Marginal signifikant psychologie

Die statistische Signifikanz als Begriff der Inferenzstatistik,wobei diese Form der Signifikanz die Möglichkeit der Generalisierung festlegt, wobei mit relativ geringem vor allem kostengünstigen Aufwand mit einer angebbaren Wahrscheinlichkeit auf Verteilungen in einer Gesamtheit geschlossen werden kann. Signifikant sind dabei also Ergebnisse, die wahrscheinlichkeitsstatistisch belegt sind.

Davon unterschieden werden muss hingegen die praktische Signifikanz im Sinne von Relevanz oder Bedeutsamkeit. Diese ergibt sich aus der Bewertung, also der Interpretation der erhobenen Daten und der darin hergestellten Relation zu den gesetzten Kriterien. Sind z. Da die Wissenschaft das Neue prämiert und nicht das Bestätigen von Altem, kommt es in vielen Wissenschaften, auch der Psychologie, zu einer Replikationskrise.

Eine der Ursachen ist die Verwendung des heute vorherrschenden Standardansatzes zur Beurteilung wissenschaftlicher Hypothesen, die Signifikanzprüfung. Hallo Mari, bei den mehrfachen bivariaten Zusammenhängen und auch bei der multiplen Regression sind keine Anpassungen notwendig. Deshalb muss das Fehlerniveau nicht korrigiert werden. Bei der ANOVA ist es anders.

Hier rechnest du eine ANOVA und mehrer Post-Hoc Tests für diese eine Fragestellung und deshalb für eine Hypothese. Deshalb muss hier angepasst werden. Ich finde Deine Seite Klasse! Dann wollte ich wissen wo die Signifikanz ist und habe manuell mittels T-Test zweistichproben Test unter Annahme gleicher Varianzen jeweils die Gruppen unter einander verglichen.

Aussagekraft oder bin ich zu streng vorgegangen?? Hallo, grundsätzlich ist die Bonferroni-Korrektur zu streng. Wenn du per Hand vorgehen willst, ist Bonferroni-Holm eine gute Alternative. Welche Software verwendest du? Oft sind schon Post-Hoc Tests mit der Fehleranpassung implementiert und du kannst dir dort eine aussuchen, die nicht zu streng und nicht zu liberal ist.

Wenn du 4 Gruppen hast, müsstest du doch mehr als 4 Paarvergleiche haben? Wieso teilst du durch 4? Du musst durch die Anzahl der Tests teilen. Ich benutze Excel zur Auswertung der Daten. Insgesamt sind 6 Paarvergleiche möglich Gruppe A und B, A und C A und D B und C B und D C und D Ich habe bei meiner Bonferroni- Auswertung durch 4 dividiert, da ich lediglich 4 der möglichen 6 Paarvergleiche mit einem t Test durchgeführt habe.

Muss man unabhängig, wieviele Tests man durchführt, IMMER sich daran orientieren wieviele Paarungen bzw. Test möglich meinem Fall also durch 6 dividieren? Werde, wie empfohlen wird, nun separat Bonferroni-Holm durchführen. Ich hatte mich ursprünglich für den Bonferroni entschieden, da ich eine eher geringe Fallzahl habe und somit einen strengen Test gewählt.

Bin noch am Anfang meiner Auswertung, daher kann es nun natürlich sein, dass am Ende keine oder wenig signifikantes dabei rauskommt. Hallo, gut, dann passt das teilen durch 4! Nicht zu streng und nicht zu liberal. Wie gehe ich nun vor? Um das Beispiel konkreter zu machen: Ich habe 6 Vergleiche. Und wie verhält es sich dann im Folgenden mit den letzten beiden Werten 0, und 0,?

Hallo, der eine bekommt die Schranke geteilt durch 4, der andere geteilt durch 3. Danach geht es dann mit Teilen durch 2 weiter. Welchen Test und welche Fehlerkorrektur verwendet SPSS für diese Post-hoc-Tests? Alternativ gibt es noch eine Stepwise Stepdown Prozedur, die weniger konservativ ist. Hier werden ähnliche Gruppen zusammengefasst, anstatt alle miteinander zu vergleichen.

