ANOVA
In diesem Beitrag
Was versteht man unter ANOVA?
Die ANOVA (Analysis of Variance, deutsch: Varianzanalyse) ist ein statistisches Verfahren, mit dem geprüft wird, ob sich die Mittelwerte von drei oder mehr Gruppen signifikant voneinander unterscheiden. Die Grundidee: Die Gesamtvarianz der Daten wird in zwei Anteile zerlegt – die Varianz zwischen den Gruppen (durch die Gruppenzugehörigkeit erklärte Varianz) und die Varianz innerhalb der Gruppen (zufällige Streuung).
Das Verhältnis dieser beiden Varianzanteile ergibt den sogenannten F-Wert:
F-Statistik der ANOVA
Ist der F-Wert groß, streuen die Gruppenmittelwerte stärker, als es durch Zufall zu erwarten wäre – ein Hinweis darauf, dass sich mindestens zwei Gruppen bedeutsam unterscheiden. Die statistische Entscheidung erfolgt über den zugehörigen p-Wert, der mit dem gewählten Signifikanzniveau (häufig α = 0,05) verglichen wird.
Man unterscheidet vor allem:
- Einfaktorielle ANOVA – ein unabhängiger Faktor (z. B. Lernmethode)
- Mehrfaktorielle ANOVA – mehrere Faktoren gleichzeitig (z. B. Lernmethode und Geschlecht)
- Messwiederholungs-ANOVA – dieselben Personen werden zu mehreren Zeitpunkten gemessen
Warum ist ANOVA für statistische Analysen wichtig?
Sobald mehr als zwei Gruppen miteinander verglichen werden sollen, stößt der einfache t-Test an seine Grenzen. Würde man stattdessen mehrere paarweise t-Tests durchführen, steigt die Wahrscheinlichkeit, einen Fehler 1. Art (falsch-positives Ergebnis) zu begehen, erheblich an – dieses Problem wird als Alpha-Fehler-Kumulierung bezeichnet. Die ANOVA umgeht dieses Problem, indem sie alle Gruppen in einem einzigen Test berücksichtigt.
Für eine valide Anwendung der ANOVA müssen allerdings einige Voraussetzungen erfüllt sein:
- Die abhängige Variable ist metrisch skaliert.
- Die Residuen sind normalverteilt (bei großen Stichproben durch den zentralen Grenzwertsatz oft näherungsweise gegeben).
- Die Varianzen der Gruppen sind homogen (Varianzhomogenität, prüfbar z. B. mit dem Levene-Test).
- Die Beobachtungen sind unabhängig voneinander.
Praxisbeispiel zu ANOVA
Eine Bildungsforscherin möchte wissen, ob drei verschiedene Lernmethoden (klassischer Unterricht, E-Learning, Blended Learning) zu unterschiedlichen Testergebnissen führen. Sie erhebt die Punktzahlen von je 30 Studierenden pro Gruppe.
| Lernmethode | Mittlere Punktzahl | Standardabweichung | n |
|---|---|---|---|
| Klassischer Unterricht | 72,4 | 8,1 | 30 |
| E-Learning | 68,9 | 9,3 | 30 |
| Blended Learning | 79,2 | 7,6 | 30 |
Die einfaktorielle ANOVA ergibt F(2, 87) = 6,34, p = .003. Da p < 0,05, wird die Nullhypothese (alle Mittelwerte sind gleich) verworfen. Ein anschließender Tukey-HSD-Post-hoc-Test zeigt, dass sich das Blended Learning signifikant vom E-Learning unterscheidet (p = .002), während der Unterschied zwischen klassischem Unterricht und E-Learning nicht signifikant ist (p = .41).
Dieses Beispiel verdeutlicht: Die ANOVA liefert zunächst nur das Gesamturteil. Erst der Post-hoc-Test gibt Aufschluss darüber, welche Gruppen konkret voneinander abweichen.
