Cartes mémoires Methoden der Unterschiedsprüfung (Seite 2 von 3)

Cartes-fiches	90
Langue	Deutsch
Catégorie	Psychologie
Niveau	Université
Crée / Actualisé	25.01.2023 / 03.07.2024
Lien de web	https://card2brain.ch/box/20230125_methoden_der_unterschiedspruefung
Intégrer	<iframe src="https://card2brain.ch/box/20230125_methoden_der_unterschiedspruefung/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Voraussetzungen & Nutzen Fehlerterm?

Normalverteilung (damit Verteilung F-Bruch bekannt)
Erwartungswert 0 (technisch, damit Grand Mean nicht verändert wird)
Varianz für alle Zellen (aka Stichproben) gleich (da unter H0 aus derselben GG gezogen)

Fehlerterm macht aus Messwertvariable erst Zufallsvariable!

Welche Aussagen zu ungleichen Stichproben in mehrfaktoriellen Designs sind falsch?

Sie sind ein massives Problem, da Tests von HE und Interaktionen nicht mehr unabhängig sind.

Die totale QS ist nach wie vor die Summe der QS der Effekte

Es gibt insgesamt 4 Lösungsansätze in Form von Typ I - VI-Summen

Geichmachen der Stichproben kann über Rauswerfen/ Nacherheben von VP erreicht werden

Eine derzeit unbeliebte Methode des "Gleichmachens" ist das multiple Imputieren

Welche Aussagen zur Auswertung einzelner Effekte bei der mehrfaktoriellen ANOVA stimmen?

Kontraste & Post-hoc-Tests dürfen nur ausgewertet werden, wenn eine Interaktion vorliegt

Falls eine Interaktion vorliegt, sollte man eine simple effects analysis oder interaction comparism machen

Eine simple effect analysis ist eine univariate ANOVA innerhalb der Faktorstufen

Ein interaction comparism kann man in SPSS einfach im Dialogfeld auswählen

Man kann innerhalb der simple effect analysis Kontraste berechnen

Rechnet man eine simple effect analysis, hat man verschiedene Kontrastoptionen. Was stimmt?

"Abweichung" vergleicht jede Stufe mit Grand Mean

"Helmert" vergleicht jede Stufe mit allen kleineren Faktorstufen

"Wiederholt" vergleicht aufeinanderfolgende Faktorstufen

Es gibt sechs Verfahren zur Auswahl, andere sind in SPSS nicht berechenbar

"Einfach" vergleicht jede Stude mit einer Referenzkategorie (erste/letzte Stufe)

Welche Aussagen zur ANOVA mit Messwiederholung stimmen?

Die Messwerte müssen auf der gleichen Skala interpretierbar sein.

Es handelt sich um eine between-Messung, d.h. man hat pro VP mehrere Messwerte.

Das Merkmal sollte auf alles Stufen des MWH-Faktors normalverteilt sein.

Spharizitätsannahme sollte nicht verletzt werden.

Die Korrelation zwischen allen Messzeitpunkten sollte zunehmen

Erkläre die Spharizitätsbedingung:

= Zirkularitätsbedingung

nur wenn MWH-Faktor > 2 Stufen
Korrelation der Messwerte zwischen allen Messzeitpunkten gleich
oft verletzt (insbesondere bei unterschiedlichen zeitlichen Abständen)
Überprüfung: Mauchly-Test (sollte nicht signifikant werden)

Welche Aussagen zum Umgang mit Verletzungen der Spharizitätsannahme stimmen?

Wenn der Mauchly-Test hochsignifikant (<.01) wird, kann man sie ignorieren

Eine Adjustierung der df kann helfen

Man kann das Design multivariat via Profilanalyse auswerten

man kann bei multifaktoriellen MWH-ANOVAs die Friedman-Varianzanalyse verwenden

Linear Mixed Models taugt auch als Lösung

Welche Aussagen zu Lösungen bei Verletzung der Zirkularitätsbedingung sind falsch?

Zur Adjustierung der Freiheitsgrade kann ich Greenhouse-Geisser verwenden

Zur Adjustierung der df kann ich Hunyh-Feldt verwenden

Zur Adjustierung der df kann ich Mauchly verwenden

Die Friedman-Varianzanalyse ist ein parametrisches Äquivalent zur MWH ANOVA

Die Friedman-Varianzanalyse kann ich nur bei einfaktorieller MWH-ANOVA verwenden

Welche Aussagen zur einfaktoriellen ANOVA within stimmen?

