Versuchsplanung II
EmPra Der Einfluss und die Verarbeitung von emotionalen
Reizen
Theorien
ÜberprüfbareHypothesen
Operationali-sierung
Experiment
Erkenntnis
Um was ging/geht es?
Um was wird es gehen?
Theorien
ÜberprüfbareHypothesen
Operationali-sierung
Experiment
ErkenntnisVon der Operationalisierung hängt auch der statistische Test ab, den wir rechnen
Versuchsdesign und entsprechende statistische
Analysen
Übung
Vorurteilsmessung
Sie wollen mit dem affektiven Priming zeigen, dass Vorurteile automatisch aktiviert werden können.
• Formulieren Sie die Hypothesen (theoretisch, empirisch, statistisch)
• Entwickeln Sie einen Versuchsplan (UV, AV)• Überlegen Sie sich wie, Sie die Daten auswerten würden• Überlegen Sie sich Störvariablen
Affektives Priming
Krieg Krieg
Den Versuchspersonen werden hintereinander zwei Reize präsentiert:
- Der 1. Reiz (Prime) soll ignoriert werden
- der 2. Reiz (Target) soll danach beurteil werden, ob er positiv oder negativ ist (Tastendruck)
folgt auf einen negativen Prime ein negatives Target, so erfolgt die Reaktion schneller, als wenn auf einen positiven Prime ein negatives Target folgt
Folgt auf einen positiven Prime ein negative Target, so erfolgt die Reaktion langsamer, als wenn auf einen positiven Prime ein negatives Target folgt
Krankheit Hochzeit
Beispiel einfaktorieller Versuchsplan
Theoretische Hypothese
„Vorurteile gegen Türken werden automatisch aktiviert.“
präzise Definitionen der Begriffe Aktivierung, automatisch und Vorurteil sind erforderlich; zur Überprüfung muss diese Hypothese in eine empirische Hypothese übersetzt werden
-
Empirische Hypothese
„Die Reaktionszeit auf ein negatives Wort ist kürzer, wenn vor diesem Wort das Bild eines Türken präsentiert wurde im Vergleich zu dem Bild eines Deutschen.“
Zugänglichkeit wird abgebildet über den messbaren Indikator Reaktionszeit
Operationalisierung
Krieg Krieg
Beispiel einfaktorieller Versuchsplan
Empirische / Psychologische Hypothese:
„Die Reaktionszeit auf ein negatives Wort ist kürzer, wenn vor diesem Wort das Bild eines Türken präsentiert wurde im Vergleich zu dem Bild eines Deutschen.“
Statistische Hypothese:
bzw.
P-T InkongruenzRZRZ1 μμ:H P-T Kongruenz
P-T KongruenzRZRZ1 μ:H P-T Inkongruenz μ
Versuchsplan:Unabhängige Variable (UV)
Target kongruenter
Prime
In-
kongruenter
Prime
Tod
Krieg
Sonne
Lachen
…
Buch
Feuer
Eifersucht
Krankheit
Hochzeit
Baby
…
Regal
Flamme
Hochzeit
Baby
Eifersucht
Krankheit
…
Geschirr
Regal
MittlereReaktions-zeit
MittlereReaktions-zeit
Abhängige Variable (AV)
Design:
• Einfaktorielles Design
Ein messwiederholter Faktor mit 2 Stufen
= "within-subjects"-Faktor
Was muss gerechnet werden??
Versuchsplan:Unabhängige Variable (UV)
Target kongruenter
Prime
In-
kongruenter
Prime
Tod
Krieg
Sonne
Lachen
…
Buch
Feuer
Eifersucht
Krankheit
Hochzeit
Baby
…
Regal
Flamme
Hochzeit
Baby
Eifersucht
Krankheit
…
Geschirr
Regal
MittlereReaktions-zeit
MittlereReaktions-zeit
Abhängige Variable (AV)
Störvariablen:
• Müdigkeit
• Aufmerksamkeit
• Ablenkung
• Erkennen der Hypothesen
• …
Mittlere Reaktionszeit inkongruente Durchgänge
Mittlere Reaktionszeit kongruente Durchgänge
Rechnen:
t-Test für abhängige Stichproben
Oder auch
t-Test bei Messwiederholung
Wieso Messwiederholung?
t-Test Ausgabeprotokoll (Teil 1)
Paired Samples Statistics
553,5873 52 49,72081 6,89504
544,4858 52 49,08749 6,80721
inkongr
kongr
Pair1
Mean N Std. DeviationStd. Error
Mean
Mittelwerte Anzahl VpStandard-abweichung
Standardfehler
Deskriptive Statistik
T-Test Ausgabeprotokoll (Teil2)
xσ̂
xtdf
)1( Ndf
Paired Samples Test
9,10151 17,88899 2,48076 4,12119 14,08184 3,669 51 ,001inkongr - kongrPair 1Mean Std. Deviation
Std. ErrorMean Lower Upper
95% ConfidenceInterval of the
Difference
Paired Differences
t df Sig. (2-tailed)
T-Test Ausgabeprotokoll (Teil2)
Ein solcher oder noch höherer (betragsmäßiger) t-Wert tritt unter der Annahme, dass die Null-Hypothese gilt, bei dieser Stichproben-größe mit einer Wahrscheinlichkeit von p < 0.001 auf.