Ich habe einen Kruskal Wallis Test durchgeführt und 4 Typen hinsichtlich eines Merkmals Testscore verglichen. Als Post-Hoc Test habe ich nun paarweise U-Test durchgeführt insgesamt 6. Hier soll ich nun eine Bonferroni Korrektur anwenden. Ich hab lange recherchiert, wie ich das bei SPSS machen kann, nichts gefunden, nur bei der ANOVA habe ich diese Funktion entdeckt.

Bei den signifikanten Test wurde ein Typ F mit allen drei anderen Typen verglichen. Oder stelle ich das da? Inhaltlich, würde das bedeuten, dass Typ F am stärksten mit der Ausprägung des Merkmal Testscore zusammenhängt? Hauptsache der Leser versteht, was du hier gemacht hast. Eine Anmerkung: Die Bonferroni-Korrektur ist sehr streng, liefert oft zu wenige signifikante p-Werte.

Besser wäre z. Hallo Daniela, ich hoffe die Frage wurde noch nicht gestellt ich habe jedenfalls nichts gefunden Ich möchte eine zweifaktorielle Varianzanalyse durchführen. An sich müsste ich jetzt einen Welch test durchführen, oder Und Bootstrapping reicht in diesem Fall nicht? Allerdings kann ich nicht herausfinden wie man dies bei einer Faktoriellen Varianzanalyse macht hab es nur für die einfaktorielle ANOVA gefunden.

Ich sitze gerade an meiner Bachelorarbeit und habe das mit der Halbierung des p-Werts nicht ganz verstanden. Hallo Anne, das kommt darauf an, was du vorhast: einseitig oder zweiseitig testen? Die Fragestellung bezüglich der Variablen ist folgende: Unterscheiden sich die Gruppen hinsichtlich Variable A? Variablen B bis D könnten eventuell Variable A beeinflussen, da sie theoretisch unterschiedliche Aspekte eines Merkmals messen.

Diese Variablen werden dann auch jeweils paarweise zwischen den Gruppen verglichen. Vor den Gruppenvergleichen habe ich zudem Korrelationen für allen möglichen Variablenkombinationen berechnet. Nun meine Frage: Wenn ich gegen multiples Testen korrigiere, welche der Tests muss ich dann gemeinsam korrigieren? Alle, also alle Gruppenvergleiche und die Korrelationen?

Oder nur die Korrelationen miteinander und alle Gruppenvergleiche miteinander? Oder müssen nur die Gruppenvergleiche KS und MWU miteinander korrigiert werden, die auch nur eine Variable untersuchen? Ich hoffe, ich habe alles verständlich dargestellt. Was mich unsicher macht, sind die Korrelationen zwischen den Variablen, die ja anzeigen, dass alle Tests irgendwie zusammenhängen, oder?

Hallo Julia, du musst die Fehlerkorrektur immer jeweils für eine Hypothese machen. Das ist normalerweise ein Kruskal-Wallis Test mit den zugehörigen Mann-Whitney U Tests. Die Korrelationen und die Tests für die anderen Variablen sind dann extra. Die werden auch bei Bedarf extra korrigiert. Design: Geschlecht Weibl. Pausenart Aktiv 20 13 Passiv 16 Alle Pbn werden 2x getestet: vor und nach einer Pause Messwiederholung.

Zunächst habe ich geschaut, ob sich Frauen mit aktiver und passiver P. Dazu habe ich einen unabhängigen t-Test berechnet, da ich nur eine Gruppe Frauen und 1 UV mit 2 Stufen: aktive, passive Pause habe. Das Gleiche habe ich für die Männer gemacht. Es gibt keine signifikanten Gruppenunterschiede. Frage 1: Ist es korrekt, dass ich für Hyp 1: eine 2-faktorielle Geschlecht, Pausenart multivariate 10 AVs Varianzanalyse mit Messwiederholung Hyp 2: eine 2-faktorielle Geschlecht, Pausenart multivariate 3 AVs Varianzanalyse mit Messwiederholung Hyp 3: eine 2-faktorielle Geschlecht, Pausenart multivariate 7 AVs Varianzanalyse mit Messwiederholung rechne?

Alle Variablen sind normalverteilt und varianzhomogen. Oft ist die Rede von Variablen und Vergleichen oder Gruppe und Vergleich oder Anzahl der Tests. Ich kann es leider nicht zuordnen. Also, Frage 2: Sind das 4 Vergleiche und passe ich mein Alpha dementsprechend 4 an oder muss ich mich auf die Anzahl der abhängigen Variablen 10, 3, 7 beziehen?

