Überlegungen zu Daten für Vollständig geschachtelte ANOVA

Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.

Die Daten dürfen nur kategoriale Faktoren enthalten, die zufällig und geschachtelt sind.

Wenn das Design Kovariaten, feste Faktoren oder gekreuzte Faktoren enthält, verwenden Sie Allgemeines lineares Modell anpassen.

Weitere Informationen zu Faktoren finden Sie unter Faktoren und Faktorstufen, Was sind Faktoren, gekreuzte Faktoren und geschachtelte Faktoren? und Wodurch unterscheiden sich feste Faktoren und Zufallsfaktoren?.

Das Design muss vollständig geschachtelt sein.

Minitab passt ein hierarchisches vollständig geschachteltes Modell mit der Schachtelung an, die entsprechend der Reihenfolge der Faktoren im Feld Faktoren durchgeführt wurde. Wenn Sie die Faktoren A B C eingeben, erhalten Sie die folgenden Modellterme:

• A
• B geschachtelt in A
• C geschachtelt in B, geschachtelt in A

Sie müssen die Schachtelung nicht wie bei der ANOVA für balancierte Daten oder beim allgemeinen linearen Modell angeben.

Die Schachtelung muss nicht balanciert sein. Ein geschachtelter Faktor muss über mindestens zwei Stufen auf einer Stufe des schachtelnden Faktors verfügen. Wenn Faktor B in Faktor A geschachtelt ist, können unterschiedliche viele Stufen von B in den einzelnen Stufen von A vorhanden sein. Darüber hinaus können die Indizes, mit denen die Stufen von B angegeben werden, in den einzelnen Stufen von A variieren. Wenn das vollständig geschachtelte Modell jedoch nicht balanciert ist, kann Minitab nicht die F-Werte und p-Werte berechnen.

Minitab verwendet für alle Berechnungen in Vollständig geschachtelte ANOVA sequenzielle Summen der Quadrate (Typ I). Verwenden Sie Allgemeines lineares Modell anpassen, wenn korrigierte Summen der Quadrate verwendet werden sollen.

Wenn das Design nicht vollständig geschachtelt ist, verwenden Sie Allgemeines lineares Modell anpassen.

Die Antwortvariable sollte stetig sein

Wenn die Antwortvariable kategorial ist, besteht eine geringere Wahrscheinlichkeit, dass das Modell die Annahmen der Analyse erfüllt, die vorliegenden Daten genau beschreibt oder eine Grundlage für nützliche Prognosen darstellt.

• Wenn die Antwortvariable zwei Kategorien enthält, z. B. „Bestanden“ und „Nicht bestanden“, verwenden Sie Binäres logistisches Modell anpassen.
• Wenn die Antwortvariable drei oder mehr Kategorien mit einer natürlichen Rangfolge aufweist, z. B. „Starke Ablehnung“, „Ablehnung“, „Neutral“, „Zustimmung“ und „Starke Zustimmung“, verwenden Sie Ordinale Logistische Regression.
• Wenn die Antwortvariable drei oder mehr Kategorien ohne natürliche Rangfolge aufweist, z. B. Kratzer, Delle und Riss, verwenden Sie Nominale Logistische Regression.
• Wenn mit der Antwortvariablen Ereignishäufigkeiten gezählt werden, z. B. die Anzahl der Fehler, verwenden Sie Poisson-Modell anpassen.

Jede Beobachtung sollte unabhängig von allen anderen Beobachtungen sein

Wenn die Beobachtungen voneinander abhängen, sind Ihre Ergebnisse möglicherweise ungültig. Untersuchen Sie die folgenden Aspekte, um festzustellen, ob die Beobachtungen unabhängig sind:

• Wenn eine Beobachtung keine Informationen über den Wert einer anderen Beobachtung liefert, sind die Beobachtungen unabhängig.
• Wenn eine Beobachtung Informationen über den Wert einer anderen Beobachtung liefert, sind die Beobachtungen voneinander abhängig.

Die Stichprobendaten sollten nach dem Zufallsprinzip ausgewählt werden

Mit Zufallsstichproben werden Verallgemeinerungen zu einer Grundgesamtheit angestellt und Schlussfolgerungen zu dieser gezogen. Wenn die Daten nicht nach dem Zufallsprinzip erfasst wurden, stellen die Ergebnisse u. U. nicht die Grundgesamtheit dar.

Orientieren Sie sich bei der Datenerfassung an optimalen Vorgehensweisen

Befolgen Sie die folgenden Richtlinien, um sicherzustellen, dass Sie gültige Ergebnisse erhalten:

• Vergewissern Sie sich, dass die Daten repräsentativ für die Grundgesamtheit von Interesse sind.
• Erfassen Sie eine ausreichende Datenmenge, um die notwendige Präzision zu erzielen.
• Messen Sie Variablen so genau und präzise wie möglich.
• Zeichnen Sie die Daten in der Reihenfolge auf, in der sie erfasst werden.

Das Modell sollte gut an die Daten angepasst sein

Wenn das Modell nicht gut an die Daten angepasst ist, können die Ergebnisse irreführend sein. Bestimmen Sie anhand der Residuendiagramme in der Ausgabe, wie gut das Modell an die Daten angepasst ist.