Diese Wahrscheinlichkeit liegt unter der von uns gewählten α -Fehlerwahrscheinlichkeit von 0.05. Daher verwerfen wir die Null-Hypothese und behalten unsere Hypothese bei, dass es den affektiven Primingeffekt gibt.
Paired Samples Test
9,10151 17,88899 2,48076 4,12119 14,08184 3,669 51 ,001inkongr - kongrPair 1Mean Std. Deviation
Std. ErrorMean Lower Upper
95% ConfidenceInterval of the
Difference
Paired Differences
t df Sig. (2-tailed)
T-Test Ausgabeprotokoll (Teil2)
Paired Samples Test
9,10151 17,88899 2,48076 4,12119 14,08184 3,669 51 ,001inkongr - kongrPair 1Mean Std. Deviation
Std. ErrorMean Lower Upper
95% ConfidenceInterval of the
Difference
Paired Differences
t df Sig. (2-tailed)
Wir können in diesem Fall auch einseitig testen (gerichtete Hypothese!). Dazu wird das gefundene p-Niveau halbiert, denn die Standardeinstellung bei SPSS ist ein zweiseitiger Test (der ist im strengen Sinn aber nicht homomorph zur stat. Hypothese)
Einseitige vs. Zweiseitige Testung
α/2 α/2
• Wie sähe es jetzt aus, wenn wir die Kongruenz nicht als within, sondern als between Faktor betrachten würden?
Gruppenstatistiken
kongruenz N Mittelwert Standardabw
eichung
Standardfehler des
Mittelwertes rt kongruent 52 544,4858 49,08749 6,80721
inkongruent 52 553,5873 49,72081 6,89504
Statistischer TestWas wird gerechnet:
Bei einfaktoriellem Design und 2 Faktorstufen:- T-Test. Welcher? Wichtig! siehe vorherige Folien- Between, within, eine Stichprobe- T-Test für unabhängige, abhängige Stichproben, Ein-Stichproben-T-Test
Wir legen das Signifikanz-Niveau fest, auf welchem wir prüfen wollen, ob ein gefundener Mittelwertsunterschied zufällig entstand, z.B. p < .05.
Bei einfaktoriellem Design und mehr Faktorstufen (between subjects)?
- Univariate ANOVA
Versuchspläne
• Der klassische Fall ist der Zwei-Gruppenfall mit einer UV mit zwei Stufen (wie gehabt) – einfaktoriell, zweistufig
• Manchmal hat die UV auch mehrere Stufen, z.B. wenn verschiedene Therapieformen gegeneinander getestet werden (UV mit 4 Stufen Psychoanalyse, VT, Gesprächstherapie, keine Therapie) – einfaktoriell, mehrstufig
• Noch interessanter wird es, wenn mehr als eine UV variiert wird, nur dann wird es möglich, die gleichzeitige Wirkungen mehrere UVs auf die AV zu untersuchen - mehrfaktoriell
– z.B. Intelligenz und Therapieform
• In diesem EmPra werden wir sowohl Versuchspläne mit within, als auch mit between Faktoren erstellen
Versuchspläne
Einfaktorielle Pläne:– zweistufige UV (klassischer Fall)
z.B. Kommunikation vs. Nichtkommunikation: EG vs. KG– Mehrstufige UV
z.B. UV mit 4 Stufen wenn Therapieformen gegeneinander getestet werden: PA vs. VT vs. GT vs. keine
Mehrfaktorielle Versuchspläne– Variation mehrerer UV ermöglicht Untersuchung der
gleichzeitigen / interaktiven Wirkung der UV auf die AV– In diesem EMPRA werden die Versuchspläne zudem meistens UV
enthalten, die nicht zwischen sondern innerhalb der VP variiert werden
Empirische Hypothese
„Die Reaktionszeiten sind kürzer, wenn die Kategorien der zweiten Kategorisierungsaufgabe, das gleiche Valenz-Mapping besitzen.
