Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Statistik-Team
I Tobias Kley: [email protected]
I Ubung: Freitag, 8.15 - 9.45 Uhr, HGA 10
I Tutorium (SPSS) - ab 26.10.2009
Koordination: Dr. Helge [email protected]/ 322-2479Gafo 04-621
I Montag 12 - 14 (GAFO 04/271)Linda [email protected]
I Montag 10 -12 (GAFO 03/901); Montag 12 - 14 (GAFO 03/901);Freitag 12-14 (GAFO 03/974 )Max [email protected]
1 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse3. Das allgemeine lineare Modell
3.1 Matrizen und Vektoren, Kodierung
3.2 Addition und Multiplikation von Matrizen
3.3 Das allgemeine lineare Modell (ALM), Methode der kleinstenQuadrate
3.4 Der F -test im ALM
3.5 Zweifaktorielle Varianzanalyse
3.6 Kovarianzanalyse
3.7 Modelle mit Messwiederholungen
2 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.6 Kovarianzanalyse
3 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Beispiel 3.19: Therapieerfolg bei Verhaltens-storungen
I Wie wirkt sich eine psychotherapeutische Behandlung aufverschiedene Verhaltensstorungen aus
I Es werden 3 Gruppen untersucht
I Konzentrationsstorung (5 Patienten)I Schlafstorung (5 Patienten)I Hysterische Verhaltungsstorung (5 Patienten)
I Gemessen wird der Therapieerfolg y (durch Expertenteameingestuft)
4 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
DatenI K: Konzentrationsstorung (i = 1)
I S: Schlafstorung (i = 2)
I H: Hysterische Verhaltsstorung (i = 3)
j K S H1 5 5 22 6 4 13 6 2 14 4 1 15 5 3 2
Beachte: Es liegt hier das Modell der einfaktoriellen Varianzanalysevor (vgl. Methodenlehre II, Beispiel 3.8(a)). Es gibt zwei Darstellungendes Modells
Yij = µi + εij
= µ+ αi + εij i = 1, 2, 3; j = 1, 2, . . . , 5
5 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
SPSS-Output (einfaktorielle Varianzanalysefur Beispiel 3.19 ohne Berucksichtigung vonKovariablen)
Sig.FMittel der Quadratedf
Quadratsummevom Typ III
Korrigiertes Modell
Konstanter Term
GRUPPE
Fehler
Gesamt
KorrigierteGesamtvariation
1450,400
15204,000
1,1671214,000
,00015,60018,200236,400
,000131,657153,6001153,600
,00015,60018,200236,400a
QuelleQuelle
Tests der Zwischensubjekteffekte
Abhängige Variable:Therapieerfolg
a. R-Quadrat = ,722 (korrigiertes R-Quadrat = ,676)
Man beachte:I Die drei behandelten Gruppen unterscheiden sich signifikantI Die Ergebnisse lassen vermuten, dass die Therapie bei
Konzentrationsstorungen zum großten Erfolg fuhrt(y1· = 5.2; y2· = 3; y3· = 1.4)
6 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Vermutung: Therapieerfolg hangt auch von der Verbalisationsfahig-keit (verbale Intelligenz x) der Patienten ab. Diese Eigenschaft wirdaus diesem Grund mit gemessen
K S Hj x y x y x y1 7 5 11 5 12 22 9 6 12 4 10 13 8 6 8 2 9 14 5 4 7 1 10 14 5 5 9 3 13 2
Frage: Andert sich das Ergebnis der Varianzanalyse, falls die verbaleIntelligenz in die Untersuchungen mit einbezogen wird?
7 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Streudiagramm und lineare Regressionsgeraden
Verbale Intelligenz
14,0012,0010,008,006,004,00
Th
erap
ieer
folg
6,00
5,00
4,00
3,00
2,00
1,00
Anpassungslinie für Gesamtsumme
Hysterische VerhaltsstörungSchlafstörungKonzentrationsstörung
Verhaltensstörung
R2 Linear = 0,078
Konzentrationsstörung: R 2 Linear = 0,754
Schlafstörung: R 2 Linear = 0,837Hysterische Verhaltsstörung: R 2
Linear = 0,892
Beachte: Die Korrelation in der Gesamtgruppe ist negativ, aber in deneinzelnen Gruppen positiv!
