STATISTIK-FORUM.de

[lenaobermark]

Hallo ! Ich sitze zurzeit an einer Fallstudie und muss eine Aufgabenstellung wie folgt bearbeiten:

Ein Unternehmen führt mit einer Gruppe eine Maßnahme durch und mit der anderen nicht. 1. UV also Programm. Zusätzlich wird unterschieden zwischen Führungsposition und keine FP. Also die 2. UV .

Als abhängige Variable wird die Mitarbeiteridentifikation mit dem Unternehmen erhoben. Bei der zweifaktoriellen Anova kommen folgende p-Werte raus:
pos 10.894 1 10.894 4.574 0.037 0.080
prog 8.153 1 8.153 3.424 0.070 0.060
pos ✻ prog 0.701 1 0.701 0.294 0.590 0.005

Das würde ja bedeuten, dass nur die Führungsposition pos einen signifikanten Einfluss hat, und es keine Wechselwirkung gibt und das Programm sich auch nicht signifikant auswirkt richtig ?
Aber eine Grafik zeigt deutlich, dass die Programmgruppe in beiden Fällen eine höhere Mitarbeiteridentifikation hat als die Gruppe ohne Programm ? Habe ich einen Denkfehler oder liegt es daran, dass der p-Wert nur knapp über 0.05 liegt mit 0.07 ?

[bele]

Hallo lenaobermark,

magst Du uns noch schreiben, was in welcher Spalte Deiner Tabelle steht? Magst Du uns auch noch schreiben, wieviele Teilnehmer da eingeflossen sind?

LG,
Bernhard

[lenaobermark]

Hallo lenaobermark,

magst Du uns noch schreiben, was in welcher Spalte Deiner Tabelle steht? Magst Du uns auch noch schreiben, wieviele Teilnehmer da eingeflossen sind?

LG,
Bernhard

Hallo Bernhard, es waren 57 Teilnehmer, von denen allerdings 4 fehlende Werte hatten. Die Tabelle die ich eingefügt hatte, war die übernommene aus JASP, da ich davon abgelesen habe, welche p-Werte die jeweiligen Faktoren hatten.
Fehlen noch weitere Angaben ?
Liebe Grüße und vielen Dank !

[lenaobermark]

Hallo lenaobermark,

magst Du uns noch schreiben, was in welcher Spalte Deiner Tabelle steht? Magst Du uns auch noch schreiben, wieviele Teilnehmer da eingeflossen sind?

LG,
Bernhard

Die Bedeutung der Spalten ist wie folgt von links nach rechts:

Sum of squares | df | Mean Square | F | p | n^2


pos 10.894 | 1 |10.894 |4.574 |0.037 |0.080
prog 8.153 |1 |8.153 |3.424 |0.070 |0.060
pos ✻ prog 0.701 |1 |0.701 |0.294 |0.590 | 0.005

[bele]

Hallo,

da ich nie mit JASP arbeite war mir die Spaltenzuordnung nicht klar. Mir war irgendwie nicht klar, dass es sich um eine ANOVA-Tabelle handelt und ich habe versucht, daraus als Regressionsergebnis Sinn zu machen.
Letztlich hat der eine Faktor es mit einem p-Wert von 0,04 nur sehr knapp geschafft und der andere es mit p = 0,07 nur knapp nicht geschafft, signifikant zu werden. Das man den Effekt in einer Grafik gut sieht bedeutet ja nicht, dass der Effekt auch signifikant, also auf die Grundgesamtheit übertragbar ist. Auch ist die Signifikanzgrenze von 0,05 ist letztlich ja mal beliebig gewählt worden und nicht anhand der Sichtbarkeit in einer Grafik. Werte, die sehr nahe an der Signifikanzgrenze sind sind in der einen wie auch in der anderen Richtung immer irgendwie unbefriedigend.

Ich weiß nicht, ob JASP an dieser Stelle tickt wie R oder wie SPSS. In der Grundeinstellung spielt bei R die Reihenfolge, in der die Variablen in die ANOVA gesteckt werden eine Rolle, in SPSS nicht. Auch wenn in JASP im Hintergrund R arbeitet kann es sein, dass es sich anders verhält. Ich würde daher noch den Versuch machen, ob sich an der Signifikanz etwas ändert, wenn Du die Reihenfolge von pos und prog vertauschst (hoffentlich nicht).

