Hallo Experten,
ich bearbeite gerade einen Artikel aus dem Fachgebiet der Neuropsychologie : (http://www.psych.nyu.edu/carrascolab/publications/Li…).
Zum testen der Hypothese wird eine ANOVA durchgeführt, und liefert folgendes Ergebnis:
“A withinsubjects two-way analysis of variance (ANOVA) on the log-transformed thresholds revealed a main effect of duration (F1,517 = 10.62, P
Auch hallo.
“A withinsubjects two-way analysis of variance (ANOVA) on the
log-transformed thresholds revealed a main effect of duration
(F1,517 = 10.62, P
Hallo Experten,
“A withinsubjects two-way analysis of variance (ANOVA) on the
log-transformed thresholds revealed a main effect of duration
(F1,517 = 10.62, P
Hallo und vielen dank für die schnelle Antwort!
also ich weiß jetzt nicht genau, ob du nicht genau versteht
was haupteffekt und interaktion sind, oder ob es dir um die
interpretation der zahlen geht.
Danke, dass du noch einmal genauer nachfragst ich hatte beides nicht verstanden (Interpretation der Zahlenwerte und die Begriffe Haupteffekt&Interkation).Aber wenn ich dich richtig verstanden habe ist die Kernaussage:
Hallo nochmal.
Für was stehen die F-Werte?
Da man bei dem verlinkten Versuch keine richtigen Zahlenwerte (und damit den Rechenweg) gezeigt bekommen hat: das sind die errechneten Werte einer Vorschrift unter Beachtung von Freiheitsgraden. Als solche lassen diese sich in einer Tablle der F-Verteilung wiederfinden.
mfg M.L.
Sorry, bitte noch eimal für ganz blöde 
.
In Bezug auf das hier angegebene Beispiel bedeuten die beiden F-Werte konkret?
Robert schreibt: „allerdings sind die F-Werte bei beiden effekten eher gering“
-> Was bedeutet ein geringer F-Wert?
-> Woran „seht“ ihr, dass die F-Werte gering sind?
Hallo!
Jetzt weißt Du ja schon was Haupteffekt und Interaktion sind.
Der F-Wert in der jeweiligen Statistik ist ein Quotient gebildet aus den gefundenen Daten in der Stichprobe, und zwar einmal wird in dem Quotienten die Streung des Effektes oder der Interaktion geschätzt (Zähler), und einmal die übrige Streuung (Nenner).
Diese Schätzung folgt einer durch das Modell der VA determinierten Verteilung für mehrere gemeinsam verteilte Zufallsvariablen, d.h. man kann abbilden, wie sich dieser Quotient verteilt (mit welchen Wahrscheinlichkeiten er wie groß wird, wenn wir keinen Haupteffekt und keine Interaktion annehmen würden).
Unter der H0 ist der Erwartungswert für diesen Quotienten= 1. Eine Abweichung von 1 macht - immer im Verhältnis zum Stichprobenumfang betrachtend - die Annahme der Alternativhypothese „fehlerunwahrscheinlicher“, je größer der Quotient als 1 wird.
Das Problem bei diesem Artikel ist schon erwähnt: die Stichprobe ist viel zu groß.
Zudem gibt es ja bei diesem Versuchsdesign zwei mögliche Haupteffekte und einen möglichen Interaktionseffekt (wobei für jedes der Quotient unabhängig bestimmt wird; der Quotient wird übrigens auch Teststatistik genannt).
Liegt generell ein Interaktionseffekt vor, so lassen sich die Haupteffekte nicht mehr sinnvoll interpretieren. Eine Interaktion ist imstande, einen Haupteffekt vorzutäuschen, da die VA leider nicht perfekt ist und in solchem Fall zu falscher alamierung neigt. Den Haupteffekt könnte man bei dieser Interaktion nur interpretieren, wenn man ihn in einem POST-HOC-Test nachträglich gezielt kontrastiert.
Der Artikel scheint also tatsächlich methodisch auf den ersten Blick einige Mängel aufzuweisen.
