Datenanalyse & Jamovi CHEAT SHEET

Datenniveaus Transformationen I Transformationen II Kreuztabellen

NOMINALSKALA: Unterschiede FEHLENDE WERTE BEISPIELE ZUR UMCODIERUNG HINTERGRUND
ORDINALSKALA: Rangfolge 1. Doppelklick auf Variable Dichotomisierung  Variable mit n Ausprägungen
in Variable mit 2 Ausprägungen umwandeln, z.B. Werden eingesetzt, um zu testen, ob es einen
2. Klick auf Feld neben Missing Values
METRISCHE SKALEN: Abstände mess- und Alter bis 50 und 50+ Zusammenhang zwischen 2 nominalen oder 1
interpretierbar 3. Klick auf Add Missing Value nominalen und 1 ordinalen Variable gibt
4. Formel eingeben 1. Klick auf Add recode condition
Modus Median Mittelwert
BEISPIELE: 2. Kondition eingeben (kleiner 50):
nominal when $source == 1  Wert 1 wird zu Missing  if $source < 50
when $source >= 6  Werte ab 6 werden zu 3. Wert der ersten Gruppe bei use eingeben Var 1 Var 2
ordinal
Missing use 0 /
metrisch 4. Wert der zweiten Gruppe bei else use
eingeben Durch Χ² (Chi²) wird geprüft, ob die
NEUE VARIABLE BERECHNEN
 else use 1 tatsächlich beobachteten Häufigkeiten von
1. Ins Data-Tab wechseln
Je höher das Niveau, desto genauer das den erwarteten Häufigkeiten abweichen.
Lagemaß. Geben Sie das Genauste an! 2. Klick auf Compute
3. Ganz oben Namen eingeben Erwartete Häufigkeit = erwartete Anzahl der
Fälle, wenn kein Zusammenhang besteht
4. Darunter ggf. eine Beschreibung Gruppen bilden  Variable mit n
STANDARDABWEICHUNG (SD): Streuung um den 5. Formel eingeben Ausprägungen in Variable mit k
Mittelwert; bei metrischen Variablen mit dem BEISPIELE: Ausprägungen umwandeln, z.B. Alter in DURCHFÜHRUNG
Mittelwert angeben. Gruppen (bis 24, 25-29, 30-39, … ,60+)
Summenindex  Summe aus Werten in N
Variablen: 1. Klick auf Add recode condition 1. Ins Analyses-Tab wechseln
1. fx = var1 + var2 + … + varN; oder 2. 1. Kondition eingeben (kleiner 25): 2. Klick auf Frequencies
2. fx = SUM(var1, var2, … , varN, ignore_missing =  if $source < 25 3. Independent Samples auswählen
0) 3. Wert der ersten Gruppe bei use 4. abhängige Variable in Zeilen
eingeben
Mittelwert – SD   Mittelwert + SD 5. unabhängige Variable in Spalten
Mittelwertindex  Mittelwert aller Werte in N  use 0 Jamovi
Variablen: 4. Klick auf Add recode condition Statistics: Χ², Phi and Cramer‘s V
ignoriert
1. fx = (var1 + var2 + … + varN)/N; oder 5. 2. Kondition eingeben (kleiner gleich hier die Cells: Observed counts, Expected counts,
2. fx = MEAN(var1, var2, … , varN, ignore_missing 29): Fälle unter Column Percentages
= 0)  if $source <= 29 25, da
diese im
6. Wert der zweiten Gruppe bei use vorherigen ERGEBNISSE
Ignore_missing: eingeben
Schritt
0 = missing in einer d. Ursprungsvariablen führt  use 1 schon Alle erwarteten Werte
deskriptive Verfahren zu missing in neuer Variable. 7. Schritte 4 bis 6 für die übrigen
Gruppen wiederholen
einen
neuen
mindestens 5?
1 = missings werden ignoriert.
Wert
In Jamovi: Exploration  Descriptives bekommen
NOMINAL: Frequency Tables , Mode & Bar plot haben!
UMCODIEREN VON VARIABLEN Codierungen umkehren  Werte von
nein ja
Skalenabfragen (z.B. 1-5) umdrehen
ORDINAL: Frequency Tables, Median & Bar plot 1. Ins Data-Tab wechseln 1. Klick auf Add recode condition
(Histogram bei vielen Ausprägungen) 2. Variable durch Klick auswählen 2. Kondition eingeben (gleich 5):
METRISCH: Mean & Std. Deviation; Histogram/ 3. Klick auf Transform  if $source == 5