Es gibt einen Schätzer für den Effekt der VP, der aus deren Messungen berechnet wird

Der Fehlerterm ändert sich nicht und enthält weiterhin allein den Einfluss der VP

Der Fehlerterm wird in zwei Komponenten zerlegt: Einfluss VP & Fehler

Der VP-Effekt ist ein fester Effekt, da er über alle Zeitpunkte hinweg gleichermaßen erwartet wird

Der Faktoreffekt ist ein fester Effekt, da er durch die VL festgelegt & manipuliert wird

Welche Aussagen sind korrekt?

Der VP-Effekt ist ein random effect, da die VP zufällig ist & bei einer anderen Untersuchung anders wäre

Die VP wird auch als "Block" bezeichnet

Die MWH-ANOVA heißt auch Random-Block-Design, da die VP random ist

Die MWH-ANOVA heißt auch Fixed-Block-Design, da die Messzeitpunkte fest sind

Welche Aussagen sind zur einfaktoriellen MWH-ANOVA korrekt?

Die Abweichung der VPn ist in der Population normalverteilt mit Erwartungswert = 0

Der Fehlerterm ist unabhängig von den VP-Faktoren

Der Fehlerterm hat den Erwartungwert 1

Die Spherizitätsannahme gilt nur bei über 3 Faktorstufen

Sind die Zeitabstände der Faktorstufen gleich lang, kann Spherizität angenommen werden

Welche Aussagen zur univariaten & unifaktoriellen MWH-ANOVA sind falsch?

n-1 sind die df für SS_VPn

Die Freiheitsgrade der Fehler-QS berechnen sich ähnlich wie bei den Interaktionstermen der zweifakt. ANOVA

Eine häufige Forschungsfrage ist, ob VPn verschieden sind

Es gibt zwei in SPSS vorhandene Möglichkeiten als nonparametrische Alternative zu mehrfakt. ANOVA

Nenne Gründe für und gegen eine within-ANOVA:

Pro:

effizienterer Ablauf v. Experimenten
kleine Effekte sind leichter zu entdecken, bei systematisch stabilen Unterschieden zwischen VPn
bestimmte Fragestellungen zwingen zu mehrfacher Erhebung einer VP (z.B. Aufgabenwechselkosten)
potenziell weniger empfindlich bei Interaktionen von VP und Zeitpunkt & wenig systematischer Unterschiede zwischen VPn

Contra:

Verletzung der Spharizität hoch wahrscheinlich bei vielen Anwendungsfällen --> Profilanalyse braucht diese Annahme nicht (wenn Rechner vorhanden, eig. kein Grund für Verwendung des klassischen Verfahrens)

Missing Data bei MWH-Designs: Was stimmt?

Nacherheben ist meistens kein Problem

Casewise deletion als Standardeinstellung vieler Programme

Casewise deletion nur sinnvoll, wenn viele Fälle zufällig über Gruppen verteilt, unvollständig sind

Man könnte eine Analyse mit und ohne missing data berechnen & vergleichen

Missing data kann Data an sich sein & z.B. als Prädiktor in Analysen aufgenommen werden

Missing Data bei MWH-ANOVA: was ist falsch

Casewise deletion ist nur akzeptabel, wenn wenige Fälle zufällig über Stichproben verteilt, unvollständig

A-priori-Schätzung, Zellmittelwert und multiple Regression sind keine Methoden, um fehlende Daten zu schätzen

Schätzverfahren wie Erwartungswertmaximierung & multiple Imputation können zur Schätzung fehlender Werte genutzt werden

Schätzen fehlender Werte als Königsweg, da man Daten erzeugt, wo vorher keine waren

Das Thema wurde in der VL nur sehr oberflächlich behandelt

Was ist bzgl. Split-Plot-ANOVA korrekt?

Der Messwertvektor einer VP wird als Profil bezeichnet

Die Messwertreihe über dem MWH-Faktor nennt man Profil, Verlaufskurve (oder allgemein Messwertvektor)

Wenn es einen MW-Unterschied zwischen den Gruppen gibt, spricht das für eine Interaktion

Wenn es Unterschiede in den Gruppenprofilen gibt, spricht das für eine Interaktion

Wenn die Profile flach sind, gibt es kein Between-HE

Welche Aussagen zum Datenmodell einer Split-Plot ANOVA sind korrekt?

entspricht dem Datenmodell einer univariaten + eine Variable für den Effekt der VP

Die Interaktion der VP mit dem within-Faktor und der Fehlerterm können nicht separat geschätzt werden

Es gibt eine Variable, welche die Interaktion des Within & Between-Faktors modelliert

Die df_total berechnen sich so: n*k*l

Die df_total berechnen sich so: n*k*l-1

Welche Aussagen bzgl. des F-Bruchs bei Split-Plot-ANOVAS stimmen?

