ZF QM2: Zweifaktorielle Varianzanalyse (mehrfaktorielles Design)

1. Wann wird diese eingesetzt?

Das Verhalten von Personen wird in der Regel nicht nur von einem Faktor bestimmt sondern von
mehreren. In dieser Zusammenfassung wird nur die zweifaktorielle ANOVA betrachtet. Man ver-
wendet die mehrfaktorielle ANOVA um
• mehrere UV (Faktoren) auf eine AV gleichzeitig zu testen. Von besonderem Interesse sind
nicht nur die Einzeleffekte sondern auch die Wechselwirkung der UVs auf die AV.
• Zusätzlich gibt es einen ökonomischen Grund: Durch die Hinzunahme weiterer UV verrin-
gert sich die Residualvarianz/Fehler und man kann damit die zuerst eingebrachte UV (inter-
essierende UV) stärker hervorheben (vgl. Rasch et.al. 2010: 55).
Bsp.: Hängt die Zeit in Sekunden bis zum Angstschrei von den dargestellten Tieren, dem Ge-
schlecht oder beidem zusammen ab?
Um eine ANOVA dieser Art sinnvoll durchführen zu können, sind mindestens 10 Personen pro Zel-
le (Kombination) notwendig. Die einzelnen Arten der ANOVA (faktoriell, Messwiederholung oder
gemischtes Modell) können noch weiter unterteilt werden (Rasch et. al. 2010: 73/ Backhaus et. al.
2006: 130f./ Bortz/Schuster 2010: 237/ Field 2009: 422f.).

2. Begriffslexikon
Begriff Erklärung
1. Haupteffekt/ Die erste betrachtete Variable erhält den Buchstaben A. Die einzelnen Stufen
Haupteffekt A (p) erhalten unterschiedliche Indices (i).
Bsp.: 1. Haupteffekt (A): Tier → ai = Spinne, a2 = Made, a3 = Wurm
Dieser 1. Haupteffekt (Haupteffekt A) untersucht den Einfluss der Variable A
(Tier) auf die AV unabhängig des Einflusses der Variablen B (Geschlecht).
2. Haupteffekt/ Die zweite betrachtete Variable erhält den Buchstaben B. Die einzelnen Stu-
Haupteffekt B fen (q) erhalten unterschiedliche Indices (k).
Bsp.: 2. Haupteffekt (B): Geschlecht → b1 = Mann, b2 = Frau
Dieser 2. Haupteffekt (Haupteffekt B) untersucht den Einfluss der Variable B
(Geschlecht) auf die AV unabhängig des Einflusses der Variablen A (Tier).
Wechselwirkung Diese Wechselwirkung oder Interaktion der beiden UV (A * B) beschreibt den
Einfluss von BESTIMMTEN FAKTORSTUFEN der beiden Variablen auf die
AV, welcher über die einzelnen UVs hinausgeht. Diese treten auf, wenn ver-
schiedene Stufen der Variablen A und B gemeinsam einen Effekt auf die AV
haben. Es geht hier nicht um den generellen Effekt der Variablen A und B
sondern um ihre Stufeneffekte.
Bsp.: Variable A: Stufe Spinne * Variable B: Stufe Frau

Da in der zweifaktoriellen Analyse nur eine Wechselwirkung auftreten kann,

ist dies die Wechselwirkung 1. Ordnung.
Zwischen welchen Stufen eine Wechselwirkung vorliegt, ermittelt z.B. der
Tukey HSD-Test (Honest Significant Difference-Test) oder multiple Tests.
Grafisch kann man diese sehr gut erkennen in einer Darstellung der Faktor-
stufenmittelwerte (vgl. Backhaus et. al. 2006: 131).

