist ein anderes und in der Frage zusammengefaßt: „Ist das Ergebnis bedeutungsvoll im Sinne der Meßtheorie?“ Oder auch: „Bleibt die Bedeutung (im Sinne der Meßtheorie) bei zulässigen Transformationen auf Ordinalskalenniveau erhalten?“
Wenn die Antwort auf die Frage negativ ausfällt, folgt daraus aber nicht unbedingt, daß die Ergebnisse nutzlos sind. Das ist wiederum eine andere Frage. Näheres dazu beispielsweise bei Steyer und Eid „Messen und Testen“. Julius Springer: Berlin, Heidelberg usw.
Grüße,
Oliver Walter
Hallo,
Was man mit Tests „auf
Normalverteiltheit“ überprüft, ist, ob die empirische
Verteilung nicht allzu stark (nicht signifikant) von dem
Modell der Normalverteilung abweicht.
Genau dieses „nicht allzu stark abweicht“ ist das Problem. Oft - bei geringen Datensatzgrößen - reicht einfach die Menge an Daten nicht aus, um eine hinreichend starke Abweichung überhaupt erkennen zu können. Der Test bleibt nicht-signifikant, nicht weil die Abweichung nicht „allzu sark“ ist, sondern nur, weil zu wenige Daten vorliegen.
Die Sache mit dem Skalenniveau stimmt so auch nicht, wie Du
sie beschrieben hast. Denn klar ist, daß sich die Schiefe bei
ordinalskalierten Daten berechnen läßt.
Sicher kann man das, wenn man die ordinalen Stufen mit Werten kodiert. Die Art der Kodierung jedoch bestimmt die Schiefe, die ich berechne. Die Schiefe ist also nicht eine Eigenschaft der Daten, sondern eine Eigenschaft von Daten und Kodierung. Beispiel: Ich kann eine eigentlich metrische Variable ja auch ordinal skalieren (andersherum sind ordinalskalierte Variable nur solche, für die uns eine metrische Messgröße fehlt). Nehmen wir die Körpergröße erwachsener Mitteleuropäer. Die ist etwa normalverteilt und nicht schief. Wenn ich nun eine (hier offensichtlich(!) unpassende) Kodierung wähle wie:
sehr klein: 200cm
dann ist die Verteilung dieser auf’s ordinale Niveau runtergebrochenen Variable schief!
Das Problem ist ein
anderes und in der Frage zusammengefaßt: „Ist das Ergebnis
bedeutungsvoll im Sinne der Meßtheorie?“
Genau. S.o.
Oder auch: „Bleibt
die Bedeutung (im Sinne der Meßtheorie) bei zulässigen
Transformationen auf Ordinalskalenniveau erhalten?“
Genau. S.o.
Eigentlich habe ich das zu sagen versucht.
LG
Jochen
Hallo,
Genau dieses „nicht allzu stark abweicht“ ist das Problem. Oft
- bei geringen Datensatzgrößen - reicht einfach die Menge an
Daten nicht aus, um eine hinreichend starke Abweichung
überhaupt erkennen zu können.
unbestritten richtig.
Sicher kann man das, wenn man die ordinalen Stufen mit Werten
kodiert.
Ja, darauf wollte ich hinaus und auf das Problem, daß die Bedeutung zulässige Transformationen anwendet.
Eigentlich habe ich das zu sagen versucht.
Gut. Dann sind wir uns einig.
Beste Grüße,
Oliver