Ich habe noch eine Hypothese mit nur einer UV Geschlecht , die sich auf das Burnout-Risiko 12 Variablen bezieht unabhängiger t-Test. Auch hier die Frage: Entspricht dies EINEM Vergleich Frauen, Männer , oder spielt die Anzahl der Variablen 12 bei der Alpha-Anpassung eine Rolle? Hallo Esther, da es sich um eine Analyse 2faktorielle multivariate ANOVA mit Messwiederholung für je eine Hypothese handelt, musst du das Fehlerniveau nicht anpassen.

Noch eine Frage: Ich habe ja folgende Faktoren: Geschlecht, Pausenart, Messzeitpunkt. Ich habe beispielsweise 2x die Leistung erfasst. Vor und nach einer Pause. Ich habe sie an Hand der univariaten Tests und der paarweisen Vergleiche interpretiert. Mein Prof. Hallo Esther, ich würde das auch als Interaktionseffekt beschreiben. Stört er sich daran, dass das eine Messwiederholung ist?

Dennoch habe ich eine Frage bezüglich der Analyse von Clustern. Ich habe mit Hilfe einer Clusteranalyse erst hierarchische Ward-Methode dann K-Mean-Methode eine 4 Clusterlösung gefunden, wobei auch ein eine 3, oder 2 Clusterlösung aufgrund der Sprünge zwischen Agglomerationskoeffizienten möglich sind. Daher wende ich den Kruskal-Wallis-Test an. Dieser ist signifikant.

Darauf folgend habe ich die Post-Hoc-Analyse mit Bonferroni-Holm-Prozedur vorgenommen. Ich habe 4 Cluster Unternehmen und 4 Variablen. Dies habe ich auch für die 3- und 2-Clusterlösung durchgeführt. Nur die 2-Clusterlösung zeigt eine Signifikanz in ALLEN Tests. Im speziellen möchte ich untersuchen, ob die Ausprägung der Variablen in den Clustern Unternehmen einen signifikanten Einfluss auf die Performance von Unternehmen hat.

Dies würde ich wiederum mit einem t-Test testen wollen da EBIT und ROA normalverteilt sind. Kann ich die Clusterlösungen immer benutzen auch wenn sie nicht vollständige Signifikanz bezüglich der Heterogenität zwischen den Clustern aufweist, unter der Bedingungen, dass meine Aussagen nicht verallgemeinernd angewandt werden können. Hallo David, du kannst auch Clusterlösungen verwenden, deren Cluster sich nicht signifikant unterscheiden.

Es ist nicht immer möglich, eine perfekte Lösung zu finden. Ich möchte eine Varianzanalyse mit Messwierderholung untersuchen und untersuche die Veränderung von 4 theoretisch unabhängigen Variabeln über 2 Messzeitpunkte in Abhängigkeit vom Beruf. Ich rechne nun für jede Variabel einzeln die ANOVA und möchte im Pos Hoc Test Aussagen über die Berufe Treffen. In welcher Form muss ich den Alpha Fehler hier miteinbeziehen?

Und muss ich den Alpha Fehler auch bei der einfaktoriellen ANOVA beachten, wo ich die Unterschiede zwischen den Ausprägungen der Muster beim ersten Zeitpunkt unterusche? Hallo Loredana, wie genau lauten die Hypothesen? Das ist wichtig um zu wissen, in welcher Form korrigiert werden muss. Nun wählen wir anhand der Hypothesen einen geeigneten Test aus. Auch in unserem Beispiel könnte man die Forschungsthesen so formulieren.

Alternativ, könnte man die Abweichung vom Populationsmittelwert von 0,3 Geschmackspunkten dadurch erklären, dass unser Eis wirklich besser Schmeckt, also nicht aus dieser Population stammt bzw. Das folgende Schaubild zeigt die Situation grafisch. Der grau schattierte Bereich zeigt die Wahrscheinlichkeit der H 0 Später auch P-Wert genannt. Die Regel, ab wann diese dann abzulehnen ist, werden wir im folgenden kennen lernen Die Festlegung dieser Grenze ist der eigentliche Z-Test.

