Advertisement

c-Stichproben-Probleme

  • Christine DullerEmail author
Chapter

Zusammenfassung

Um mehr als zwei Stichproben miteinander zu vergleichen, ist es nicht zielführend alle Paarvergleiche durchzuführen, da man bei dieser Vorgehensweise stets einen insgesamt zu großen \(\alpha \)-Fehler hat. Man benötigt daher einen Test, der Unterschiede in den c Stichproben gleichzeitig zu einem vorgegebenen \(\alpha \)-Niveau aufzeigt. Der Test gibt dabei lediglich an, dass Unterschiede in zumindest 2 der c Stichproben bestehen, ohne darauf einzugehen, welche Stichproben sich unterscheiden. Auch bei einem c-Stichprobenproblem ist zwischen unabhängigen und abhängigen Stichproben zu unterscheiden. Bei den unabhängigen c-Stichprobenproblemen werden der Mediantest, der Kruskal-Wallis-Test und für geordnete Hypothesen der Jonckheere-Terpstra-Test vorgestellt. Als Alternativen für abhängige Stichproben werden der Friedmann-Test, der Kendall-Test, der Q-Test von Cochran, der Quade-Test und der Trendtest von Page vorgestellt. Eine Besonderheit ist der Durbin-Test für abhängige Stichproben, der eine sehr spezifische Datenkonstellation voraussetzt.

Literatur

  1. 1.
    Behr, A., Pötter, U.: Einführung in die Statistik mit R. Vahlen, München (2010)CrossRefGoogle Scholar
  2. 2.
    Bortz, J., Lienert, G.A.: Kurzgefasste Statistik für die klinische Forschung. Springer, Berlin (2008)Google Scholar
  3. 3.
    Bortz, J., Lienert, G.A., Boehnke, K.: Verteilungsfreie Methoden in der Biostatistik. Springer, Berlin (2008)Google Scholar
  4. 4.
    Brosius, F.: SPSS. Umfassendes Handbuch zu Statistik und Datenanalyse. mitp, Frechen (2018)zbMATHGoogle Scholar
  5. 5.
    Brunner, E., Munzel, U.: Nichtparametrische Datenanalyse. Springer, Berlin (2013)CrossRefGoogle Scholar
  6. 6.
    Bühl, A.: SPSS 23. Einführung in die moderne Datenanalyse. Pearson, München (2016)Google Scholar
  7. 7.
    Conover, W.J.: Practical Nonparametric Statistics. Wiley, New York (1999)Google Scholar
  8. 8.
    Cody, R.: An Introduction to SAS University Edition. SAS Institute, Cary (2018)Google Scholar
  9. 9.
    Dalgaard, P.: Introductory Statistics with R. Springer, New York (2008)CrossRefGoogle Scholar
  10. 10.
    Mendiburu, F. de: agricolae: Statistical Procedures for Agricultural Research. R Package Version 1.2-8. https://CRAN.R-project.org/package=agricolae (2017)
  11. 11.
    Dolic, D.: Statistik mit R. Einführung für Wirtschafts- und Sozialwissenschaftler. Oldenbourg, München (2004)CrossRefGoogle Scholar
  12. 12.
    Dufner, J., Jensen, U., Schumacher, E.: Statistik mit SAS. Teubner, Wiesbaden (2004)CrossRefGoogle Scholar
  13. 13.
    Gamer, M., Lemon, J., Fellows, I., Singh, P.: irr: Various Coefficients of Interrater Reliability and Agreement. R Package Version 0.84. https://CRAN.R-project.org/package=irr (2012)
  14. 14.
    Hedderich, J., Sachs, L.: Angewandte Statistik. Methodensammlung mit R. Springer, Berlin (2018)CrossRefGoogle Scholar
  15. 15.
    Hervé, M.: RVAideMemoire: Testing and Plotting Procedures for Biostatistics. R Package Version 0.9-69-3. https://CRAN.R-project.org/package=RVAideMemoire (2018)
  16. 16.
    Hollander, M., Wolfe, D.A., Chicken, E.: Nonparametric Statistical Methods. Wiley, New York (2014)zbMATHGoogle Scholar
  17. 17.
    Hothorn, T., Hornik, K., van de Wiel, M.A., Zeileis, A.: A Lego system for conditional inference. Am. Stat. 60(3), 257–263 (2006)MathSciNetCrossRefGoogle Scholar
  18. 18.
    Hothorn, T., Hornik, K., van de Wiel, M.A., Zeileis, A.: Implementing a class of permutation tests: The coin package. J. Stat. Softw. 28(8), 1–23 (2008)CrossRefGoogle Scholar
  19. 19.
    Krämer, W., Schoffer, O., Tschiersch, L.: Datenanalyse mit SAS. Statistische Verfahren und ihre Aspekte. Springer, Berlin (2014)zbMATHGoogle Scholar
  20. 20.
    Meyer, J.P., Seaman, M.A.: Expanded table of the Kruskal-Wallis statistic. http://faculty.virginia.edu/kruskal-wallis/table/KW-expanded-tables-3groups.pdf (2008). Zugegriffen: 28 Mai 2018
  21. 21.
    Meyer, J.P., Seaman, M.A.: A comparison of the exact Kruskal-Wallis distribution to asymptotic approximations for all sample sizes up to 105. J. Exp. Educ. 81(2), 139–156 (2014)CrossRefGoogle Scholar
  22. 22.
    Page, E.B.: Ordered hypotheses for multiple treatments: A significance test for linear ranks. J. Am. Stat. Assoc. 58(301), 216–230 (1963)MathSciNetCrossRefGoogle Scholar
  23. 23.
    Pohlert, T.: PMCMRplus: Calculate Pairwise Multiple Comparisons of Mean Rank Sums Extended. R Package Version 1.0.1. https://CRAN.R-project.org/package=PMCMRplus (2018)
  24. 24.
    R Core Team: R: A Language and Environment for Statistical Computing: A Graduate Course in Probability. R Foundation for Statistical Computing. Vienna, Austria. https://www.R-project.org/ (2018)
  25. 25.
    Sheskin, D.J.: Handbook of Parametric and Nonparametric Statistical Procedures. Chapman & Hall, Boca Raton (2011)Google Scholar
  26. 26.
    Venkatraman, E.S.: clinfun: Clinical Trial Design and Data Analysis Functions. R Package Version 1.0.15. https://CRAN.R-project.org/package=clinfun (2018)

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Institut für Angewandte StatistikUniversität LinzLinzÖsterreich

Personalised recommendations