Sie sind auf Seite 1von 5

One sample t- Test (z- Test) Effektstä rke t – Test fü r Stichproben- umfang

Einseitige Hypothese wie viele Standardabweichungen beträgt ein Unterschied? Teststä rke unabhä ngige Effektstä rke
Sp->Pop (z-Transformation) (Power) Stichproben
Mittelwertverteilung (d.h. die Wahrscheinlichkeit, dass H0 richtigerweise
verworfen wurde)
Standardabweichung sobald es um Mittelwerte geht und N gegeben ist kann man davon fü r einseitige Hypothese
ausgehen, dass mit Standartfehler gerechnet werden muss, und Die Grenzen des Ablehnungsbereiches festlegen den
Sechs-Punkte-Schema: nicht mit Standartabweichung!!!!!!!!!!! Signifikanz: kritischen Mittelwert berechnen (d. h. den zu zk
Auf alle Tests anwendbar!!! zp >=zk (p-Prüfgrösse, k-kritisch aus Tabelle) gehö renden Mittelwert berechnen)
1-Hypothesen aufstellen (hier wird das entsprechende Vorzeichen vor zk gesetzt!!!!!!) |tp Die Wahrscheinlichkeit fü r den Mittelwert zk ≠𝜇
2-Signifikanzniveau ( 𝛼) >=tk mit df=n-1 berechnen Interpretation
festlegen : Tabelle
3-Ablehnungsbereich One sample t-Test (z- Test)
Festlegen dem 𝛼 Zweiseitige Hypothese
entsprechenden z-Wert in Sp -> Pop
Tabelle ablesen.
4-Prü fgrö sse errechnen
5-Prü fgrö sse mit dem kritischen Wert (z-Wert von 𝛼)
vergleichen
6- Schlussfolgerung; wenn Populationswert (𝜎) nicht Konfidenz- intervall (KI)
bekannt und n<25, dann t-Verteilung Gibt den Wertebereich an, in dem mit vorgegebener
Fü r die Fragen: Wahrscheinlichkeit (meist 95%) der Populationswert
Ab welchem Mittelwert ist ein Ergebnis signifikant? zu finden ist.
Wer hat ein besseres Ergebnis zu erwarten? KI – Breite ist abhängig von n und 𝜎: je grösser n, desto
kleiner KI- Breite, je grösser 𝜎, desto grösser KI-Breite.
Abschä tzen des Stichproben-Umfangs z-/t-Wert aus entsprechender Tabelle raussuchen!!!
z-Transformation In der Regel will man eine Power Mittelwertverteilung:
von 0.80.
Bei Mittelwertsverteilungen mit dem Standardfehler Dann gibt man sie vor und berechnet zunächst die Effektstärke!!
rechnen:
Voraussetzungen:
TIP: Wenn im Text n gegeben, ist davon aus zu gehen, SPn mü ssen unabhängig sein
dass Messwerte mü ssen intervallskaliert
Für Messewertverteilungen gillt sein
mit Messwerte sollten normalverteilten
dem Standardfehler Grundgesamtheiten entstammen
gerechnet Populationsvarianzen sollen
werden muss! ungefähr gleich gross sein wenn
verletzt: Mann- Whitney- U- Test

t-Test fü r abhä ngige SPn Abschä tzen der Teststä rke (Power) Inferenz- statistische Aussagen Konfidenzintervall
Voraussetzungen: Standardschätz- fehler des Regressions- koeffizienten fü r eine Schätzung an der Stelle xi = 1
SPs mü ssen abhängig sein, d.h. gepaart oder Vergleich eines Regressions- koeffizienten mit einem
Messwiederholung vorgegebenen Wert 𝛽
N > 25, dh. mö glichst normalverteilt
Messwerte mü ssen intervallskaliert sein Streuungen
bzw. Varianzen sollten ziemlich gleich sein Der t-Test ist
so robust, dass es reicht, wenn Verteilung nicht
ü bermässig schief ist wenn verletzt ! Wilcoxon

Die KI-Breite ist bei xi = x am kleinsten!je weiter x i vom Mittelwert entfernt


ist, desto breiter das KI und damit desto ungenauer die Schätzung!
Die Genauigkeit nimmt also mit zunehmendem Abstand vom Mittelwert ab!

Interpolation fü r n
Mit der errechneten Effektstärke nun in der Tabelle
„Poweranalyse für Mittelwerts-vergleiche mit Hilfe des t- Tests“
nachschauen.
In der Regel muss nun wieder interpoliert werden:
Wir suchen uns den zugehörigen Wert zu n.10 in der Tabelle raus und fügen
ihn in nebenstehende Formel ein

bei Messwertverteilungen schauen wir mit dem errechneten d


ins Nomogramm,bei Mittelwertverteilungen in die Tabelle
„Poweranalyse für Mittelwertsvergleiche mit Hilfe des t-Tests“
Der gemeinsame Varianzanteil (der durch die Regressionsfunktion erklärte Konfidenzintervall
Varianzanteil = Bestimmtheitsmass)
X geht y zeitlich voraus
Es lässt sich ein Kausalmechanismus formulieren
Ä nderung von x ist von Ä nderungen von y begleitet
Einfluss von x auf y kann von Einflü ssen anderer potentieller Variablen isoliert werden.

