Transilvanische Universität Brasov

Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-

dimensionaler statistischer Daten
(Knowledge Management)
Lektion 5: Die ein- und mehrfaktorielle
Varianzanalyse und die Kovarianzanalyse

Teil I Die einfaktorielle Varianzanalyse

Teil II Die mehrfaktorielle Varianzanalyse
Teil III Die Kovarianzanalyse

Sommersemester 2014
 Teil I - 1. Voraussetzungen der Varianzanalyse
a: die Variablen

Die unabhängigen Variablen (Faktoren) sind

nicht metrisch (nominal oder ordinal):
● Geschlecht
● Ausbildung
● Familienstand
● Stellung im Beruf
● Allgemein:

A j mit ( j = 1...s) , B l mit (l = 1...z)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 2

 Teil I - 1. Voraussetzungen der Varianzanalyse
b: der Modellansatz

1. Der Modellansatz der einfaktoriellen

Varianzanalyse

X 1i = f ( A j )+U i
2. Der Modellansatz der mehrfaktoriellen
Varianzanalyse

X 1i = f ( A j , B l , C m ....)+U i
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 3
 Teil I - 2. Die einfaktorielle Varianzanalyse
a: Der Analyseansatz
1. Das Modell der einfaktoriellen Varianzanalyse
Einkommen = f ( Ausbildung )
X 1i = f ( Ai ) + U i
2. Graphische Veranschaulichung
Einkommen,
Einkommen, Teil I - Einkommen, nach
insgesamt
insgesamt Ausbildung

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 4

 Teil I - 2. Die einfaktorielle Varianzanalyse
b: tabellarische Veranschaulichung

Tabellarische
Darstellung:
Einkommen nach
Ausbildung

Komponenten der uni-

variaten Varianzanalyse:
➢ SAQ - gesamt
➢ SAQ - zwischen
➢ SAQ - innerhalb

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 5

 Teil I - 2. die einfaktorielle Varianzanalyse
c) die Varianzzerlegung (1)
1. Die Komponenten der univariaten Varianzanalyse:
➢ Die Gesamtvarianz
Z nj
1 1
SAQ - Gesamt = ∑ ∑ ( x ji −̄x )
2
VAR (x 1) =
n n j=1 i1

➢ Die Varianz zwischen den Gruppen (= erklärte Varianz)

Z nj
1 1
VAR xj  =
n
SAQ-zwischen =
n
∑ ∑  xj− x 2
j−1 i=1

➢ Die Varianz innerhalb der Gruppen (= nicht-erklärte

Varianz) 1
Z
1 1
Z n j
2
n
∑ n j⋅S j =
n
2
SAQ-innerhalb=
n
∑ ∑ ( x ji − ̄x j )
j−1 j−1 i =1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 6

 Teil I - 2. Die einfaktorielle Varianzanalyse
c) die Varianzzerlegung (2)
2. Graphische Zerlegung der Varianz des Einkommens

in die Varianz
innerhalb
der Gruppen

Die Gesamtvarianz des

Einkommens Varianz zwischen den
Gruppen- Mittelwerte und
wird aufgeteilt in die :

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 7

 Teil I - 2. Die einfaktorielle Varianzanalyse
c) die Varianzzerlegung (3)

3. Rechnerische Zerlegung der Varianz des Einkommens

Gesamtvarianz = Varianz zwischen den Gruppen + Varianz innerhalb der Gruppen
Z n
1
j

1 /n ∑ ( X i − X
̄ )2 = 1 / n ∑ n j ( X̄ j − X
̄ )2 ∑∑ 2
+ ( x − x
̄j )
n j−1 i =1 ji

d. h.: 1/n SAQ-Gesamt = 1/n SAQ - zwischen

+ 1/n SAQ – innerhalb
bzw.: 1/n SAQ-Gesamt = 1/n SAQ - erklärt
+ 1/n SAQ – nicht-erklärt

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 8

 Teil I - 2. Die einfaktorielle Varianzanalyse
d) Die Regressionsaspekte

Das Mittelwertdiagramm der univariaten Varianzanalyse

Die „Richtung“ des

Zusammenhangs:
Verlauf der Mittelwerte
(Linearität versus
Nicht-Linearität)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 9

 Teil I - 2. Die einfaktorielle Varianzanalyse
e) Die Korrelationsaspekte

Die Stärke des Zusammenhangs: eta-Quadrat

(analog zu R-Quadrat)

SAQ−zwischen
2 SAQ - erklärt
η = =
SAQ− gesamt SAQ - gesamt
Z
∑ n j ( x j − x̄ ) 2

