ANOVA – Varianzanalyse durchführen und interpretieren

ANOVA steht für Varianzanalyse (engl. Analysis of Variance) und wird verwendet um die Mittelwerte von mehr als zwei Gruppen zu vergleichen.

Sie ist eine Erweiterung des t-Tests, der die Mittelwerte von maximal zwei Gruppen vergleicht.

ANOVA steht für Varianzanalyse (engl. Analysis of Variance) und wird verwendet um die Mittelwerte von mehr als zwei Gruppen zu vergleichen.

Sie ist eine Erweiterung des t-Tests, der die Mittelwerte von maximal zwei Gruppen vergleicht.

Beispiel
Du möchtest herausfinden, ob es einen Unterschied in der Größe zwischen Fußballspielern, Turnern und Volleyballspielern gibt. Du misst die Größe von allen Athleten und Athletinnen und verwendest eine ANOVA um zu beobachten, ob sich das durchschnittliche Gewicht dieser Gruppen unterscheidet.

Formen der Varianzanalyse

Es gibt unterschiedliche Formen der Varianzanalyse. Welche du verwendest hängt von deinen Daten und deinem konzeptionellen Modell ab. Am häufigsten werden die einfaktorielle und die zweifaktorielle Varianzanalyse angewendet.

Einfaktorielle Varianzanalyse

Du verwendest die einfaktorielle Varianzanalyse, wenn du eine Gruppenvariable für alle Gruppen hast sowie eine abhängige Variable.

Beispiel
Du vergleichst die durchschnittliche Größe verschiedener Athleten und Athletinnen, wie Fußballspieler, Turner und Volleyballspieler. Die Art des Sports ist hier die einzige Gruppenvariable und Größe die einzige abhängige Variable.

Zweifaktorielle Varianzanalyse

Die zweifaktorielle Varianzanalyse verwendest du, wenn zwei oder mehr Gruppenvariablen in deinem konzeptionellen Modell zusammen mit einer abhängigen Variable vorhanden sind.

Beispiel
Du vergleichst die durchschnittliche Größe verschiedener Gruppen von Athleten und Athletinnen und ihr Geschlecht. Es wird dann nicht nur getestet, ob sich die Mittelwerte von Turnern, Fußballspielern oder Volleyballspielern unterscheiden, sondern auch ob es einen Unterschied zwischen Männern und Frauen im Zusammenhang mit diesen Sportarten gibt.

Mehrfaktorielle Varianzanalyse (MANOVA)

Die mehrfaktorielle Varianzanalyse wendest du an, wenn es mehrere abhängige Variablen gibt. Du kannst diese ANOVA jeweils mit einer oder mehrerer Gruppenvariablen durchführen.

Beispiel
Du möchtest nicht nur die durchschnittliche Höhe, sondern auch das durchschnittliche Gewicht verschiedener Gruppen von Athleten und Athletinnen vergleichen.

Du könntest natürlich mehrere individuelle ANOVAs durchführen. Dann steigt aber die Wahrscheinlichkeit eines Fehlers 1. Art oder α-Fehlers, also die inkorrekte Annahme dass es Unterschiede zwischen den Gruppen gibt.

Verwende daher immer eine MANOVA, wenn du mehrere abhängige Variablen hast.

ANOVA mit Messwiederholungen

Wenn du eine Gruppe von Befragten zu mehreren Zeitpunkten untersuchen möchtest, verwendest du eine ANOVA mit Messwiederholungen.

Beispiel
Du misst das durchschnittliche Gewicht der Befragten in den Jahren 2008, 2013 und 2018. Danach vergleichst du das durchschnittliche Gewicht derselben Personen über einen bestimmten Zeitraum und schaust, ob es sich verändert.

ANOVA mit SPSS, Excel oder Google-Tabellen durchführen

Du kannst die Programme SPSS, Excel und Google-Tabellen verwenden um eine Varianzanalyse (ANOVA) durchzuführen.

Wir zeigen dir die Vorgehensweise für die einfaktorielle und zweifaktorielle ANOVA.

Die Vorgehensweisen für eine MANOVA und eine ANOVA mit Messwiederholung stimmen großteils überein.

ANOVA mit SPSS

Lade dir unsere SPSS Datei herunter, um mit denselben Daten zu üben.

Um die einfaktorielle Varianzanalyse durchzuführen klicke im SPSS Menü auf:

  • Analysieren
  • Mittelwerte vergleichen
  • Einfaktorielle Varianzanalyse

In dem geöffneten Fenster füge die Variable Größe als abhängige Variable und die Variable Sport als Faktor hinzu.