Der F-Bruch hängt von fixed/random effects ab

Falls feste Effekte, wird between "normal" geprüft (wie bei vorherigen ANOVA)

Falls random effects wird "normal" geprüft (wie bei vorherigen ANOVA)

Bei random effects werden Schätzer so konstruiert, dass sie sich um Varianzbeitrag des geprüften Effekts unterscheiden

Welche Aussagen zur Profilanalyse sind korrekt?

= Anwendung einer MANOVA auf eine Umformung der Daten eines MWH-Designs

In SPSS = univariate Tests

Eine Profilanalyse zur Auswertung eines MWH-Designs ist inzwischen üblich

Der Umfang der kleinsten Stichprobe sollte größer sein als die Anzahl der Stufen des MWH-Faktors

Es wird Spherizität angenommen, robust gegen Verletzungen bei n > 30

Beschreibe die Voraussetzungen einer Profilanalyse bei MWH-Designs. Was gibt es zu beachten?

Umfang der kleinsten Stichprobe > Anazahl der Stufen des MWH-Faktors
Ungleiche Zellgrößen (---> nicht-Orthogonalität) weniger problematisch, da einuelne Forschungsfragen wie in einfakt. ANOVA getestet
Spherizitätsannahme nicht gebraucht
NV-Annahme unkritisch, solange Bedingung 1 erfüllt & Stichproben gleich groß
Outlier beeinflussen Profilanalyse stark
bei gleichen Stichproben ist Annahme der Varianzhomogenität (Hier Varianz-Kovarianz-Matrix) unkritisch

Welche Aussagen multivariaten Tests sind falsch?

Pillai-Spur gilt als robustester Test

Wilks-lambda & Hotelling Spur sind schwächer als die Pillai Spur

Wilks lambda wird häufig berichtet, da in vielen Paketen berechnet

SPSS gibt insgesamt drei Tests aus: Pillai-Spur, Wilks lambda und größte charakteristische Wurzel nach Roy

Die Pillai Spur ist insbesondere robuster bei ungleichen Zellgrößen

Profilanalyse: SPSS-Output "Tests der Innersubjektkontraste" ist nur sinnvoll zu interpretieren, wenn...

... die Abstände der MWH-Faktorstufen gleich sind (da auf den Stufen mögliche Verlaufsformen geprüft werden)

Muss man bei der Profilanalyse angeben, auf welche Statistik man sich bezieht?

Ja (z.B. Greenhouse Geisser)

Nein

Womit kann man bei nonparametrischen Verfahren eines Split-Plot-Designs Einzelvergleiche rechnen?

t-Test

Wilcoxon-Test

Friedman-Varianzanalyse

Vorzeichentest

Kendall-W-Test

Welche nonparametrischen Verfahren kann man für ein Split-Plot Design anstelle der ANOVA auswählen?

t-Test

Wilcoxon-Test

Kendall-W-Test

Friedman-Varianzanalyse

Vorzeichentest

Welche standardisierten Effektstärkemaße für ANOVAs haben wir kennengelernt?

Cohens d
Pearson r
Determinationskoeffizienten eta_quadrat
Omega_quadrat

Welche Aussagen zu eta_quadrat stimmen?

zeigt uns den Anteil aufgekärter Varianz an

ist ein erwartungstreuer Schätzer

Bei komplett gekreuzten Designs + gleich großen Stichproben gilt Additivität

Die Größe des einzelnen Wertes hängt von Anzahl & Stärke anderer Effekte im Modell ab

Das partielle eta_quadrat zeigt uns die unique Varianzaufklärung des Effekts an

Welche Aussagen zu eta_quadrat stimmen?

Im Kontext mehrfaktorieller ANOVA wird meist das partielle eta_quadrat angegeben

Beim partiellen Eta-Quadrat gilt Additivität

Eine erwartungstreue Alternative für einfaktorielle ANOVAs (between) mit gleich großen Stichproben ist omega_quadrat

Es gibt für jede Art von ANOVA eine erwartungstreue Alternative

Welche Aussagen zu ungleichen Zellbesetzungen bei mehrfaktoriellen ANOVA sind korrekt?

