So berechnest und berichtest du die ANOVA für Gruppenvergleiche in 9 Schritten

So berechnest und berichtest du die ANOVA für Gruppenvergleiche in 9 Schritten

Unser Studienbeispiel:

Nehmen wir noch mal unser hypothetisches Beispiel aus dem ersten Teil unserer Artikelserie zu ANOVA. Wir möchten testen, ob sich die Schmerzmittel Paracetamol und Ibuprofen bzgl. ihrer Wirkdauer unterscheiden. Aber nicht nur das. Wir möchten ebenfalls testen, ob die gegebene Dosis (hoch, mittel, niedrig) einen Einfluss auf die Wirkdauer besitzt. Aber am allermeisten interessiert uns, ob der Effekt der Dosis vielleicht sogar unterschiedlich ist, je nachdem welches Schmerzmittel gegeben wurde.

 

Dafür bilden wir 6 verschiedene Patientengruppen, die jeweils eines der beiden Medikamente bekommt und eine der drei Dosierungen. Jeder Patient kommt also genau einmal innerhalb der Studie vor.

 

Aus diesen 2 Faktoren resultieren verschiedene Effekttypen, die ich dir in Teil 1 dieser Artikelserie genau erklärt habe. Dort habe ich auch alle Begriffe erläutert. Hast du diesen Artikel also noch nicht gelesen, würde ich dir empfehlen, damit zu starten.

Schön, dass du wieder da bist. Nun geht’s weiter.

Kommen wir nun also zur rechnerischen Seite der ANOVA für Gruppenvergleiche. 

Hier möchte ich dir vorab schon mal alle Ängste nehmen: Alles, was ich dir jetzt erkläre, ist auch für dich absolut machbar, denn wir haben als Follow-up zu diesem Artikel gezielt Kursmaterialien entwickelt, die du auf deine Daten easy peasy anwenden kannst. Es geht mir in diesem Artikel daher nur darum, dass du die einzelnen Schritte der ANOVA für Gruppenvergleiche verstehst.

 

Bevor du startest:

Lade dir zuerst unser kostenloses Flowchart herunter. Dort sind alle Schritte der ANOVA für Gruppenvergleiche aufgeführt. So verlierst du nie den Überblick und weißt immer genau, welches Verfahren du wann rechnen musst.

Flowchart

ANOVA für Gruppenvergleiche

Schritt 1 – Die Vorbereitung deines Datenfiles

 

Schritt 1 ist immer der bedeutenste: Wir bringen Ordnung in dein Datenfile. Das ist immens wichtig, da jedes statistische Verfahren spezielle Anforderungen an das zugrundeliegende Datenfile stellt. Ist diese Ordnung falsch, funktioniert die Analyse nicht.

 

Die ANOVA für Gruppenvergleiche erfordert eine ID-Variable, sowie für jeden Faktor eine weitere Variable, die für jeden Patienten die ihm zugeordnete Faktorstufe enthält. Hier würdest du z.B. für den Faktor Medikament für jeden Patienten eintragen, ob er Paracetamol oder Ibuprofen erhalten hat. Für die Dosierung würdest du eintragen ob der Patient eine hohe, mittlere oder niedrige Dosierung bekommen hat.

 

Weiterhin benötigst du eine Variable, die die abhängige Variable enthält, also die beim Patienten gemessene Angabe zur Wirkdauer. Hast du das erledigt, ist dein Datenfile fertig.

↑ Zurück zur Übersicht

Schritt 2 – Deskriptive Statistik

 

Es ist immer gut einen Überblick über die eigenen Daten zu bekommen. Daher solltest du in Schritt 2 eine deskriptive Statistik mit Mittelwerten und Standardabweichungen für jede Gruppe innerhalb deiner Daten erstellen. Prüfe außerdem, ob dein Datensatz Ausreißer enthält. Falls ja, solltest du übelegen, was dahintersteckt. Sind Messfehler enthalten, oder ist dein Patient wirklich so krank, schwer oder groß? Weiterhin solltest du dir eine Grafik über alle Faktorstufen erstellen, damit du schon mal grob siehst, wie die Effekte aussehen. 

