Tabelle „Tests auf feste Effekte“ für Modell mit gemischten Effekten anpassen

Hier finden Sie Definitionen und Anleitungen zur Interpretation für alle Statistiken in der Tabelle „Tests auf feste Effekte“.

In diesem Thema

DF
F-Wert
p-Wert – Term

DF

Die Freiheitsgrade (DF) entsprechen der Menge an Informationen in Ihren Daten. In der Analyse werden diese Informationen für die F-Tests zum Prüfen der Terme mit festen Effekten verwendet. DF des Zählers geben die Freiheitsgrade des Zählers für den F-Test für einen Term mit festem Effekt an. Der Wert entspricht der Anzahl der Parameter für den Term mit festem Effekt. DF des Nenners geben die Freiheitsgrade des Nenners für den F-Test für einen Term mit festem Effekt an.

F-Wert

Ein F-Wert für jeden Term mit festem Effekt wird in der Tabelle „Tests auf feste Effekte“ angezeigt. Der F-Wert gehört zu dem F-Test, mit dem bestimmt wird, ob der Term signifikante Auswirkungen auf die Antwortvariable hat.

Interpretation

Minitab verwendet den F-Wert zum Berechnen des p-Werts, anhand dessen Sie eine Entscheidung über die statistische Signifikanz des Terms treffen können. Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft.

Ein hinreichend großer F-Wert weist darauf hin, dass der Term signifikant ist.

Wenn Sie mit dem F-Wert feststellen möchten, ob die Nullhypothese zurückzuweisen ist, vergleichen Sie den F-Wert mit dem kritischen Wert. Sie können den kritischen Wert in Minitab berechnen oder diesen einer in den meisten Fachbüchern vorhandenen Tabelle für die F-Verteilung entnehmen. Weitere Informationen zum Berechnen des kritischen Werts mit Hilfe von Minitab finden Sie unter Verwenden der inversen kumulativen Verteilungsfunktion (ICDF); klicken Sie dort auf „Verwenden der ICDF zum Berechnen von kritischen Werten“.

p-Wert – Term

Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft.

Interpretation

Um zu bestimmen, ob ein Term signifikante Auswirkungen auf die Antwortvariable hat, vergleichen Sie den p-Wert mit dem Signifikanzniveau. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 gibt ein Risiko von 5 % an, dass auf eine vorhandene Auswirkung geschlossen wird, während tatsächlich keine vorhanden ist.

Die Interpretation der einzelnen p-Werte hängt davon ab, ob er zu einem Koeffizienten eines Terms mit festem Faktor oder zu einem Kovariatenterm gehört.

Term mit festem Faktor

Für einen Term mit einem festen Faktor besagt die Nullhypothese, dass der Term mit festem Faktor keine signifikante Auswirkung auf die Antwortvariable hat.

p-Wert ≤ α: Der Term mit festem Faktor wirkt sich signifikant auf die Antwortvariable aus: Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass der Term mit festem Faktor die Antwortvariable signifikant beeinflusst. Wird die Nullhypothese zurückgewiesen, bedeutet dies, dass sich der Effekt einer Stufe signifikant von den Effekten der anderen Stufen des Terms unterscheidet.
p-Wert > α: Der Term mit festem Faktor wirkt sich nicht signifikant auf die Antwortvariable aus: Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass sich der Term mit festem Faktor signifikant auf die Antwortvariable auswirkt. Es empfiehlt sich möglicherweise, das Modell ohne den Term erneut anzupassen.

Kovariatenterm

Für einen Kovariatenterm besagt die Nullhypothese, dass zwischen dem Term und der Antwortvariablen keine Assoziation besteht.

p-Wert ≤ α: Die Assoziation ist statistisch signifikant: Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und dem Kovariatenterm besteht.
p-Wert > α: Die Assoziation ist statistisch nicht signifikant: Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und dem Kovariatenterm besteht. Es empfiehlt sich möglicherweise, das Modell ohne den Kovariatenterm erneut anzupassen.