Weiteres Beispiel
Mehrfaktorielle Pläne
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
positiv negativ
Berge
Meer
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
MittlereReaktions-zeit
MittlereReaktions-zeit
Mehrfaktorielle Pläne
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
Kongruente
Trials
Inkongruente
Trials
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
MittlereReaktions-zeit
MittlereReaktions-zeit
• Dieser Alternativhypothese…
• ... wird die sogenannte Null-Hypothese gegenübergestellt.
P-T KongruenzRZRZ0 μ:H P-T Inkongruenz = μ
P-T KongruenzRZRZ0 μμ:H = P-T Inkongruenz
bzw.
P-T KongruenzRZRZ1 μ:H P-T Inkongruenz μ
• Alternativhypothese H1 / HA :
• Nullhypothese H0:
Hypothesen testen: Fehler 1. und 2. Art
Entscheidung
für H0
Entscheidung
für HA
H0 wahr richtig
HA wahr richtig
P-T KongruenzRZRZ1 μ:H P-T Inkongruenz μ
P-T KongruenzRZRZ0 μ:H P-T Inkongruenz =μ
α-Fehler
β-Fehler
Hypothesen testen: Fehler 1. und 2. Art
• Alternativhypothese H1 / HA :
• Nullhypothese H0:
Entscheidung
für H0
Entscheidung
für H1
H0 wahr richtig α-Fehler
H1 wahr β-Fehler richtig
für die meisten psychologischen Untersuchungen kritischer
P-T KongruenzRZRZ1 μ:H P-T Inkongruenz μ
P-T KongruenzRZRZ0 μ:H P-T Inkongruenz ≤μ
Zum Nachdenken
In welchen Situationen ist es besonders wichtig, dass der α-Fehler besonders klein ist?
Und wann ist es wichtig, dass der β-Fehler besonders klein ist?
Entscheidung
für H0
Entscheidung
für H1
H0 wahr richtig α-Fehler
H1 wahr β-Fehler richtig
Hypothesen testen: Fehler 1. und 2. Art
Um valide zu testen, muss das Alpha-Niveau a priori festgelegt werden
Zudem sollte auch ein statistisch signifikanter Unterschied tatsächlich bedeutsam sein (Validität der Untersuchung), Stichwort: Effektstärke
KontrollprimeRZRZμ kongruenter Prime
• Ist es denkbar, dass in der Population der Mittelwert der Primingdifferenz 0 ms ist (d.h. unsere Hypothese nicht zutrifft) und trotzdem bei einer Zufallsziehung von n (z.B. 15) Personen ein Mittelwert von (z.B. 27 ms) herauskommt?
Die inferenzstatistische Frage
• Natürlich ist es prinzipiell immer denkbar, so wie es auch beim Roulette prinzipiell denkbar ist, dass 1000x hintereinander eine rote Zahl gezogen wird.
• "Ist es denkbar" wird in der Regel übersetzt mit „ist es wahrscheinlicher als p = .05, dass bei einer Stichprobe von n Personen ein bestimmter Mittelwert herauskommt?"
• Können wir mit dem (vorab festgelegten) Risiko von 5% (sog. a-Fehler) die Alternativ-Hypothese beibehalten?
Die inferenzstatistische Frage
Mittlere Reaktionszeit inkongruente Durchgänge
Mittlere Reaktionszeit kongruente Durchgänge
t-Test für abhängige Stichproben
Oder auch
t-Test bei Messwiederholung
Wieso Messwiederholung?
t-Test Ausgabeprotokoll (Teil 1)
Paired Samples Statistics
553,5873 52 49,72081 6,89504
544,4858 52 49,08749 6,80721
inkongr
kongr
Pair1
Mean N Std. DeviationStd. Error
Mean
Mittelwerte Anzahl VpStandard-abweichung
Standardfehler
Deskriptive Statistik
T-Test Ausgabeprotokoll (Teil2)
xσ̂
xtdf
)1( Ndf
Paired Samples Test
9,10151 17,88899 2,48076 4,12119 14,08184 3,669 51 ,001inkongr - kongrPair 1Mean Std. Deviation
Std. ErrorMean Lower Upper
95% ConfidenceInterval of the
Difference
Paired Differences
t df Sig. (2-tailed)
Versuchspläne
Einfaktorielle Pläne:– zweistufige UV (klassischer Fall)
z.B. Anti-Rauch-Methode: EG vs. KG– Mehrstufige UV
z.B. UV mit 4 Stufen wenn Therapieformen gegeneinander getestet werden: PA vs. VT vs. GT vs. keine
Mehrfaktorielle Versuchspläne– Variation mehrerer UV ermöglicht Untersuchung der
gleichzeitigen / interaktiven Wirkung der UV auf die AV– In diesem EMPRA werden die Versuchspläne zudem
meistens UV enthalten, die nicht zwischen sondern innerhalb der VP variiert werden
Hausaufgabe
Emotionsregulation durch Kommunikation
Sie wollen überprüfen, ob die im Volksmund geltenden Sprichwörter Geteiltes Leid ist halbes Leid und Geteilte Freude ist doppelte Freude tatsächlich stimmen. Sie entwerfen dazu ein Experiment, bei dem einige Versuchsteilnehmer einen fröhlichen andere einen traurigen Film sehen und ihre Emotionen danach mitteilen sollen/oder nicht.