ANOVA für Gruppenvergleiche: Liniendiagramm

Schritt 3 – Berechnung der ANOVA für Gruppenvergleiche

 

In Schritt 3 berechnest du die ANOVA nun erstmals ganz konkret. Du bekommst dabei 3 Effekte: die Haupteffekte Schmerzmittel und Dosis, und den Interaktionseffekt, der beide Faktoren kombiniert. Was diese Effekte bedeuten und welche der wichtigste ist, erklären wir dir in Teil 1 dieser Artikelserie.

 

Die Berechnung der ANOVA erfolgt je nach verwendeter Software unterschiedlich. Wir berechnen sie in diesem Beispiel in R mit dem Paket aov (). Das ist ganz einfach, besonders, wenn man wie wir hier, automatische Vorlagen verwendet, in die man einfach nur seine Variablennamen eintippen muss. Wie das geht zeigen wir dir in unserem ANOVA-Kurs für Gruppenvergleiche, der dich Schritt-für-Schritt durch die ANOVA führt bis hin zu Vorlagen für deinen ANOVA-Bericht im Ergebnis- und Methodenteil. Da dir unser Kurs alle Arbeit abnimmt, gehen wir hier nicht auf die Einzelheiten des R-Codes ein.

↑ Zurück zur Übersicht

Schritt 4 – Prüfen der Annahmen

 

Nachdem du die ANOVA berechnest hast, prüfst du im nächsten Schritt, ob du sie überhaupt rechnen durften. Dieses Vorgehen ist zwar falsch herum, aber tatsächlich funktioniert das Prüfen der Annahmen der ANOVA viel besser, wenn man sie schon gerechnet hat. Und wir wollen doch so effizient wie möglich vorgehen, oder?

 

Hier sind folgende Kriterien wichtig:

1. Sind unsere Daten normalverteilt?

Um das zu beurteilen, kannst du QQ-Plots und den Shapiro-Wilk-Test nutzen (weiteratmen, mit unserem Kurs machst du das in 2 Minuten).

2. Liegt eine Varianzhomogenität vor?

Das sagt uns der Levene‘s Test, ist er nicht signifikant ist alles gut.

 

Hier teilt sich nun die Analyse in zwei Ströme auf, die aber vom Prinzip her sehr ähnlich sind.

Werden die Annahmen der ANOVA erfüllt oder sind deine Gruppen sehr groß (N > 30 pro Untergruppenkombination), dann darfst du einfach normal weitermachen und die Ergebnisse der parametrischen ANOVA aus Schritt 3 interpretieren.

 

Gibt es in deinem Datensatz ernsthafte Probleme, müsstest du nun eigentlich auf das nicht-parametrische ANOVA-Äquivalent, dem Kruskal-Wallis-Test ausweichen. Der hat aber leider nicht die Möglichkeit Interaktionen zu testen und das wollen wir ja eigentlich.

 

Daher haben wir dir in unserem ANOVA-Kurs ein Skript geschrieben, dass dir erlaubt, die bisherige ANOVA einfach weiter zu verwenden, allerdings überführen wir sie nun in eine robuste Form. Das heißt, wir machen sie unempfindlich gegenüber gravierender Annahmeverletzungen (das ist wirklich cool und viel eleganter als eine nicht-parametrische ANOVA).

 

Dafür bauen wir in die ANOVA ein sogenanntes Bootstrapping-Verfahren ein, dass mit Hilfe von 2000 Stichproben mit Zurücklegen eine robuste Teststatistik errechnet, aus der dann wiederum ein robuster p-Wert und eine robuste Effektstärke abgeleitet wird.

 

Was du dir hier nur merken musst ist, dass du weiterhin eine relativ normaldesignte ANOVA rechnen kannst, die wir aber unempfindlich auf mögliche Annahmeverletzungen gemacht haben.

