Die f\u00fcnf Familien<\/strong>, je nachdem, was Sie vergleichen:<\/p>\n\n\n\n Vergleichsarten<\/strong>, in Spalten:<\/p>\n\n\n\n Wenn zwei Tests durch einen Schr\u00e4gstrich getrennt sind, ist der erste\u00a0parametrisch<\/strong>\u00a0und der zweite\u00a0nichtparametrisch<\/strong>\u00a0: Der F-Test und der Fligner-Killeen-Test beantworten dieselbe Frage, wobei letzterer keine Normalverteilung voraussetzt.<\/p>\n\n\n\n \ud83d\udca1\u00a0Z oder T?<\/strong>\u00a0<\/p>\n\n\n\n Der Z-Test setzt voraus, dass die Standardabweichung der Grundgesamtheit bekannt ist, was in der Praxis selten der Fall ist. Der T-Test sch\u00e4tzt diese anhand der Stichprobe. Im Zweifelsfall: T.<\/p>\n<\/blockquote>\n\n\n\n Ellistat w\u00e4hlt automatisch die passenden Tests aus, je nachdem, welche Art von Daten man vergleichen m\u00f6chte. Man muss sich nicht alle Tests merken, denn Ellistat liefert das vollst\u00e4ndige Ergebnis der passenden Tests. F\u00fcr eine kontinuierliche Variable werden die Tests auf Unterschiede in Lage, Skala und Streuung angezeigt! Man kann eine dieser Kategorien ausw\u00e4hlen.\u00a0<\/p>\n\n\n\n Parametrische Tests setzen eine Verteilung voraus, in der Regel die Normalverteilung. Sie sind\u00a0st\u00e4rker<\/strong>\u00a0Wenn diese Annahme zutrifft: Bei gleichen Daten stellen sie geringere Abweichungen fest.<\/p>\n\n\n\n Nichtparametrische Tests gehen von keiner Verteilung aus. Sie sind robuster<\/strong> aber etwas weniger empfindlich.<\/p>\n\n\n\n Das Men\u00fc zeigt beide nebeneinander an, gerade um diese Wahl deutlich zu machen.<\/p>\n\n\n\n Das ist ein Highlight der Speisekarte, das oft nicht richtig zur Geltung kommt: Ellistat \u00fcberpr\u00fcft automatisch die Annahmen des ausgew\u00e4hlten Tests<\/strong> und zeigt das Ergebnis an.<\/p>\n\n\n\n Die drei Abzeichen k\u00f6nnen folgende sein: <\/p>\n\n\n\n Wenn ein Test keine zu \u00fcberpr\u00fcfende Bedingung enth\u00e4lt, weist Ellistat darauf hin: \u00abF\u00fcr diesen Test gibt es keine zu \u00fcberpr\u00fcfende Hypothese\u00bb; dies ist bei nichtparametrischen Tests der Fall.<\/p>\n\n\n\n \u26a0\ufe0f Ein parametrischer Test, dessen Annahmen nicht erf\u00fcllt sind, liefert einen p-Wert\u00a0das nicht den angegebenen Wert hat<\/strong>. Der Reflex: auf das nichtparametrische \u00c4quivalent derselben Zeile umschalten oder die Ursache beheben, einen berechtigten Ausrei\u00dfer entfernen, die Daten umwandeln.<\/p>\n<\/blockquote>\n\n\n\n \ud83d\udca1 Entferne einen Ausrei\u00dfer niemals nur deshalb, weil er st\u00f6rt. Ein Ausrei\u00dfer ist ein Information<\/strong> : Eingabefehler, Produktionsst\u00f6rung, fehlerhaftes Teil. Es ist besser, den Fehler zu verstehen, als ihn zu l\u00f6schen.<\/p>\n<\/blockquote>\n\n\n\n Das Ergebnis zeigt die\u00a0Annahmen<\/strong>\u00a0H0 und H1, im Klartext formuliert f\u00fcr Ihren Fall, die\u00a0Statistik<\/strong>\u00a0des Tests, die\u00a0p-Wert<\/strong>, und die\u00a0Fazit<\/strong>\u00a0mit der entsprechenden Farbe: Ablehnung von H0 oder Nichtablehnung von H0.