Faktorielle ANOVA#

Die faktorielle ANOVA erweitert die einfaktorielle Varianzanalyse um die simultane Untersuchung mehrerer unabhängiger Faktoren. Neben den Haupteffekten jedes Faktors kann sie auch Interaktionseffekte (Wechselwirkungen) zwischen den Faktoren aufdecken. Sie ist eines der wichtigsten Verfahren in der experimentellen Forschung, wenn mehrere Einflussfaktoren gleichzeitig untersucht werden.

Wann verwenden?#

Du hast zwei oder mehr kategoriale unabhängige Variablen (Faktoren) und eine metrische abhängige Variable
Du möchtest sowohl die Einzelwirkung jedes Faktors als auch deren Zusammenspiel (Interaktion) analysieren
Das Studiendesign ist vollständig gekreuzt (jede Faktorstufe kommt mit jeder anderen vor)
Die Stichproben sind voneinander unabhängig (Between-Subjects-Design)
Du möchtest mehr als nur additive Effekte betrachten — die Interaktion ist oft die spannendste Fragestellung

Voraussetzungen#

Normalverteilung der Residuen (Shapiro-Wilk-Test, QQ-Plot)
Varianzhomogenität über alle Zellkombinationen (Levene-Test)
Unabhängigkeit der Beobachtungen (Studiendesign)
Metrische (intervall- oder verhältnisskalierte) abhängige Variable

Hinweis: Die faktorielle ANOVA ist bei balancierten Designs (gleiche Zellgrößen) robust gegenüber moderaten Verletzungen der Normalverteilung. Bei unbalancierten Designs sollte der Typ-III-Quadratsummen verwendet werden, um verzerrte Ergebnisse zu vermeiden.

Formel#

Die Gesamtvarianz wird in mehrere Komponenten zerlegt. Für eine zweifaktorielle ANOVA mit Faktoren A und B:

SS_{total} = SS_A + SS_B + SS_{AB} + SS_{Fehler}

Die F-Statistik für den Haupteffekt von Faktor A:

F_A = \frac{MS_A}{MS_{Fehler}} = \frac{SS_A / (a - 1)}{SS_{Fehler} / (N - a \cdot b)}

Die F-Statistik für den Haupteffekt von Faktor B:

F_B = \frac{MS_B}{MS_{Fehler}} = \frac{SS_B / (b - 1)}{SS_{Fehler} / (N - a \cdot b)}

Die F-Statistik für die Interaktion A × B:

F_{AB} = \frac{MS_{AB}}{MS_{Fehler}} = \frac{SS_{AB} / ((a-1)(b-1))}{SS_{Fehler} / (N - a \cdot b)}

Dabei ist $a$ die Anzahl der Stufen von Faktor A, $b$ die Anzahl der Stufen von Faktor B und $N$ die Gesamtstichprobengröße.

Beispiel#

Praxisbeispiel: Lehrmethode × Geschlecht auf Prüfungsleistung

Eine Bildungsforscherin untersucht, ob die Lehrmethode (Frontalunterricht, Gruppenarbeit, Blended Learning) und das Geschlecht (weiblich, männlich) die Prüfungsnote beeinflussen. Sie hat ein 3 × 2-Design mit je 20 Studierenden pro Zelle (N = 120).

Ergebnisse:

Haupteffekt Lehrmethode: $F(2, 114) = 8.45$ , $p < .001$ — die Lehrmethode beeinflusst die Prüfungsleistung signifikant
Haupteffekt Geschlecht: $F(1, 114) = 1.22$ , $p = .272$ — kein signifikanter Geschlechterunterschied
Interaktion Lehrmethode × Geschlecht: $F(2, 114) = 4.67$ , $p = .011$ — der Effekt der Lehrmethode unterscheidet sich zwischen den Geschlechtern

Die signifikante Interaktion zeigt, dass Blended Learning besonders bei weiblichen Studierenden zu besseren Noten führt, während bei männlichen Studierenden kaum Unterschiede zwischen den Methoden bestehen.

Effektstärke#

Als Effektstärke wird häufig das partielle Eta-Quadrat ( $\eta_p^2$ ) berichtet:

\eta_p^2 = \frac{SS_{Effekt}}{SS_{Effekt} + SS_{Fehler}}

Effektstärke	$\eta_p^2$
Klein	0.01
Mittel	0.06
Groß	0.14

Das partielle Eta-Quadrat gibt den Varianzanteil an, den ein Effekt erklärt, wenn die Varianz der anderen Effekte herausgerechnet wird. Es wird separat für jeden Haupteffekt und die Interaktion berechnet.

Weiterführende Literatur

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
Maxwell, S. E., Delaney, H. D. & Kelley, K. (2018). Designing Experiments and Analyzing Data (3rd ed.). Routledge.
Rasch, B., Friese, M., Hofmann, W. & Naumann, E. (2021). Quantitative Methoden 2 (5. Aufl.). Springer.