Varianzanalyse 2 Faktorielle Varianzanalysen mit Meßwiederholung Interpretation der Ergebnisse 3 Faktorielle Varianzanalysen
Interpretation der Ergebnisse Einfaktorielle Varianzanalyse: Die Interpretation von einfaktoriellen Varianzanalysen fällt nicht schwer. Das Ergebnis der Varianzanalyse gibt nur darüber Aufschluss, ob sich die Faktorstufen voneinander unterscheiden.
Interpretation der Ergebnisse Unser Beispiel waren die Cholesterinwerte aus Aufgabe drei Error: sub Df Sum Sq Mean Sq F value Pr(>F) Residuals 173 1531015 8850 Error: Within Df Sum Sq Mean Sq F value Pr(>F) faczei 3 3382 1127 2.6533 0.04797 * Residuals 519 220505 425
Interpretation der Ergebnisse 2 Faktorielle Varianzanalyse: Bei einer 2 Faktoriellen Varianzanalyse müssen die einzelnen Haupteffekte und Interaktionen der Faktoren richtig gedeutet werden
Interpretation der Ergebnisse Error: sub Df Sum Sq Mean Sq F value Pr(>F) facpi 1 12725 12725 1.4416 0.2315 Residuals 172 1518290 8827 Error: Within Df Sum Sq Mean Sq F value Pr(>F) faczei 3 3382 1127 2.6552 0.04786 * facpi:faczei 3 1435 478 1.1268 0.33767 Residuals 516 219070 425
Interpretation der Ergebnisse http://www.ats.ucla.edu/stat/R/seminars/Repeated_Measures/repeated_measures.htm Hier gibt es vier schöne Beispiele zur Interpretation von Haupteffekten und Interaktionen gebt bitte > par(mfrow = c(2,2)) ein, um euch alle vier Plots anzeigen zu lassen
Interpretation der Ergebnisse Aufgabe: In dem Script gibt es viele Eingaben, die wir nicht kennen. Findet über die Hilfefunktion heraus, was diese Eingaben bedeuten. demo1<-read.table("aufg7_1.csv", header=T, sep=",") attach(demo1) par(cex=.6) interaction.plot(time, factor(group), pulse, ylim=c(5, 20), lty=c(1, 12), ylab="mean of pulse", xlab="time", lwd=3, trace.label="group") demo1.aov <- aov(pulse ~ factor(group)*factor(time) + Error(factor(id))) summary(demo1.aov) detach(demo1)
Interpretation der Ergebnisse Hier sehen wir wieder nur einen Haupteffekt, aber diesmal auf dem anderen Faktor: demo2<-read.table("aufg7_2.csv", header=T, sep=",") par(cex=.6) attach(demo2) interaction.plot(time, factor(group), pulse, ylim=c(10, 40), lty=c(1, 12), lwd=3,ylab="mean of pulse", xlab="time", trace.label="group") demo2.aov <- aov(pulse ~ factor(group)*factor(time) + Error(factor(id))) summary(demo2.aov) detach(demo2)
Interpretation der Ergebnisse In diesem Beispiel sehen wir eine klare Interaktion und zwei Haupteffekte demo3<-read.table("aufg7_3.csv", header=T, sep=",") par(cex=.6) attach(demo3) interaction.plot(time, factor(group), pulse, ylim=c(10, 60), lty=c(1, 12), lwd=3, ylab="mean of pulse", xlab="time", trace.label="group") demo3.aov <- aov(pulse ~ factor(group)*factor(time) + Error(factor(id))) summary(demo3.aov) detach(demo3)
Interpretation der Ergebnisse Hier sehen wir eine Interaktion und einen Haupteffekt demo4<-read.table("aufg7_4.csv", header=T, sep=",") par(cex=.6) attach(demo4) interaction.plot(time, factor(group), pulse, ylim=c(10, 60), lty=c(1, 12), lwd=3,ylab="mean of pulse", xlab="time", trace.label="group") demo4.aov <- aov(pulse ~ factor(group)*factor(time) + Error(factor(id))) summary(demo4.aov) detach(demo4)
Varianzanalysen mit mehr als zwei Faktoren Varianzanalysen mit mehr als zwei Faktoren sind nicht schwer zu errechnen, aber schwer zu interpretieren. Meiner Meinung nach ist eine Dreifachinteraktion gerade noch zu interpretieren. Eine Vierfachinteraktion ist mir zu kompliziert. Es sollte beim Experimentaldesign darauf geachtet werden, dass keine Vierfachinteraktionen interpretiert werden müssen.
Mehrfaktorielle Varianzanalyse mit Messwiederholung Aufgabe 6 Die Daten müssen transformiert werden, damit alle Messwiederholungen in einer Spalte stehen. Des weitern benötigt man Faktoren für die Versuchsperson, den Test und das Alter. Mit diesen Faktoren muss ein Dataframe erzeugt werden (dat2) Anschließend > aov1 <- aov(merk ~ test*alte + Error(sub), dat2) > summary(aov1)
Mehrfaktorielle Varianzanalyse mit Messwiederholung SPSS: Aufgabe 6 Die Analyse in SPSS ist nicht schwierig. Es handelt sich natürlich um eine ANOVA mit Meßwiederholung (Test m1 bis m4) Zusätzlich habe wir einen Between Subject Faktor (das Alter)
Varianzanalysen mit mehr als zwei Faktoren Öffnet in SPSS und R die Aufgabe 3 und führt eine Varianzanalyse für Chol12 mit den Faktoren Altersklassen, Medikament und Geschlecht durch. Um welche Art von Varianzanalyse handelt es sich dabei?
Varianzanalysen mit mehr als zwei Faktoren Analyze General Linear Model Univariat
Varianzanalysen mit mehr als zwei Faktoren Aufgabe: Erstellt in R ein kleines Dataframe mit den Faktoren Medikamente, Alter und Geschlecht und der AV CHOL12 Die Faktoren müssen als Faktoren definiert sein > class() ist die Funktion, um an die Information zu gelangen ob es sich um einen Faktor handelt und > factor() wird verwendet, um einen Faktor zu erstellen
Varianzanalysen mit mehr als zwei Faktoren Um die Varianzanalyse zu errechnen, genügt die Eingabe > aov(av ~ med*g*ak, dat) -> erg > summary(erg) Für die Abbildungen empfiehlt sich die Funktion > interaction.plot(dat$ak, dat$med, dat$av) Um eine Dreifachinteraktion darzustellen, benötigt man mindestens zwei Plots
Aufgabe Hinter der Aufgabe 8 verbirgt sich eine interessante Fragestellung über Attraktivität, Charisma und Geschlecht. Auch hier muss eine dreifaktorielle Varianzanalyse gerechnet werden, diesmal allerdings auch mit einen between Faktor und zwei within Faktoren Die Eingabe für R ist neu. Der Rest sollte für euch kein Problem mehr sein > aov(av ~ gesch*cha* att + Error(sub/(cha*att)), da)