STATISTIK-FORUM.de

[ahimmmm]

Hallo allerseits!
Bin neu hier und würde mich über Hilfe freuen.

Ich hab eine Lern-App entwickelt und dazu auch einen Testlauf mit 50 Usern gemacht. Nachher habe ich einen Fragebogen ausfüllen lassen mit zum Beispiel diesen Fragen:
1) Wie gut fanden Sie die visuellen Effekte in der App?
2) Wie motivierend/gut fanden Sie den Modus XY?
3) Wie motivierend/gut fanden Sie die App allgemein?

Bei all diesen Fragen konnten User mit einem Wert von 1 (sehr schlecht) bis 5 (sehr gut) antworten. Ich bin brav und nenne es NICHT Likert-Skala.

Wie könnte ich nun Hypothesen der folgenden Art am sinnvollsten untersuchen bzw. zeigen?
Hypothese1: Visuelle Effekte steigern die Motivation bei der Benutzung einer Lern-App.
Hypothese2: Derartige Modi wie XY steigern die Motivation bei der Benutzung einer Lern-App.


Wäre hier einfach ein Wilcoxon-Test mit den Ergebnissen von Frage 1 und 3 (bzw. von Frage 2 und 3) das Mittel der Wahl?


Liebe Grüße

[PonderStibbons]

Bei all diesen Fragen konnten User mit einem Wert von 1 (sehr schlecht) bis 5 (sehr gut) antworten. Ich bin brav und nenne es NICHT Likert-Skala.

Wenn man das durcheinanderbringt, dann besteht das Risiko, Hinweise zum Skalenniveau von Likert-Skalen auf das Skalennniveau von Likert-Items zu beziehen.

Wie könnte ich nun Hypothesen der folgenden Art am sinnvollsten untersuchen bzw. zeigen?

Gar nicht. Deine Hypothesen sind Kausalaussagen. Das zu untersuchen erfordert ein geeignetes z.B. experimentelles Untersuchungsdesign.
Du hast lediglich eine korrelative Querschnittstudie durchgeführt. Eine angemessene Hypothese könnte z.B. lauten "eine positivere Beurteilung
der visuellen Effekte ist assoziiert mit einer höheren selbst angegebenen Motiviertheit".

Wäre hier einfach ein Wilcoxon-Test mit den Ergebnissen von Frage 1 und 3 (bzw. von Frage 2 und 3) das Mittel der Wahl?

Es gibt zwei Wilcoxon-Tests, welcher ist gemeint?

Ich würde aber eher an eine Spearman-Rangkorrelation gedacht haben.

Mit freundlichen Grüßen

PonderStibbons

[ahimmmm]

Wow, danke für die rasche Antwort!

Gar nicht. Deine Hypothesen sind Kausalaussagen. Das zu untersuchen erfordert ein geeignetes z.B. experimentelles Untersuchungsdesign.
Du hast lediglich eine korrelative Querschnittstudie durchgeführt. Eine angemessene Hypothese könnte z.B. lauten "eine positivere Beurteilung
der visuellen Effekte ist assoziiert mit einer höheren selbst angegebenen Motiviertheit".

Das war schon mal sehr hilfreich!

Es gibt zwei Wilcoxon-Tests, welcher ist gemeint?

Ich hätte an den Wilcoxon-Vorzeichen-Rang-Test gedacht, weil der bei meiner bisherigen Recherche am meisten Sinn für mich gemacht hätte.

Ich würde aber eher an eine Spearman-Rangkorrelation gedacht haben.

Danke für den Tipp! Habe ich gleich ausprobieren wollen und sehe immerhin mittlere Korrelationen. Schade nur, dass PSPP da keine Signifikanzwerte ausspuckt (SPSS habe ich nicht).


Liebe Grüße

[PonderStibbons]

Ich hätte an den Wilcoxon-Vorzeichen-Rang-Test gedacht, weil der bei meiner bisherigen Recherche am meisten Sinn für mich gemacht hätte.

Der zeigt, ob die Antworten auf Frage X tendenziell höher liegen als die Antworten auf Y. Das scheint nicht zur Fragestellung zu passen.
Außerdem erfordert der Test Intervallskalenniveau, was bei einer 5er-Ratingskala zumindest fragwürdig ist.