Unter Optionen kannst du Deskriptive Statistik auswählen um auch die Mittelwerte der Gruppen zu erhalten.

Es ist sinnvoll zu testen, ob die Bedingung für gleiche Varianzen (Homoskedastizität) erfüllt ist.

Klicke dafür auf Test auf Homogenität der Varianzen. Mit Weiter und OK führst du die Analyse durch.

Einfaktorielle Varianzanalyse SPSS

Einfaktorielle Varianzanalyse in SPSS

Um die zweifaktorielle Varianzanalyse mit SPSS durchzuführen klicke im Menü auf:

  • Analysieren
  • Allgemeines Lineares Modell
  • Univariat (oder wähle Multivariat oder Messwiederholung)

In dem geöffneten Fenster wähle die Variable Größe in das Feld für abhängige Variable und in das Feld Feste Faktoren fügst du die Variablen Geschlecht und Sport hinzu.

Unter Geschätzte Randmittel in den Optionen kannst du (Unter-)Gruppen bei Mittelwerte anzeigen für einfügen, wenn du deren Mittelwerte wissen möchtest.

Klicke auf OK um die Analyse durchzuführen.

Zweifaktorielle Varianzanalyse SPSS

Zweifaktorielle Varianzanalyse in SPSS

ANOVA mit Excel

Mit unserer Excel-Datei kannst du gleich selbst die Varianzanalysen ausprobieren.

Für die Berechnung der einfaktoriellen Varianzanalyse mit Excel klicke im Menü auf:

  • Extras
  • Datenanalyse
  • ANOVA: Single Factor (einfaktorielle Varianzanalyse)

Unter Input Range wählst du die Daten für alle drei Sportarten inklusive der Labels aus.

Markiere Labels in first row.

Für Output Range klicke in ein Feld neben den Daten. Dort werden die Ergebnisse der ANOVA ausgegeben.

Mit OK führst du die Analyse aus.

Einfaktorielle Varianzanalyse Excel

Einfaktorielle Varianzanalyse in Excel

Um die zweifaktorielle Varianzanalyse mit Excel durchzuführen klicke im Menü auf:

  • Extras
  • Datenanalyse
  • ANOVA: Two-Factor With Replication (zweifaktorielle Varianzanalyse)

Für das Feld Input Range markierst du alle Daten inklusive der Labels.

Bei Rows per sample gibst du die Zahl 5 ein.

Bei Alpha gibst du 0,05 ein.

Klicke auf ein Feld neben den Daten um die Output Range festzulegen.

Mit OK schließt du die Analyse ab.

Zweifaktorielle Varianzanalyse Excel

Zweifaktorielle Varianzanalyse in Excel

ANOVA mit Google-Tabellen

Du kannst die beiden Formen der Varianzanalysen gleich selbst mit unserer Google-Tabellen Datei ausprobieren.

Um die einfaktorielle Varianzanalyse zu berechnen klicke im Menü auf:

  • Add-ons
  • XLMiner Analysis ToolPak (ist dieses Add-on noch nicht vorhanden, musst du es vorab zu Google-Tabellen hinzufügen)
  • Start
  • ANOVA: Single Factor

Unter Input Range wählst du die Daten für alle drei Sportarten inklusive der Labels aus.

Selektiere das Feld Labels in first row.

Bei Output Range wählst du einen Bereich neben den Daten aus. Dort erhältst du die Tabellen mit den Ergebnissen.

Mit OK führst du die Analyse durch.

Einfaktorielle Varianzanalyse Google Tabellen

Einfaktorielle Varianzanalyse in Google-Tabellen

Die zweifaktorielle Varianzanalyse führst du aus mit Klick im Menü auf:

  • Add-ons
  • XLMiner Analysis ToolPak
  • Start
  • ANOVA: Two-Factor With Replication (zweifaktorielle Varianzanalyse)

Unter Input Range wählst du alle Daten inklusive der Labels aus.

Bei Rows per sample gibst du die Zahl 5 ein.

Bei Alpha gibst du 0,05 ein.

In das Feld Output Range wählst du einen Bereich neben den Daten aus um dir die Ergebnisse dorthin ausgeben zu lassen.

Mit OK wird die ANOVA berechnet.

Zweifaktorielle Varianzanalyse Google Tabellen

Zweifaktorielle Varianzanalyse in Google-Tabellen

Fällt dir akademischer Schreibstil schwer?