Die folgende Tabelle zeigt die daraus resultierenden Hypothesenpaare für unser Beispiel. Dieser wird in den statistischen Hypothesen als fester Wert dargestellt. Zudem müssen wir, bevor wir mit dem Test beginnen, überprüfen, ob unsere Daten die Voraussetzungen des Tests erfüllen. Beispielsweise unterscheiden sich Signifikanztests darin, welches Skalenniveau sie benötigen oder welche Verteilungsfunktion in den Daten vorliegen muss.

Nun können wir mit der Testung unserer Hypothesen beginnen. Dieses Vorgehen hat den Vorteil, dass wir nun anhand des berechneten z-Wertes die Auftretenswahrscheinlichkeit für unseren gefundenen Mittelwert aus der Stichprobe mittels Tabellen bestimmen können aber dazu später mehr. An dieser Beispielrechnung wird ein weiterer wichtiger Grundsatz der Hypothesentestung deutlich.

Wenn Sie sich an den vorherigen Absatz der Hypothesenaufstellung erinnern, so war genau dies die Annahme der H 0. Dementsprechend prüfen wir, wie wahrscheinlich es ist, dass unsere Daten aus der Stichprobe hier: 7,5 Geschmackspunkte auftreten, wenn die H 0 gilt. Noch Fragen offen geblieben? Im nächsten Schritt des Testens gilt es zu klären, wie wahrscheinlich unser gefundener z-Wert unter Annahme der Nullhypothese ist.

Hierfür konstruieren wir einen Ablehnungsbereich , dessen Grenzen als kritische z-Werte oder kurz z krit bezeichnet werden. Liegt unser empirisch gefundener z-Wert z emp in diesem Ablehnungsbereich, so wird die H 0 abgelehnt und die Alternativhypothese angenommen. Zur Wiederholung zeigt Ihnen die folgende Tabelle die üblichen Signifikanzniveaus in der Forschung. Welches Signifikanzniveau Sie dabei festlegen, ist ganz allein Ihnen überlassen, jedoch sollte die Entscheidung unter Berücksichtigung der jeweiligen Forschungshypothese erfolgen.

Graphisch sieht der Ablehnungsbereich für unser Beispiel wie folgt aus:. Wir bestimmen nun den zugehörigen z-Wert wieder aus einer Tabelle für die Standardnormalverteilung. Unser kritischer z-Wert hat laut der Tabelle einen Wert von 2, Da die Tabellen immer nur grob die Werte angeben, hätten wir alternativ auch den kritischen z-Wert von 2,32 wählen können.

Da wir jedoch unsere H 0 nicht zu schnell ablehnen möchten, bietet es sich grundsätzlich an, den konservativeren Wert zu wählen. Der Wert 2,33 stellt somit unsere kritische Grenze dar, ab der wir die H 0 ablehnen. Dadurch wird unser selbstgewähltes Signifikanzniveau unterschritten und man kann von einem signifikanten Unterschied sprechen bzw.

However, the change of subjective stress response and cortisol levels over time demonstrated that the stressor was successful. There was no group difference in rumination. Furthermore, the music intervention group had a significantly higher heart rate during preparation of the TSST than the control group, and the intervention group reported that they thought the situation was more challenging than the control group.

This suggests that perhaps some group differences may have affected the stress recovery results. Even though the hypotheses were not supported, the data descriptively pointed in the expected directions. Due to the pandemic, data collection could not be completed. Consequently, future research should achieve bigger sample sizes. Lena Hahn Abstract Plastik, Alkohol, Fleisch und Organspende haben gemeinsam, dass sie zeitgleich positive und negative Bewertungen—Ambivalenz—auslösen.

Auch wenn Ambivalenz in vielen Bereichen von zentraler Bedeutung ist, ist über ihre Entstehung bisher wenig bekannt. Zur Erklärung der Entstehung von Einstellungen wird häufig evaluative Konditionierung verwendet. Durch die wiederholte Paarung eines neutralen Stimulus mit einem unkonditionierten Stimulus US wird die Valenz des US auf den nun konditionierten Stimulus CS übertragen.