Signifikanztest fü r r
Bedeutsamkeit eines
Zusammenhangs r≠ 0

Korrelation r Zusammenhang s-masse bei intervallskaliert en Daten Poweranalyse fü r r


Das Bestimmtheits- mass 𝑟 2 Regression Interpolation für n
Der Korrelations- koefizient r nach Pearson Regressionen beschreiben Zusammenhänge bezü glich ihrer Fisher`s Z- Transformation
auch Pearson`s R genannt Art. Vergleich Korrelations- koeffizient <-> Konstante
Korrelation r Typische Fragestellungen: Vgl. zweier Korrelations- koeffizienten
Das Bestimmtheits- mass 𝑟 2 𝑟 2 beschreibt die prozentuale Verteilung der erklärten und nicht Hä ngt etwas von etwas anderem ab? Um auch hier wieder irgendeinen Korrelationskoeffizienten mit einer Konstanten oder mit einem anderen Korrelationskoeffizienten
Der Korrelations- koefizient r nach Pearson erklärten (gemeinsame und nicht gemeinsame) Varianzanteile. Wie gross ist ein voraus- sichtlicher Erfolg mit bestimmter vergleichen zu kö nnen, muss das Ganze standardisiert werden (einheitlich skaliert), d.h. die Koeffizienten müssen transformiert werden
auch Pearson`s R genannt Durch das Bestimmtheitsmass wird es uns ermö glicht zu beurteilen, Punktezahl in Vor-test Voraussetzung:
𝑟 2 beschreibt die prozentuale Verteilung der erklärten und
wie gut die Messpunkte durch die Regressionsfunktion repräsentiert Es mü ssen Paare von Messwerten vorliegen (typischerweise zWert berechnen
nicht erklärten (gemeinsame und nicht gemeinsame)
Varianzanteile. werden. zwei Messwerte derselben Person) in der Tabelle n.10 finden
Durch das Bestimmtheitsmass wird es uns ermöglicht zu Dieses Mass basiert auf einer Zerlegung der Gesamtstreuung in Es gibt verschiedenartige Zusammenhänge: Interpoliren
beurteilen, wie gut die Messpunkte durch die einen mit der Regressionsfunktion gemeinsamen und einen nicht lineare und nicht-lineare unterschiedlichster Art.
Regressionsfunktion repräsentiert werden. erklärten Anteil. Wir befassen uns zunächst mit der linearen Regression.
Dieses Mass basiert auf einer Zerlegung der Gesamtstreuung Vom Betrag her ist der Korrelationskoeffizient die Wurzel des Die Parameter b und b0 sind so zu beschreiben, dass die
in einen mit der Regressionsfunktion gemeinsamen und einen Bestimmtheitsmaßes. Summe der quadrierten vertikalen Abstände der Punkte zur
nicht erklä rten Anteil. Er verfü gt jedoch ü ber ein Vorzeichen: Geraden minimal wird. = Summe der kleinsten quadrierten
Vom Betrag her ist der Korrelationskoeffizient die Wurzel des -1 bis +1 Abweichungen (least-square- criterion) = QSe
Bestimmtheitsmaßes. (Man kann auch sagen, dass der Korrelationskoeffizient die
Er verfü gt jedoch ü ber ein Vorzeichen:
Effektstärke der Regression ist)
-1 bis +1
(Man kann auch sagen, dass der Korrelationskoeffizient die Im Umkehrschluss ist das Bestimmtheitsmass das Quadrat des
Effektstärke der Regression ist) Korrelationskoeffizienten
Im Umkehrschluss ist das Bestimmtheitsmass das Quadrat
des Korrelationskoeffizienten
Das Verändern von Binomialtest U –Test von Mann –Whitney Wilcoxon T- Test
Masseinheiten kann Voraussetzung: fü r unabhä ngige SPn fü r
Einfluss auf den zwei alternative Ereignisse Wenn Vorraussetzungen fü r t- Test verletzt sind. abhä ngige
Regressionskoeffizienten häufiges Wiederholen der Der U –Test rechnet streng genommen immer noch SPn
haben! Untersuchung mit intervallskalierten Werten, die wir jedoch auf wenn Voraussetzungen fü r t- Test
Skalenveränderung: x – Eine typische Binomialverteilung ordinal Niveau herabbrechen. nicht erfü llt Differenzwerte sollten in
Achse unterschiedlich zu y- liegt vor, wenn wir uns das Es werden keine Annahmen zur Verteilung gemacht der Population symmetrisch verteilt
Achse: ! Verzerrung Würfelbeispiel anschauen und auch keine deskriptiven Werte errechnet, sein
Verschieben des Es geht darum, die deshalb non – parametrische Tests. bei Normalverteilung - t-Test nur
Nullpunktes: Wahrscheinlichkeit eines der symmetrisch verteilt- Wilcoxon
keine Ä nderung an den Ereignisse zu errechnen Wenn Differenzwerte asymmetrisch
Koeffizienten bei kleinem n - Fisher-Yates-Exact verteilt- Vorzeichentest
Grö sse des Koeffizienten Test Ausreisser nach beiden
kann von Messeinheizen bei grossem n – chi kvadrat Verteilungsästen -Vorzeichentest
abhängen.!damit Daten mü ssen intervallskaliert sein
Korrelationskoeffizienten Bis n=33, sind die Werte tabelliert
vergleichbar sind : Fisher ś Gibt es mehrere Nulldifferenzen, so
z-Transformation Fü r werden diese alle mit dem Rangplatz
standardisierte Daten ist (p+1)/2 belegt und je zur Hälft R+ und
der Regressionskoeffizient R- zugeordnet.
= dem
Korrelationskoeffizient,
wobei die
Korrelationskoeffizienten
der Rohdaten mit denen
der Transformierten Daten
gleich sind.
Die Steigung der
Regressionsgeraden kann
bei standardisierten Daten
nicht grö sser als 45° (fü r B
= r = 1) und nicht kleiner
als – 45° (fü r B = r = -1)
sein.