LG
Patrick
Hallo,
Ein Haupteffekt ist in der Statistik ein genau definiertes Fachwort und bezeichnet den Einfluss EINER unabhängigen Variable (UV). In einer „two-way analysis of variance“ werden 2 UVs untersucht, es gibt also 2 Haupteffekte (im Beispiel sind das „duration“ und „attention“). Der Begriff ‚Haupteffekt‘ hat NICHTS mit der Stärke zu tun!
Die Interaktion , ebenfalls ein in der Statistik genau definiertes Fachwort, ist das GEGENSTÜCK zu den Haupteffekten (also nicht etwa der Nebeneffekt - das gibt es in der Statistik nicht!!). Interaktionen sind Wirkungen, die sich NICHT ALS SUMME von Haupteffekten erklären lassen.
Dazu ein Beispiel:
Betrachten wir leistungsorientierte (LO) und leistungsvermeidende (LV) Studenten, denen wir schwere oder leichte Aufgaben stellen. Die Leistungsbereitschaft ist der eine, die Schwere der Aufgaben ist der andere Haupteffekt. Wir messen nun in irgendeiner Form den Aufwand (sagen wir auf einer Skala von 1 - 10 für wenig bis viel Aufwand), den die Studenten in die Lösung der Aufgaben investieren.
Nehmen wir mal an, es gäbe keine Interaktionen. Nehmen wir weiterhin an, der Aufwand wäre proportional zum Schwierigkeitsgrad. Ein plausibles Ergebnis wäre dann zB. folgendes:
LV LO
leichte Aufg. 2 6
schwere Aufg. 5 9
Der Haupteffekt „Schwierigkeitsgrad“ ist +3 [unabhängig von der Gruppe!], der Haupteffekt „Leistungsbereitschaft“ ist sogar +4 [unabhängig vom Schwierigkeitsgrad!].
Interaktion bedeutet nun, dass die Haupteffekte nicht unabhängig wirken. So könnte man sich denken, dass die LOs von leichten Aufgaben gelangweilt werden und von schweren Aufgaben herausgefordert werden. Gleichzeitig könnten die LVs genausogut von schweren Aufgaben völlig demotiviert werden. Eine Tabelle mit Interaktion könnte damit so aussehen:
LV LO
leichte Aufg. 5 2
schwere Aufg. 1 10
In diesem Beispiel kann man auch die Haupteffekte ausrechnen (Schwierigkeit: (10+1)/2 - (5+2)/2 = 2; Leistung: (2+10)/2 - (5+1)/2 = 3), allerdings haben diese Angaben keinen rechten praktischen Sinn mehr, weil die Effekte jetzt ja jeweils massiv vom jeweils anderen Faktor abhängen.
Etwas klarer jetzt?
LG
Jochen
Ok, ich habe jetzt verstanden was Haupteffekt und Interaktion sind und ich weiß auch was der F-Wert bedeutet. Was mir noch nicht ganz klar ist (was aber sehr wichtig für meine Arbeit ist) warum die Untersuchung methodische Schwächen aufweist. Ich versuche es mal aus meiner Sicht zu erklären, bitte korrigiert mich!
Mir ist klar, dass aufgrund der existierenden Interaktion die F-Werte der beiden Haupteffekte wenig aussagekräftig sind. Das ist ja an sich nichts “schlimmes”, sondern nur ein Ergebnis, das richtig interpretiert werden muss ABER da in dem zitierten Satz auch der Haupteffekt “duration” aufgeführt ist, könnte suggeriert werden dass “duration” die AV unabhängig von der anderen UV beeinflusst haben
könnte (was aufgrund der Interaktion nicht geschlussfolgert werden kann).
“Die Anzahl der Stichproben ist viel zu Hoch”
Das verstehe ich nicht. Inwiefern beeinflusst die Anzahl der Stichproben den F-Wert (aus mathematischer Sicht)? Könntest du ein kleines Rechenbeispiel anhand des existierenden Beispiels von Jochen machen (ein Posting nach dir)? Oder kritisierst du die Anzahl der Treatments der UV “duration”?
Anmerkung: Die genaue Anzahl der Stichproben ist im Artikel überhaupt nicht angegeben, woraus schlussfolgert ihr, dass die Anzahl der Stichproben sehr groß sein muss?