1
Schreibweise Die Art der mehrfaktoriellen ANOVA erhält ihren Namen anhand der Anzahl
Design der Stufen welche in beiden Effekten verwendet werden, d.h. die Schreibwei-
se ist p * q ANOVA. Falls die Zellen gleich stark mit Versuchspersonen (n)
besetzt sind (balancierte Stichprobe), ergibt sich die Gesamtfallzahl (N) aus
der Formel:
N = p * q * n.
In den Zellen der sich daraus ergebenen Tabelle wird mit den arithmetischen
Mitteln der AV gerechnet.
Bsp.: 3 * 2 Design (drei Stufen des 1. Haupteffektes und zwei Stufen des 2.
Haupteffektes). Der 1. Haupteffekt erscheint in der tabellarischen Darstellung
in den Zeilen, der 2. Haupteffekt in den Spalten.

Rohmatrix:
Geschlecht
Mann Frau
Spinne 7 8
8 7
Tier

Made 10 11
11 12
Wurm 11 12
12 13

Umrechnung in Mittelwerte (Zellmittelwerte und Randmittelwerte):

Geschlecht
Mann Frau Mittelwerte
Spinne 7,5 6,5 7
Tier

Made 10,5 11,5 11

Wurm 11,5 12,5 12

Mittelwerte 9,83 10,17 10

Von Interesse ist ob die Unterschiede bei den UVs und ihren Stufen signifi-
kant sind, d.h. gibt es Gruppenmittelwertsunterschiede bei Faktor A, Faktor B
oder den Wechselwirkungen von A * B.

Worin zeigen sich die Einflüsse?

Die Differenzen der Spaltenmittelwerte zeigen den Einfluss von Faktor B (Ge-
schlecht). Die Differenzen der Zeilenmittelwerte zeigen den Einfluss von Fak-
tor A (Tier). Die Differenzen aus den einzelnen Zellenmittelwerten zum Ge-
samtmittelwert zeigt den Interaktionseffekt auf.

Interaktionseffekt: Gelb unterlegte Zellen

2
 Geschlecht
Mann Frau Mittelwerte
Spinne 7,5 6,5 7

Tier
Made 10,5 11,5 11

Wurm 11,5 12,5 12

Mittelwerte 9,83 10,17 10

Varianzaufteilung Durch die Ergebnisse der Haupteffekte A und B wie deren Kombination, teilt
sich die Varianz folgenderma-
ßen auf.

Als Maß für die Varianzaufklärung pro Variable kann das deskriptive Maß eta-
Quadrat herangezogen werden. Es gibt in Prozent an wie viel Varianz die
einzelnen Faktoren und die Interaktion(en) binden. Problem bei diesem Maß
ist, dass es durch die Art der Berechnung von eta-Quadrat den jeweiligen Ef-
fekt an Varianzaufklärung überschätzt.
Stichprobenarten Bei den jeweiligen Stichproben (Besetzung pro Zelle) unterscheidet man zwi-
schen balancierten und unbalancierten Stichproben.

Balanciert bedeutet, dass die Anzahl der Fälle pro Zelle jeweils genau gleich
sind. Bsp.: Für jede Zelle bei der UV Geschlecht und Tier wurden immer 5
Personen getestet.
Unbalanciert bedeutet, die Besetzungen in den Zellen sind nicht gleich groß.
Bsp.: Es sind mehr Männer als Frauen in der Studie.

Ungleiche Besetzungen sind die Folge von Fehlern bei der Durchführung der
Untersuchung wie bei Schwierigkeiten bei der Rekrutierung. Falls es eine un-
balancierte Stichprobe ist, geraten die bisherigen „Rechenregeln“in Bedräng-
nis.
Was ist die Folge?
Die Robustheit (Geltung) der Ergebnisse kann nicht gewährleistet werden,
v.a. wenn die Annahmen der NV und der Streuungsgleichheit nicht gegeben
sind. → Voraussetzungen müssen definitiv bei dieser Art der ANOVA über-
prüft werden, dies gilt insbesondere bei kleinen Stichproben. (Zur genauen
Beschreibung s. Bortz/Schuster 2010: 249-253).
(vgl. Rasch et. al. 2010: 56-73, 88/ Backhaus et. al. 2006: 133-142, Bortz/Schuster 2010: 238-242,