8 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.20 Das Modell der einfaktoriellen Kovarianz-analyse
I Wie bei der einfaktoriellen Varianzanalyse gibt es zweiDarstellungen:
Yij = µ+ αi + γxij + εij
= µi + γxij + εij i = 1, . . . , k ; j = 1, . . . , ni
(µi = µ+ αi , α1 + . . .+ αk = 0)
I yij : Testergebnis des j-ten Patienten in der i-ten Gruppe (imBeispiel ist k = 3; n1 = n2 = n3 = 5)
I µi : Einfluss der Verhaltensstorung auf Therapieerfolg
I xij : Kovariable (Verbalisationsfahigkeit) des j-ten Patienten derGruppe i . γxij ist dann der Einfluss der Kovariablen (Verbali-sationsfahigkeit) des Patienten j in Gruppe i auf den Therapie-erfolg
9 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.20 Das Modell der einfaktoriellen Kovarianz-analyse
I Zwei Darstellungen:
Yij = µ+ αi + γxij + εij
= µi + γxij + εij i = 1, . . . , k ; j = 1, . . . , ni
(µi = µ+ αi , α1 + . . .+ αk = 0)
I Der Parameter γ bemisst den Einfluss der Kovariablen(Verbalisationsfahigkeit) auf den Therapieerfolg.
I γ = 0 bedeutet: die Kovariable (Verbalisationsfahigkeit) hatkeinen Einfluss auf den Therapieerfolg.
I Beachte: der Faktor γ ist fur jede Gruppe derselbe - d.h. erhangt nicht von dem Index ”i” ab (Homogenitat derRegressionskoeffizienten)
10 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Beachte: Dieses Modell ist ein Spezialfall des ALM
Y = Xb + ε
Wobei
b =
(µ1
µ2
µ3
γ
)ε =
ε11
.
.
.
.
.
.ε35
X =
1 0 0 71 0 0 91 0 0 81 0 0 51 0 0 50 1 0 110 1 0 120 1 0 80 1 0 70 1 0 90 0 1 120 0 1 100 0 1 90 0 1 100 0 1 13
Y =
566455421321112
11 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.21 Das Modell der einfaktoriellen Kovarianz-analyse im ALM Y = XB + ε
I Daten- und Fehlervektor
Y =
y11
.
.
.y1n1
.
.
.yk1
.
.
.yknk
; ε =
ε11
.
.
.ε1n1
.
.
.εk1
.
.
.εknk
I Parametervektor und Designmatrix
b =
µ1
.
.
.µkγ
X =
1 0 0 · · · 0 x11
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.1 0 0 · · · 0 x1n10 1 0 · · · 0 x21
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.0 1 0 · · · 0 x2n2
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.0 0 0 · · · 1 xk1
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.0 0 0 · · · 1 xknk
12 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.22(A) Schatzer fur γ (Methode der kleinstenQuadrate)
I
γ =
∑ki=1
∑ni
j=1(yij − y i·)(xij − x i·)∑ki=1
∑ni
j=1(xij − x i·)2
I Beachte: γ ist ein gewichtetes Mittel der Schatzer fur dieSteigungen der Regressionsgeraden in den einzelen Gruppen.D.h.
I Schatzer fur die Steigung in Gruppe i (vgl. Methodenlehre II,2.11):
γi =
∑nij=1(yij − y i·)(xij − x i·)∑ni
j=1(xij − x i·)2
I Anteil der Varianz der Kovariablen in Gruppe i an derGesamtvarianz
αi =
∑nij=1(xij − x i·)
2∑ki=1
∑nij=1(xij − x i·)2
I Es gilt (α1 + . . .+ αk = 1):
γ =k∑
i=1
αi γi
13 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.22(B) Schatzer fur µi (Methode der kleinstenQuadrate)
I Beachte: als Schatzer fur die Parameter µi verwendet man dieGruppenmittelwerte, wobei die Daten vorher um den Einfluss derKovariablen korrigiert werden
µi = 1ni
∑nj=1 (yij − γxij) = y i· − γx i·
I Schatzer fur die Varianz der zufalligen Fehler (Residualvarianz)
s2y |x =
1
n − k − 1
k∑i=1
ni∑j=1
(yij − µi − γxij)2
(dabei bezeichnet n = n1 + · · · + nk den Gesamtstichproben-umfang)
14 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Mathematische Formulierung der Hypothesen(im Beispiel 3.19): kein Einfluss der Kovariable
I Die Kovariable hat keinen Einfluss auf den Therapieerfolg:
H0 : γ = 0
Mit der Matrix K = (0, 0, 0, 1) und dem Parametervektorb = (µ1, µ2, µ3, γ)T kann man diese Nullhypothese schrei-ben als
H0 : Kb = (0, 0, 0, 1) ·
µ1
µ2
µ3
γ
= γ = 0
15 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Mathematische Formulierung der Hypothesen(im Beispiel 3.19): kein Unterschied zwischenden Gruppen
