Auswertung des T- Test für unabhängige Stichproben

[lea1902]

Guten Morgen,
Ich schreibe gerade meine Bachelorarbeit und habe ein kleines Problem mit der Auswertung meiner Ergebnisse die ich mittels T-Test berechnet habe.

Bei meiner Arbeit dreht es sich um zwei unabhängige Flächen auf denen ich jeweils auf 20 Stichprobenpunkte eine bestimmte Anzahl an Jungpflanzen gezählt habe. Ich möchte nun mit dem T-Test eine Signifikanz beweisen. Mit dem reinen Menschenverstand sieht man eindeutig einen Unterschied auf den zwei Flächen.

Als Vortests habe ich zum einen den Kolmogorov-Smirnov Test und den F-Test angewendet.
bei dem ks.Test ergibt sich eine Normalverteilung und bei dem F-test keine Varianzhomogenität. Aufgrunddessen habe ich dann den Welch-Test durchgeführt. Hier kommt allerdings ein p-Wert 0,061 raus.
Dies bedeutet doch dass rein statistisch keine Signifikanz vorliegt?!

Gibt es einen anderen Test den ich anwenden kann? Oder muss ich meine Ergebnisse so hinnehmen?

Ich würde mich freuen wenn mir jemand dazu helfen kann

[jogo]

Hallo Lea,

willkommen im Forum!
Kannst Du bitte zeigen, mit welchem Funktionsaufruf Du den Welsch-Test durchgeführt hast?
(am besten den Output von R in Deine nächste Nachricht kopieren)
Was sagt denn die Funktion t.test() - dort ist doch standardmäßig paired = FALSE, var.equal = FALSE gesetzt.

Ansonsten hast Du schon richtig angemerkt:
p > 0,05 bedeutet, dass H0 nicht verworfen werden kann.

Gruß, Jörg

[bigben]

dort ist doch standardmäßig paired = FALSE, var.equal = FALSE gesetzt.

Und mit var.equal = FALSE wird automatisch ein t-Test mit Welch-Korrektur, vulgo ein Welch-Test durchgeführt.

Mit dem reinen Menschenverstand sieht man eindeutig einen Unterschied auf den zwei Flächen.

Das mit dem reinen Menschenverstand ist eine heikle Sache. Der sieht gerne mal, was er sehen möchte. Wenn Du eine Grafik hochlädst, dann könnten wir alle mal sehen, ob unser naiver Menschenverstand dasselbe sieht wie Dein interessengeleiteter. Bei so einem Mittelwertorientierten Test können einzelne Ausreißer ganz schon reinhauen. Dann würde ein Wilcoxon-Rangsummentest vielleicht etwas anderes ergeben. Es ist aber keinesfalls zulässig, solange irgendwelche Tests zu rechnen, bis einem das Ergebnis passt.

LG,
Bernhard


PS: Falls Du keine Grafik erstellen möchtest, kannst Du gerne auch 2x 20 Werte einstellen. Da wir den Kontext nicht kennen, können wir sie Dir auch nicht klauen.

[lea1902]

Also nachfolgend sind die Werte der beiden Flächen und dann die t Test´s. Ich hoffe das ist das was ihr meintet.

Code: Alles auswählen

# Werte einlesen
> Eichberg <- c(12, 8, 0, 2, 1, 0, 0, 5, 1, 0, 0, 3, 0, 2, 2, 0, 0, 0, 1, 25)
> LangerBerg <- c(4, 0, 0, 2, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0)

 # T-Test 
> t.test(x=Eichberg, y=LangerBerg, var.equal=TRUE) # (Varianzhomogenität liegt vor)

	Two Sample t-test

data:  Eichberg and LangerBerg
t = 1.9772, df = 38, p-value = 0.0553
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.06441889  5.46441889
sample estimates:
mean of x mean of y 
      3.1       0.4 

> t.test(x=Eichberg, y=LangerBerg, var.equal=FALSE) # (Varianzhomogenität liegt nicht vor)

	Welch Two Sample t-test

data:  Eichberg and LangerBerg
t = 1.9772, df = 20.035, p-value = 0.06194
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.148177  5.548177
sample estimates:
mean of x mean of y 
      3.1       0.4

[lea1902]

Wenn ich den Wilcoxon Test mit den Daten bekomme ich ein verwertbares Ergebnis, allerdings mit dieser Warnmeldung am Ende.
Und eine Voraussetzung für diesen Test ist ja, dass die Daten ordinalskaliert sind.. ist das denn hier der Fall?

Code: Alles auswählen

 wilcox.test (Eichberg,LangerBerg)

	Wilcoxon rank sum test with continuity correction

data:  Eichberg and LangerBerg
W = 277.5, p-value = 0.0164
alternative hypothesis: true location shift is not equal to 0

Warnmeldung:
In wilcox.test.default(Eichberg, LangerBerg) :
  kann bei Bindungen keinen exakten p-Wert Berechnen

[bigben]

Das sind natürlich nicht normalverteilte Daten und ein Wilcoxon Test wäre zu rechtfertigen. Die Warnmeldung kriegst Du weg mit der Funktion wilcox.exact aus dem Package exactRankTests.

LG,
Bernhard

[Hufeisen]

Und eine Voraussetzung für diesen Test ist ja, dass die Daten ordinalskaliert sind.. ist das denn hier der Fall?

Das Skalenniveau ist höher. Guck mal hier: https://www.methodenberatung.uzh.ch/de/ ... iveau.html.

[lea1902]

Das Skalenniveau ist höher. Guck mal hier

Das sagt mir leider gerade nichts! Ich bin die ganze Zeit davon ausgegangen, dass die Daten intervallskaliert sind.

[Hufeisen]

Das Skalenniveau ist höher. Guck mal hier

Das sagt mir leider gerade nichts! Ich bin die ganze Zeit davon ausgegangen, dass die Daten intervallskaliert sind.

Wobei klemmt es denn? Entscheidend ist Folgendes:

Ratioskalierte Merkmale haben anders als intervallskalierte Merkmale einen natürlich gegebenen Nullpunkt. Beispiele für ratioskalierte Merkmale sind Alter, Einkommen oder Grösse.

Deine Messgröße ist die Anzahl. Hat diese Messgröße einen natürlich gegebenen Nullpunkt?

[bigben]

Das sagt mir leider gerade nichts! Ich bin die ganze Zeit davon ausgegangen, dass die Daten intervallskaliert sind.

Wenn ein Datensatz intervallskaliert ist, dann hat er ein höheres Skalenniveau als "ordinal" und deshalb darf man alle Dinge mit ihm tun, die mindestens ordinales Skalenniveau erfordern.

Du hast Dinge gezählt und Zählwerte können mit dem Rangsummentest verglichen werden. Wenn gleiche Anzahlen in beiden Gruppen vorkommen (wenn z. B. in beiden Gruppen eine Null vorkommt), dann spuckt wilcox.test() eine Warnmeldung aus. Das ist in der Regel kein Problem, kann man aber umgehen mit anderen Implementierungen des Rangsummentests, beispielsweise mit den Paketen exactRankTests und coin. Sehr wahrscheinlich kommt ungefähr der gleiche p-Wert heraus.

LG,
Bernhard