2 j=1
η = nj
Z
∑ ∑ ( x ji − ̄x ) 2

j =1 i=1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 10

 Teil I - 2. Die einfaktorielle Varianzanalyse
f) Der Signifikanztest (1)
1. Der Testansatz:

H 0 : η2 = 0 Bzw.: H 0 : μ 1= μ 2= ......= μ z

d.h. in der Grundgesamtheit sind die Gruppenmittelwerte

gleich groß

2. Die Testvoraussetzung:
Homogenität der Gruppen-Varianzen in der
Grundgesamtheit , d.h.: 2 2 2
σ 1= σ 2= ......= σ z

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 11

 Teil I - 2. Die einfaktorielle Varianzanalyse
f) Der Signifikanztest (2)

3. Der Test des Zusammenhangs:

Z−1
2
H 0 :  = 0 wird abgelehnt, wenn F o ⩾ F n−Z (α0 )
Z
1 1
FG 1
SAQ− zwischen ∑
Z −1 j=1
n j ( x j− ̄x )2
F0 = =
1 1
Z nj
SAQ−innerhalb
FG 2 ∑∑ (
n− Z j=1 i =1 ji
x − x
̄ )2

Z−1
z.B. : F n−Z (αo )=0,05

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 12

 Teil I - 2. Die einfaktorielle Varianzanalyse
g) Die Kontrastgruppen-Analyse

1. Die Bildung und Gegenüberstellung von

Untergruppen
(A1 , A2 ) (A3 , A4 , A5)
2. Die Definition eines Kontrastes

D=c 1 X̄ 1+c 2 X̄ 2+c 3 X̄3+c 4 X̄4+c5 X̄5

bei c1, c2 = −1/ 2 und c 3, c 4, c 5 = +1/3 mit ∑ ci = 0
3. Der Test des Kontrastes:
Getestet wird die Hypothese H0 : D = 0
d.h.: die Gruppenmittelwerte sind gleich

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 13

 Teil I - 3. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Mittelwerte...“
a) die Anforderung

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 14

 Teil I - 3. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Mittelwerte...“
b) die Optionen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 15

 Teil I - 3. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Mittelwerte...“
c) Ergebnisse (1)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 16

 Teil I - 3. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Mittelwerte...“
c) Ergebnisse (2)

Korrelationsanalyse: / Varianzanalyse:
linear nicht linear
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 17
 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
a) die Anforderung

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 18

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
b) Optionen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 19

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
c) Kontrastgruppenanalyse

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 20

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
d) Ergebnisse (1): Homogenitätstest und ANOVA

Die Hypothese
gleicher
Varianzen kann
nicht zurückge-
wiesen werden

2 SAQ-Zwischen
= =0,4706
SAQ-Ges

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 21

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
d) Ergebnisse (2): Mittelwerte und Konfidenzintervalle

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 22

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
e) Ergebnisse (3): Mittelwert-Diagramm

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 23

 Teil I - 4. Die einfache Varianzanalyse mit SPSS:
Mittelwertvergleiche über: “Einfaktorielle ANOVA“
e) Ergebnisse (4): Kontrastgruppenanalyse

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 24

Teil II - 1 Die zwei- und mehrfaktorielle Varianzanalyse
a: der Modellansatz

1. Der Modellansatz der zweifaktoriellen

Varianzanalyse
X 1i = f ( A j , B l ) + U i
(mit : j = 1....Z , l = 1...S)
2. Der Modellansatz der mehrfaktoriellen
Varianzanalyse

X 1i = f ( A j , B l , C m ....)+U i
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 25
 Teil II - 1 Die zweifaktorielle Varianzanalyse
b) Die tabellarische Darstellung
Tabellarische Darstellung:
Einkommen nach
Bildungsniveau und
Geschlecht

Komponenten der
zweifachen Varianzanalyse
(experimenteller Ansatz):
➢ SAQ - gesamt
➢ SAQ – zwischen =
SAQ-A + SAQ-B +
SAQ-AB
➢ SAQ - innerhalb

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 26

 Teil II - 1 Die zweifaktorielle Varianzanalyse
c) Die Varianzzerlegung im experimentellen Ansatz
Vorbemerkung: im experimentellen Ansatz sind alle Zellen gleich besetzt!
Z S c
SAQ-Gesamt = ∑ ∑ ∑  x jli −x 2 (Gesamt – Streuung)
j =1 l =1 i=1