 

Einen Code zu schreiben, der das kann und den du total einfach an deine Studie anpassen kannst, hat meinen R-Spezialisten Simon ziemlich viel Zeit und Nerven gekostet, aber ich finde es hat sich gelohnt!

↑ Zurück zur Übersicht

Schritt 5 – Effekte untersuchen

 

Egal welche ANOVA du gerechnet hast, die Ergebnisse liegen vor. Nun kannst du anhand der Signifikanzen entscheiden, welchen Effekt du weiter untersuchen möchtest: die Interaktion oder eine oder beide Haupteffekte? Die Antwort findest du im ersten Teil des Artikels – nur soviel – ist die Interaktion signifikant, kannst du die Haupteffekte ignorieren.

 

Hast du vorher eine parametrische ANOVA (also die ganz normale) gerechnet, machst du nun mit den t-Tests weiter, um deine Effekte zu verstehen. An dieser Stelle solltest du ggf für multiple Vergleiche korrigieren. Dabei gibt es verschiedene Methoden, wie z.B. die Bonferroni- oder die Holm-Korrektur, die unterschiedlich streng sind.

 

Je nachdem welche Effekte dich interessieren, kannst du dabei unterschiedlich vorgehen. In unserem Kurs zeigen wir dir genau wie das geht.

 

Hast du dich vorab für eine robuste ANOVA entschieden, machst du mit YUEN-Tests weiter, die ebenfalls robust sind und für multiples Testen korrigiert wurden.

 

Und da nicht nur die Signfikanz eines Tests wichtig ist, sondern auch die Stärke des Effekts (die sich übrigens nicht allein an der Signfikanz festmachen lässt), solltest du nun noch Effektstärken berechnen. In unseren Vorlagen erledigen wir das gleich automatisch mit, genau wie die dazugehörigen Konfidenzintervalle, die du benötigst, sobald es in Richtung einer Publikation gehen soll. 

 

 Schritt 6Geplante Kontraste

 

Hattest du vorab feste Hypothesen definiert, solltest du über eine elegante Alternative zu t-Tests nachdenken – die geplanten Kontraste. Geplante Kontrast ersetzen innerhalb eines Rechenschritts viele einzelne t-Tests und sind daher sehr praktisch.

 

Allerdings kann es ein bisschen schwierig sein sie anzulegen, in unserem Kurs haben wir daher viele verschiedene geplante Kontraste für dich entworfen, so kannst du direkt loslegen:

Wähle einfach einen Kontrast aus, der deine Hypothese widerspiegelt und schon bist du fertig mit deiner Datenanalyse.

↑ Zurück zur Übersicht

Schritt 7 – Grafik erstellen

 

Keine Statistik ohne schicke Grafik. Natürlich hast du schon deine Grafik aus Schritt 1, aber für eine Dissertation oder Publikation muss mehr her. Daher solltest du dir noch einmal genug Zeit nehmen, deine Grafik aufzuhübschen. Verwendest du unseren Kurs, kannst du das direkt mit Hilfe unseres letzten Skripts ratz fatz erledigen. Wir haben dabei extra darauf geachtet, dass du sie sowohl für deine Dissertation als auch für eine mögliche Publikation verwenden kannst und alle notwendigen Anforderungen erfüllt sind. 

 

Schritt 8 – Berichte die ANOVA im Methoden- & Ergebnisteil

 

Jetzt kommen wir zum finalen Teil, dem Berichten der ANOVA für Gruppenvergleiche im Ergebnis- und Methodenteil.

Hier gehst du folgendermaßen vor:

Methodenteil:

Zuerst beschreibst du im Methodenteil genau, welche Art der ANOVA du gerechnet hast, wie du dabei vorgegangen bist, welche Parameter du später wofür im Ergebnisteil berichten wirst und wie diese einzuordnen sind.

