Code Beispiele für Woche 7

Grundlegendes zu Hypothesen in der Statistik

Bevor wir uns den konkreten Tests zuwenden, ist es wichtig, das Konzept der statistischen Hypothesen zu verstehen.

Nullhypothese (H0)

Die Nullhypothese ist die Ausgangshypothese, die typischerweise eine “Keine-Unterschied-” oder “Kein-Effekt-Aussage” darstellt. Sie wird als wahr angenommen, bis die Daten starke Evidenz für das Gegenteil liefern.

Charakteristika der Nullhypothese: - Formuliert den Status quo oder die konservative Position - Enthält typischerweise ein Gleichheitszeichen (=, ≤, ≥) - Wird nur abgelehnt, wenn starke Evidenz dagegen vorliegt

Alternativhypothese (H1)

Die Alternativhypothese stellt die Forschungsvermutung dar und ist das, was wir eigentlich nachweisen möchten.

Charakteristika der Alternativhypothese: - Formuliert die vermutete Veränderung oder den vermuteten Effekt - Ist komplementär zur Nullhypothese - Enthält typischerweise ein Ungleichheitszeichen (≠, <, >) - Wird vorerst angenommen, wenn H0 abgelehnt wird

Grundlagen statistischer Tests: t-Test und F-Test

In der statistischen Datenanalyse helfen uns t-Tests und F-Tests dabei, fundierte Aussagen über Daten zu treffen. Diese Tests sind zentrale Werkzeuge der schließenden Statistik.

Der t-Test: Konzept und Anwendung

Der t-Test hilft uns bei der Untersuchung von Mittelwerten. Je nach Fragestellung gibt es verschiedene Varianten:

1. Einstichproben-t-Test

Wird verwendet, wenn wir einen Stichprobenmittelwert mit einem theoretischen Wert vergleichen wollen. Je nach Fragestellung unterscheiden wir drei Testrichtungen:

a) Beidseitiger Test (two-sided)

Fragestellung: Unterscheidet sich der Mittelwert vom Testwert?
Nullhypothese (\(H_0\)): \(μ = μ_0\)
Alternativhypothese (\(H_1\)): \(μ ≠ μ_0\)
R-Parameter: alternative = "two.sided"

b) Rechtsseitiger Test (right-tailed)

Fragestellung: Ist der Mittelwert größer als der Testwert?
Nullhypothese (\(H_0\)): \(μ ≤ μ_0\)
Alternativhypothese (\(H_1\)): \(μ > μ_0\)
R-Parameter: alternative = "greater"

c) Linksseitiger Test (left-tailed)

Fragestellung: Ist der Mittelwert kleiner als der Testwert?
Nullhypothese (\(H_0\)): \(μ ≥ μ_0\)
Alternativhypothese (\(H_1\)): \(μ < μ_0\)
R-Parameter: alternative = "less"

Der p-Wert in der statistischen Testung

Der p-Wert ist ein zentrales Konzept in der statistischen Hypothesenprüfung:

Definiert als Wahrscheinlichkeit, unter Annahme der Nullhypothese ein mindestens so extremes Ergebnis wie das beobachtete zu erhalten
Kleiner p-Wert (\(<\) Signifikanzniveau \(\alpha\)) spricht gegen die Nullhypothese
Typische Signifikanzniveaus sind 0.05 oder 0.01
Der p-Wert allein sagt nichts über die praktische Bedeutsamkeit aus

Grundstruktur in \(\textbf{R}\):

# Allgemeine Syntax des Einstichproben-t-Tests
# t.test(x, mu = Testwert, alternative = "two.sided"/"greater"/"less")
# Wichtige Parameter:
# x: numerischer Vektor mit Daten
# mu: zu testender theoretischer Wert
# alternative: Testrichtung
# conf.level: Konfidenzniveau (Standard: 0.95)

Bei der Wahl der Testrichtung sollten Sie beachten:

Die Forschungsfrage bestimmt die Testrichtung
Ein beidseitiger Test ist konservativer als ein einseitiger Test
Die Testrichtung muss vor der Datenanalyse festgelegt werden

2. Zweistichproben-t-Test

Kommt zum Einsatz, wenn wir zwei unabhängige Gruppen vergleichen möchten.

Wichtige Überlegungen vor der Durchführung:

Sind die Gruppen unabhängig?
Wie sieht es mit der Varianz aus?
Welche Richtung des Tests ist sinnvoll?

# Struktur des Zweistichproben-t-Tests
# t.test(gruppe1, gruppe2, var.equal = TRUE/FALSE)
# Wichtige Parameter:
# var.equal: TRUE wenn Varianzen als gleich angenommen werden
# alternative: Richtung des Tests

Der F-Test: Vergleich von Varianzen

Der F-Test ist oft ein wichtiger Vortest für den t-Test. Er hilft uns bei der Entscheidung, ob wir gleiche Varianzen annehmen können.

# Grundstruktur des F-Tests
# var.test(x, y)
# Der p-Wert hilft bei der Entscheidung über var.equal im t-Test

Praktische Tipps zur Durchführung

1. Schrittweises Vorgehen

Formulierung der Hypothesen
Wahl des geeigneten Tests
Prüfung der Voraussetzungen
Durchführung des Tests
Interpretation der Ergebnisse

2. Interpretation der Ergebnisse

Bei der Interpretation sollten Sie beachten:

\(p\)-Wert im Verhältnis zum gewählten Signifikanzniveau
Praktische Bedeutsamkeit vs. statistische Signifikanz
Konfidenzintervalle für zusätzliche Informationen