Im Jahr fanden Glaser et al. In ihren Studien wurden die ambivalenten US aus einem positiven und einem negativen Bild zusammengesetzt. Die Ambivalenz konnte analog zu Univalenz von dem US auf den CS übertragen werden. Diese Ergebnisse sollen in unseren drei präregistrierten Onlinestudien konzeptuell repliziert werden. Jeweils wurden neutrale Stimuli mit positiven, negativen, neutralen und ambivalenten US gepaart.

Als ambivalente US wurden in Studien 1 und 2 in sich ambivalente Bilder verwendet, während in Studie 3 die zusammengesetzten Bilder von Glaser et al. Wir stellen folgende Hypothesen auf: Ambivalente CS sollten höhere subjektive Ambivalenz im Selbstbericht zeigen als univalente CS. Zudem sollten ambivalente CS im Vergleich zu neutralen CS sowohl positiver als auch negativer bewertet werden Studie 1 ; Ambivalente CS sollten eine längere Reaktionszeit zeigen als univalente CS Studien 2, 3.

Entgegen der Hypothesen zeigte sich, dass die ambivalenten CS die niedrigste subjektive Ambivalenz hatten Studie 1. Zudem war bei den ambivalenten CS die Reaktionszeit nicht signifikant länger als bei univalenten CS Studie 2, 3. Über alle Studien hinweg wurden ambivalente CS positiver bewertet als positive, negative und neutrale CS. Alternative Erklärungen und Implikationen für zukünftige Forschung werden diskutiert.

Dozent PD Dr. Bernhard Pastötter Abstract Aufbauend auf dem rückwärts gerichteten Testing Effekt, der die Erinnerungsleistung für Materialien durch Testen verbessert und vielfach in der Forschung repliziert wurde, untersucht die vorliegende Studie die Persistenz des vorwärts gerichteten Abrufübungseffektes, den Forward-Testing Effekt, bei komplexen Lernmaterialien.

Der Forward-Testing Effekt verbessert durch Testen die Erinnerungsleistung neuer Lernmaterialien. Um die Persistenz dieses Effekts zu testen, setzt sich die Studie aus zwei unterschiedlichen Retentionsintervallen zusammen, einem kurzen Retentions-Intervall von 0 Minuten, sowie einem deutlich längeren von einer Woche. Die zweite Bedingung der Studie wird in Restudy und Testing unterteilt.

Als Testmaterial wurden drei unzusammenhängenden und in unterschiedlicher Reihenfolge präsentierte Texte verwendet. Es wurden insgesamt Versuchspersonen mit Durchschnittsalter von Im Anschluss an eine Lern-Phase, in der die Probanden die Texte 1, 2 und 3 in den unterschiedlichen Bedingungen lernten, folgte die Final Recall Phase.

In dieser werden die Texte in umgedrehter Reihenfolge in einem freien Abruf getestet. Den rückwärts gerichteten Testing Effekt für den Final Recall Test 1 konnte nicht repliziert werden. Dafür konnte der vorwärts gerichtete Abrufübungseffekt nach 0 Minuten für den Final Recall Test 3 repliziert werden. Entgegen unserer Hypothese konnten der Forward-Testing Effekt nach einer Woche im Final Recall Test 3 nicht gefunden werden.

Diese Ergebnisse bilden wichtige Grundlagen für theoretische Diskussionen über die Entstehung des Foward-Testing Effekts und sprechen eher für die Abruftheorie. Sagen Persönlichkeitsmerkmale die Nutzungsintention der Onlinewache vorher? Dozent Prof. Die Abteilung der Wirtschaftspsychologie der Universität Trier wurde damit beauftragt, diese Anwendung zu evaluieren.

Angesichts der zunehmenden Relevanz der Digitalisierung liefert unsere Studie wichtige Erkenntnisse darüber, welche Persönlichkeitstypen welche Form von digitalen Systemen bevorzugen. Ziel der Studie ist es, eine differenzierte Sichtweise für die zukünftige Gestaltung digitaler Anwendungen zu schaffen. In unserer Studie untersuchen wir die Fragestellung, ob die Persönlichkeitsmerkmale Extraversion, Neurotizismus und Offenheit für neue Erfahrungen die Nutzungsintention der Onlinewache der Polizei Rheinland-Pfalz vorhersagen.

