STATISTIK-FORUM.de

[K1GFL]

Nachdem ich nun die einfaktorielle Varianzanalyse durchgeführt habe, erhalte ich folgende Daten:



Die Gruppen unterscheiden sich ja nicht wirklich voneinander, doch welche statistische Zahl bestätigt mir dies nun?
Begreife nicht wirklich was ein F-Wert von 0.185 und eine Signifikanz von 0.831 aussagen.

Besten Dank für die Hilfe

Grüsse
Anna

[PonderStibbons]

Begreife nicht wirklich was ein F-Wert von 0.185 und eine Signifikanz von 0.831 aussagen.

"Signifikanz" ist SPSS-Sprech für den p-Wert. Lies mal
was zu Signifikanztest und p-Wert, vielleicht
auch Fehler 1. Art. Andy Fields "Discovering Statistics
Using SPSS" wird von Anfängern oft gelobt. Aber es gibt
viele weitere einführende Darstellungen im Netz.

HTH

P.

[K1GFL]

Danke für die Antwort
Mittlerweile haben sich die Werte ein wenig verändert da ein Proband weggefallen ist.
Ich habe nun folgende Werte:

F-Wert: 0.234
Sig.: 0.792
df1= 2
df2= 131
Daraus ergibt sich ein F-Bruch-Wert von 3.07 (aus Tabelle mit kritischen F-Werten entnommen)

Dies würde ja bedeuten, dass die Nullhypothese angenommen werden muss da 0.234<3.07 und 0.792>0.05. Die Mittelwerte unterscheiden sich also nicht.
Mein Problem ist nun, dass ich gemerkt habe, dass die Bedingung der Normalverteilung nicht gegeben ist. Hängt dies damit zusammen, dass sich die Gruppengrössen doch stark unterscheiden (1. Gruppe n=68, 2.Gruppe n=38, 3.Gruppe n=28)? Bedeutet dies nun, dass die einfaktorielle Varianzanalyse nicht geeignet ist um meine Hypothese zu prüfen?
Des weiteren habe ich gelesen, dass ein F-Wert kleiner 1 meist auf einen Stichprobenfehler zurückzuführen ist, wie überprüfe ich dies oder hängt auch das mit der nicht gegebenen Normalverteilung zusammen?

Besten Dank
Anna

[PonderStibbons]

Dies würde ja bedeuten, dass die Nullhypothese angenommen werden muss da 0.234<3.07 und 0.792>0.05. Die Mittelwerte unterscheiden sich also nicht.

Um es genau zu formulieren, die Nullhypothese wird nicht angenommen, sie kann
nur nicht verworfen werden. Die Nullyhpothese, dass alle 3 Stichproben in der
Grundgesamtheit exakt denselben Mittelwert haben, wird beibehalten.

Mein Problem ist nun, dass ich gemerkt habe, dass die Bedingung der Normalverteilung nicht gegeben ist.

Die Bedingung lautet, dass die drei Stichproben jeweils aus einer normalverteilten
Grundgesamtheit kommen soll(t)en, oder dass die Vorhersagefehler (Residuen) der
Varanzanlyse aus einer Normalverteilten Grundgesamtheit kommen soll(t)en.
Woran hast Du gemerkt, dass dies nicht vorliegt?

Hängt dies damit zusammen, dass sich die Gruppengrössen doch stark unterscheiden (1. Gruppe n=68, 2.Gruppe n=38, 3.Gruppe n=28)?

Nein.

Bedeutet dies nun, dass die einfaktorielle Varianzanalyse nicht geeignet ist um meine Hypothese zu prüfen?

Nein. Bei Stichprobengrößen > 50 lässt sich davon ausgehen, dass die Güte
der Ergebnisse auch durch "nicht-normale" Verteilungen (innerhalb der Gruppen,
bzw. der Residuen) nicht in Mitleidenschaft gezogen wird.