• Formulieren Sie die Hypothesen (theoretisch, empirisch, statistisch)• Entwickeln Sie einen Versuchsplan• Überlegen Sie sich wie, Sie die Daten auswerten würden• Überlegen Sie sich Störvariablen
Versuchsplanung
Sprichwort-UntersuchungHypothesen?
Theoretische Hypothese: • Das Mitteilen von Emotionen hat einen positiven emotionsregulierenden Einfluss,
unabhängig davon um welche Emotion es sich handelt. Das heißt, bei negativen Emotion mindert die Kommunikation die negative Emotion, bei positiven Emotionen wird durch Kommunikation die Emotion verstärkt.
Empirische Hypothese:• Personen, die einen Film mit traurigem/fröhlichem Inhalt sehen und ihre
Empfindungen nachher anderen mitteilen, fühlen sich danach weniger traurig/fröhlicher, als wenn sie sich nicht mitteilen würden.
Statistische Hypothese• Kžt < Nžt • Kžf > Nžf
(ž := Durchschnittliches Gefühlsrating)
Versuchsplanung
Sprichwort-UntersuchungVersuchsplan?
• Bedingung A: Trauriger Film; Bedingung B: Fröhlicher Film• Gruppe 1 (Kontrollgruppe) soll nur ž berichten• Gruppe 2 (Experimentalgruppe) soll Emotionen mitteilen und ž berichten
Experimentalgruppe GefühlsratingMitteilung der Emotionen
Kontrollgruppe Gefühlsrating
Versuchsplanung
Sprichwort-UntersuchungUV & AV?
Unabhängige Variable: • Trauriger Film oder Fröhlicher Film• Mitteilung der Emotionen oder nicht
Abhängige Variable:• Gefühlsrating nach dem Film
Störvariablen• Compliance (halten sich Teilnehmer an Instruktion?)• Gefühlslage vor dem Film• Film schon gesehen? Favorisiertes Genre?• Durchschnittlicher Fernsehkonsum pro Woche?• Introvertiertheit/Extrovertiertheit• Sonstige Unterschiede zwischen Teilnehmern?• Soziale Erwünschtheit?• Reicht eine Messung?…
Statistischer Test
Wie würde man den Unterschied zwischen den Experimental und Kontrollgruppen statistisch überprüfen?
Bei einfaktoriellem Design (d.h. wenn wir nur eine Art Film hätten):
- T-Test für unabhängige Stichproben- Einseitig (gerichtete Hypothese)
In diesem Fall (zweifaktorielles Design):- ANOVA (2 x 2 Design)- Um die spezifischen Hypothesen zu untersuchen, müssen
hier wieder t-tests gerechnet werden
Wie rechnet man das denn jetzt??
Varianzanalyse
• Ist nichts anderes als ‚viele t-Tests‘, die gleichzeitig durchgeführt werden...
• D. h. es wird auch in der Varianzanalyse geprüft, ob sich die Mittelwerte einzelner Experimentalbedingungen von einander überzufällig unterscheiden (allerdings besteht die Gefahr, dass durch multiples Testen ein Alphafehler auftritt, nicht)
Univariate ANOVA
Descriptive Statistics
Dependent Variable: Stimmung
.86 .952 42
.48 .740 42
.67 .869 84
2.76 1.206 42
3.21 1.159 42
2.99 1.197 84
1.81 1.444 84
1.85 1.683 84
1.83 1.563 168
Kommunikation1.00
2.00
Total
1.00
2.00
Total
1.00
2.00
Total
Film1.00
2.00
Total
Mean Std. Deviation NBetween-Subjects Factors
84
84
84
84
1.00
2.00
Film
1.00
2.00
Kommunikation
N
Der SPSS-Output
Tests of Between-Subjects Effects
Dependent Variable: Stimmung
233.685b 3 77.895 73.288 .000 .573
561.006 1 561.006 527.825 .000 .763
226.339 1 226.339 212.952 .000 .565
.054 1 .054 .050 .823 .000
7.292 1 7.292 6.860 .010 .040
174.310 164 1.063
969.000 168
407.994 167
SourceCorrected Model
Intercept
Film
Kommunikation
Film * Kommunikation
Error
Total
Corrected Total
Type III Sumof Squares df Mean Square F Sig.
