η² und ω² berechnen: Effektstärke der Varianzanalyse.
Du hast eine ANOVA gerechnet? Trag den F-Wert mit Freiheitsgraden oder die Quadratsummen ein. Der Rechner zeigt dir η², partielles η², ω², partielles ω² und Cohens f, dazu ein 90-%-Konfidenzintervall, den Rechenweg und eine Abbildung.
- Fünf Maße auf einen Blick
- Mit Intervall und Rechenweg
- Kostenlos, ohne Anmeldung
Rechner wird geladen …
Berechnungsgrundlage.
\({\eta^{2}}\) und \({\omega^{2}}\) geben an, welchen Anteil der Varianz ein Faktor in einer Varianzanalyse erklärt. Cohens \({f}\) drückt denselben Effekt im Verhältnis zur Fehlerstreuung aus. \({\eta^{2}}\) beschreibt die Stichprobe und überschätzt den Effekt in der Population, \({\omega^{2}}\) ist weniger verzerrt (Lakens, 2013).
Partielle Maße setzen den Effekt nur ins Verhältnis zu sich selbst und seinem Fehler, die übrigen Effekte bleiben außen vor. Im einfaktoriellen Design sind partielle und klassische Maße deshalb gleich. Die Formeln aus dem \({F}\)-Wert gelten für Faktoren mit festen Stufen, nicht für Kovariaten (Lakens, 2013).
Aus dem \({F}\)-Wert
\({df_{1}}\) sind die Freiheitsgrade des Effekts, \({df_{2}}\) die des Fehlers und \({N}\) die Gesamtgröße der Stichprobe. Im einfaktoriellen Design gilt \({N = df_{1} + df_{2} + 1}\), außerdem \({\eta^{2} = \eta^{2}_{p}}\) und \({\omega^{2} = \omega^{2}_{p}}\).
Aus den Quadratsummen
Aus den Quadratsummen ergibt sich auch \({F = MS_{\text{Effekt}} / MS_{\text{Fehler}}}\). Damit rechnet der Rechner \({\omega^{2}_{p}}\), \({f}\) und das Intervall wie oben.
Cohens \({f}\)
Warum \({\omega^{2}}\) kleiner ausfällt
\({\omega^{2}}\) zieht ab, was der Effekt allein durch Zufall erklären würde. Ist \({F}\) kleiner als 1, wird der Wert negativ. Weil ein Varianzanteil nicht negativ sein kann, setzt der Rechner ihn dann auf 0.
Konfidenzintervall für \({\eta^{2}_{p}}\)
Das Intervall folgt Steiger (2004). Zuerst werden Grenzen für den Nichtzentralitätsparameter \({\lambda}\) der \({F}\)-Verteilung gesucht: Der beobachtete \({F}\)-Wert ist an der unteren Grenze das 95-%-Quantil und an der oberen Grenze das 5-%-Quantil der nichtzentralen \({F}\)-Verteilung. Daraus folgt:
Steiger (2004) empfiehlt zum \({F}\)-Test ein 90-%-Intervall, weil der Test einseitig ist. Das Intervall schließt 0 dann genau aus, wenn der Test bei \({\alpha = 0{,}05}\) signifikant ist. Fällt eine Grenze unter 0, wird sie auf 0 gesetzt. Das Verfahren gilt für Designs ohne Messwiederholung, streng genommen bei gleich großen Zellen.
Messwiederholung
Hier lassen sich aus dem \({F}\)-Wert nur \({\eta^{2}_{p}}\) und \({f}\) berechnen, aus den Quadratsummen zusätzlich \({\eta^{2}}\). Trag als Fehler den Fehlerterm des Effekts ein, etwa Effekt × Person. \({\omega^{2}}\) und das Intervall sind nicht möglich.