LG,
Bernhard

[lenaobermark]

Hallo,

da ich nie mit JASP arbeite war mir die Spaltenzuordnung nicht klar. Mir war irgendwie nicht klar, dass es sich um eine ANOVA-Tabelle handelt und ich habe versucht, daraus als Regressionsergebnis Sinn zu machen.
Letztlich hat der eine Faktor es mit einem p-Wert von 0,04 nur sehr knapp geschafft und der andere es mit p = 0,07 nur knapp nicht geschafft, signifikant zu werden. Das man den Effekt in einer Grafik gut sieht bedeutet ja nicht, dass der Effekt auch signifikant, also auf die Grundgesamtheit übertragbar ist. Auch ist die Signifikanzgrenze von 0,05 ist letztlich ja mal beliebig gewählt worden und nicht anhand der Sichtbarkeit in einer Grafik. Werte, die sehr nahe an der Signifikanzgrenze sind sind in der einen wie auch in der anderen Richtung immer irgendwie unbefriedigend.

Ich weiß nicht, ob JASP an dieser Stelle tickt wie R oder wie SPSS. In der Grundeinstellung spielt bei R die Reihenfolge, in der die Variablen in die ANOVA gesteckt werden eine Rolle, in SPSS nicht. Auch wenn in JASP im Hintergrund R arbeitet kann es sein, dass es sich anders verhält. Ich würde daher noch den Versuch machen, ob sich an der Signifikanz etwas ändert, wenn Du die Reihenfolge von pos und prog vertauschst (hoffentlich nicht).

LG,
Bernhard

Oh wow, super ! Vielen lieben Dank für die schnelle und ausführliche Antwort ! Sowas weiß ich sehr zu schätzen. Dann bin ich ja erleichtert und sehr froh, dass es nicht falsch interpretiert wurde von mir. Ich fand es nur merkwürdig dass die Effekte nicht „signifikanter“ sind, auch der Interaktionseffelt.. Aber kann ja gut sein. Ich probiere es nochmal aus wenn ich es tausche !

[PonderStibbons]

Aber eine Grafik zeigt deutlich, dass die Programmgruppe in beiden Fällen eine höhere Mitarbeiteridentifikation hat als die Gruppe ohne Programm ?

Das ist bedeutungslos, falls das "deutlich" lediglich eine Mittelwertdarstellung ist, bei passend zurechtgeschnittenen
Achsen und vor allem ohne Sichtbarmachen von Streuungen bzw. Schätzfehlern. Die Frage ist, ob so ein Mittelwertunterschied
vor dem Hintergrund der Streuung der Stichprobenwerte bzw. vor dem Hintergrund von Konfidenzintervallen immer
noch deutlich aussieht.

Mit freundlichen Grüßen

PonderStibbons

[bele]

Hallo Lena,

Dann bin ich ja erleichtert und sehr froh, dass es nicht falsch interpretiert wurde von mir. Ich fand es nur merkwürdig dass die Effekte nicht „signifikanter“ sind, auch der Interaktionseffelt.

Ich weiß nicht, was Du von 53 Beobachtungen erwartest, Ich weiß auch nicht, ob Du den Verkäufern von Mitarbeitermaßnahmen glaubst, dass sie das versprochene erreichen. Das letzte Mal als unser Vorstand für einen externen Dienstleister Geld ausgegeben hat, der die Mitarbeiterunzurfriedenheit erfassen, erklären und angehen sollte, waren in meinem Umfeld die meisten erst recht sauer. War aber auch egal, der Vorstand konnte sagen, dass er sich gekümmert hat.

Was den Interaktionseffekt angeht, da muss ich Dich vielleicht ernüchtern. Vielleicht magst Du ja in Deiner Diskussion eines nur kleinen Interaktionseffekts auf folgendes eingehen:

Based on some reasonable assumptions regarding main effects and interactions, you need 16 times the sample size to estimate an interaction than to estimate a main effect.

And this implies a major, major problem with the usual plan of designing a study with a focus on the main effect, maybe even preregistering, and then looking to see what shows up in the interactions. Or, even worse, designing a study, not finding the anticipated main effect, and then using the interactions to bail you out. The problem is not just that this sort of analysis is “exploratory”; it’s that these data are a lot noisier than you realize, so what you think of as interesting exploratory findings could be just a bunch of noise.

I don’t know if all this in the textbooks, but it should be.

nachzulesen unter https://statmodeling.stat.columbia.edu/ ... in-effect/

LG,
Bernhard