Des weiteren habe ich gelesen, dass ein F-Wert kleiner 1 meist auf einen Stichprobenfehler zurückzuführen ist, wie überprüfe ich dies oder hängt auch das mit der nicht gegebenen Normalverteilung zusammen?

Vergiss das.

Mit freundlichen Grüßen

P.

[K1GFL]

Um die Normalverteilung zu prüfen habe ich den Kolmogorow-Smirnow, sowie den Shapiro-Wilk-Test durchgeführt.
Ich habe folgende Daten erhalten:

1.Geburtsmonat Januar-März: Kolmogorow-Smirnow: Signifikanz 0.001 Shapiro-Wilk: Signifikanz 0.002
2.Geburtsmonat Mai-August: Kolmogorow-Smirnow: Signifikanz 0.037 Shapiro-Wilk: Signifikanz 0.034
3.Geburtsmonat September-Dezember: Kolmogorow-Smirnow: Signifikanz 0.153 Shapiro-Wilk: Signifikanz 0.228

Die Signifikanz ist also bei den ersten beiden Gruppen kleiner als 0.05.

Bezüglich der Gruppengrösse und der Normalverteilung blicke ich noch nicht ganz durch. In meiner Arbeit geht es um den Juniorenspitzensport und um den Effekt, dass es überwiegend Sportler in die Regionalkaderteams schaffen, welche Anfang des Jahres geboren worden sind. So ist dies auch bei meiner Untersuchung, wie man an den Gruppengrössen erkennen kann, der Fall. Eine Normalverteilung würde ja bedeuten, dass die Gruppen in etwa gleich gross wären, sind sie aber aufgrund des Effekts nicht. Oder liege ich da falsch? Oder bezieht sich die Normalverteilung auf die abhängige Variable (Selbstwirksamkeitsscores)? Also die Verteilung der Antworten innerhalb einer Gruppen? Habe irgendwie ein durcheinander.

Falls die Normalverteilung nicht gegeben wäre, so wäre die einfaktorielle Varianzanlyse trotzdem zulässig oder wäre der Kruskal-Wallis-Test besser?
Falls ich trotzdem die einfaktorielle Varianzanalyse durchführen soll, so bräuchte mich ein F-Wert kleiner 1 nicht zu beunruhigen?

Vielen Dank Ponderstibbons für deine schnellen und präzisen Antworten,
ich wüsste nicht was ich ihne euch machen würde

Grüsse
Anna

[PonderStibbons]

Eine Normalverteilung würde ja bedeuten, dass die Gruppen in etwa gleich gross wären, sind sie aber aufgrund des Effekts nicht.
Oder liege ich da falsch? Oder bezieht sich die Normalverteilung auf die abhängige Variable (Selbstwirksamkeitsscores)? Also die Verteilung der Antworten innerhalb einer Gruppen? Habe irgendwie ein durcheinander.

Normalverteilungsbetrachtungen beziehen sich in Deiner
Analyse auf die abhängige Variable bzw. auf deren Residuen.

Wolltest Du untersuchen, ob ein Trimester über- bzw. andere
unterrepräsentiert sind, müsstest Du einen Chi² Anpassungstest
rechnen, mit erwartetem Anteil für die 3 Grupen von
jeweils 0,33. Aber da der Effekt bereits gut bekannt ist,
scheint diese Analyse nicht mehr besonders spannend zu sein.

Falls die Normalverteilung nicht gegeben wäre, so wäre die einfaktorielle Varianzanlyse trotzdem zulässig oder wäre der Kruskal-Wallis-Test besser?

Wie bereits gesagt, Deine Gesamtstichprobe ist so groß, dass
die Ergebnisse trotz nicht-normaler Grundgesamtheiten gültig sind
(Stichwort "zentraler Grenzwertsatz").

Mit freundlichen Grüßen

P.

Mit freundlichen Grüßen

P.

