Mehrfaktorielle ANOVA
In diesem Beitrag
Was versteht man unter mehrfaktorieller ANOVA?
Die mehrfaktorielle ANOVA (Analysis of Variance) ist ein statistisches Verfahren, das den Einfluss von zwei oder mehr unabhängigen Variablen (Faktoren) auf eine metrische abhängige Variable gleichzeitig untersucht. Im Gegensatz zur einfaktoriellen ANOVA, die nur einen Faktor betrachtet, erlaubt die mehrfaktorielle ANOVA zusätzlich die Analyse von Wechselwirkungen (Interaktionen) zwischen den Faktoren.
Das Grundprinzip bleibt dasselbe wie bei der einfaktoriellen ANOVA: Die beobachtete Gesamtstreuung der abhängigen Variable wird in erklärbare Anteile zerlegt. Bei zwei Faktoren A und B ergibt sich folgende Zerlegung der Quadratsummen:
Zerlegung der Gesamtvarianz
Dabei steht SS für die jeweilige Quadratsumme (Sum of Squares): SSA und SSB beschreiben die Haupteffekte der Faktoren A und B, SSA×B beschreibt den Interaktionseffekt, und SSFehler erfasst die unerklärte Restvarianz.
Warum ist mehrfaktorielle ANOVA für statistische Analysen wichtig?
In der Forschungspraxis wirken selten einzelne Faktoren isoliert. Die mehrfaktorielle ANOVA bietet gegenüber mehreren getrennten einfaktoriellen ANOVAs entscheidende Vorteile:
- Effizienz: Mehrere Faktoren werden in einer einzigen Analyse untersucht, was den Stichprobenumfang effektiver nutzt.
- Interaktionseffekte: Nur die mehrfaktorielle ANOVA kann aufdecken, ob der Effekt eines Faktors vom Niveau eines anderen Faktors abhängt. Solche Wechselwirkungen wären mit separaten einfaktoriellen Analysen nicht erkennbar.
- Reduktion des Alpha-Fehlers: Mehrere separate Tests erhöhen die Wahrscheinlichkeit eines Fehlers 1. Art (falsch-positives Ergebnis). Eine gemeinsame Analyse hält diese Fehlerrate besser unter Kontrolle.
Praxisbeispiel zu mehrfaktorieller ANOVA
Eine Ernährungswissenschaftlerin untersucht, ob Diättyp (low-carb vs. mediterran) und Sportprogramm (keines vs. moderates Training) den Gewichtsverlust nach 12 Wochen beeinflussen. Sie teilt 80 Probandinnen und Probanden zufällig in vier Gruppen ein:
| Kein Sport | Moderates Training | |
|---|---|---|
| Low-carb | 4,2 kg | 7,8 kg |
| Mediterran | 3,9 kg | 4,3 kg |
Die mehrfaktorielle ANOVA liefert in diesem Beispiel drei zentrale Ergebnisse:
- Haupteffekt Diättyp: Unterscheiden sich die beiden Diäten insgesamt im Gewichtsverlust?
- Haupteffekt Sport: Führt moderates Training insgesamt zu mehr Gewichtsverlust?
- Interaktionseffekt: Hängt der Effekt des Sports vom gewählten Diättyp ab?
Die Tabelle deutet auf eine Interaktion hin: Moderates Training scheint den Gewichtsverlust vor allem bei der Low-carb-Diät deutlich zu steigern (+3,6 kg), bei der mediterranen Diät hingegen kaum (+0,4 kg). Wäre diese Interaktion statistisch signifikant, müsste man schlussfolgern: Ob Sport hilft, hängt davon ab, welche Diät man gleichzeitig verfolgt. Die Haupteffekte alleine wären dann eine unvollständige Aussage.
