STATISTIK-FORUM.de

[susanne]

hallo,
ich weiß gerade nicht mehr so recht weiter und hoffe, irgendjemand kann mir helfen.
ich will einen kurzen fragebogen mit sechs items, die jeweils sechs stufen haben (von sehr leicht bis sehr schwer) auswerten. die ergebnisse von zwei gruppen sollen miteinander verglichen werden. ist es sinnvoll, dass ich für jedes item dummy-variablen erstelle und eine lineare regressionsanalyse mache? oder rechne ich besser eine anova?
bin um jeden tip sehr dankbar!
liebe grüße, susanne

[PonderStibbons]

Beschreibe doch einmal das Thema, die Fragestellung, das Erhebungsdesign incl.
der erreichten Stichprobengröße(n) und dem inhalt der vorgenommenen Messungen.

Mit freundlichen Grüßen

P.

[susanne]

danke für die schnelle antwort!
bei dem fragebogen geht es eigentlich nur darum, wie schwierig die probanden eine andere studie fanden, in der ihnen satzmaterial darbeboten wurde. bei diesem material gibt es sechs verschiedenen bedingungen, im fragebogen wird für jede bedingung gefragt, als wie schwer sie empfunden wurde (deshalb nur sechs items). die stichprobe besteht aus einer gruppe mit lese-rechtschreib-schwäche und einer kontrollgruppe (ohne lrs), pro gruppe 16 personen.
unsere hypothese ist, dass die lrs-gruppe das material als schwieriger einstuft.
schon mal ganz vielen dank!

[PonderStibbons]

"MIxed" ANOVA, also eine Messwiederholungs-Varianzanalyse über die 6 Antworten
(= "Innersubjektfaktor") mit einem zusätzlichen Zwischensubjektfaktor "Gruppe".
Der Haupteffekt für "Gruppe" zeigt, ob die LRS-Gruppe und die Kontrollgruppe sich
generell hinsichtlich der Einschätzungen unterscheiden.

Mit freundlichen Grüßen

K.

[susanne]

danke für die antwort.
wenn ich aber die sechs bedingungen als verschiedene levels eines innersubjektfaktors nehme, sehe ich nur, ob es generell bei der einschätzung einen unterschied gibt, oder? gibt es eine möglichkeit, dass ich diesen unterschied für jede bedingung einzeln berechne (und sehen kann, ob er signifikant ist)?

[strukturmarionette]

Hi,

durch jeweilige zusätzliche Signifikanzüberprüfungen mit T-Tests.

Weil die Hypothesenüberprüfungen jeweils aus mehreren Einzeltests bestehen, ist bei diesem ´multiples Testen´ (Bortz, J. S. 129-130, S. 271-272) das Problem der Alphafehlerinflation zu berücksichtigen. Es wären demnach Alphafehlerkorrekturen des 5 %-Niveaus nach der Bonferroni-Methode (ebd.) vorzunehmen. Rechnerisch wird hierbei der p-Wert von 0,05 durch die Anzahl der Einzeltests dividiert, so dass sich ein p-Wert von [ p = ,05 /Anzahl der Einzeltetsts ] ergibt.

Bortz, J. (2005).
Statistik für Human- und Sozialwissenschaftler. Sechste Auflage, Heidelberg: Springer Medizin Verlag.


S.