 

Für die ANOVA für Gruppenvergleiche aus unserem Beispiel würdest du beispielsweise berichten, dass du eine Zwischensubjekt-ANOVA mit den Faktoren Schmerzmittel (Ibuprofen vs. Paracetamol) und Dosis (hoch, mittel, niedrig) bzgl. ihrer Auswirkung auf die abhängige Variable Wirkdauer getestet hast.

 

Du solltest ebenfalls nennen, dass dies in den Haupteffekten Schmerzmittel und Dosis, sowie der Interaktion Schmerzmittel x Dosis resultierte. Weiterhin solltest du nennen, dass du im Falle einer signifikanten Interaktion diese mit Hilfe von post-hoc t-Tests weiter ausdifferenziert hast, und signifikante Haupteffekte nur dann weiter untersucht hast, falls die Interaktion nicht signifikant wurde. Verwendest du geplante Kontraste anstelle der t-Tests kannst du dies alternativ berichten.

 

Nenne auch, dass du die Annahmen der ANOVA geprüft hast und ob und wie du vorgegangen bist, falls die Annahmen nicht erfüllt wurden. In unserem Beispiel könntest du berichten, dass du eine robuste ANOVA berechnet hast, die mit Hilfe von Bootstrapping über 2000 Stichproben eine robuste Teststatistik ermittelt hat und die gefundenen Effekte anhand von Yuen-Tests weiter untersucht wurden.

 

Am Schluss solltest du aufzählen, welche Effektstärken du berechnet hast und wie diese zu interpretieren sind. Gib dazu Werte an, die vermitteln, was für die jeweilige Effektstärke ein kleiner Effekt, ein mittlerer Effekt und ein großer Effekt ist. Dies hilft dem Leser, deine Ergebnisse später zu bewerten.

Auf diese Weise hat dein Leser die Möglichkeit, dein Vorgehen genau nachzuvollziehen.

 

Ergebnisteil:

Im Ergebnisteil berichtest du nun die Ergebnisse der ANOVA. Schreib hier auf keinen Fall noch einmal über dein statistisches Vorgehen, das gehört in den Methodenteil. Berichte ausschließlich, was die ANOVA ergeben hat.

In unserem Beispiel würdest du berichten, dass sich innerhalb der ANOVA eine signifikante Interaktion Schmerzmittel x Dosis ergeben hat, die im Rahmen der post-hoc Testung ergab, dass die Wirkdauer beider Schmerzmittel mit steigender Dosis anstieg. Hierbei zeigte sich allerdings, dass dieser Anstieg für Ibuprofen von der mittleren zur hohen Dosis weniger stark ausfiel als für Paracetamol, sodass die signifikant höhere Wirkdauer von Ibuprofen im Vergleich zu Paracetamol, die in der niedrigen und mittleren Dosis zu finden war, in der hohen Dosis verschwand.

 

Folgendes solltest du beachten:

  • Berichte sowohl die statistischen Kennwerte der Interaktion, als auch alle relevanten post-hoc Tests samt Effektstärken.
  • Konzentriere dich inhaltlich auf die Effekte, die dich wirklich interessieren. Es ist nicht unbedingt notwendig jeden Untertest zu berichten. Belege dabei jede wertende Aussage mit einem dazugehörigen (signifikanten) Tests.
  • Berichte auch immer wieder deskriptive Statistiken, damit der Leser die wirkliche klinische Bedeutung der Effekte erkennen kann.
  • Berichte deine Ergebnisse objektiv, diskutieren und klinisch bewerten darfst du sie hier noch nicht. Das erfolgt in der Diskussion.

Wie du siehst, ist der Ergebnisteil eine recht objektive Sache, bei der du deine Resultate relativ neutral berichten solltest. Das kann manchmal langweilig wirken, ist aber notwendig, um die Grundordnung des wissenschaftlichen Schreibens einzuhalten.

↑ Zurück zur Übersicht

Schritt 9 – Die klinische Bewertung deiner Effekte

 

Prinzipiell hast du nun alles statistisch relevante erledigt – aber meiner Meinung nach fehlt noch das Wichtigste: Du musst deine Effekte noch klinisch interpretieren und bewerten. Das liegt daran, dass statistische Effekte Systematiken ausdrücken, die dir helfen sollen, abzuschätzen, ob deine gefundenen Ergebnisse verlässlich sind oder nur zufällig.