Interpretation
Konvention zur Interpretation nach Cohen (1988):
| Einordnung | \({\eta^{2}}\), \({\omega^{2}}\) | \({f}\) |
|---|---|---|
| kein Effekt | unter 0,01 | unter 0,10 |
| kleiner Effekt | 0,01 bis unter 0,06 | 0,10 bis unter 0,25 |
| moderater Effekt | 0,06 bis unter 0,14 | 0,25 bis unter 0,40 |
| großer Effekt | ab 0,14 | ab 0,40 |
Lakens (2013) weist darauf hin, dass diese Grenzen für partielle Maße, mehrere Faktoren und Messwiederholung nur eingeschränkt passen. Der Rechner zeigt die Einordnung trotzdem für alle Maße, nimm sie dort als grobe Orientierung. Mehr dazu findest du in der Interpretationshilfe.
Literatur
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers.
- Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
- Steiger, J. H. (2004). Beyond the F test: Effect size confidence intervals and tests of close fit in the analysis of variance and contrast analysis. Psychological Methods, 9(2), 164–182. https://doi.org/10.1037/1082-989X.9.2.164
Weitere Online-Rechner.
Prüf auch deine anderen Übungsaufgaben, bevor sich ein Fehler bis in die Klausur zieht. Kostenlos und ohne Anmeldung.
- Bernoulli VerteilungStatistik · Diskrete Verteilungen
- BetaverteilungStatistik · Stetige Verteilungen
- Betriebsoptimum & BetriebsminimumVWL · Unternehmenstheorie
- BinomialverteilungStatistik · Diskrete Verteilungen
- BudgetgeradeVWL · Haushaltstheorie
- Chi-Quadrat-VerteilungStatistik · Stetige Verteilungen
- Cohens d für zwei abhängige GruppenStatistik · Effektstärke
- Cohens d für zwei unabhängige GruppenStatistik · Effektstärke
- Diskrete GleichverteilungStatistik · Diskrete Verteilungen
- DreiecksverteilungStatistik · Stetige Verteilungen
- Effektmaße aus EffektmaßenStatistik · Effektstärke
- Einkommens-Konsum-Kurve und Engel-KurveVWL · Haushaltstheorie
- Einkommenselastizität der NachfrageVWL · Haushaltstheorie
- ErwartungsnutzenVWL · Haushaltstheorie
- ExponentialverteilungStatistik · Stetige Verteilungen
- F-VerteilungStatistik · Stetige Verteilungen
- GammaverteilungStatistik · Stetige Verteilungen
- Geometrische VerteilungStatistik · Diskrete Verteilungen
- Grenzrate der Substitution (GRS)VWL · Haushaltstheorie
- Hedges' g für zwei abhängige GruppenStatistik · Effektstärke
- Hedges‘ g für zwei unabhängige GruppenStatistik · Effektstärke
- Hypergeometrische VerteilungStatistik · Diskrete Verteilungen
- InvestitionsrechnungWirtschaftsmathematik · Finanzmathematik
- Kompensierende und äquivalente VariationVWL · Haushaltstheorie
- KostenfunktionVWL · Unternehmenstheorie
- Kreuzpreiselastizität der NachfrageVWL · Haushaltstheorie
- Lachowicz-Preacher-Kelly u (einfache Mediation)Statistik · Effektstärke
- LagrangeVWL · Wirtschaftsmathematik · Haushaltstheorie · Unternehmenstheorie · Analysis
- LognormalverteilungStatistik · Stetige Verteilungen
- Negative BinomialverteilungStatistik · Diskrete Verteilungen
- NormalverteilungStatistik · Stetige Verteilungen
- Poisson VerteilungStatistik · Diskrete Verteilungen
- Preiselastizität der NachfrageVWL · Wirtschaftsmathematik · Haushaltstheorie · Analysis
- Relatives Risiko & Odds RatioStatistik · Effektstärke
- RentenrechnungWirtschaftsmathematik · Finanzmathematik
- Repräsentative StichprobengrößeStatistik · Effektstärke
- Stetige GleichverteilungStatistik · Stetige Verteilungen
- Substitutions- und EinkommenseffektVWL · Haushaltstheorie
- Substitutions- und Einkommenseffekt VorzeichenVWL · Haushaltstheorie
- t-VerteilungStatistik · Stetige Verteilungen
- TilgungsrechnungWirtschaftsmathematik · Finanzmathematik
- Weibull-VerteilungStatistik · Stetige Verteilungen
- WertpapiereWirtschaftsmathematik · Finanzmathematik
- ZinsrechnungWirtschaftsmathematik · Finanzmathematik
Jan Oetker
Studienverlauf
- B.Sc.WirtschaftspsychologieHochschule Fresenius
- M.Sc.WirtschaftsinformatikFernUniversität in Hagen
Lehrerfahrung
- AStATutor seit 2016Hochschule Fresenius, Köln und weitere Standorte
- LehreDozentHochschule Fresenius
Du willst es mit jemandem durchgehen?