Z
SAQ - A + = ∑ n j ( ̄x j . − ̄x )2 (Streuung durch
j=1 Faktor A)
S
SAQ - B + + ∑ nl  x. l −x  2 (Streuung durch
l=1 Faktor B)

Z S
SAQ - AB + (Streuung durch
+∑ ∑ c jl  x jl − x j . −x . l  x 2 Wechselwirkung)
j=1 l=1

Z S c
(Streuung durch
SAQ - innerhalb + ∑ ∑ ∑  x jli −x jl 2 Zufallseinflüsse)
j =1 l =1 i=1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 27

Teil II - 1 Die zwei- und mehrfaktorielle Varianzanalyse
d) Der multiple Determinationskoeffizient

Der multiple Determinations-Koeffizient (eta-Quadrat)

SAQ-gesamt − SAQ-innerhalb
η2 =
SAQ-gesamt

SAQ-erklärt
=
SAQ-gesamt

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 28

Teil II - 1 Die zwei- und mehrfaktorielle Varianzanalyse
e) Die Signifikanztests
1. Test der Gesamtwirkung 1 / Z⋅S −11  SAQ A SAQ B SAQ AB 
F0 =
1/ n−Z⋅S  2 SAQ−innerhalb

2. Test der Faktoren A u. B 1/  Z −1 SAQ A

F 0  A=
1/ n−Z⋅S  SAQ−innerhalb

1/ S −1 SAQ B
F 0 B =
1/ n−Z⋅S  SAQ−innerhalb

3. Test der Wechselwirkung AB 1/ Z −1 S −1 SAQ AB

F 0  AB=
1/n−Z⋅S  SAQ −innerhalb

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 29

 Teil II - 2 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
a) Das Allgemeines Lineares Modell: Univariat.

3.
1.
2.

1. Modell anfordern, 2. Variablen eingeben, 3. Modell spezifizieren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 30

 Teil II – 2 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
b) Ergebnis für das gesättigte Modell

Ignorieren!
Irrelevante
Informa-
tionen

1. Im gesättigten Modell wird der gemeinsame Beitrag aller Faktoren und

Wechselwirkungen nachgewiesen. 2. Aus den Beiträgen der einzelnen Kom-
ponenten sind die Wirkungen der anderen Faktoren und der Wechselwirkungen
auspartialisiert. 3. Die Modellkomponenten sind nicht alle signifikant. 4. Nicht
signifikanten Komponenten lassen sich im angepassten Modell ausschalten.
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 31
 Teil II - 2 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
c) das Modell anpassen

1. Modell anpassen,

2. Wechselwirkungen
Definieren,
3.
3. Modellkomponenten
1. spezifizieren

2.

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 32

 Teil II - 2 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
d) Ergebnis für das angepasste Modell

1. Nachgewiesen wird der gemeinsame Beitrag aller Faktoren und der

Wechselwirkung. Er ist im angepassten Modell etwas kleiner als im
gesättigten Modell (10816 vs. 11805).
2. Aus den Beiträgen der einzelnen Faktoren sind die Wirkungen der
anderen Faktoren und die Wechselwirkung auspartialisiert.
3. Alle Komponenten sind bei SN= 0.05 signifikant
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 33
 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
a) Befehlssyntax zum hierarchischen Ansatz

1. Hierarchisches Modell

ANOVA
VARIABLES= partprof BY geschl(0 1) ausbild(0 5) status(0 6)
/MAXORDERS 3
/STATISTICS MCA
/METHOD HIERARCHICAL
/FORMAT LABELS.

1. Nachgewiesen wird der gemeinsame Beitrag aller Faktoren

2. Aus den Beiträgen der einzelnen Faktoren sind die Beiträge
der vorhergehenden Faktoren auspartialisiert
3. Mit MCA werden die Gruppenmittelwerte angefordert

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 34

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
b) Befehlssyntax zum sequentiellen Ansatz

2. Sequentielles Modell

MANOVA
partprof BY geschl(0 1) ausbild(0 5) status(0 6)
/NOPRINT PARAM(ESTIM)
/METHOD = SEQUENTIAL
/ERROR WITHIN +RESIDUAL
/DESIGN.