 

Die statistische Bedeutung eines Effekts ist somit nur die eine Seite der Medaille – die zweite ist die klinische Bedeutsamkeit des Effekts, dessen Bewertung du niemals vergessen solltest. Es kann z. B. sein, dass du hochsignifikante Effekte mit großen Effektstärken hast, die ermittelten Gruppenunterschiede aber minimal sind.

 

Welche klinische Relevanz hätte z. B. ein hochsignifikanter Haupteffekt Schmerzmittel, der dir anzeigt, dass Ibuprofen im Mittel  3 Minuten länger wirkt als Paracetamol? Genau, so gut wie keine.

 

Du solltest deine Effekte also immer anhand der deskriptiven Statistik klinisch einordnen. Diese klinische Bewertung erfolgt dabei nicht im Ergebnisteil, sondern erst später in der Diskussion. Im Ergebnisteil konzentrierst du dich einzig und allein darauf, deine Effekte objektiv zu berichten.

 

 

Hast du alle Schritte durchlaufen, hast du die ANOVA gemeistert:

Vom Aufbau des Datenfiles bis zur kritischen Einordnung der Ergebnisse.

Herzlichen Glückwunsch!

 

 

↑ Zurück zur Übersicht

Wie erstelle ich gute Grafiken in R?

Wie erstelle ich gute Grafiken in R?

In diesem Artikel zeige ich dir, wie du ganz einfach professionelle Grafiken in R erstellst.

Bevor meine Doktoranden ihre Dissertation abgeben, gebe ich ihnen immer zwei Tipps:

1. Kontrolliere, ob deine Grafiken bzw. Diagramme richtig gut sind
2. Lass dir dein Manuskript von einem Lektor editieren, damit alles schick aussieht.

Warum ist das wichtig?

Menschen sind visuelle Wesen. Sie lieben schöne Dinge. Deswegen kaufen wir Schmuck und achten darauf unsere Wohnungen ansprechend einzurichten. Schönheit erzeugt bei uns das Gefühl von Sicherheit und Wohlbefinden.

Wissenschaftler – und das sind deine Gutachter ja auch – sind da nicht anders: Sie lieben die Schönheit wissenschaftlicher Arbeiten. Und diese drückt sich über Struktur und Ordnung aus. Ein schön editiertes Manuskript mit guten Diagrammen erweckt bei ihnen den Eindruck, dass du als Doktorand auch in der Tiefe – also bei der Datenanalyse, der Literaturrecherche, und der Argumentation – strukturiert und gewissenhaft gearbeitet hast.

Gute Grafiken erhöhen also das Vertrauen in die wissenschaftliche Qualität deiner Dissertation – und glaub mir eins – das wirkt sich positiv auf die Benotung deiner Arbeit aus.

In dieser Blogartikelserie werde ich dir deshalb zeigen, wie du ganz einfach gute Grafiken für deine Dissertation erstellst.

Die Wahl des richtigen Diagramms

Bevor es aber losgeht, müssen wir erstmal klären, welche Grafiken du wann benutzen solltest.

Ist dir schon mal aufgefallen, dass manche Grafiken sehr schwer zu verstehen sind? Das liegt oft daran, dass die Art des Diagramms nicht zum Design der Studie passt. Die dargestellten Effekte sind in Folge kaum zu erkennen.

Um dieses Problem zu umgehen, solltest du dir bevor du damit beginnst deine Grafiken zu erstellen, genau überlegen, welche Fragestellungen deiner Grafik zugrunde liegen.

Um das herauszufinden, stelle ich dir im Folgenden die verschiedenen Diagrammtypen vor und erkläre dir, welche Fragestellungen bzw. Studiendesigns du mit ihnen am besten darstellen kannst und welche Variablentypen du dafür benötigst.

