Übung zum t-Test (schwer)

Szenario:
Du erhebst bei Personen aus drei Gruppen (z. B. Berufsfelder) ihr technisches Interesse anhand von drei Items. Untersuche, ob sich Gruppe 1 und Gruppe 2 signifikant im Skalenmittelwert unterscheiden. Gruppe 3 soll nicht berücksichtigt werden.

Daten herunterladen

Items:

  • item1: Interesse an Technik im Alltag
  • item2: Freude an technischen Geräten
  • item3: Wunsch, mehr über Technik zu lernen

Lösung in R

1. Einlesen und Skalenmittelwert berechnen

daten <- read.table("Schwer_Technikinteresse.dat", header = TRUE, sep = "\t")

# Nur Gruppen 1 und 2 vergleichen
daten12 <- subset(daten, gruppe %in% c("Gruppe1", "Gruppe2"))

# Skalenmittelwert berechnen
daten12$interesse <- rowMeans(daten12[, c("item1", "item2", "item3")])

2. Voraussetzungen prüfen

# Shapiro-Test pro Gruppe
shapiro.test(daten12$interesse[daten12$gruppe == "Gruppe1"])
shapiro.test(daten12$interesse[daten12$gruppe == "Gruppe2"])

# Levene-Test für Varianzgleichheit
install.packages("car") # falls nötig
library(car)
leveneTest(interesse ~ gruppe, data = daten12)

3. t-Test

t.test(interesse ~ gruppe, data = daten12, var.equal = TRUE)

4. Nichtparametrische Alternative (wenn Voraussetzungen verletzt)

wilcox.test(interesse ~ gruppe, data = daten12)

Lösung in SPSS

1. CSV-Datei importieren

  • Öffne SPSS → Datei → Öffnen → Schwer_Technikinteresse.csv

2. Neue Variable berechnen

  • Menü: Transformieren → Variable berechnen
  • Zielname: interesse
  • Formel: (item1 + item2 + item3) / 3

3. Nur Gruppe 1 und 2 vergleichen

  • Menü: Daten → Fälle auswählen
  • Bedingung: gruppe = "Gruppe1" OR gruppe = "Gruppe2"

4. Voraussetzungen prüfen

  • Analysieren → Deskriptive Statistiken → Explore
  • Zielvariable: interesse, Gruppierung: gruppe
  • Diagramme → Normalitätsprüfungen aktivieren

5. t-Test

  • Analysieren → Mittelwerte vergleichen → t-Test bei unabhängigen Stichproben
  • Testvariable: interesse, Gruppierungsvariable: gruppe
  • Gruppen definieren: "Gruppe1" und "Gruppe2"

6. Nichtparametrischer Test

Test: Mann-Whitney U-Test

Analysieren → Nichtparametrische Tests → Zwei unabhängige Stichproben

Testvariable: interesse, Gruppenvariable: gruppe

Du brauchst eine größere Herausforderung?

Wenn du die Aufgabe etwas schwerer machen magst (in Bezug auf das Datenmanagement), führe die Aufgabe mit diesem Datensatz durch.

Unsaubere Daten herunterladen

Beispiellösung in R

 
df <- read.table("Komplexe_Spaltenstruktur_gruppiert.dat", header = TRUE, sep = "\t", na.strings = "NA")

# Mittelwerte für Gruppen berechnen (nur für gültige Fälle)
g1 <- rowMeans(df[, c("Gruppe1_Item1", "Gruppe1_Item2", "Gruppe1_Item3")], na.rm = TRUE)
g2 <- rowMeans(df[, c("Gruppe2_Item1", "Gruppe2_Item2", "Gruppe2_Item3")], na.rm = TRUE)

# Nicht-NA Werte extrahieren und vergleichen
g1 <- g1[!is.na(g1)]
g2 <- g2[!is.na(g2)]
t.test(g1, g2)

Ähnliche Beiträge