<\/p>\n\n\n\n Die dazugeh\u00f6rige Grafik erg\u00e4nzt den Test: Boxplots f\u00fcr den Vergleich von Mittelwerten, Balkendiagramme f\u00fcr Anteile.<\/p>\n\n\n\n \ud83d\udca1 Betrachten Sie die Grafik und den p-Wert immer gemeinsam. Die Grafik zeigt um wie viel<\/strong> und in welcher Richtung<\/strong>, der p-Wert besagt wenn man das glauben kann<\/strong>. Das eine ohne das andere l\u00e4sst die H\u00e4lfte der Schlussfolgerung au\u00dfer Acht.<\/p>\n<\/blockquote>\n\n\n\n Eine signifikante ANOVA oder ein signifikanter Kruskal-Wallis-Test besagt: \u00abDiese Gruppen sind nicht alle gleich.\u00bb Er sagt jedoch nicht,\u00a0welcher nicht<\/strong> ist anders.<\/p>\n\n\n\n Ellistat stellt hierf\u00fcr eine Schlussfolgerung paarweise<\/strong>, bei dem die Gruppen paarweise miteinander verglichen werden.<\/p>\n\n\n\n \u26a0\ufe0f Der Vergleich aller Paare f\u00fchrt zu einer Vervielfachung der Tests und damit auch der Fehlalarme: Bei zehn Gruppen werden 45 Vergleiche durchgef\u00fchrt, und bei einem Risiko von jeweils 5 % finden sich im Durchschnitt zwei Scheinunterschiede. Deshalb sollte man den bereitgestellten Paarvergleich nutzen, anstatt die t-Tests manuell nacheinander durchzuf\u00fchren.<\/p>\n<\/blockquote>\n\n\n\n Es gibt Daten, die gepaart<\/strong> wenn sich beide Serien mit den dieselben Personen<\/strong> : dasselbe Werkst\u00fcck vor und nach der Behandlung, derselbe Bediener bei beiden Verfahren, dasselbe Werkst\u00fcck, gemessen mit zwei Messger\u00e4ten.<\/p>\n\n\n\n Der gepaarte Test eliminiert die Variabilit\u00e4t zwischen den Individuen und gewinnt dadurch erheblich an Aussagekraft.<\/p>\n\n\n\n \u26a0\ufe0f Die Behandlung gepaarter Daten als unabh\u00e4ngig voneinander ist der h\u00e4ufigste und kostspieligste Fehler: Die Variabilit\u00e4t zwischen den einzelnen Messungen \u00fcberdeckt den gesuchten Effekt, und man kommt zu dem Schluss, es gebe \u00abkeinen Unterschied\u00bb, obwohl dieser eindeutig vorliegt. Umgekehrt f\u00fchrt die Einstufung von Datenreihen als gepaart, die es nicht sind, zu k\u00fcnstlichen Unterschieden.<\/p>\n<\/blockquote>\n\n\n\n \ud83d\udca1 Der Test weist Sie indirekt darauf hin: Bei einem gepaarten Test wird die Normalverteilung \u00fcberpr\u00fcft. \u00fcber den Unterschied<\/strong>. Wenn Ellistat vom Unterschied zwischen Stichproben spricht, dann sind Sie tats\u00e4chlich in einer gepaarten Stichprobe.<\/p>\n<\/blockquote>\n\n\n\n <\/p>","protected":false},"featured_media":0,"menu_order":30,"template":"","meta":{"_acf_changed":true},"menu-guide-dutilisateur":[23],"class_list":["post-4578","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-5-statistiques-inferentielles"],"acf":[],"yoast_head":"\nFamilie<\/strong><\/td> Sie vergleichen<\/strong><\/td> Typische Frage<\/strong><\/td><\/tr><\/thead> Positionen<\/strong><\/td> Durchschnittswerte<\/td> Ergeben diese beiden Einstellungen denselben Durchschnittswert?