Unsere Scribbr-Korrektoren korrigieren für dich:

  • den akademischen Ausdruck
  • Sprach- und Grammatikfehler
  • Interpunktion
  • den roten Faden
  • Quellenangaben

Beispiel anschauen

ANOVA Ausgabe interpretieren

Nachdem die Analyse durchgeführt wurde erhältst du von jedem Programm Tabellen mit den Ergebnissen. Diese Ausgabe ist für die einfaktorielle und zweifaktorielle ANOVA unterschiedlich.

Wir erklären dir die Ergebnisse anhand der SPSS-Ausgabe. Die ANOVA Tabellen von Excel und Google-Tabellen sind ähnlich.

Navigiere zwischen den Tabs um die Interpretation der jeweiligen Ausgabe zu sehen.

Wenn du dich bei der Analyse entschieden hast zusätzlich auf gleiche Varianzen zu testen, bekommst du zwei relevante Tabellen:

  • Test der Homogenität der Varianzen und
  • Einfaktorielle ANOVA

ANOVA-Test der Homogenität der Varianzen
Aufgrund des Tests zur Homogenität der Varianzen können wir schließen, dass die Bedingung gleicher Varianzen für die verschiedenen Gruppen zutrifft.

Dafür schaust du dir die Signifikanz der Zeile Größe – Basiert auf dem Mittelwert an. Wenn dieser Wert größer als 0.050 ist, dann sind die Varianzen gleich (hier: 0.168).

Beachte: Wenn die Varianzen für die verschiedenen Gruppen nicht gleich sind, ist es besser einen robusten Test wie Welch oder Brown-Forsythe durchzuführen anstatt einer ANOVA.

Einfaktorielle ANOVA
Die zweite Tabelle zeigt das Ergebnis der einfaktoriellen ANOVA.

Hier wird getestet, ob ein signifikanter Teil der Varianz durch die Gruppenvariable erklärt wird. Dafür wird ein F-Test mit 2 Freiheitsgraden (die Anzahl der Gruppen = 3 minus 1) und 27 (die Anzahl der Beobachtungen = 30 minus der Anzahl der Gruppen (3) durchgeführt.

Die Wahrscheinlichkeit einen F-Wert von 9.592 oder größer mit diesen Freiheitsgraden zu erhalten liegt bei 0.001, wie man der Spalte Signifikanz entnehmen kann.

Daher können wir schließen, dass sich die Gruppenmittelwerte voneinander unterscheiden.

Die Mittel der Quadrate zeigt, wie viel der Varianz zwischen den Gruppen und innerhalb der Gruppen liegt. Je mehr Varianz es zwischen den Gruppen gibt, umso besser sagen die Gruppen die Größe vorher.

Die Ausgabe der zweifaktoriellen ANOVA besteht aus einer Anzahl von Tabellen mit deskriptiven Statistiken, wie z. B. den Mittelwerten für jede Gruppe. Die wichtigste Tabelle ist Tests der Zwischensubjekteffekte.
ANOVA-Test der Zwischensubjekte
Hier wird getestet, ob ein signifikanter Teil der Varianz durch die Gruppenvariablen erklärt wird. Dafür wird ein F-Test durchgeführt mit 5 Freiheitsgraden (die Anzahl der Gruppen von Athleten = 3 mal der Anzahl der Geschlechter = 2 minus 1) und 24 (die Zahl der Beobachtungen = 30 minus der Anzahl der Gruppen der Athleten = 3 mal der Anzahl der Geschlechter (2).

Die Wahrscheinlichkeit einen F-Wert von 22.878 oder größer mit diesen Freiheitsgraden zu erhalten ist geringer als 0.001, wie man der Spalte Sig. entnehmen kann.

Daher können wir schließen, dass sich die Mittelwerte der Gruppen unterscheiden.

Beispiel
Es gibt signifikante Unterschiede im Zusammenhang mit der durchschnittlichen Größe zwischen Männern und Frauen und zwischen den verschiedenen Gruppen von Athleten (Sig.: <0.001).Aber es gibt keinen signifikanten Interaktionseffekt zwischen Geschlecht und Sport (Geschlecht * Sport = Sig.: 0.557).

Das bedeutet, dass der Unterschied zwischen den Athleten, was die Größe betrifft, nicht durch ihr Geschlecht beeinflusst wird.

Post-hoc Tests

Du weißt nun, dass sich einige Gruppen der Athleten und Athletinnen signifikant voneinander unterscheiden.

Um herauszufinden, welche Gruppen sich signifikant unterscheiden, kannst du Post-hoc Tests durchführen.