Partial EtaSquared
Computed using alpha = .05a.
R Squared = .573 (Adjusted R Squared = .565)b.
Der SPSS-Output
Independent Samples Test
.061 .805 -1.753 82 .083 -.452 .258 -.966 .061
-1.753 81.871 .083 -.452 .258 -.966 .061
Equal variancesassumed
Equal variancesnot assumed
StimmungF Sig.
Levene's Test forEquality of Variances
t df Sig. (2-tailed)Mean
DifferenceStd. ErrorDifference Lower Upper
95% ConfidenceInterval of the
Difference
t-test for Equality of Means
Group Statistics
42 2.76 1.206 .186
42 3.21 1.159 .179
Gruppe3
4
StimmungN Mean Std. Deviation
Std. ErrorMean
Fröhlicher Film
Kommunikation
Keine K
Independent Samples Test
.266 .607 2.047 82 .044 .381 .186 .011 .751
2.047 77.321 .044 .381 .186 .010 .751
Equal variancesassumed
Equal variancesnot assumed
StimmungF Sig.
Levene's Test forEquality of Variances
t df Sig. (2-tailed)Mean
DifferenceStd. ErrorDifference Lower Upper
95% ConfidenceInterval of the
Difference
t-test for Equality of Means
Group Statistics
42 .86 .952 .147
42 .48 .740 .114
GruppeGruppe Trauer N
Gruppe Trauer K
StimmungN Mean Std. Deviation
Std. ErrorMean
Trauriger Film
Fazit:
Die empirische Hypothese kann bestätigt werden.
Das Mitteilen von negativen Emotionen vermindert die gefühlte negative Emotion, bei positiven Emotionen wird durch Kommunikation die Emotion verstärkt.
Mögliche Kritikpunkte an der Studie?
Interaktion
• Der Effekt der einen Variation (hier Faktor A: Film) fällt unter den Bedingungen der anderen Variation (hier Faktor B: Kommunikation) anders aus (kleiner oder größer oder er hat ein anderes Vorzeichen).
• Interaktionsbefunde gehören zu den theoretisch bedeutsamsten in der experimentellen Forschung!
Interaktion
• Die Nullhypothese heißt also:Der Effekt der einen Variation fällt unter den Bedingungen der anderen Variation gleich aus.
• Anders formuliert: Die in der Stichprobe auftretenden Unterschiede im Effekt der einen Variation für die Bedingungen der anderen Variation sind bei Gültigkeit der Nullhypothese hoch erwartbar.
Weiteres Beispiel
Darley & Gross, 1983
• Welchen Einfluss haben (stereotypbedingte) Erwartungen auf die Leistungsbeurteilung?
• Video1: Hannah (9) als Arbeiterkind• Video2: Hannah (9) als Mittelschichtkind
• Messung: Intelligenzbeurteilung
Darley & Gross, 1983
positive Erwartung
negative Erwartung
Leistungs-beurteilung
Leistungs-beurteilung
Unabhängige Variable A (UVA)between-subjects
Unabhängige Variable A (UVA)between-subjects
Einfaktorielles Design mit 2 Faktorstufen
Darley & Gross, 1983• Das Ergebnis: Für Messung 1
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser)
Kein Unterschied
Darley & Gross, 1983
• Welchen Einfluss haben (stereotypbedingte) Erwartungen auf die Leistungsbeurteilung?
• Video1: Hannah (9) als Arbeiterkind• Video2: Hannah (9) als Mittelschichtkind
• Messung1: Intelligenzbeurteilung
• Video3: Hannah (9) bearbeitet einen Leistungstest
• Messung2: Intelligenzbeurteilung
Darley & Gross, 1983
positive Erwartung
negative Erwartung
ohne Verhalten (t1)
Leistungs-beurteilung
Leistungs-beurteilung
mit Verhalten
(t2)
Leistungs-beurteilung
Leistungs-beurteilung
Unabhängige Variable A (UVA)between-subjects
Unabhängige Variable A (UVA)between-subjects
Unabhängige Variable B (UVB)within-subjects
Unabhängige Variable B (UVB)within-subjects
Zweifaktorielles Design mit 2 Faktorstufen within und between subjects
Mixed Design
Darley & Gross, 1983• Das Ergebnis
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser)
Unterschied
Darley & Gross, 1983• Das Ergebnis: Eine Interaktion
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser)
Unterschied
Darley & Gross, 1983
• Das Ergebnis: Eine Interaktion
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser)
Darley & Gross, 1983
• Das Ergebnis: Eine Interaktion
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser) Kein
UnterschiedUnterschied
Darley & Gross, 1983
• Die Einschätzung der Schulleistung unterscheidet sich nicht signifikant, wenn kein Verhalten gezeigt wird; die Einschätzung unterscheidet sich, wenn Verhalten gezeigt wird, also in Abhängigkeit vom Zeigen von Verhalten – die Einschätzung interagiert mit dem Verhalten!
