Überlegungen zu Daten für Einfache 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 eine kategoriale Variable enthalten, die einen festen Faktor darstellt.

• Wenn Sie über zwei oder mehr feste kategoriale Faktoren verfügen, verwenden Sie Allgemeines lineares Modell anpassen, wenn durchgehend feste Faktoren vorliegen, oder verwenden Sie Modell mit gemischten Effekten anpassen, wenn Zufallsfaktoren vorliegen.
• Wenn Sie die Beziehung zwischen einem stetigen (numerischen) Prädiktor und einer stetigen Antwortvariablen grafisch darstellen möchten, verwenden Sie Darstellung der Anpassungslinie.

Weitere Informationen zu Faktoren finden Sie unter Faktoren und Faktorstufen sowie unter Feste Faktoren und Zufallsfaktoren.

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.

Die Stichprobendaten müssen einer normalverteilten Grundgesamtheit entnommen werden, oder jede Stichprobe muss einen Umfang > 15 oder 20 aufweisen.

Wenn der Stichprobenumfang größer als 15 oder 20 ist, ist der Test bei schiefen Verteilungen und Nicht-Normalverteilungen sehr gut geeignet. Wenn der Stichprobenumfang weniger als 15 oder 20 beträgt, können die Ergebnisse bei Nicht-Normalverteilungen irreführend sein.

Der tatsächlich benötigte Stichprobenumfang hängt von der Anzahl der Gruppen in den Daten ab. Hierbei gilt Folgendes:

• Wenn Sie über 2 bis 9 Gruppen verfügen, muss der Stichprobenumfang für jede Gruppe mindestens 15 betragen.
• Wenn Sie über 10 bis 12 Gruppen verfügen, muss der Stichprobenumfang für jede Gruppe mindestens 20 betragen.

Wenn Sie nicht sicher sind, ob Ihre Daten einer Normalverteilung folgen, und die Richtlinien für den Stichprobenumfang nicht erfüllt sind, verwenden Sie Kruskal-Wallis-Test.

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.

Wenn abhängige Beobachtungen vorliegen, lesen Sie Analysieren eines Designs mit Messwiederholungen. Weitere Informationen zu Stichproben finden Sie unter Was sind unabhängige Stichproben?

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, der Bewertungsstatistiken für ungewöhnliche Beobachtungen und der zusammenfassenden Statistiken zum Modell in der Ausgabe, wie gut das Modell an die Daten angepasst ist.