Du führst die ANOVA mit SPSS noch einmal durch und klickst auf Post-hoc.

Du musst dann Tests für gleiche und ungleiche Varianzen auswählen. Wenn die Varianzen gleich sind, wird Tukey oft verwendet. Wird nicht davon ausgegangen, dass die Varianzen gleich sind, wird häufig Games-Howell ausgewählt.

In unserem Datensatz sind die Varianzen bei der einfaktoriellen ANOVA gleich (jedoch nicht bei der zweifaktoriellen ANOVA). Also verwenden wir Tukey.

Eine weitere Tabelle wurde der SPSS-Ausgabe hinzugefügt mit dem Namen Mehrfachvergleiche.

In der Spalte Signifikanz siehst du dir die Unterschiede an, die signifikant sind (p < 0.050).
ANOVA-Mehrfachvergleiche

Beispiel
Die durchschnittliche Größe unterscheidet sich signifikant zwischen Turnern und Volleyballspielern (p = 0.001) und zwischen Fußball- und Volleyballspielern (p = 0.033). Die durchschnittliche Größe von Fußballspielern unterscheidet sich nicht signifikant von der der Turnern (p = 0.235).

Ergebnisse der ANOVA zusammenfassen

Du fasst die Ergebnisse deiner ANOVA im Ergebniskapitel deiner Bachelorarbeit oder Masterarbeit zusammen. Du gibst den F-Wert mit seinen Freiheitsgraden und der Signifikanz an. Falls du einen Post-hoc Test durchgeführt hast, beschreibst du dessen Ergebnisse ebenfalls.

Einige Beispielsätze
  • Es gibt einen signifikanten Unterschied im Zusammenhang mit der durchschnittlichen Größe der drei Gruppen von Athleten (F (2.27) = 9.952; p = 0.001). Es gibt keinen signifikanten Unterschied im Zusammenhang mit der Größe zwischen Turnern und Fußballspielern (p = 0.235).
  • Eine ANOVA zeigt, dass es einen signifikanten Unterschied im Zusammenhang mit der Größe zwischen Personen gibt, die unterschiedliche Sportarten ausüben, F (2.27) = 9.952; p = 0.001. Volleyballspieler sind signifikant größer als Fußballspieler (p = 0.033) und Turner (p = 0.001). Es wurde kein signifikanter Unterschied im Zusammenhang mit der Größe zwischen Turnern und Fußballspielern gefunden (p = 0.235).

Statistische Bedingungen für ANOVA

Bevor du eine ANOVA durchführen kannst, müssen deine Daten bestimmte statistische Bedingungen erfüllen. Sind diese Bedingungen nicht gegeben, dann kann dies dazu führen, dass du falsche Schlüsse aus den Ergebnissen ziehst.

Die Bedingungen für Varianzanalysen sind:

  • Die abhängige Variable ist ratio- oder intervallskaliert.
  • Die Daten pro Gruppe stammen aus einer Zufallsstichprobe.
  • Die Varianzen für jede Gruppe sind gleich (Homoskedastizität). Das kann mit dem Homogenitätstest der Varianzen überprüft werden.
  • Die Daten innerhalb jeder Gruppe sind normalverteilt.

Formel F-Wert

Auch wenn Programme wie SPSS, Excel oder Google-Tabellen die ANOVA für dich berechnen, ist es manchmal nützlich, wenn du die Formel kennst.

Angenommen es gibt k Gruppen mit der Gruppengröße g, dann wird der F-Wert der einfaktoriellen ANOVA so berechnet:
Formel F-Wert

gj = Gruppengröße der Gruppe j
j = Mittelwert der Gruppe j

Die Anzahl der Freiheitsgrade des F-Wertes ist gleich wie die Divisoren des Zählers und Nenners, also (k – 1) und (N – k).

War dieser Artikel hilfreich?
Priska Flandorfer

Priska arbeitet im Bereich Content Writing. Sie ist promovierte Sozialwissenschaftlerin und hilft gerne anderen Studierenden beim Bestehen ihrer Abschlussarbeiten.

1 Kommentar

Priska Flandorfer
Priska Flandorfer (Scribbr-Team)
16. April 2019 um 17:08

Danke fürs Lesen! Ich hoffe dieser Artikel hat dir weitergeholfen. Hast du noch eine Frage? Hinterlasse einen Kommentar und ich werde mich so schnell wie möglich bei dir zurückmelden.

Hinterlasse einen Kommentar oder eine Frage