Zusammenfassung
Mit t-Tests und Varianzanalysen lassen sich Hypothesen über Erwartungswerte von Variablen in mehreren Gruppen prüfen. Für die statistischen Grundlagen dieser Themen vgl. Eid, Gollwitzer und Schmitt (2017) sowie Maxwell, Delaney und Kelley (2017). Für eine Beschreibung der in diesem Kapitel verwendeten Daten vgl. Abschn. 6.3. Die Tests setzen voraus, dass die Variable in allen Gruppen normalverteilt mit derselben Varianz ist. Bevor auf Tests zum Vergleich von Erwartungswerten eingegangen wird, sollen deshalb zunächst Tests für Normalverteilung und Varianzhomogenität vorgestellt werden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Diese Variante wird auch als Brown-Forsythe-Test bezeichnet. Mit leveneTest(..., center=mean) können alternativ die Differenzen zum jeweiligen Gruppenmittelwert gewählt werden.
- 2.
Für Einzelvergleiche in Form allgemeiner Kontraste vgl. die Funktion glht() aus dem Paket multcomp (Hothorn, Bretz, und Westfall 2008) sowie ScheffeTest() aus dem PaketDescTools.
- 3.
Da keine Interaktion von Treatment-Variable und Kovariate berücksichtigt wird, sind die Quadratsummen vom Typ II und III hier identisch.
- 4.
Die absolute Höhe der Gruppe der y-Achsenabschnitte lässt sich aus den Daten nicht unabhängig schätzen, während ihre Abstände untereinander eindeutig bestimmt sind.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2021 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this chapter
Cite this chapter
Wollschläger, D. (2021). t-Tests und Varianzanalysen. In: R kompakt. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63075-4_8
Download citation
DOI: https://doi.org/10.1007/978-3-662-63075-4_8
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-63074-7
Online ISBN: 978-3-662-63075-4
eBook Packages: Life Science and Basic Disciplines (German Language)