Zum Wilcoxon – Test Korrelationen fü r ordinalskalierte Kendalls 𝝉 CHI^2 - Goodness of Fit
SPn mit grossem N Daten Vorraussetzungen:
unabhänge Stichproben ! 𝝉 ist ebenfalls ein Mass um Zusammenhänge
Pearsonkorrelation ordinalskalierter Daten zu beschreiben. Im Zufallsstichprobe Nominalskalierte Daten
abhä ngige Stichproben ! Gegensatz zu Spearman behandelt Kendall ś 𝝉 nur !jede Beobachtung ist genau einer Kategorie zugeordnet
Spearman ś che Rangkorrelation Ordinaldaten Die erwarteten absoluten Häufigkeiten sollten mind. 5 sein
Voraussetzungen: Ü berpü fung Goodness of fit –Test ist auch ein Anpassungstest. Es wird
einer Zusammenhangshypothese geschaut, wie angepasst die SP-Verteilung an eine
Variablen mü ssen mindestens Normalverteilung ist
ordinalskaliert sein
kleiner Stichprobenumfang
Verteilungsform nicht klar
ersichtlich
Fü r unabhängige Variablen
berechnet sich der Spearman ś che
Korrelationskoeffizient wir der
Pearson ś che.
Fü r abhängige Variablen gilt: Wir
mü ssen hier Rangreihen
bilden und deren Differenz
errechnen (siehe Tabelle
nebenan). Bei gleichen Werten
wird derselbe Rang vergeben. Die
Summe der quadrierten
Differenzen bildet unseren
Ausgangswert zur Berechnung der
Prü fgrö sse.
Vierfelder CHI^2 – Test Unabhä ngiger Zusammenhangs- ü berprü fung
Stichproben Stä rke eines Zusammenhangs:
Vorraussetzungen: Zufallsstichproben Kontingenzkoeffizient C
Nominalskalierte Daten Dichotom gestufte Zusammenhangs- masse fü r Vierfelder chi^2 -Test Assoziationsmass (entspricht den Korrelationsmassen)
Variablen.( Dh. Es gibt jeweils zwei Mö glichkeiten (Beschreibt die Stärke bzw. die Enge des
einer Zuordnung) Die erwarteten absoluten ( man kann mit dem Vierfelder chi^2 -Test also nicht nur Unterschiedshypothesen ü berprü fen, sondern auch Zusammenhangs)
Häufigkeiten sollten mind. 5 sein Zusammenhänge dichotomer Variablen) Kramers V
Beachte: Hier wird geschaut, ob es einen Zusammenhang gibt. Fü r die Stärke des Zusammenhangs benö tigt man die
chi^2- Test sollte nicht fü r n< 20 Assoziationsmasse: Stärke eines Zusammenhangs
verwendet werden. Phi - 𝜑:
Assoziationsmass (Zusammenhangsmasse = Kontingenzmass)
Fü r 2 x 2 Tabellen

Mc Nemar chi^2- Test fü r


abhä ngige SPs

Poweranalyse fü r nominalskalierte Daten

Abschä tzen des


Stichproben- umfangs fü r abhä ngige SPn Chi^2 Test für N>60

K-Krank, E-exponiert
Simpsons Paradoxon Schä tzen des p-Wertes mit Hilfe der Monte Carlo Methode Der Phi-Koeffizient fü r Vierfeldertafeln
Binomial Test Die Wirksamkeit eines neuen Medikamentes wird mit der Wirksamkeit des Phi gibt an, wie stark zwei dichotome Masse zusammenhängen (0 < Φ < 1). Im
Diese Prü fgrö sse ist mit den Werten der Standardnormalverteilung zu vergleichen. herkömmlichen Medikamentes verglichen. Unterschied zu χ2 hängt Φ nicht von N ab.
Normalverteilungstabelle den zu p(einseitig) gehö renden z-Wert ablesen und erhält Phi
durch Φ = z/ √ N
pi ist die Wahrscheinlichkeit, k Anzahl von
exponierten Fällen, N Anzahl alle Fällen

H0 verwerfen, wann p < α.

Prävalenz