Durch eine Online-Befragung wurden mit Hilfe der Items des BFI-K für jeden Probanden die Ausprägungen der besagten Persönlichkeitsmerkmale erfasst. Um den Probanden eine gute Einschätzung der Onlinewache zu ermöglichen, wurde in Zusammenarbeit mit der Polizei Rheinland-Pfalz eine Beta-Version der originalen Website erstellt, mit welcher die Probanden die Möglichkeit hatten, das Erstellen einer Online-Strafanzeige zu simulieren.

Es zeigte sich, dass jedes der Persönlichkeitsmerkmale Extraversion, Neurotizismus und Offenheit für neue Erfahrungen positiv mit der Nutzungsintention korreliert. Darüber hinaus ist Neurotizismus der stärkste Prädiktor für die Nutzung der Onlinewache. Zusammenfassend lässt sich sagen, dass Persönlichkeitsmerkmale einen bedeutenden Einfluss auf die Nutzungsintention der Onlinewache haben.

Sie sind zwar unveränderbar, jedoch erlauben die gefundenen Ergebnisse eine bessere Anpassung der digitalen Systeme an die jeweiligen Persönlichkeitstypen. Dozent M. Marc Latz Abstract Solidarität zu erfahren ist wohltuend. Dozent Dr. Georg Halbeisen Abstract Die Corona-Krise ist ein gutes Beispiel dafür, dass Menschen Schwierigkeiten haben Statistiken und Wahrscheinlichkeiten zu verarbeiten.

So werden häufig beispielweise Basisraten systematisch ignoriert. Inwiefern diese berücksichtigt werden, kann aber auch von motivationalen Prozessen abhängig sein. Ziel dieser Studie ist es, den Einfluss von Kontrollillusion auf die verzerrte Interpretation von Wahrscheinlichkeiten zu untersuchen.

Der Faktor der Kontrollillusion wurde induziert, indem Versuchspersonen mittels Tastendrucks angeben sollten, ob eine Glühbirne aufleuchten wird oder nicht. Ferner bekam jede Versuchsperson sowohl positive als auch negative Szenarien in kurzer Textform präsentiert, die in ihren zugrundeliegenden Basisraten miteinander vergleichbar waren. Wichtig ist hierbei, dass die positiven Szenarien sich nicht durch die Abwesenheit des Negativen auszeichnen.

Neben dem Faktor Valenz wurde die Höhe der Zahlenwerte und Basisraten variiert. Aufgabe der Versuchspersonen ist es einzuschätzen, wie wahrscheinlich es ist, dass ihnen das präsentierte Szenarium passiert. A priori werden zwei Hypothesen aufgestellt. Erfahren die Teilnehmer einen Kontrollverlust, so kommt es zu einer Überschätzung der positiven und zu einer Unterschätzung der negativen Szenarien.

Somit liegt eine schlechte interne Konsistenz vor. Da jeder Teilnehmer sowohl positive als auch negative Szenarien präsentiert bekam, konnte ein Stimmungseffekt vermieden werden. Die im Folgenden erläuterten Ergebnisse sind unabhängig von der zugrundeliegenden Bedingung zu betrachten. Welche inhaltliche Interpretation ergibt sich, wenn. Faktor A und B signifikant werden, aber die Wechselwirkung nicht?

Falls eine Wechselwirkung vorliegt, geben Sie bitte noch die Art der Wechselwirkung an. Anmerkung: Gemeint sind bei dieser Aufgabe die rein deskriptiven Unterschiede der Gruppenmittelwerte, es ist keine Testung auf Signifikanz erforderlich. Ein Psychologe möchte herausfinden, ob die Einschätzung der eigenen Leistung von der emotionalen Labilität oder von der Erfahrung aus vorhergehenden Ereignissen abhängt.

Dazu teilt er zunächst 96 Versuchspersonen in drei Gruppen auf: Personen mit sehr hohem Neurotizismus-Wert im NEO-FFI vorher erfasst , Personen mit mittlerem Neurotizismus-Wert und Personen mit sehr niedrigem Neurotizismus-Wert. Nun lässt er diese Versuchspersonen ein Computerspiel spielen und teilt dadurch jede Gruppe nochmals in zwei Hälften auf: Die eine Hälfte verliert bei diesem Spiel, die andere Hälfte gewinnt deren tatsächliche Leistung spielt dabei keine Rolle.