[K1GFL]

Fakt ist, dass es diesen "relative age effect" gibt, sprich, dass es überproportional viele Sportler im Juniorenspitzensport gibt, welche in den Afangsmonaten geboren sind.
Bis anhin hat man dies damit begründet, dass die "Frühgeborenen" durch ihren Altersvorsprung einen physiologischen Vorteil besitzen (kräftiger, grösser, schneller), wodurch sie eher selektioniert werden.
In meiner Arbeit will ich nun überprüfen, ob die Sportler nebst dem physichen Vorteil auch psychologisch bereits "gereifter" und "besser" sind, sprich ob sie auch eine höhere Selbstwirksamkeitserwartung (=die Überzeugung einer Person, durch eigenen Kompetenzen eine Aufgabe erfolgreich überwältigen zu können) aufweisen.
Nun habe ich also die fussballspezifische Selbstwirksamkeitserwartung in mehrerern Regionalauswahlen erfasst und möchte prüfen, ob die im ersten Trimester Geborenen sich bezüglich dem Selbstwirksamkeitsscore von den anderen Gruppen unterscheiden. Bzw. ob es allg. einen Unterschied zwischen den Gruppen gibt.
Dazu habe ich nun eine einfaktorielle Varianzanalyse durchgeführt und das bereits erwähnte Ergebnis erhalten: Beibehaltung der Nullhypothese -> Keine Unterschiede zwischen den Gruppen.
War mein Vorgehen nun korrekt oder gibt es noch Fehler, bzw. zu prüfende Faktoren?

Wie der Zufall es will, bin ich gerade dabei, für meine Diskussion aufzuzeigen, dass der Relative Alterseffekt auch für meine Stichprobe vorhanden ist.
Dazu muss ich ja einen Chi-Quadrat-Test durchführen. Ich habe folgende Daten:
Anzahl geborene Spieler Monaten, sowie in den Klammern die zu erwartende Anzahl Spieler (berechnet aus der Grundgesamtheit; alle Geburten nach Monat im Jahr 1999)
Januar 21 ( 10.07)
Februar 17 ( 10.56)
März 16 ( 11.56)
April 14 ( 11.15)
Mai 10 ( ...)
Juni 13 ( ...)
Juli 11 ( ...)
August 4 ( ...)
September 7 ( ...)
Oktober 8 ( ...)
November 4 ( ...)
Dezember 9 ( ...)

Ich begreife jedoch nicht wie ich bei SPSS vorgehen soll, da ich nirgends die erwarteten Werte eingeben kann.

Lieber Gruss
Anna

[PonderStibbons]

Womöglich musst Du das SPSS Handbuch oder ein Lehrbuch zu SPSS
oder die SPSS Hilfefunktion oder eine Webseite zu SPSS oder ein
SPSS Tutorial oder ein entsprechendes Video zu SPSS konsultieren.
Falls irgendeines von diesen Dingen existiert.

Mit freundlichen Grüßen

P.

[K1GFL]

Videos geschaut. Bücher und Skripte durchgelesen. Trotzdem nicht schlauer.
Mein Problem ist, dass ich ja nicht 2 Variablen habe, welche ich in einer Kreuztabelle darstellen kann (Bsp; Raucher/Nichtraucher und Männlich/Weiblich).
Ich habe ja nur die Variable "Geburtsmonat (1=Januar, 2=Februar,...).

Grüsse
Anna

[K1GFL]

Also mir ist nicht klar, wie ich die Auswertung mit SPSS machen muss.
Ich habe ja alle notwenigen Angaben:
1. Wieviele Spieler in den jeweiligen Geburtsmonaten tatsächlich zugeordnet werden.
2. Wieviele Spieler in den jeweiligen Geburtsmonaten eigentlich zu erwarten wären.

Doch wie bewältige ich dies nun mit SPSS? Ich komme echt nicht weiter. In den Beispielen im Internet/ SPSS-Handbuch beziehen sich die Variablen stehts auf eine JA/NEIN-Antwortmöglichkeit.
Bin anhin schaut meine Datei so aus:



Liebe Grüsse
Anna