Zweifaktorielle ANOVA
In diesem Beitrag
Was versteht man unter zweifaktorieller ANOVA?
Die zweifaktorielle ANOVA (Analysis of Variance) ist ein statistisches Verfahren, das untersucht, ob zwei kategoriale unabhängige Variablen – die sogenannten Faktoren – einen signifikanten Einfluss auf eine metrische abhängige Variable haben. Im Gegensatz zur einfaktoriellen ANOVA, die nur einen Faktor berücksichtigt, ermöglicht die zweifaktorielle ANOVA zusätzlich die Analyse von Interaktionseffekten zwischen den beiden Faktoren.
Das Modell der zweifaktoriellen ANOVA zerlegt die Gesamtvarianz der abhängigen Variable in folgende Anteile:
- Haupteffekt Faktor A: Der Einfluss des ersten Faktors, unabhängig vom zweiten.
- Haupteffekt Faktor B: Der Einfluss des zweiten Faktors, unabhängig vom ersten.
- Interaktionseffekt A × B: Der kombinierte Effekt beider Faktoren, der über die Summe der Einzeleffekte hinausgeht.
- Residualvarianz (Fehler): Nicht erklärte Streuung innerhalb der Gruppen.
Die Prüfgröße ist jeweils ein F-Wert, der die erklärte Varianz eines Effekts ins Verhältnis zur Residualvarianz setzt. Ist der F-Wert groß genug, wird der jeweilige Effekt als statistisch signifikant bewertet.
F-Wert (allgemein)
Warum ist zweifaktorielle ANOVA für statistische Analysen wichtig?
Der größte Vorteil der zweifaktoriellen ANOVA liegt darin, dass sie mehrere Einflussfaktoren gleichzeitig analysiert und dabei effizienter ist als zwei separate einfaktorielle ANOVAs. Wer beide Faktoren getrennt testet, übersieht nämlich mögliche Interaktionseffekte – und die sind in der Praxis oft das Interessanteste.
Ein Interaktionseffekt liegt vor, wenn der Effekt eines Faktors davon abhängt, auf welcher Stufe der andere Faktor steht. Zum Beispiel könnte ein Medikament bei Frauen wirksam sein, bei Männern aber kaum einen Effekt zeigen. Dieser Unterschied wäre in einer separaten Analyse nicht sichtbar.
Damit die zweifaktorielle ANOVA valide Ergebnisse liefert, müssen einige Voraussetzungen erfüllt sein:
- Die abhängige Variable ist metrisch skaliert.
- Die Residuen sind annähernd normalverteilt (prüfbar z. B. mit dem Shapiro-Wilk-Test).
- Die Varianzen sind in allen Gruppen homogen (Varianzhomogenität, prüfbar mit dem Levene-Test).
- Die Beobachtungen sind voneinander unabhängig.
Praxisbeispiel zu zweifaktorieller ANOVA
Eine Ernährungswissenschaftlerin untersucht, wie Diättyp (Low-Carb vs. Low-Fat) und Sportpensum (kein Sport vs. regelmäßiger Sport) den Gewichtsverlust in Kilogramm nach zwölf Wochen beeinflussen. Sie teilt 80 Teilnehmende zufällig auf vier Gruppen auf.
| Kein Sport | Regelmäßiger Sport | |
|---|---|---|
| Low-Carb | 3,8 kg | 7,2 kg |
| Low-Fat | 2,1 kg | 3,4 kg |
Die zweifaktorielle ANOVA ergibt: Beide Haupteffekte sind signifikant – sowohl der Diättyp (p = .012) als auch das Sportpensum (p = .003) beeinflussen den Gewichtsverlust. Entscheidend ist jedoch der signifikante Interaktionseffekt (p = .041): Der Zusatznutzen von Sport fällt bei Low-Carb (3,4 kg mehr) deutlich größer aus als bei Low-Fat (1,3 kg mehr). Die Wirkung von Sport hängt also vom gewählten Diättyp ab – und umgekehrt.
Ohne die zweifaktorielle ANOVA und den Blick auf den Interaktionseffekt wäre dieser wichtige Befund verborgen geblieben.