Problem, weil QS_total nicht mehr die Summs der QS der Effekte ist

Tests der HE und Interaktionen sind nach wie vor unabhängig voneinander

Zellbesetzungen können durch zufälliges Ausschließen von Datensätzen und Ersetzen von Daten gleich gemacht werden

Hier können Typ I-VI Quadratsummen verwendet werden

Die UVs in der ANOVA sind dann nicht mehr orthogonal

Was sind falsche Aussagen zur Typ-III-QS?

muss eingestellt werden, Typ-I als Default

entspricht am ehesten der "normalen" Interpretation der Effekte

gemeinsame Varianz wird nicht berücksichtigt, nur unique Beitrag der Faktoren

einzige Methode, mit der keine vollständige faktorielle ANOVA getestet werden kann

Was sind korrekte Aussagen zu Typ-I-QS?

heißen auch hierarchisch oder sequentiell

Es werden geteilte Varianzen nicht berücksichtigt, nur unique Beitrag der Faktoren

Ergebnisse hängen von Reihenfolge, in der Faktoren ins Modell kommen, ab

es gilt Additivität (Summe der QS ist SS_total)

es ist die Standardeinstellung in SPSS

Was sind korrekte Aussagen zu simple effects?

Wenn die Interaktion signifikant ist & mind. ein HE nicht, kann man sie mal anschauen

sie dienen einer oberflächlichen Analyse der Interaktion

entsprechen einfaktorieller ANOVA auf den einzelnen Stufen

wegen der Teststärke: Fehlervarianz aus der "großen" ANOVA wird verwendet

Welche Aussagen zu Interaktionskontrasten sind falsch?

Macht immer Sinn, sobald signifikante Mehrfachinteraktionen vorliegen

Hat man a-priori-Hypothesen betrachtet man Interaktionsdiagramme & interpretiert diese

Berechnung erfolgt über Einfügen geeigneter Syntax und der Kontrastkoeffizientenmatrix in SPSS

Die Kontrastkoeffizientenmatrix entsteht aus dem Kreuzprodukt der Randvektoren

Nicht beachtete Stufen erhalten die Codierung (-1)

Was ist ein saturiertes Modell?

Def.: Modell, das alle Infos in Daten vollständig ausschöpft (also 3-/4-fach Interaktionen enthält)

Wieso verwende ich eine Kovariate in der ANCOVA?

Sie hängt irgendwie mit AV zusammen, interessiert mich aber eigentlich nicht

Um zu schauen, wie ihr Einfluss auf die AV aussieht

Um leichter signifkante MW-Unterschiede zu finden

Um einen größeren F-Bruch zu erhalten

Um die Fehlervarianz zu maximieren

Nenne Bedingungen, unter denen eine Variable als KV geeignet ist:

Starker linearer Zusammenhang zwischen AV und KV
KV aus inhaltlichen Gründen nicht interessant
Mittelwerte der KV unterscheiden sich nicht für Gruppen
Zusammenhang zwischen KV und AV ist für alle Gruppen gleich
KV wurde a-priori festgelegt
Nur wenige KV vorhanden

Welche Aussagen sind korrekt?

Die Homogenität der Varianzen bei der ANCOVA überprüfe ich mittels Typ-III-QS

bei univariatem Design und einer metrischen Kovariate = MANCOVA

Die MANCOVA ist between & within berechenbar

Die Roy-Bargmann-Stepdown-Analyse testet die Homogenität der Varianzen in der ANCOVA

Welche Aussagen sind korrekt?

MANOVA ist teststärker als univariate Analysen

multivariate Outlier haben einen starken Einfluss

Die Stepdown-Analyse verschlechtert Problem korrelierter AVn

Box´s M untersucht multivariate Varianzhomogenität

Wenn die Gruppen gleich groß sind, ist NV-Annahme unproblematisch

Welche Aussage ist falsch?

Die Kovariaten der ANCOVA sind metrisch

Man berechnet Residuen, um diese als UV in die ANOVA aufzunehmen und damit den Fehler zu maximieren

Mit Kovariate wird die Abweichung der zufälligen Fehler von der Regressionsgerade betrachtet

Es ist kein Problem, wenn die Kovariaten-Mittelwerte der Gruppen stark unterschiedlich sind

Wie sieht im Gegensatz zur Roy-Bargmann Stepdown-Analyse das klassische Vorgehen aus? Probleme?

(so auch in SPSS):

1) Berechnung MANOVA

2) Berechnung univariater ANOVAs auf den einzelnen AVn

Probleme:

viele Einzeltests, alpha-Adjustierung nötig
bei korrelierten AVn (Normalfall!) sind Einzeltests nicht unabhängig voneinander (keine Standardadjustierung vorhanden, man nehme Stepdown-Analyse)

Methoden der Unterschiedsprüfung

Créer ou copier des fichiers d'apprentissage

Créer ou copier des fichiers d'apprentissage

Connecte-toi pour voir toutes les cartes.

SWITCHaai

Office 365

Edulog

Apple ID

Google