Danke für den Tipp! Habe ich gleich ausprobieren wollen und sehe immerhin mittlere Korrelationen. Schade nur, dass PSPP da keine Signifikanzwerte ausspuckt

Das überrascht mich jetzt. Aber Du kannst alternativ nach einem online calculator für den Spearman-Koeffizienten suchen.

Mit freundlichen Grüßen

PonderStibbons

[bele]

Das überrascht mich jetzt. Aber Du kannst alternativ nach einem online calculator für den Spearman-Koeffizienten suchen.

Oder mal JASP ausprobieren. Das ist genauso teuer wie PSPP, ist besser zuzitieren als irgendein online-Calculator von dem man nicht einmal eine Versionsnummer angeben kann und erzeugt sehr schöne Ergebnistabellen.

JMTC, Bernhard

[ahimmmm]

Der zeigt, ob die Antworten auf Frage X tendenziell höher liegen als die Antworten auf Y. Das scheint nicht zur Fragestellung zu passen.

Ich dachte eben anfangs, dass ich damit vielleicht argumentieren könnte dass die visuellen Effekte einen positiven Einfluss auf die Motivation haben, weil zB die visuellen Effekte als tendenziell motivierender angesehen werden als die App generell. Aber du meintest ja schon, dass das leider nicht so ist.

Verstehe ich das also richtig?
Ich kann herausfinden, dass jene, denen die visuellen Effekte gefallen, auch eher die App allgemein gut finden (weil es eben korreliert, wie man durch Spearman sehen kann). Daraus kann ich aber nicht schließen, dass die App gut gefunden wird, weil sie tolle Effekte enthält (also tolle Effekte boostern die Motivation für die App).
Auch dass die Mittelwert bei den Effekten bei ca 4.7 und bei der App allgemein "nur" bei ca 4.4 liegen, hilft mir da gar nicht bei meiner Argumentation?

Oder mal JASP ausprobieren. Das ist genauso teuer wie PSPP, ist besser zuzitieren als irgendein online-Calculator von dem man nicht einmal eine Versionsnummer angeben kann und erzeugt sehr schöne Ergebnistabellen.

Super, ja das Programm gefällt mir gut, danke!
Ist mir auch lieber, wenn ich da auf ein lokales Tool zurückgreifen kann, das gut zitiert werden kann und wo gleich alles in einem geht.
Danke trotzdem PonderStibbons für den Tipp mit dem Online-Calculator.


Liebe Grüße

[PonderStibbons]

Ich kann herausfinden, dass jene, denen die visuellen Effekte gefallen, auch eher die App allgemein gut finden (weil es eben korreliert, wie man durch Spearman sehen kann). Daraus kann ich aber nicht schließen, dass die App gut gefunden wird, weil sie tolle Effekte enthält (also tolle Effekte boostern die Motivation für die App).

Vielleicht ist es nicht A => B, sondern B => A; sie finden die App global gut/schlecht und daher auch einzelne Bestandteile.
Vielleicht liegt es auch an dritten Faktoren, wie der allgemeinen guten/schlechten Laune am Tag der Befragung, die sich in
den Beurteilungen niederschlägt. Wer weiß.

Der springende Punkt ist, ohne ganz starke Vorannahmen und/oder Daten, die etwaige Drittvariableneffekte ausschließen
können, oder ein geeignetes Design (z.B. experimentell oder eventuell ein Längsschnittdesign) kann man Kausalitätsannahmen
schwerlich stützen. Vielleicht kennst Du das Beispiel mit der positiven Korrelation der Storchendichte mit der Geburtenrate in
Gemeinden. Man kann trotzdem nicht gut behaupten, dass der Storch die Kinder bringt.

Auch dass die Mittelwert bei den Effekten bei ca 4.7 und bei der App allgemein "nur" bei ca 4.4 liegen, hilft mir da gar nicht bei meiner Argumentation?

Wüsste ich jetzt nicht, wie.

Mit freundlichen Grüßen

PonderStibbons

[ahimmmm]

Okay, alles klar soweit. Danke dir vielmals, du warst mir eine große Hilfe.

Und was den Storch angeht, hat meine Mutter wohl gelogen. Wusst ich's doch.


Vielen lieben Dank nochmal!