Anzahl der stichproben = 4 (Subjekte) * 2 (1. UV) * 10 (2. UV) * A (Anzahl der Tests pro Subjekt und Variablenkombination – nicht angegeben).
Ist eigentlich auch die geringe Anzahl von Subjekten (4 Subjekte davon ein Subjekt befangen) zu kritisieren, oder sind 4 Subjekte für so ein Experiment „normal“?
Viele Grüße
Etwas klarer jetzt?
Perfekt! Jetzt habe sogar ich es verstanden . Danke!
Interpretation des p-Werts
Hallo,
P
F-Wert
Hallo,
In Bezug auf das hier angegebene Beispiel bedeuten die beiden
F-Werte konkret?
Die F-Werte sind Prüfgrößen. Aus ihnen werden die p-Werte abgeleitet. Aufgrund dieser entscheidet man sich schließlich, ob man die Nullhypothese beibehalten oder Ablehnen möchte. Im Beispiel wurden beide Nullhypothesen abgelehnt.
Robert schreibt: „allerdings sind die F-Werte bei beiden
effekten eher gering“
-> Was bedeutet ein geringer F-Wert?
-> Woran „seht“ ihr, dass die F-Werte gering sind?
Ich sehe keinen Grund, aus dem einen „höchst“-signifikanten F-Wert als klein bezeichnen könnte. „Der F-Wert ist groß“ ist eine andere Sprechweise für „Das Auftreten eines solchen oder größeren F-Werts“ ist unter der Annahme der Nullhypothese sehr unwahrscheinlich.
Falk
Einspruch!
Hallo!
Der F-Wert in der jeweiligen Statistik ist ein Quotient
gebildet aus den gefundenen Daten in der Stichprobe, und zwar
einmal wird in dem Quotienten die Streung des Effektes oder
der Interaktion geschätzt (Zähler), und einmal die übrige
Streuung (Nenner).
F_A=MS_A/MS_W.
Unter der H0 ist der Erwartungswert für diesen Quotienten= 1.
Ja.
Eine Abweichung von 1 macht - immer im Verhältnis zum
Stichprobenumfang betrachtend - die Annahme der
Alternativhypothese „fehlerunwahrscheinlicher“, je größer der
Quotient als 1 wird.
Die Wahrscheinlichkeit, die Alternativhypothese fälschlicherweise anzunehmen, ist das Signifikanzniveau Alpha, und somit von der Größe der Stichprobe unabhängig.
Das Problem bei diesem Artikel ist schon erwähnt: die
Stichprobe ist viel zu groß.
Ja, die Stichprobe ist sehr klein. Allerdings kann man dagegenhalten, dass es pro Versuchsperson sehr viele Messungen gab. Dadurch wird die Varianzanalyse anwendbar. Zudem handelt es sich um ein allgemeinpsychologisches Phänomen. Daher könnte man annehmen, dass die intersubjektiven Unterschiede sehr gering sind. Ich stimme Dir aber zu, dass die geringe Stichprobengröße ein methodischer Mangel ist.
Liegt generell ein Interaktionseffekt vor, so lassen sich die
Haupteffekte nicht mehr sinnvoll interpretieren.
Wenn Faktor A einen signifikanten Haupteffekt hat, geht man davon aus, dass nicht alle Zeilenmittelwerte gleich sind. Das ist alles. Diese Interpretation ist unabhängig davon, ob es Interaktionseffekt gibt oder nicht. Wenn man sich mit dieser Information nicht zufriedengeben will, muss man Kontrasthypothesen testen.
Eine Interaktion ist imstande, einen Haupteffekt vorzutäuschen, da
die VA leider nicht perfekt ist und in solchem Fall zu
falscher alamierung neigt.
Die Irrtumswahrscheinlichkeit beträgt unabhängig davon, ob ein Interaktionseffekt vorliegt oder nicht, Alpha. In der Berechnung der Prüfgröße und der Herleitung ihrer Verteilung wird nirgendwo die Annahme getroffen, dass kein Interaktionseffekt vorliegt.
Der Artikel scheint also tatsächlich methodisch auf den ersten
Blick einige Mängel aufzuweisen.
Dem kann ich lediglich in Bezug auf die Stichprobengröße zustimmen.
Viele Grüße,
Falk