I Zwischen den verschiedenen Verhaltensstorungen besteht keinUnterschied hinsichtlich des Therapieerfolgs:
H0 : µ1 = µ2 = µ3
Mit der Matrix
K =
(1 −1 0 00 1 −1 0
)und dem Parametervektor b = (µ1, µ2, µ3, γ)T kann man dieseHypothese schreiben als
H0 : Kb =
(1 −1 0 00 1 −1 0
)µ1
µ2
µ3
γ
=
(µ1 − µ2
µ2 − µ3
)=
(00
)
16 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.23(A) F -Test auf Signifikanz des Regressions-koeffizienten
Man beachte: Alle Hypothesen konnen mit dem F -Test im ALM(vgl. Methodenlehre II; 3.12) getestet werden. Die Anwendung derallgemeinen Theorie liefert:
I Die Hypothese H0 : γ = 0 (Kovariable hat keinen Einfluss) wirdzum Niveau α abgelehnt, falls
Fγ =11 γ
2 ns2xx
s2y |x
> F1,n−k−1,1−α
gilt (oder der p-Wert < α ist). Dabei ist F1,n−k−1,1−α das (1−α)Quantil der F -Verteilung und
s2xx =
1
n
k∑i=1
ni∑j=1
(xij − x ··)2
die Summe der quadrierten Abweichungen der Kovariablen vonihrem Mittelwert
17 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Alternative Interpretation der Teststatistik aus3.23(A): Differenz von Summen aus quadriertenResiduen (vgl. Methodenlehre II, Kapitel 3.4)
I Trifft die Hypothese H0 : γ = 0 (die Kovariable hat keinenEinfluss auf den Therapieerfolg) zu, so liegt das Modell dereinfaktoriellen Varianzanalyse vor:
yij = µi + εij ; i = 1, . . . , k ; j = 1, . . . , ni
Bezeichnet
y i· =1
n
ni∑j=1
yij i = 1, . . . , k
den Mittelwert in Gruppe i (nicht bzgl. der Kovariablenkorrigiert), dann ist
s2H0
=1
n − k
k∑i=1
(yij − y i·)2
die Residualvarianz der einfaktoriellen Varianzanalyse (Varianzunter der Nullhypothese)
18 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Allgemeines Prinzip: Differenz von Summenaus quadrierten Residuen
I Nach 3.22(B) ist
s2y |x =
1
n − k − 1
k∑i=1
ni∑j=1
(yij − µi − γxij)2
die Residualvarianz im Modell der einfaktoriellen Kovarianzanalyse(Varianz unter der Alternative)
I Die Statistik des F -Tests hat die Darstellung
Fγ =(n − k) s2
H0− (n − k − 1) s2
y |x
s2y |x
=11 (RSSγH0
− RSS)1
n−k−1RSS
Man vergleicht also die Summen der quadrierten Residuen in demModell der einfaktoriellen Varianzanalyse [RSSγH0
= (n − k)s2H0
]und unter der Einbeziehung der Kovariablen[RSS = (n − k − 1)s2
y |x ]I Kurz: Differenz der Summe der quadrierten Residuen unter
Nullhypothese und Alternative dividiert durch die Summe derquadrierten Residuen unter Alternative
19 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Beispiel: Test auf Einfluss der Kovariablen fur die Daten aus Beispiel3.19
I RSSγH0= (n − k) s2
H0= 14.0
I RSS = (n − k − 1) s2y |x = 3.6
I Fγ = 14.0−3.6111 3.6
= 10.40.327 = 31.78
Fur α = 5% ist F1,11,0.95 = 4.844, also wird die Nullhypothese
H0 : γ = 0
(kein Einfluss der Kovariablen) zum Niveau 5% verworfen (P-Wert:0.0001)
20 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.23(B) F -Test auf Unterschiede zwischen denGruppen
I Die HypotheseH0 : µ1 = · · · = µk
wird zum Niveau α abgelehnt, falls
Fµ =1
k−1
∑ki=1 ni (y∗i· − y∗··)
2
1n−k−1
∑ki=1
∑ni
j=1 (y∗ij − y∗i·)2> Fk−1,n−k−1,1−α
gilt. Dabei istI Fk−1,n−k−1,1−α das (1− α)-Quantil der F -Verteilung mit
(k − 1, n − k − 1) FreiheitsgradenI y∗ij = yij − γxij (die um den Einfluss der Kovariablen bereinigten
Daten)I y∗i· = 1
ni
∑nij=1 y∗ij der Gruppemmittelwert in Gruppe i
I y∗·· = 1n
∑ki=1
∑n1j=1 y∗ij der Gesamtmittelwert
I Beachte: es wird eine einfaktorielle Varianzanalyse mit den“korrigierten” Daten y∗ij = yij − γxij durchgefuhrt
21 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Alternative Interpretation der Teststatistik aus3.23(A): Differenz von Summen aus quadriertenResiduen
Fµ =1
k−1 (RSSµH0− RSS)
1n−k−1RSS
I Residuensumme unter der Nullhypothese H0 : µ1 = · · · = µk
RSSµH0=
k∑i=1
ni∑j=1
(y∗ij − y∗··)2
I Residensumme im Modell der Kovarianzanalyse(µi = 1
ni
∑ni
j=1(yij − γxij) = y∗i· beachten!)
