Haupteffekt
In diesem Beitrag
Was versteht man unter Haupteffekt?
Ein Haupteffekt beschreibt den durchschnittlichen Einfluss einer unabhängigen Variable auf eine abhängige Variable – und zwar unabhängig von den Ausprägungen aller anderen unabhängigen Variablen im Modell. Haupteffekte treten typischerweise in Designs mit zwei oder mehr Faktoren auf, zum Beispiel in der mehrfaktoriellen Varianzanalyse (ANOVA).
Formal gesprochen: Hat man zwei Faktoren A und B, dann beschreibt der Haupteffekt von A, ob sich die Mittelwerte der abhängigen Variable über die Stufen von A hinweg unterscheiden – gemittelt über alle Stufen von B. Entsprechendes gilt für den Haupteffekt von B.
Warum ist der Haupteffekt für statistische Analysen wichtig?
Haupteffekte sind das Herzstück mehrfaktorieller Designs. Sie erlauben es, den eigenständigen Beitrag jedes Faktors zum Ergebnis zu beurteilen. Ohne diese Trennung wäre es kaum möglich, aus komplexen Datensätzen sinnvolle Schlüsse zu ziehen.
Besonders in der experimentellen Forschung – etwa in der Psychologie, Medizin oder den Sozialwissenschaften – hilft der Haupteffekt dabei, gezielte Aussagen zu machen: Wirkt eine Therapiemethode grundsätzlich, unabhängig vom Alter der Patient:innen? Beeinflusst das Lehrformat die Leistung, ungeachtet des Vorwissens?
Praxisbeispiel zu Haupteffekt
Eine Forscherin untersucht, ob Unterrichtsmethode (traditionell vs. digital) und Klassengröße (klein vs. groß) den Lernerfolg von Schüler:innen beeinflussen. Sie führt eine zweifaktorielle ANOVA durch und erhält folgende Mittelwerte (Punkte im Abschlusstest):
| Unterrichtsmethode | Kleine Klasse | Große Klasse | Zeilenmittelwert |
|---|---|---|---|
| Traditionell | 72 | 65 | 68,5 |
| Digital | 80 | 73 | 76,5 |
| Spaltenmittelwert | 76 | 69 |
Der Haupteffekt der Unterrichtsmethode ergibt sich aus dem Unterschied der Zeilenmittelwerte: Digital (76,5) schneidet im Durchschnitt besser ab als Traditionell (68,5) – ein Unterschied von 8 Punkten, gemittelt über beide Klassengrößen.
Der Haupteffekt der Klassengröße ergibt sich aus dem Unterschied der Spaltenmittelwerte: Kleine Klassen (76) erzielen im Schnitt bessere Ergebnisse als große Klassen (69) – ein Unterschied von 7 Punkten, gemittelt über beide Unterrichtsmethoden.
Ob diese Unterschiede statistisch signifikant sind, entscheidet der F-Test in der ANOVA. Da die Unterschiede zwischen den Zellen hier gleichmäßig verlaufen, liegt in diesem Beispiel kein Interaktionseffekt vor – die Haupteffekte können daher uneingeschränkt interpretiert werden.
