STATISTIK-FORUM.de

[gapvision]

Hi,

ich muss gerade eine kleines Spiel das wir durchgeführt haben auswerten.
Kurz zum Ablauf: Spieler A kann beliebig viele andere Spieler einladen und bekommt Punkte gut geschrieben falls diese die Einladung annehmen.

Im ersten Schritt will ich die Geschlechterverhältnisse betrachten: Waren Frauen besser Männer einzuladen oder umgekehrt usw. Ich habe also eine 2x2 Matrix folgenden Formates

Code: Alles auswählen

                      female receiver | male receiver
female sender         34532       |    1239         
male sender            16787       |    7689  

       
(sorry, ich habs nicht gebacken bekommen das hier in latex einzufügen...)

In den Zellen stehen die Anzahl der akzeptierten Einladungen. Eine gleiche Matrix besteht noch mit den gesamten Einladungen. Nun möchte ich sicherstellen das diese Unterschiede statistisch signifikant sind. Ein längeres googelen brachte mich zunächst auf den Fisher-Test und dann wegen der großen Stichprobengrößen zu dem Chi-Square-Test.

Nun würd ich gerne wissen, ob ich da auf dem richtigen Weg bin, und ob die Aussage signifikant unterschiedlich und unabhängig äquivalent sind. Abhängig bedeutet ja dass das Ergebnis sowohl vom sender als auch receiver abhängt was nahe an die Aussage die Ergebnisse nach Sender/Receiver-Geschlecht geteilt sind signifikant unterschiedlich rankommt.


Vielen Dank für Eure Antworten!

[PonderStibbons]

1. Verstehe ich nicht, was genau Du überprüfen willst. "Waren Frauen besser Männer einzuladen oder umgekehrt usw. " heißt genau was?
2. Scheint es, dass das ohne Angabe der Zahl ausgesprochener Einladungen nicht sinnvoll interpretierbar ist. Die Zahl akzeptierter Einladungen hängt doch wohl ab von der Zahl ausgesprochener Eiladungen einerseits und der Akzeptanz-Quote andererseits.
3. Falls dieselben Personen als Einladende mehrfach im Datensatz auftreten, ist das nicht mit einem einfachen Fisher oder Chi² lösbar, da es sich dann um einen Mix unabhängiger und abhängiger Messungen handelt.
4. Aber das macht eigentlich nichts, denn wieso sollte man bei mehreren 10'000 Fällen noch Inferenz(!)statistik durchführen wollen. Der Schätzfehler ist hier so extrem minimal, es wäre pure Zeitverschwendung.

Mit freundlichen Grüßen

P.

[gapvision]

Danke für die Antwort!

1. Verstehe ich nicht, was genau Du überprüfen willst. "Waren Frauen besser Männer einzuladen oder umgekehrt usw. " heißt genau was?

Nun ob Einladungen die von Frauen für Frauen ausgesprochen werden eine höhere Akzeptanzrate haben als Einladungen von Frauen für Männer usw.
Klar hab ich auch die Matrix mit den gesamten Einladungen. Damit kann ich die Rate berechnen. Jetzt sind die Unterschiede jedoch zum Teil sehr gering und daher möchte ich zur Untermauerung meiner Aussage noch ein weiteres Kriterium (Signifikanz) anführen.

2. Scheint es, dass das ohne Angabe der Zahl ausgesprochener Einladungen nicht sinnvoll interpretierbar ist. Die Zahl akzeptierter Einladungen hängt doch wohl ab von der Zahl ausgesprochener Eiladungen einerseits und der Akzeptanz-Quote andererseits.

Siehe oben, ist natürlich da.

3. Falls dieselben Personen als Einladende mehrfach im Datensatz auftreten, ist das nicht mit einem einfachen Fisher oder Chi² lösbar, da es sich dann um einen Mix unabhängiger und abhängiger Messungen handelt.
4. Aber das macht eigentlich nichts, denn wieso sollte man bei mehreren 10'000 Fällen noch Inferenz(!)statistik durchführen wollen. Der Schätzfehler ist hier so extrem minimal, es wäre pure Zeitverschwendung.

Das ist natürlich richtig, ich hoffte ich könnte das mit den Mehrfacheinladungen vernachlässigen. Was direkt auf Punkt 4 kommt: Da stimmt aber nur wenn die Fälle wie im obigen Beispiel weit auseinander liegen oder? Wenn die Differenz zwischen den Feldern klein wird, sind wieder Tests gefragt, oder?

[PonderStibbons]

Jetzt sind die Unterschiede jedoch zum Teil sehr gering und daher möchte ich zur Untermauerung meiner Aussage noch ein weiteres Kriterium (Signifikanz) anführen.

Die Logik ist verquer. Du hast sehr viele Daten, so dass eine Beantwortung der Forschungsfrage
unmittelbar möglich ist. Ob etwas da inferenzstatistisch "signifikant" ist, ändert nichts an einem sehr
kleinen Effekt. Bei solch großen Fallzahlen werden auch irrelevante Effekte "signifikant" (d.h. man
schließt, dass der Effekt in der Grundgesamtheit nicht exakt = 0,00000000 beträgt).

Mit freundlichen Grüßen

P.