3
244, 249-253, Field 2009: 424-429)
3. Wechselwirkungen
Wie weiter oben bereits erwähnt, spielen Wechselwirkungen in mehrfaktoriellen Designs eine gro-
ße Rolle, da es Effekte sind, die nicht auf die UV alleine zurückzuführen sind, sondern über diese
hinausgehen. Sie entstehen durch Wirkungen der einzelnen Faktorstufen miteinander. Berechnet
werden sie durch Gegenüberstellung der erwarteten und berechneten Zellmittelwerte. Die Hypo-
thesen lauten:
H0: Die erwarteten und die beobachteten Zellmittelwerte fallen zusammen, weichen nicht deutlich
voneinander ab → keine Wechselwirkung.
H1: Die erwarteten und die beobachteten Zellmittelwerte weichen deutlich voneinander ab →
Wechselwirkung.
Bei der grafischen Darstellung zeichnet sich keine Wechselwirkung durch Parallelität der Linien der
UVs aus, bei einer Wechselwirkungen nähern sich die Linien der UVs an oder kreuzen sich.
Auf der x-Achse (Abzisse) wird der Faktor mit den höheren Stufenanzahl abgetragen. Die y- Achse
(Ordinate) bildet die AV. Die eingezeichneten Linien zeigen den 2. Faktor.
Grafische Darstellung von Wechselwirkungen finden sich bei Rasch et. al. 2010: 84ff., Backhaus
et. al. 2006: 131f., Bortz/Schuster 2010: 241, 244, Field 2009: 443-446.

Wechselwirkungen können in verschiedene Arten unterteilt werden:

a) Ordinale Wechselwirkung: Bei dieser Art ist der Effekt der Interaktion kleiner als der Effekt
der BEIDEN Haupteffekte. Die Unterschiede in den Zellmittelwerten entsprechen der Rich-
tung, welche die Haupteffekte vorgeben (vgl. Rasch et. al. 2010: 86, Bortz/Schuster 2010:
244f.).
b) Semidisordinale/ hypride Wechselwirkung: Der Interaktionseffekt ist kleiner als EINER der
beiden Haupteffekte. Beim anderen Haupteffekt ist der Interaktionseffekt größer. Daher ist
der Unterschied lediglich bei einem Haupteffekt bei den Zellmittelwerten in der erwarteten
Richtung enthalten, beim anderen Haupteffekt nicht (vgl. Rasch et. al. 2010: 87, Bortz/
Schuster 2010: 245).
c) Disordinale Wechselwirkung: Der Effekt durch die Interaktion ist größer als derjenige der
beiden Hauptfaktoren. Die Zellmittelwerte liegen bei beiden Haupteffekten in jeweils einer
Stufe entgegen der vorgegebenen Richtung (vgl. Rasch et. al. 2010: 88, Bortz/Schuster
2010: 245).
Quellen:
• Backhaus, Klaus/ Erichson, Bernd/ Plinke, Wulff & Weiber, Rolf (2006): Multivariate Analysemethoden. Eine an-
wendungsorientierte Einführung. Heidelberg u.a.: Springer (S.130-154).
• Bortz, Jürgen/ Schuster, Christof 2010: Statistik für Human- und Sozialwissenschaftler. 7. vollständig überarbei-
tete und erweiterte Auflage. Berlin u.a. Springer (S. 237-256).
• Field, Andy 2009: Discovering Statistics Using IBM SPSS Statistics. 3 th edition. Los Angeles u.a.: Sage (S. 421-
456).

4
• Rasch, Björn/ Friese, Malte/ Hofmann, Wilhelm/ Naumann, Ewald 2010: Quantitative Methoden 2. Einführung in
die Statistik für Psychologen und Sozialwissenschaftler. 3., erweiterte Auflage. Berlin/ Heidelberg: Springer (S.
55-98).