Ich habe versucht es möglichst anschaulich darzustellen und daher auch die Werte eingefügt:
Es gab eine Lernaufgabe in einer Lernphase und eine Testphase mit EG und KG, jeweils 40 VP (richtige Antwort: 1, falsche Antwort: 0)
Die EG bekam ein Manipulation, die das Lernen in der Lernphase verbessern sollte. Die Haupthypothese ist ein Mittelwertsunterschied der Lernphase von EG und KG t-test wurde auch signifikant)
Es gab unterschiedlich viele Trainingsdurchgänge (jedoch immer gleichverteilt auf EG und KG in Diadenstruktur) durch eine andere Fragestellung.
Die durch die unterschiedlichen Trainingsdurchgänge möglicherweise entstandene Fehlervarianz soll durch eine Kovarianzanalyse verringert werden um einen„pureren“ Effekt der experimentellen Manipulation sehen zu können.
AV: richtige Antworten in der Lernphase (Durchschnitt)
UV: Gruppe
Kovariate: Anzahl Trainingsdurchgänge
Keine signifikante Korrelation von Trainingsdurchgänge und Anzahl richtiger Antworten.
1. Voraussetzung: keine Regression von Gruppe auf Trainingsdurchgänge
2.Voraussetzung der Homogenität der Regression : die Interaktion Gruppe * Trainingsdurchgänge ist nicht signifikant p = .109 n = 0,373 F = 2,634
Homogenität der Regressionsresiduen
Levene ist signifikant ABER (Field (2013) „not necessary the best way“, Kapitel 5)
variance ratio ist für AV unter 2 (= 1.71) -> erfüllt (evtl. Brown-Forsythe-Korrektur??)
Gleichgroße Gruppen beim F-Test bei Simulationsstudien robust?
Ohne Kovariate
Zunächst wurde eine einfaktorielle Anova mit Gruppe als UV und Anzahl richtiger Antworten in der Lernphase als AV gerechnet.
Signifikantes Gesamtmodell ("Korrigiertes Modell": F(1, 78) = 19.674, p < .001).
Es gibt einen Haupteffekt der Gruppe auf die AV in der Lernphase, F(1, 78) = 20.812, p < .001, partielles ηp2 = .201. Durch die Variable Gruppe kann 20,1 % der bis dahin nicht erklärten Varianz erklärt werden.
Mit Kovariate
Signifikantes Gesamtmodell ("Korrigiertes Modell": F(2, 77) = 12,557, p < .001).
Es gibt einen Haupteffekt der Gruppe auf die AV F(2, 77) = 25.568, p < .001, partielles ηp2 = .211. Damit kann 21,1% der bis anhin nicht erklärten Varianz durch die Variable Gruppe erklärt werden (Zuwachs an erklärter Variant von 1%). Die Kovariate Anzahl Trainingsdurchgänge hat einen signifikanten Einfluss, F(1, 77) = 4.546, p = .036. Die Anzahl an Trainingsdurchgängen hat also einen Einfluss auf den Effekt von der UV Gruppe zur AV! Bei genauerer Betrachtung der Steigungen der Regressionsgeraden fällt auf, dass die UV Anzahl Trainingsdurchgänge sich unterschiedlich auf beide Stufen der UV Gruppe auswirkt.
Regressionsanalyse
Um Unterschiede in den Steigungen der Regressionsgeraden zu testen /um den Effekt der UV Trainingsdurchgänge auf die AV getrennt für EG bzw. KG zu untersuchen wurde getrennt für die EG und KG zwei Regressionsanalyen durchgeführt. (Unterschiede in den Slopes von EG und KG testen - ist das äquivalent?)
Die Anzahl der Trainingsdurchgänge hat in der KG einen Einfluss darauf, wie viel richtige Antworten in der KG gegeben werden (F(38,1) = 6.060, p = .018). In der Lernphase kann 11,5 % der Streuung in der AV in der KG kann durch die Anzahl der UV Anzahl Trainingsdurchgänge erklärt werden, was nach Cohen (1992) einen mittleren Effekt entspricht (f = 0,346). Auf AV in der EG hat die Anzahl der Trainingsdurchgänge keinen Einfluss (F(38,1) = 0.179 p = .674).
Ist es nicht ein Widerspruch, dass die Interaktion Gruppe * Trainingsdurchgänge nicht signifikant ist, die Regressionsgeraden aber nicht parallel verlaufen?
Die Anzahl an Trainingsdurchgänge hat also einen Einfluss auf den Effekt von der UV Gruppe zur AV, aber nur bei der KG. Handelt es sich hier um einen Moderationseffekt?
Ich freue mich etwas dazu zu lesen, denn von meinen nahestehenden Kommilitonen weiß da auch niemand weiter. Viele Grüße Python