Density Plot oder Box plot/ Violin 4. Neben using transform eine gespeicherte 3. neuen Wert bei use eingeben
Transformation oder create new transform  use 1
auswählen
Deskriptiv
bei Bedarf jeweils: N & Missing; Minimum &
4. Schritte 1 bis 3 für die übrigen Skalenwerte
p-Wert und Phi
Maximum (z.B. bei Alter sinnvoll) auswerten oder
wiederholen bzw. Cramers V
Kategorien
interpretieren
Gruppenvergleiche: nominale Variable bei „Split zusammenfü-
(siehe S. 3)
by“ einfügen  sinnvoll bei wenigen Ausprägungen gen
der Gruppierungsvariable
Datenanalyse & Jamovi CHEAT SHEET
Korrelationen Regressionen
HINTERGRUND HINTERGRUND
Werden eingesetzt, um zu testen, ob es einen Werden eingesetzt, um zu testen, ob eine oder
Zusammenhang metrischen und ordinalen mehrere metrische Variablen (unabhängige
Variablen gibt Variablen) einen Einfluss auf eine andere
metrische Variable (abhängige Variable)
haben.
Var 1 Var 2
/ /
UV(s) AV
Bei zwei metrischen Variablen: Produkt-
Moment-Korrelation nach Pearson
DURCHFÜHRUNG
Wenn min. eine der Variablen ordinal ist:
Rangkorrelation nach Spearman 1. Ins Analyses-Tab wechseln
2. Klick auf Regression
3. Linear Regression auswählen
DURCHFÜHRUNG
4. AV bei Dependent Variable einfügen
Ins Analyses-Tab wechseln 5. UV(s) bei Covariates einfügen
1.
Klick auf Regression 6. Unter Model Fit Adjusted R² und F test
2.
auswählen
3. Correlation Matrix auswählen
7. Unter Model Coefficients Standardized
4. Variable ins rechte Feld einfügen
estimate auswählen
Correlation Coefficient: Je nach Datenniveau 8. Wenn gewünscht: Plots unter Estimated
Pearson oder Spearman Marginal Means anfordern; Pro UV einen
Term hinzufügen
Additional Options: Report significance,
Flag significant correlations und N
VORAUSSETZUNGEN
Plot: Correlation Matrix, ggf. auch Densities
for variables und Statistics 1. Reiter Assumption Checks öffnen
2. Autocorrelation prüfen  bei
Durch die Plots können Sie prüfen, ob die signifikantem Ergebnis keine Regression
Voraussetzung eines linearen
Zusammenhangs erfüllt wird 3. Collinearity statistics prüfen  bei VIF
> 10 Variable transformieren oder
entfernen
ERGEBNISSE
4. Bei kleinem N (z.B. < 200) Normalität der
Fehler durch Shapiro-Wilk Test prüfen
p-Wert und Koeffizient (r oder rSP)
 bei signifikantem Ergebnis keine
interpretieren (siehe S. 3).
Regression
ERGEBNISSE
Model Fit: p-Wert und korr. R² (adjusted R²)
interpretieren (siehe S. 1).
Model Coefficients: p-Werte und β (Stand.
Estimate) interpretieren (siehe S. 3).
t-Tests
HINTERGRUND
Werden eingesetzt, um zu testen ob sich zwei
Gruppen (binäre unabhängige Variable) in der
Ausprägung eines metrischen Merkmals
(metrische abhängige Variable) unterscheiden.
UV
M Gruppe 1 ≠ M Gruppe 2
DURCHFÜHRUNG
1. Ins Analyses-Tab wechseln
2. Klick auf t-Test
3. Independent Samples t-Test auswählen
4. AV bei Dependent Variable einfügen
5. UV bei Grouping Variable einfügen
6. Unter Tests Student‘s Test abwählen und
Welch‘s auswählen!
7. Unter Additional Statistics Mean
Difference und Effect size auswählen
8. Wen gewünscht auch Descriptives und
Descriptive plots ausgeben lassen
VORAUSSETZUNGEN
Unter Assumption Checks bei kleinem N
Normality test  bei signifikantem
Ergebnis kein t-Test
ERGEBNISSE
Model Coefficients: p-Wert und Cohens d
interpretieren (siehe S. 3).
Varianzanalyse
HINTERGRUND
Werden eingesetzt, um zu testen ob sich drei
oder mehr Gruppen (nominale oder ordinale
unabhängige Variable) in der Ausprägung
eines metrischen Merkmals (metrische