Haupteffekt und Interaktion
• Haupteffekte:
• Interaktion: Es gibt einen Effekt der Wechselwirkung, d.h. dass mit der Kombination einzelner Faktorenstufen ein eigenständiger Effekt verbunden ist. Bei signifikanter Interaktion müssen evtl. signifikante Haupteffekte relativiert werden.
negative Erwartung positive Erwartung ohne Verhalten mit Verhalten
= Mittelwerte
Interaktion
• Der Effekt der einen Variation (hier Faktor A: die unterschiedlichen Erwartungen) fällt unter den Bedingungen der anderen Variation (hier Faktor B: Art der Darbietung) anders aus (kleiner oder größer oder er hat ein anderes Vorzeichen).
• Interaktionsbefunde gehören zu den theoretisch bedeutsamsten in der experimentellen Forschung!
InteraktionstypenOrdinale Interaktion
A1 ♂ A2 ♀
B1
B2
Ordinal für A:der A-Effekt ist gleichsinnig
für B1 und B2(aber unterschiedlich groß)
B1 B2
A1 ♂A2 ♀
Ordinal für B:der B-Effekt ist gleichsinnig
für A1 und A2 (aber unterschiedlich groß)
Die Linienzüge weisen jeweils den gleichen Trend auf, beide Haupteffekte können eindeutig interpretiert werden.
Medikament
Placebo
Medikament Placebo
B1
B2
Disordinal für A:der A-Effekt kehrt sich
von B1 zu B2 um
Disordinal für B:der B-Effekt kehrt sich
von A1 zu A2 um
B1 B2
InteraktionstypenDisordinale Interaktion
Die beiden Haupteffekte sind inhaltlich bedeutungslos.
A1 ♂ A2 ♀
Medikament
Placebo
A1 ♂
A2 ♀
A1 A2
B1
B2
Disordinal für A:der A-Effekt kehrt sich
von B1 zu B2 um
B1 B2
A1
A2
Ordinal für B:der B-Effekt ist gleichsinnig
für A1 und A2
InteraktionstypenHybride Interaktion
HE B kann interpretiert werden, HE A sollte nicht interpretiert werden
Darley & Gross, 1983
• Welche Art von Interaktion liegt hier vor?
OhneVerhalten
MitVerhalten
positiveErwartung
positiveErwartung
NegativeErwartung
NegativeErwartung
Ein
gesc
hätz
te S
chul
leis
tung
(je
höhe
r, d
esto
bes
ser)
Hybride Interaktion
Multivariate Testsb
1.000 684754.4a 1.000 166.000 .000
.000 684754.4a 1.000 166.000 .000
4125.027 684754.4a 1.000 166.000 .000
4125.027 684754.4a 1.000 166.000 .000
.477 151.122a 1.000 166.000 .000
.523 151.122a 1.000 166.000 .000
.910 151.122a 1.000 166.000 .000
.910 151.122a 1.000 166.000 .000
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
EffectMessung
Messung * Information
Value F Hypothesis df Error df Sig.
Exact statistica.
Design: Intercept+Information Within Subjects Design: Messung
b.
Tests of Between-Subjects Effects
Measure: MEASURE_1
Transformed Variable: Average
95957.075 1 95957.075 758625.4 .000
21.003 1 21.003 166.047 .000
20.997 166 .126
SourceIntercept
Information
Error
Type III Sumof Squares df Mean Square F Sig.
Mixed Design: Repeated Measures ANOVA mit einem between-subjects
Faktor
Mehrfaktorielle Pläne
• Unser Beispiel für einen 2x2-Plan mit „Zwischen“-Faktoren:
• Welche Auswirkungen hat das Mitteilen von emotionalem Empfinden auf die Emotion, in Abhängigkeit von der spezifischen Emotion?
