Seite 1 von 1

avo und avo_car Funktion Unterschied

Verfasst: Mi Aug 25, 2021 7:14 pm
von Wise_Pilgrim
Hallo zusammen,

ich habe ein Frage bezüglich des Unterschiedes zwischen der aov- und der aov_car Funktion (aus dem afex-Paket). Wenn ich beide Funktionen auf den selben Datensatz anwende, unterscheiden sich die p-Werte und Prüfgrößen leicht. Mein Datensatz besteht aus vier verschiedenen Gruppen (morgens / abends / Placebo / Glucose) und einer AV.

Da ich nicht weiß, wie man ein reproduzierbares Datenbeispiel erstellt, hier sind die von mir genutzten Funktionen in allgemeiner Form:

anova1 <- aov(AV~UV1*UV2, data=daten)
anova2 <- aov_car(AV~UV1*UV2+ Error(ID-Variable), data=daten)

Normalverteilung liegt in 3 der 4 Gruppen vor und Homoskedastizität ist gegeben, allerdings sind die Gruppen nicht gleich groß. Mein Lehrbuch erwähnt allerdings nicht, das unbalancierte Designs für die aov-Funktion bei einer zweifaktoriellen Varianzanalyse ein Problem ist.

Danke für die Hilfe!


Descriptive statistics by group
group: Glucose, Morgens
vars n mean sd median trimmed mad min max range skew
X1 1 23 7.96 2.03 8 8.05 1.48 3 12 9 -0.32
kurtosis se
X1 -0.23 0.42
---------------------------------------------------
group: Glucose, Nachmittags
vars n mean sd median trimmed mad min max range skew kurtosis
X1 1 22 7.27 1.64 7.5 7.28 2.22 4 10 6 0.08 -0.88
se
X1 0.35
---------------------------------------------------
group: Wasser, Morgens
vars n mean sd median trimmed mad min max range skew kurtosis
X1 1 22 6.68 1.52 6.5 6.67 1.48 4 10 6 0.13 -0.59
se
X1 0.32
---------------------------------------------------
group: Wasser, Nachmittags
vars n mean sd median trimmed mad min max range skew kurtosis
X1 1 17 7.24 1.86 7 7.2 1.48 4 11 7 0.23 -0.78
se
X1 0.45

Re: avo und avo_car Funktion Unterschied

Verfasst: Mi Aug 25, 2021 8:02 pm
von bigben
Hi!

Bis jetzt hast Du noch nie reagiert, wenn Dir jemand antwortet. Bleibt das jetzt so?
Warum erwartest Du gleiche Ergebnisse, wenn Du ein Modell mit Error-Term mit einem ohne vergleichst?

LG,
Bernhard

Re: avo und avo_car Funktion Unterschied

Verfasst: Do Aug 26, 2021 8:05 pm
von Wise_Pilgrim
bigben hat geschrieben: Mi Aug 25, 2021 8:02 pm Hi!

Bis jetzt hast Du noch nie reagiert, wenn Dir jemand antwortet. Bleibt das jetzt so?
Warum erwartest Du gleiche Ergebnisse, wenn Du ein Modell mit Error-Term mit einem ohne vergleichst?

LG,
Bernhard
Moin,

ich habe mir irgendwann einmal notiert, dass über das Error-Argument die Funktion weiß, welche Daten abhängig voneinander sind, es ist also nur wichtig bei Messwiederholungen, und das habe ich hier ja nicht vorliegen (aber damit aov_car funktioniert, muss man es trotzdem angeben).
Daher bin ich davon ausgegangen, dass aov und aov_car die selben Ergebnisse bringen, was meiner Meinung intuitiv ja auch Sinn gemacht hätte, weil ich will ja mit den Daten beide Male eine ANOVA durchführen und das Paket sollte dann egal sein. Daher habe ich vermutet, dass es vielleicht an den ungleich großen Stichproben liegen könnte.

Re: avo und avo_car Funktion Unterschied

Verfasst: Do Aug 26, 2021 10:32 pm
von EDi
Das sind doch zwei unterschiedliche Modelle, wieso sollten sie gleiche Ergebnisse liefern?

Re: avo und avo_car Funktion Unterschied

Verfasst: Do Aug 26, 2021 10:44 pm
von Wise_Pilgrim
EDi hat geschrieben: Do Aug 26, 2021 10:32 pm Das sind doch zwei unterschiedliche Modelle, wieso sollten sie gleiche Ergebnisse liefern?
Mir ist das Konzept von Modellen nicht wirklich klar, aber vergleiche ich nicht mit beiden Funktionen die Mittelwerte der einzelnen Gruppen miteinander und erhalte eine Prüfgröße und daraus einen p-Wert, welcher mir sagt ob sich die Mw signifikant voneinander unterscheiden?

Re: avo und avo_car Funktion Unterschied

Verfasst: Fr Aug 27, 2021 6:28 am
von EDi
aber vergleiche ich nicht mit beiden Funktionen die Mittelwerte der einzelnen Gruppen miteinander
Ich würde sagen nein.
Vergleich mal die Mittelwerte mit den Estimates von dem Random Effect Model. Diese werden sich vermutlich (weil kein reproduzierbares Beispiel) unterscheiden. Dieser Effekt nennt sich "shrinkage" und ist einer der Vorteile von gemischten Modellen.
Beim linearen Model (aov, lm oder t.test) sind die Estimates und Mittelwerte gleich.

Selbst wenn sie gleich wären, schätzt das gemischte Model einen Varianzparameter mehr und benötigt somit auch einen Freiheitsgrad mehr.