Der Rechner zeigt dir, ob dein Ergebnis stimmt. Wie du in der Klausur selbst dorthin kommst oder deine eigenen Daten richtig auswertest, gehst du am besten mit jemandem durch. Dabei unterstützt dich Jan Oetker: Er ist seit 2016 Tutor für Statistik beim AStA der Hochschule Fresenius und lehrt dort heute als Dozent.
-
Prüfungsvorbereitung Statistik
Von der deskriptiven Statistik bis zur Inferenzstatistik, entlang deiner prüfungsrelevanten Themen und mit eigenen Aufgaben. Online per Zoom oder in Köln, einzeln oder in der Lerngruppe.
60 € je 60 Minuten einzeln, zu zweit 30 € und ab drei Personen 20 € je Person
-
Datenanalyse
Für deine Haus- oder Abschlussarbeit: Studiendesign, Hypothesen und Auswertung in SPSS, R, STATA oder JASP, inklusive Interpretation der Ergebnisse.
80 € je 60 Minuten
Team tutoring ist ein unabhängiges Angebot und kein offizielles Angebot der Hochschule Fresenius.
Häufige Fragen zu η² und ω².
Berichte ich \({\eta^{2}}\) oder \({\eta^{2}_{p}}\)?
Im einfaktoriellen Design sind beide gleich. Bei mehreren Faktoren ist \({\eta^{2}_{p}}\) verbreiteter, lässt sich aber schlechter zwischen Studien mit anderen Designs vergleichen. Nenne in jedem Fall, welches Maß du berichtest.
Warum ist \({\omega^{2}}\) kleiner als \({\eta^{2}}\)?
\({\eta^{2}}\) überschätzt den Effekt in der Population, weil auch zufällige Unterschiede als erklärte Varianz zählen. \({\omega^{2}}\) zieht diesen Anteil ab. Bei großen Stichproben liegen beide nah beieinander.
Warum ein 90-%-Intervall statt 95 %?
Weil der \({F}\)-Test einseitig ist. Ein 90-%-Intervall schließt 0 genau dann aus, wenn der Test bei \({\alpha = 0{,}05}\) signifikant ist (Steiger, 2004).
Was gilt bei Messwiederholung?
Dann lassen sich nur \({\eta^{2}_{p}}\) und \({f}\) aus dem \({F}\)-Wert berechnen, aus den Quadratsummen zusätzlich \({\eta^{2}}\). Für \({\omega^{2}}\) und das Intervall fehlt die Streuung zwischen den Personen.
Wie berichte ich das Ergebnis?
Nenne den \({F}\)-Wert mit Freiheitsgraden und die Effektmaße. Zum Beispiel: \({F(2, 57) = 4{,}50}\), \({\eta^{2}_{p} = 0{,}14}\), 90-%-KI [0,02; 0,26], \({\omega^{2} = 0{,}10}\), \({f = 0{,}40}\).