Seite 1 von 1

Kontrastanalyse nach ezAnova

Verfasst: Sa Sep 11, 2021 3:02 pm
von Tom
Hallo zusammen,

ich habe eine einfaktorielle Messwiederholungs-Anova mit dem ezAnova-Befehl gerechnet und würde jetzt gerne bei meiner dreistufigen UV die beiden Kontraste testen, die ich im Vorhinein (meinen Hypothesen entsprechend) bestimmt habe.

Also, die Messwiederholungs-Variable ist der "Schwierigkeitsgrad" mit den drei Stufen (niedrig, mittel, schwer). Daraus habe ich dann zwei Kontraste gebildet, bei denen ich jetzt schauen will, ob sie signifikant sind. Die ezAnova hat mir bereits einen signifikanten Haupteffekt der UV "Schwierigkeitsgrad" ausgegeben, aber wie kann ich jetzt am besten die beiden Vergleiche auf Signifikanz testen? Dankeschön für eure Hilfe :)


1. Vergleich: niedrig vs. schwer

contrast1 <- c(1,0,-1)


2. Vergleich mittel vs. schwer

contrast2 <- c(0,1,-1)

contrasts(Tabelle$Schwierigkeitsgrad) <- cbind(contrast1, contrast2)


LG
Tom

Re: Kontrastanalyse nach ezAnova

Verfasst: Sa Sep 11, 2021 5:58 pm
von EDi
Für solche Geschichten verwende ich gerne das "emmeans" paket.

Re: Kontrastanalyse nach ezAnova

Verfasst: Sa Sep 11, 2021 8:14 pm
von Tom
Super, vielen Dank, EDi. Ich habe mir gerade mal das Paket angeschaut. Kannst du mir vielleicht kurz schreiben, wie du vom R-Code her am besten vorgehen würdest, weil ich hab ja zwei geplante Kontraste, die nicht-orthogonal sind (s.o.). Also muss ich die dann noch korrigieren lassen, besser mit Holm oder Bonferroni? Letzteres ist ja eher sehr konservativ..

Re: Kontrastanalyse nach ezAnova

Verfasst: So Sep 12, 2021 10:22 am
von EDi
Kannst du mir vielleicht kurz schreiben, wie du vom R-Code her am besten vorgehen würdest,
Ohne ein reproduzierbares Beispiel wird das schwer:

emmeans hat ein "contr=" Argument oder aus dem emmeans Objekt ein subset bilden.
Also muss ich die dann noch korrigieren lassen, besser mit Holm oder Bonferroni?
Das kann man pauschal nicht beantworten. Ich nutze das volle Spektrum von keine Korrektur, über multivariater t Verteilung bis hin zur Begrenzung der false discovery rate, je nach Studiedesign/Fragestellung.