RSS =k∑
i=1
ni∑j=1
(yij − µi−γxij)2 =
k∑i=1
ni∑j=1
(y∗ij − y∗i·)2
22 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Beispiel: Test auf Gruppenunterschiede fur die Daten aus Beispiel3.19
I RSSµH0= 46.45
I RSS = 3.6
I Fµ =12 (46.45−3.6)
111 3.6
=12 42.85
111 3.6
= 65.48
Fur α = 5% ist F2,11,0.95 = 3.982, also wird die Nullhypothese (keineGruppenunterschiede)
H0 : µ1 = µ2 = µ3
zum Niveau 5% verworfen (P-Wert: 0.000001)
23 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
SPSS-Output: einfaktorielle Kovarianzanalyse
Sig.FMittel der Quadratedf
Quadratsummevom Typ III
Korrigiertes Modell
Konstanter Term
GRUPPE
VERBALE_INTELLIGENZ
Fehler
Gesamt
KorrigierteGesamtvariation
1450,400
15204,000
,327113,599
,00031,78910,401110,401
,00065,48321,425242,850
,1292,691,8801,880
,00047,68115,600346,801a
QuelleQuelle
Tests der Zwischensubjekteffekte
Abhängige Variable:Therapieerfolg
a. R-Quadrat = ,929 (korrigiertes R-Quadrat = ,909)
Man Beachte: Durch Einbeziehung der Kovarariablen verkleinert sichdie Summe der quadrierten Residuen von 14.00 (im Modell der ein-faktoriellen Varianzanalyse) auf 3.6 (im Modell der einfaktoriellenKovarianzanalyse).D.h. statt 72.22% werden 92.86% der Varianz erklart!
24 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.24 Voraussetzungen fur die Kovarianzanalyse
I Modell der einfaktoriellen Kovarianzanalyse
yij = µi + γxij + εij
= µ+ αi + γxij + εij i = 1, . . . , k ; j = 1, . . . , ni
I µi reprasentiert den Einfluss der Gruppe i auf die abhangigeVariable yij
I γxij reprasentiert den Einfluss der Kovariablen xij auf dieabhangige Variable yij
I Die zufalligen Fehler εij sind unabhangig und normalverteilt mitErwartungswert 0 und Varianz σ2 (diese Annahme ist in Beispiel3.19 mindestens diskussionswurdig)
I Der Faktor γ is unabhangig von der Gruppe (d.h. hangt nicht voni ab): Homogenitat der Regressionskoeffizienten
25 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.25 Uberprufung der Annahme der Homogenitatder Regressionskoeffizienten
I Modell
yij = µi + γixij + εij ; i = 1, . . . , k ; j = 1, . . . , ni
I Nullhypothese: Der Einfluss der Kovariablen andert sich nicht mitder Gruppenzugehorigkeit
H0 : γ1 = γ2 = · · · = γk
I Beachte:
- In diesem Modell betrachtet fur jede Gruppe eine Regressions-gerade und die Nullhypothese sagt aus, dass dieser k Geradenparallel sind- Das Modell hat 2k Parameter µ1, . . . , µk , γ1, . . . , γk (imBeispiel 6)- Das Modell der einfaktoriellen Kovarianzanalyse hat k + 1Parameter µ1, . . . , µk , γ (im Beispiel 4)
26 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Design- und Hypothesenmatrix fur Beispiel 3.19
b =
µ1
µ2
µ3
γ1
γ2
γ3
X =
1 0 0 7 0 01 0 0 9 0 01 0 0 8 0 01 0 0 5 0 01 0 0 5 0 00 1 0 0 11 00 1 0 0 12 00 1 0 0 8 00 1 0 0 7 00 1 0 0 9 00 0 1 0 0 120 0 1 0 0 100 0 1 0 0 90 0 1 0 0 100 0 1 0 0 13
K =
(0 0 0 1 −1 00 0 0 0 1 −1
)Kb =
(γ1 − γ2
γ2 − γ3
)
27 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.26 F -Test fur die Hypothese der Homogenitatder Regressionskoeffizienten