<\/td><\/tr> Leitern<\/strong><\/td> Dispersionen<\/td> Ist diese Maschine gleichm\u00e4\u00dfiger als die andere?<\/td><\/tr> Aussch\u00fcttungen<\/strong><\/td> Ganze Vertriebsformen<\/td> Folgen diese beiden Stichproben demselben Gesetz?<\/td><\/tr> R\u00e4nge<\/strong><\/td> Standpunkte, ohne gesetzliche Vorgaben<\/td> Dieselbe Frage wie bei \u201ePositionen\u201c, jedoch ohne die Normalit\u00e4t vorauszusetzen.<\/td><\/tr> Frequenzen<\/strong><\/td> Proportionen<\/td> Hat sich die Ausschussquote ver\u00e4ndert?<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/tests.png\")
<\/figure>\n\n\n\n3.2 Die angebotenen Tests<\/h2>\n\n\n\n
Familie<\/strong><\/td> Theoretischer Wert<\/strong><\/td> 2 Proben<\/strong><\/td> Mehrere Proben<\/strong><\/td><\/tr><\/thead> Positionen<\/strong><\/td> Theoretisches Z, theoretisches T<\/td> z-Test, t-Test \u2013 gepaarter t-Test<\/td> ANOVA \u2013 gepaarte ANOVA<\/td><\/tr> Leitern<\/strong><\/td> Chi-Quadrat-Test<\/td> Test F \/ Fligner-Killeen<\/td> Bartlett, Levene \/ MAD-Permutation<\/td><\/tr> Aussch\u00fcttungen<\/strong><\/td> (unter Verwendung deskriptiver Statistik)<\/td> Cram\u00e9r-von-Mises<\/td> Energie<\/td><\/tr> R\u00e4nge<\/strong><\/td> Zeichen-Test, Wilcoxon-Test<\/td> Mann-Whitney-Test, B bis C<\/td> Kruskal-Wallis \u2014 gepaarter Friedman-Test<\/td><\/tr> Frequenzen<\/strong><\/td> Test 1P<\/td> Test 2P<\/td> Chi-Quadrat-Test<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/tests2.png\")
<\/figure>\n\n\n\n3.3 Parametrische vs. nichtparametrische Tests<\/h2>\n\n\n\n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/parametriquevsnon.png\")
<\/figure>\n\n\n\n\n
3.4 Die G\u00fcltigkeitsbedingungen \u2013 f\u00fcr Sie gepr\u00fcft<\/h2>\n\n\n\n
\n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/badge-ok.png\"){kind=icon}
<\/figure>\n\n\n\n\n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/badge-ecart.png\"){kind=icon}
<\/figure>\n\n\n\n\n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/badge-pas-ok.png\"){kind=icon}
<\/figure>\n\n\n\nBedingung<\/strong><\/td> Was \u00fcberpr\u00fcft wird<\/strong><\/td><\/tr><\/thead> Normales Gesetz<\/strong><\/td> Die Normalit\u00e4tshypothese wird angenommen oder verworfen. Bei einem gepaarten Test bezieht sie sich auf die Unterschied<\/strong>zwischen den Proben, nicht bei jeder einzelnen Probe.<\/td><\/tr> Gleichheit der Varianzen<\/strong><\/td> Die Hypothese gleicher Varianz wird angenommen oder verworfen. Bestimmte Mittelwerttests reagieren darauf empfindlich.<\/td><\/tr> Ausrei\u00dfer<\/strong><\/td> Das Vorhandensein oder Fehlen von Ausrei\u00dfern, die f\u00fcr sich genommen bereits einen Unterschied hervorrufen oder verschleiern k\u00f6nnen.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n
\n
3.5 Das Ergebnis ablesen<\/h2>\n\n\n\n
\n
3.6 Mehrere Proben<\/h2>\n\n\n\n
![\"\"](\"https:\/\/ellistat.com\/wp-content\/uploads\/comparaison2a2.png\")
<\/figure>\n\n\n\n\n
3.7 Die Falle der Paarbildung<\/h2>\n\n\n\n
\n
\n