1. Nachgewiesen wird der gemeinsame Beitrag aller Faktoren.

2. Aus den Beiträgen der einzelnen Faktoren sind die Beiträge
der vorhergehenden Faktoren auspartialisiert
3. Die Wechselwirkungen werden berücksichtigt

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 35

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
c) Eingabe der Syntax (hierarchisch u. sequentiell)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 36

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
d) Multiple Klassifikationsanalyse ANOVA (hierarchisch)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 37

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
e) Ergebnis ANOVA (hierarchisch)

Nachgewiesen
wird der gemein-
same Beitrag aller
Faktoren, aus den
Beiträgen der
einzelnen Faktoren
sind die Beiträge
der vorhergehen-
den Faktoren aus-
partialisiert

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 38

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
f) Ergebnis MANOVA (sequentiell)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 39

 Teil II - 3 Die zwei- und mehrfaktorielle
Varianzanalyse mit SPSS
g) Vergleich der Modellergebnisse

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 40

 Teil III - 1 Die klassische Kovarianzanalyse:
a. Modellansatz und Strategien (1)

1. Der Modellansatz der klassischen Kovarianzanalyse

x 1= f ( A , B .. . K , x 2 .. . x k )+U i

2. Strategie 1: Varianzanalyse nach der Regressionsanalyse

c
x 1−x 1= x 1−2 .. . k = f  A , B , .. . K 

mit SAQ-Res= SAQ A,B . .. + SAQ−innerhalb

1
2 SAQ-Res SAQ A,B . ..
η =
K
V
F0 =
Z⋅S −1
>F a
SAQ A,B . .. 1
SAQ−innerhalb
0

n− Z⋅S −1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 41

 Teil III - 1 Die klassische Kovarianzanalyse:
a. Modellansatz und Strategien (2)

3. Strategie 2: Regressionsanalyse nach der Varianzanalyse

x jli − x jl = f  x 2i , x 3i , .. . , x ki 

mit SAQ -innerhalb= SAQ -RegSAQ -Res

1
2 SAQ−Reg k −2 1 SAQ −Reg
Rk = R
F0 = ⋅ F 
SAQ−innerhalb 1 SAQ −Res 0

n−Z⋅S −1 2

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 42

 Teil III - 2 Die Kovarianzanalyse als
Regressionsanalyse
Die Darstellung von Faktoren als Dummy-Variablen
a) Dummy -Variablen für einen Faktor

x c1 =ac1 D 1c 2 D 2 mit D j = 0,1

b) Dummy -Variablen für zwei Faktoren

x c1=ac 1 D 1 c 2 D 2 c 3 D 3 c 4 D 4c5 D 5

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 43

 Teil III - 3 Die Kovarianzanalyse mit SPSS (1)
a: Das univariate Modell anfordern:
- Allgemeines lineares Modell: Univariat...mit Kovariaten

2.

1.

1. Faktoren und Kovariate eingeben, 2. Modell spezifizieren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 44
 Teil III - 3 Die Kovarianzanalyse mit SPSS (1)
b: Die Ergebnisse analysieren

1. Nachgewiesen
wird der gemein-
same Beitrag aller
Komponenten.

2. Aus den Beiträ-

gen der einzelnen
Komponenten
sind die anderen
Faktoren und die
Wechselwirkun-
gen auspartiali-
siert.

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 45

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2)
a) Befehlssyntax zum experimentellen, hierarchischen und
sequentiellen Ansatz
ANOVA
VARIABLES= partprof BY geschl(0 1) ausbild(0 5) status(0 6) WITH v27 partpot
/COVARIATES AFTER
/MAXORDERS ALL experimenteller
/METHOD EXPERIM
/FORMAT LABELS. Ansatz

ANOVA
VARIABLES= partprof BY geschl(0 1) ausbild(0 5) status(0 6) WITH v27 partpot
/COVARIATES AFTER
/MAXORDERS ALL
/STATISTICS MCA hierarchischer
/METHOD HIERARCHICAL Ansatz
/FORMAT LABELS.

MANOVA
partprof BY geschl(0 1) ausbild(0 5) status(0 6) WITH v27 partpot
/NOPRINT PARAM(ESTIM)
/METHOD = SEQUENTIAL
/ERROR WITHIN +RESIDUAL sequentieller
/DESIGN. Ansatz

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 46

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2)
b) Ergebnisse zum experimentellen Ansatz

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 47

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2))
c) Ergebnisse zum hierarchischen Ansatz: ANOVA

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 48

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2))
d) Ergebnisse zum hierarchischen Ansatz: MCA

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 49

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2))
e) Ergebnisse des hierarchischen Ansatzes: Korrelationen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 50

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2)
(MANOVA)
f) Ergebnisse zum sequentiellen Ansatz: Anova

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 51

 Teil III - 3 Die Kovarianzanalyse mit SPSS (2)
g) Ergebnisse zum sequentiellen Ansatz: Korrelationen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 5 52