U5

• Richtiger Hypothesentest auswählen

  Entscheiden Sie, ob Sie einen Unterschied (Mittelwertvergleich) oder Zusammenhang (klassische Korrelation) testen wollen
• Bei gemischten Skalenniveaus sind bestimmte Verfahren zu wählen oder wir orientieren uns an der Variable mit dem niedrigsten Stellenwert
• Konservatismus: Falls unterschiedliche Ergebnisse (z.B. von unterschiedlichen Tests) vorliegen, von denen keines aus inhaltlichen Gründen vorzuziehen ist, wird dasjenige herangezogen, das am ehesten den eigenen (Alternativ-)Hypothesen des Forschers/der Forscherin widerspricht
• Zusammenhangshypothesen


  Zwischen zwei oder mehr Merkmalen besteht ein (ungerichtet oder gerichtet: positiv oder negativ) Zusammenhang
• Maß für metrisch skalierte Variablen

  Pearson-Korrelation Koeffizient
• Voraussetzungen für den Pearson-Korrelation-Koeffizient: Test auf Normalverteilung (sofern n<30), beide Variablen müssen metrisch skaliert sein, Varianzhomogenität
• Interpretation Pearson-Korrelation Koeffizient

  Kein Zusammenhang: .00 bis .10, schwacher Zusammenhang: .10 bis .30, mittlerer Zusammenhang: .30 bis .50, starker Zusammenhang: ab .50
• Beispiel Pearson-Korrelation


  1. Check Voraussetzungen

  2. Auf "Analyse" klicken

  3. Auf "Regression" und dann "Korrelationsmatrix" klicken

  4. Die zu untersuchenden Variablen in die Korrelationsmatrix überführen

  5. "Pearson" anklicken, "Hypothese" nur "korreliert" anklicken, "Diagramm" "Korrelationsmatrix" anklicken

  6. Ergebnisse interpretieren: p<0.05 = H1 ist richtig, p>0.05 = H0 ist richtig, Cohens d Interpretation

  7. Ergebnisse berichten: rS = .XX, p = Angabe exakter Wert oder ggf. p <.001, ggf. "einseitig", N=...
• Spearmans Rho


  Maß für ordinalskalierte Variablen, Rangkorrelationskoeffizient, ähnlich wie Pearsons r, aber anstelle intervallskalierter Messwerte werden die jeweiligen Rangplätze der ordinalskalierte Daten eingesetzt

  
• Der Rangkorrelationskoeffizient nach Spearmans (Rho)

  Erfasst inwieweit zwei Rangreihen systematisch miteinander variieren (Test über monotone Zusammenhänge bei ordinalskalierten Variablen)
• Beispiel Spearmans Rho

  1. Check Voraussetzungen

  2. Auf "Analyse" klicken

  3. "Regression" und dann "Korrelationsmatrix" anklicken

  4. Die zu untersuchenden Variablen überführen

  5. "Spearman", "N", "Signifikante Korrelation markieren", "Signifikanzniveau" und "positiv korreliert" ankreuzen

  6. Ergebnis interpretieren und berichten
• Chi-Quadrat-Test für Unabhängigkeit

  Maß für nominal skalierte Variablen, überprüft, ob zwei oder mehrkategoriale Variablen abhängig voneinander sind, macht aber keine Aussagen zur Stärke des Zusammenhangs

  
• Voraussetzungen für Chi-Quadrat-Test für Unabhängigkeit

  Nominales Skalenniveau, Unabhängigkeit der Messungen, jede Zelle hat fünf oder mehr zu erwarteten Beobachtungen
• Erwartete Häufigkeiten

  Sind die Häufigkeiten, die auftreten würden, wären die beiden Variablen unabhängig voneinander, berechnet auf der Grundlage der Randverteilungen der Variablen
• Beispiel Chi-Quadrat-Test für Unabhängigkeit

  1. Check Voraussetzungen

  2. Auf "Analyse" klicken

  3. "Häufigkeiten" anklicken und dann "Unabhängige Stichproben"

  4. In "Zelle" die UV und in "Spalten" die AV übertragen

  5. Folie 57 nochmal angucken

  6. Ergebnisse interpretieren

  7. Ergebnisse berichten: V = .XX, χ²(df, N=XX) = X.XX, p = exakter Wert oder ggf. p < .001
• Streudiagramme

  Erkläre anhand von diesem Bild folgende Begriffe:

  • Nicht monoton: Zusammenhang, der einer Hyperbel bzw. Parabel ähnelt
  • Linear: Metrischer Zusammenhang, das eine steigt, dann steigt automatisch das andere
  • Monoton: Ordinaler Zusammenhang
  • Kein Zusammenhang erkennbar: Keine Gruppen/ Ordnung

  
• Maß für ordinal skalierte Variablen

  Rangkorrelationskoeffizient nach Spearmans Rho
• Maß für nominal skalierte Variablen

  Chi-Quadrat-Test für Unabhängigkeit