abhängige Variable) unterscheiden. Basiert auf
den Varianzen innerhalb und zwischen den
Gruppen.
/ UV
Gruppe 1 Gruppe 2 Gruppe 3
DURCHFÜHRUNG
1. Ins Analyses-Tab wechseln
2. Klick auf ANOVA
3. One-Way ANOVA auswählen
4. AV bei Dependent Variable einfügen
5. UV bei Grouping Variable einfügen
6. Unter Variances und Post-Hoc Test
Verfahren auswählen (je nach Ergebnis
der Assumption Checks!)
7. Unter Additional Statistics Descriptives
table und plots ausgeben lassen
VORAUSSETZUNGEN
1. Unter Assumption Checks
Homogeneity test auswählen  bei
signifikantem Ergebnis Welch‘s unter
Variances und Games-Howell unter
Post-Hoc Test auswählen, andernfalls
Fisher‘s und Tukey
2. bei kleinem N Normality test  bei
signifikantem Ergebnis keine ANOVA
ERGEBNISSE
One-Way ANOVA: p-Wert interpretieren
(siehe S. 3).
Post-Hoc Test: Mean Difference und p-Werte
interpretieren (siehe S. 3).
Datenanalyse & Jamovi CHEAT SHEET
Signifikanz Verfahren auswählen Effektstärken I Effektstärken II
p-WERTE Art der Verfah- Datenniveau ZUSAMMENHANGSMAßE UNTERSCHIEDSMAßE
DEFINITION: Hypo- ren
these Kreuztabellen: Phi bei 2x2 Tabelle, sonst t-Test und Varianzanalyse:
• Prüfgröße, wenn statistische Cramers V.
Hypothesentests durchgeführt werden Mean Difference: Gibt die mittlere Differenz
Phi: zwischen -1 und 1;
(siehe Seite 2) Zusamm Kreuz- mindestens eine nominale von zwei Gruppen an, d.h. den Unterschied der
enhänge tabellen Variable, andere maximal V: zwischen 0 und 1.
• Geben an, wie wahrscheinlich es ist, die beiden Gruppenmittelwerte. Interpretation je
ordinal Korrelationen: rSp bei Rangkorrelationen; r bei
erhobenen Daten (oder extremere Daten) nach Gemessener Maßeinheit.
metrischen Daten. Jeweils zwischen -1 und 1.
zu beobachten, wenn die Nullhypothese Rangkor- 2 ordinale Variablen; 1 Regression:
zutrifft, d.h. kein Zusammenhang oder relation ordniale und 1 metrische
Beta (β): standardisierte Effektstärke, wenn
Unterschied existiert alle Mittelwerte und Standardabweichungen Cohens d: Wird nur für t-Test angeboten.
• Werte von 0,05 und niedriger gelten als Korre- 2 metrische Variablen der Variablen im Modell gleich 0 (M) bzw. 1 (SD) Standardisiertes Maß für Unterschied zwischen
statistisch signifikant lationen sind. zwei Gruppen:
Für alle:
SIGNIFIKANZ IST NICHT ALLES Regres- UV(s) metrisch, AV metrisch
bis |0,3|  kleiner Zusammenhang |0,2|  kleiner Unterschied
sion
Nur weil ein Zusammenhang oder Unterschied bis |0,5|  mäßiger Zusammenhang
|0,5|  mäßiger Unterschied
signifikant ist, bedeutet das nicht, dass er Unter- t-Test UV binär, AV metrisch ab |0,5|  starker Zusammenhang
|0,8|  starker Unterschied
relevant ist! Signifikanz hängt unter anderem schiede
maßgeblich von der Stichprobengröße ab. D.h. Bei Regressionen zusätzlich korrigiertes R²:
bei sehr großem N wird fast jeder Test Varianz- UV nominal, AV metrisch gibt an, wie viel % der Varianz in der AV durch
signifikant. Erst die Effektstärke verrät uns, analyse die UV(s) erklärt werden kann, z.B. korr. R² =
wie wir das Ergebnis inhaltlich interpretieren 0,250  25% erklärte Varianz
können.

Verteilung der p-Werte von 50000 Hypothesentests, wenn kein realer

Zusammenhang oder Unterschied besteht. Fälschlicherweise signifikante
Ergebnisse (5%) in orange.

Bsp.: r = 0,5
Mx = 100; SDx = 5; My = 100; SDy = 3
Quelle: https://rpsychologist.com/correlation/

Bsp.: Cohens d = 0,5

M Control = 100; M Treatment = 107,5; SD = 15
Quelle: https://rpsychologist.com/cohend/