Danach sollen sie eine Einschätzung ihrer eigenen Begabung geben intervallskaliert. Welche statistischen Hypothesen sind für die Fragestellung relevant? Füllen Sie die Tabelle vollständig aus. Einer der Tests ist nicht signifikant geworden. Eine Entwicklungspsychologin möchte in einem Experiment die Einflüsse der Häufigkeit von Belohnungen bei jedem, bei jedem zweiten bzw. In jeder Bedingungskombination wurden fünf Kinder untersucht.

Die Ergebnisse zeigt die folgende Tabelle. Berechnen Sie die Mittelwerte der einzelnen Stufen der Faktoren. Berechnen Sie die fehlenden Quadratsummen sowie die Freiheitsgrade und geschätzten Varianzen. Stellen Sie die Ergebnisse grafisch dar und beschreiben Sie diese in eigenen Worten. In der Sozialpsychologie gibt es eine Theorie über den Einfluss der Stimmung auf die Art der Informationsverarbeitung: In guter Stimmung ist die Informationsverarbeitung eher ungenau und unsystematisch; gut Gelaunte denken einfach nicht so viel nach.

In schlechter Stimmung sind Personen eher geneigt nachzudenken und verarbeiten Informationen sehr systematisch. Dieser Effekt soll nun getestet werden. Dann werden den Versuchspersonen unterschiedlich starke Argumente für eine Abschaffung von Atomkraftwerken dargeboten. Der einen Hälfte der Versuchspersonen werden schwache, wenig überzeugende Argumente für das Abschalten präsentiert. Der anderen Hälfte gibt man starke und überzeugende Argumente für die Abschaffung.

Gemessen wird auf einer 9-stufigen Skala, wie stark die Versuchspersonen nach dem Lesen der Argumente der Abschaltung von Atomkraftwerken zustimmen. Die Residualvarianz beträgt 8, Die inhaltliche Hypothese lautet: Die Stärke der Argumente spielt unter negativer Stimmung eine Rolle für den Grad der Zustimmung, d. Unter positiver Stimmung spielt die Stärke der Argumente keine Rolle. Die folgende Tabelle zeigt die ermittelten Ergebnisse.

Die F -Werte der zweifaktoriellen Varianzanalyse betragen:. Für welche Effekte der Varianzanalyse ist bei den gegebenen Ergebnissen eine Post-hoc-Analyse sinnvoll und warum? Welche Differenzen der Zellmittelwerte sind signifikant voneinander verschieden? Stellen Sie die Wechselwirkung grafisch dar und interpretieren Sie sie inhaltlich. Ein Effekt kann allein oder zusammen mit einem oder beiden anderen Effekten auftreten.

Sie erfasst das Zusammenwirken von Faktorstufen. Mathematisch zeigt sie sich in der Abweichung der beobachteten Zellmittelwerte von den aufgrund der Haupteffekte zu erwartenden Zellmittelwerten. Es ergeben sich folgende inhaltliche Interpretationen:. Allgemein lässt sich eine Wechselwirkung als Abweichung der tatsächlichen Zellmittelwerte von den aufgrund der Haupteffekte zu erwartenden Zellmittelwerten darstellen.

Haben beide Faktoren einer zweifaktoriellen ANOVA nur zwei Stufen, so weist bereits eine Nichtparallelität der zwischen den Zellmittelwerten gezeichneten Geraden auf eine Wechselwirkung hin. Haupteffekt A, Haupteffekt B b. Haupteffekt B. Hier ist jeweils die H 1 relevant. Freiheitsgrade: 3. Varianzen: 4. Der Wechselwirkungseffekt ist nicht signifikant geworden.

Die H 1 kann nicht verworfen werden; es ist keine Entscheidung möglich. Der Faktor A Häufigkeit der Belohnung wurde nicht signifikant. Die Häufigkeit der Belohnung hat keinen eigenständigen Einfluss auf das Kooperationsverhalten der Kinder. In der Grafik Abb. Es ist zu sehen, dass Lob am geringsten wirkt, wenn jedes Mal belohnt wird, und dass der Einfluss mit abnehmender Häufigkeit des Lobes zunimmt.

Das Heranziehen eines Post-hoc-Tests ist nur für die Wechselwirkung interessant. Der Haupteffekt A ist zwar signifikant, hat aber nur zwei Stufen, wodurch sich die Frage nach signifikanten Gruppenunterschieden erübrigt.