Ich habe im Internet ein Beispiel gefunden, dass gut zu meinem passt. Ich habe mich mal daran gehalten und so lief es ab:
Daten:
Bakt. Düng. Sorte
6.941 0.0 1.0
4.788 0.0 1.0
6.826 0.0 1.0
7.097 0.0 1.0
7.943 0.0 1.0
6.726 0.0 1.0
5.148 0.0 1.0
6.328 0.0 1.0
7.327 0.0 1.0
6.829 1.0 1.0
4.885 1.0 1.0
6.085 1.0 1.0
6.472 1.0 1.0
4.469 1.0 1.0
4.409 1.0 1.0
5.155 1.0 1.0
3.062 1.0 1.0
3.206 1.0 1.0
3.180 1.0 1.0
8.126 0.0 2.0
6.290 0.0 2.0
7.340 0.0 2.0
6.493 0.0 2.0
5.398 0.0 2.0
4.347 0.0 2.0
6.295 0.0 2.0
4.991 0.0 2.0
8.126 0.0 2.0
6.939 0.0 2.0
6.603 1.0 2.0
4.696 1.0 2.0
3.678 1.0 2.0
4.804 1.0 2.0
4.871 1.0 2.0
5.502 1.0 2.0
4.495 1.0 2.0
4.284 1.0 2.0
4.733 1.0 2.0
6.360 1.0 2.0
4.921 1.0 2.0
7.859 1.0 2.0
Zuerst habe ich "GLM -> Univariante" gewählt. Dort dann die Variablen korrekt verteilt. Unter Optionen habe ich dann "Deskriptive Statistik" und Homogenitätstest" (um Anwendungsvorraussetzungen zu erhalten) angewählt. Das Signifikanzlevel habe ich unter Optionen auf 0,05 gelassen. Denke das gilt ja dann für den Test. Dann habe ich unter Speichern noch die Residuen (standadisiert) angewählt (zur Prüfung der Normalverteilung). Als Post Hoc Test habe ich den Tukey angewählt. Dann habe ich alles laufen lassen. Vor der Betrachtung der Ergebnisse habe ich noch einen Test auf die Normalverteilung laufen lassen und "Explorative Datenanalyse"; dort dann die gespeicherten Residuen eingesetzt.
Hier die Ergebnisse:
Explorativen Datenanalyse:
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual for b_zahl ,083 41 ,200* ,976 41 ,513
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
Es wird der Shapiro-Wilk Test vorgezogen, da er als leistungsfähiger betrachtet wird. Die 0,513 sagen, dass die Daten Normalverteilt sind.
Levene Test:
Levene's Test of Equality of Error Variances(a)
Dependent Variable:b_zahl
F df1 df2 Sig.
,408 3 37 ,748
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Design: Intercept + dueng + sorte + dueng * sorte
Der Wert von 0,748 sagt aus, dass die Varianzen homogen sind (bzw fachlich ausgedrückt: die Hypothese sind abgelehnt werden kann).
Test der Zwischensubjekteffekte:
Tests of Between-Subjects Effects
Dependent Variable:b_zahl
Source Type III Sum of Squares df Mean Square F Sig.
Corrected Model 23,354a 3 7,785 5,271 ,004
Intercept 1342,628 1 1342,628 909,103 ,000
dueng 22,738 1 22,738 15,396 ,000
sorte ,266 1 ,266 ,180 ,674
dueng * sorte ,893 1 ,893 ,605 ,442
Error 54,644 37 1,477
Total 1413,819 41
Corrected Total 77,998 40
a. R Squared = ,299 (Adjusted R Squared = ,243)
Sagt aus, dass zwischen den Düngevarianten signifikante Effekte vorliegen.
Die wichtigste Frage: Ist bis zum Post Hoc Test alles so korrekt, also so durchführbar?
Tja und nun mein Problem: Der Tukey wird nicht durchgeführt, da man mind. 3 Gruppen braucht laut Output. Ich habe ja nur 2 Sorten. Der in dem Beispiel verwendete Seffe-Test geht auch nicht. Selbes Problem.
Was kann ich denn dann für einen Test machen. Das ist ja so schon sehr ärgerlich. Würd gern den Tukey machen. Keine Chance? Was sind meine Möglichkeiten?
- Warum/wofür ist die Normalverteilung genau wichtig?
Ich wäre euch sehr dankbar, wenn ihr mir weiterhelft.
---------------------------------------
Das Beispiel könnt ihr hier finden:
http://userpage.fu-berlin.de/~gruener/s ... orials.htm
Dort dann folgendes Tutorial starten:
Tutorial zur Varianzanalyse II - Zweifaktorielle Varianzanalyse