Mehrfaktorielle Pläne
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
Film Freude Film Trauer
Kommunikation
Stimmung Stimmung
Keine Kommunikation Stimmung Stimmung
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
Interaktion
• Inferenzstatistischer Test:Varianzanalyse, bei 2x2-Versuchsplan:
Haupteffekt AHaupteffekt BInteraktion
Descriptive Statistics
Dependent Variable: Stimmung
.86 .952 42
.48 .740 42
.67 .869 84
2.76 1.206 42
3.21 1.159 42
2.99 1.197 84
1.81 1.444 84
1.85 1.683 84
1.83 1.563 168
Kommunikation1.00
2.00
Total
1.00
2.00
Total
1.00
2.00
Total
Film1.00
2.00
Total
Mean Std. Deviation NBetween-Subjects Factors
84
84
84
84
1.00
2.00
Film
1.00
2.00
Kommunikation
N
Der SPSS-Output
Tests of Between-Subjects Effects
Dependent Variable: Stimmung
233.685b 3 77.895 73.288 .000 .573
561.006 1 561.006 527.825 .000 .763
226.339 1 226.339 212.952 .000 .565
.054 1 .054 .050 .823 .000
7.292 1 7.292 6.860 .010 .040
174.310 164 1.063
969.000 168
407.994 167
SourceCorrected Model
Intercept
Film
Kommunikation
Film * Kommunikation
Error
Total
Corrected Total
Type III Sumof Squares df Mean Square F Sig.
Partial EtaSquared
Computed using alpha = .05a.
R Squared = .573 (Adjusted R Squared = .565)b.
Um was für eine Art Interaktion handelt es sich?Dürfen die Haupteffekte interpretiert werden?
Interaktion: Zahlenbeispiel 1
420430440450460470480490500510520
assoziierterPrime
nicht-assoziierter
Prime
ohneMaskierung
mit Maskierung
420
430
440
450
460
470
480
490
500
510
520
ohne Maskierung mit Maskierung
assoziierterPrime
nicht-assoziierterPrime
assoz. Prime nicht-assoz. Prime
ohne Maskierung 450 490
mit Maskierung 500 510
Interaktion: Zahlenbeispiel 2
Zwangsstörung Depressive Störung
Verhaltenstherapie 90 % 89 %
Psychoanalyse 76 % 72 %
0
10
20
30
40
50
60
70
80
90
100
Zwang Depression
VT
PA
0
10
20
30
40
50
60
70
80
90
100
VT PA
Zwang
Depression
Mehrfaktorielle Pläne
Erweitert um andere Faktoren:„Innerhalb“- und „Zwischen“-VP-Faktoren lassen sich beliebig
kombinieren
Beispiel:Wirkt sich das Schauen eines Filmes und die Mitteilung der Emotionen nicht nur auf die gefühlte Stimmung aus, sondern beeinflusst dies spezifische Emotionen und weitere Emotionskomponenten
Mehrfaktorielle Pläne
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
Film Freude Film Trauer
Kommunikation
Stimmung Stimmung
Keine Kommunikation Stimmung Stimmung
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
Mehrfaktorielle Pläne
Film Freude Film Trauer
Wie fröhlich Wie traurigWie
fröhlichWie traurig
Kommunikation Rating Rating Rating Rating
Keine Kommunikation
Rating Rating Rating Rating
Mehrfaktorielle Pläne
Film Freude Film Trauer
Wie fröhli
ch
Wie ängstli
ch
Wie traurig
Wie risikobereit
Wie fröhli
ch
Wie ängstl
ich
Wie traurig
Wie risikobereit
Kommunikation
Rating Rating Rating Rating Rating Rating Rating Rating
Keine Kommunikation
Rating Rating Rating Rating Rating Rating Rating Rating
Mehrfaktorielle Pläne
• Ein weiteres Kombinationsbeispiel:Sie wollen herausfinden, ob in Deutschland, und insbesondere unter Studenten, Vorurteile gegenüber Türken bestehen. Die bisherigen Umfrageergebnisse liefern dazu keine Anhaltspunkt. Sie vermuten aber, dass diese durch soziale Erwünschtheit beeinflusst sind und verwenden deshalb den IAT als implizites Messverfahren.
Jetzt geht es um die Dekomposition der Haupteffekte
Descriptive Statistics
1331.4797 95.48391 81
888.5605 119.60790 81
944.6108 101.24224 81
846.3469 128.00061 81
vincrincon
vincrcon
vconrincon
vconrcon
Mean Std. Deviation N
Der SPSS-Output
negativ positiv
Türke Korrekte Reaktionszeit
Korrekte Reaktionszeit
Deutscher Korrekte Reaktionszeit
Korrekte Reaktionszeit
Pos_tPos_dNeg_dNeg_t
Descriptive Statistics
1331.4797 95.48391 81
888.5605 119.60790 81
944.6108 101.24224 81
846.3469 128.00061 81
vincrincon
vincrcon
vconrincon
vconrcon
Mean Std. Deviation N
846 ms 1331 ms
944 ms 888 ms
Der SPSS-Output
Türke
Deutscher
positivnegativ
Pos_tPos_dNeg_dNeg_t
Multivariate Testsc
.940 1249.486b 1.000 80.000 .000 .940
.060 1249.486b 1.000 80.000 .000 .940
15.619 1249.486b 1.000 80.000 .000 .940
15.619 1249.486b 1.000 80.000 .000 .940
.974 3044.474b 1.000 80.000 .000 .974
.026 3044.474b 1.000 80.000 .000 .974
38.056 3044.474b 1.000 80.000 .000 .974
38.056 3044.474b 1.000 80.000 .000 .974
.917 879.003b 1.000 80.000 .000 .917
.083 879.003b 1.000 80.000 .000 .917
10.988 879.003b 1.000 80.000 .000 .917
10.988 879.003b 1.000 80.000 .000 .917
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
EffectValenz
Relevanz
Valenz * Relevanz
Value F Hypothesis df Error df Sig.Partial EtaSquared
Computed using alpha = .05a.
