STATISTIK-FORUM.de

[spflaum75]

Hallo Zusammen,

ich stehe gerade auf dem Schlauch. Ich habe zunächst eine mehrfaktorielle Varianzanlyse mit fünf Faktoren in SPSS gemacht, um deren Auswirkung auf eine abhängige Variable zu testen.

Das Gesamtmodell ist bei guten, also hohen F-Werten höchst signifikant;
und auch die Einzelfaktoren sind jeweils höchst signifikant im Modell.
Die Interaktionen der Faktoren sind für mich nicht von Interesse.

Nun habe ich mir zum Gegencheck die einzelnen Faktoren in einem einfaktoriellen Design angesehen, wie diese sich hier auf die abhängige Variable auswirken.

Und hier - surprise, surprise - ist der F-Wert deutlich unter 1 und entsprechend auch die Signifikanz nicht mehr vorhanden.

Wo habe ich den Denkfehler? Denn eigentlich sollte ein einzelner Faktor herausgenommen, im einfaktoriellen Design zumindest annähernd gleiche Werte liefern, wie es dieser Faktor im mehrfaktoriellen Design tut.

Vielen Dank für die Hilfe.
Stephan

[PonderStibbons]

eigentlich sollte ein einzelner Faktor herausgenommen, im einfaktoriellen Design zumindest annähernd gleiche Werte liefern, wie es dieser Faktor im mehrfaktoriellen Design tut.

Nein, warum sollte er? Schau Dir einmal an, woraus
der F-Wert in der Varianzanalyse berechnet wird,
und ziehe in Betracht, was passieren kann, wenn
man statt 1 Faktor in der Analyse zu haben noch
zusätzliche Faktoren einbezieht.

Mit freundlichen Grüßen

P.

[spflaum75]

Vielen Dank für die erste Antwort. Um es konkreter zu machen, in meinem fünf-Faktoren-Modell untersuche ich die Auswirkung der Big-Five-Persönlichkeitsmerkmale auf verschiedene abhängige Variablen (zB. Allgemeine Zufriedenheit mit einem Mentoringprogramm). Meine Hypothese ist zB, je ähnlicher Mentor und Mentee der Persönlichkeit nach sind, desto höher ist die Zufriedenheit mit dem Mentoring.

Wenn also mein Fünf-Faktoren-Modell insgesamt höchst signifikant ist und zudem auch die Einzelfaktoren höchst signifikant sind, ist dann meine Hypothesenwelt in Ordnung? Mein Bedenken war - und darum habe ich mir die einzelnen Faktoren in der einfaktoriellen Analyse nochmal angesehen - dass fünf Faktoren zu viel sein könnten, vor dem Hintergrund, dass ja jeder weitere Faktor per se den Anteil der erklärten Streuung erhöht.

In der Interpretation: Ein einzelner Faktor reicht nicht aus, um die Streuung in der abhängigen Variable zu erklären (einfache Varianzanalyse). Nur Verbindung mit den anderen vier Persönlichkeitsfaktoren (fünf-Faktoren-Modell) trägt er signifikant zur Erklärung bei?!?

Und darf ich gleich noch etwas anderes fragen: Eigentlich wollte ich im Anschluss an die Varianzanalyse noch posthoc-Tests durchführen. Ich habe verschiedene Varianten durchprobiert, habe aber das Problem, dass zu viele Felder zu gering besetzt sind. Es kommen (zu) wenige signifikante Mittelwertsvergleiche heraus. In einer Publikation von habe ich gelesen, dass posthoc-Analysen insbesondere dann angebracht sind, wenn man keine konkreten Hypothesen zu den Mittelwertsunterschieden hat. Diese aber habe ich. Kann ich auf posthoc mit Verweis auf zu geringes N in vielen Feldern einfach lassen. Meine F-Tests allein haben gute Werte und sind entweder hoch oder höchst signifikant. Zudem werden die Unterschiede zwischen den Mittelwerten im Mittelwertdiagramm gut sichtbar.

Vielen Dank schon mal für die Hilfe!
Stephan

[PonderStibbons]

Wenn also mein Fünf-Faktoren-Modell insgesamt höchst signifikant ist und zudem auch die Einzelfaktoren höchst signifikant sind, ist dann meine Hypothesenwelt in Ordnung?

Ich weiß nicht, was höchst signifikant ist. Stichprobengröße und p-Werte wurden ja nicht angegeben.
Und wieso hast Du eine Varianzanalyse gerechnet, Deine Skalen sind doch kontinuierlich, wo kommen
da die Faktoren her?

In der Interpretation: Ein einzelner Faktor reicht nicht aus, um die Streuung in der abhängigen Variable zu erklären (einfache Varianzanalyse). Nur Verbindung mit den anderen vier Persönlichkeitsfaktoren (fünf-Faktoren-Modell) trägt er signifikant zur Erklärung bei?!?

Was heißt "nicht ausreichen"? Falls das auf einen nicht-signifikanten p-Wert abhebt,
das kann alles von p=0,05 bis p=0,99 heißen.

In einer Publikation von habe ich gelesen, dass posthoc-Analysen insbesondere dann angebracht sind, wenn man keine konkreten Hypothesen zu den Mittelwertsunterschieden hat. Diese aber habe ich.

Dann wären eigentlich lineare Kontrastanalysen angebracht (gewesen).

Zudem werden die Unterschiede zwischen den Mittelwerten im Mittelwertdiagramm gut sichtbar.

Wenn n=3 versus n=3 im Diagramm einen schönen Mittelwertunterschied
aufweist, heißt das nichts.

Mit freundlichen Grüßen

P.