I Die HypotheseH0 : γ1 = · · · = γk
wird zum Niveau α abgelehnt, falls
F γ =1
k−1 (RSSH0− RSS)
1n−2k RSS
> Fk−1,n−2k,1−α
Dabei sindI RSSH0
=∑k
i=1
∑nij=1(yij − µi − γxij)
2 die Summe der quadriertenResiduen unter der Nullyhpothese
I µi , γ die kleinsten Quadrate Schatzer unter der Annahme der Ho-mogenitat der Regressionskoeffizienten (vgl. Bemerkung 3.22)
I RSS =∑k
i=1
∑nij=1(yij − µi − γixij)
2 die Summe der quadriertenResiduen , unter der Annahme, dass keine Homogenitat derRegressionskoeffizienten vorliegt
I (µi , γi ) die kleinsten Quadrate Schatzungen, unter der Annahme,dass keine Homogenitat der Regressionskoeffizienten vorliegt
28 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
Beispiel: F -Test fur die Hypothese der Homogenitat derRegressionskoeffizienten fur die Daten aus Beispiel 3.19
I RSSH0= 3.6
I RSS = 2.445
I F γ =12 (3.6−2.445)
115−6 2.445
= 0.57750.2717 = 2.125
Fur α = 5% ist F2,9,0.95 = 4.256, also wird die Nullhypothese derHomogenitat der Regressionskoeffizienten
H0 : γ1 = γ2 = γ3
zum Niveau 5% nicht verworfen (P-Wert: 0.824)
29 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
SPSS Output: Uberprufung der Annahme derHomogenitat in der einfaktoriellenKovarianzanalyse
Sig.FMittel der Quadratedf
Quadratsummevom Typ III
Korrigiertes Modell
Konstanter Term
GRUPPE
VERBALE_INTELLIGENZ
GRUPPE * VERBALE_INTELLIGENZ
Fehler
Gesamt
KorrigierteGesamtvariation
1450,400
15204,000
,27292,445
,1762,124,57721,154
,00032,3748,79518,795
,0117,7542,10724,213
,2151,779,4831,483
,00035,3049,591547,955a
QuelleQuelle
Tests der Zwischensubjekteffekte
Abhängige Variable:Therapieerfolg
a. R-Quadrat = ,951 (korrigiertes R-Quadrat = ,925)
30 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.27 Bemerkungen zur Kovarianzanalyse
I Mit der Kovarianzanalyse uberpruft man, wie “bedeutsam” derEinfluss der Kovariablen ist
I Der Einfluss der Kovariablen wird durch die Kovarianzanalyseneutralisiert
I Durch die Beachtung der Kovariablen wird im Modell derVarianzanalyse die Residualvarianz reduziert.
I Beachte: liegt keine Homogenitat der Regessionskoeffizientenvor, so ist eine Durchfuhrung der Kovarianzanalyse wie in 3.23(A)und 3.23(B) beschrieben nicht sinnvoll.
31 / 32
3. Das allgemeinelineare Modell
3.6 Kovarianzanalyse
3.27 Bemerkungen zur Kovarianzanalyse
I Eine Kovarianzanalyse ist eine Varianzanalyse “bereinigt” um denEinfluss der Kovariablen. D.h. Eine Kovarianzanalyse ist eineVarianzanalyse der Regressionsresiduen y∗ij = yij − γxij
I Durch die Kovarianzanalyse wird die Verzerrung durch dieGruppenunterschiede in der gewohnlichen linearen Regressionkorrigiert
I Das Modell der Kovarianzanalyse kann in verschiedeneReichtungen erweitert werden:
I Mehrere Faktoren. Z.B. Zweifaktorielle Kovarainzanalyse
yijk = µ+ αi + βj + αβij + γxijk + εijk
I Modelle mit Messwiederholungen (vgl. Kapitel 3.7)
I Mehrdimensionale Kovariablen
32 / 32