Exact statisticb.
Design: Intercept Within Subjects Design: Valenz+Relevanz+Valenz*Relevanz
c.
Ethnizität
Valenz
Ethnizität
Kann man dies vereinfachen?
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
negativ positiv
Türke(korrekte)Reaktionszeit
(korrekte)Reaktionszeit
Deutscher(korrekte)Reaktionszeit
(korrekte)Reaktionszeit
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
Differenz bilden!
Differenz bilden!
Valenzeffekt = negativ - positiv
Oder auch
Unabhängige Variable A (UVA)
Unabhängige Variable A (UVA)
positiv negativ
Türke(korrekte)Reaktionszeit
(korrekte)Reaktionszeit
Deutscher(korrekte)Reaktionszeit
(korrekte)Reaktionszeit
Unabhängige Variable B (UVB)
Unabhängige Variable B (UVB)
Abhängige Variable (AV)
Abhängige Variable (AV)
Differenz bilden!
Differenz bilden!
Ethnizitätseffekt = M (Türke) – M (Deutscher)
m_negativ – m_positiv
Und dann wieder t-Test…
Nachdem also aus beiden Haupteffekten die Differenzen gebildet wurden,Können diese Differenzen dann im t-test gegeneinander getestet werden.
Interaktion & Hypothesen…
• Einige Aspekte, die Sie beachten sollten (Rosnow & Rosenthal, 1995,1996):
• Wie genau lautet meine Hypothese?
• Believing is seeing
• Interaktionen…
Wie genau lautet meine Hypothese…
• „In einem Exp mit 2 Faktoren mit je 2 Stufen analysiert man zwei HE und eine IA!“
falsch! Das tut man zwar meistens – aber nur, weil meistens die interessierenden Hypothesen so angelegt sind, dass man dieses Standardverfahren benutzen kann/sollte!
• Nichtsdestoweniger muss man aber DENKEN, soll heißen, kontrollieren, ob die interessierende Hypothese wirklich durch zwei HE und eine IA getestet wird…
Believing is Seeing…
• p- Werte!• Drückt p < .001 einen stärkeren oder signifikanteren Effekt
aus als p < .05?
NEIN, denn der p-Wert lässt uns den Alpha-Fehler einschätzen – mehr nicht, wir brauchen zusätzlich Angaben (und Verständnis) über Effektstärken und Power – das bekommen Sie nächste Woche…
Interaktionen…
• Was ist das nochmal genau?
• Das ist ein Effekt in den Residuen, wenn die HE rausgekürzt wurden!
• Was meine ich damit?
Interaktionen…
Kongruent Inkongruent
Informatiker 480 520
Psychologen 670 730450
500
550
600
650
700
750
kon inkon
Informatiker
Psychologen
Interaktionen…Dekomposition der HE
Kongruent Inkongruent
Informatiker -20 20
Psychologen
-30 30
Kongruent Inkongruent
Informatiker 480 520
Psychologen
670 730
Interaktionen…Dekomposition der HE
Kongruent Inkongruent
Informatiker 5 -5
Psychologen -5 5
Kongruent Inkongruent
Informatiker -20 20
Psychologen -30 30
Interaktionen…nach Dekomposition der HE
450
500
550
600
650
700
750
kon inkon
Informatiker
Psychologen
-10-8-6-4-202468
10
kon inkon
Informatiker
Psychologen
Gesamtmittelwert+Haupteffekte+Interaktion
Interaktion
Für nächste Woche…
• Marsh, A. A., Ambady, N. & Kleck, R. E. (2005). The effects of fear and anger facial expressions on approach- and avoidance-related behaviors
Methoden und ErgebnisseHypothesen? Versuchsplan? Was
getestet? Wie getestet?
Eine schöne nächste Woche!!