Hast du das für dich passende Diagramm gefunden, zeigen wir dir in einem kleinen Tutorial, wie du die entsprechende Grafik schnell erstellst.

1. Liniendiagramme

 

Ein Liniendiagramm darfst du immer dann verwenden, wenn du Mittelwerte und ein Streuungsmaß wie z.B. die Standardabweichung über mehrere Bedingungen hinweg darstellen möchtest.

Dafür müssen deine Daten normalverteilt und metrisch skaliert sein.

Für folgende Studiendesigns solltest du Liniendiagramme verwenden:

1.1 Messwiederholungen

Liniendiagramme sind definitiv für Messwiederholungen erfunden worden. Das liegt daran, dass Linien sehr gut dazu geeignet sind, einzelne Zeitpunkte der Messung optisch miteinander zu verbinden und somit Veränderungen über die Zeit hinweg klar herauszustellen.

Im einfachsten Fall sieht eine Liniengrafik für Messwiederholungen so aus:

Dargestellt wird die Veränderungen der Beweglichkeit über 3 Zeitpunkte hinweg: T1, T2 und T3. Da die Linie ansteigt, wird intuitiv klar: Die Beweglichkeit steigt über die Zeit hinweg an.

FYI: Das dazu gehörige Testverfahren wäre die Innersubjekt-ANOVA (= ANOVA für Messwiederholungen).

Eine einfache Anleitung für Liniendiagramme in R erhältst du hier:

 

1.2 Messwiederholungen mit verschiedenen Gruppen:

Dieses einfache Studiendesign kann sich aber auch etwas komplexer gestalten. Und gerade dann sind Liniengrafiken perfekt geeignet, um Effekte klar herauszustellen:

Im folgenden Liniendiagramm bekommen zwei Gruppen von Patientinnen entweder Ibuprofen (Gruppe 1) oder Paracetamol (Gruppe 2) und ihre Regelschmerzen zu behandeln. Dafür erhalten sie über die folgenden 3 Monate hinweg verschiedene Dosierungen: Einmal eine geringe, einmal eine mittlere und einmal eine hohe (in randomisierter Reihenfolge). Gemessen wird die Anzahl der Stunden, in denen die Frauen schmerzfrei sind.

R Grafiken Liniendiagramm Schmerzmittel

Anhand der ansteigenden Linien wird sofort klar: Eine höhere Dosierung scheint in einer längeren Wirkdauer zu resultieren, wobei sich dieser Effekt etwas stärker für Paracetamol zeigt, im Vergleich zu Ibuprofen. Und da die Linie von Ibuprofen über der von Paracetamol liegt, erkennt man leicht, dass Ibuprofen generell ein bisschen länger wirkt (zumindest in der niedrigen und mittleren Dosis).

Wie übersichtlich und einfach zu verstehen! Der gleiche Effekt als Balkendiagramm dargestellt, wäre ein pain in the ass gewesen. Daher solltest du für Studiendesigns wie dieses unbedingt Liniendiagramme verwenden.

Zur Info: Das dazu gehörige Testverfahren wäre die Mixed-Modell-ANOVA
(= ANOVA für Gruppenvergleiche x Messwiederholung).

Eine einfache Anleitung für Liniendiagramme in R erhältst du hier:

 

1.3 Verschiedene Gruppen über verschiedene Bedingungen:

Manchmal bietet sich an, Liniendiagramme auch für Studiendesigns ohne Messwiederholungen zu verwenden, in denen du verschiedene Gruppen über verschiedene Bedingungen vergleichst. Dafür ist es aber notwendig, dass du ein faktorielles Design verwendest.

Das würde z.B. dann vorliegen, wenn du wie im obigen Beispiel zwei Medikamente mit jeweils 3 verschiedenen Dosierungen vergleichst und die 6 Faktorkombinationen dann je einer Gruppe zuordnest.

In diesem konkreten Fall würdest du also 6 Gruppen miteinander vergleichen, wobei die Gruppen, die den gleichen Wirkstoff bekämen, durch eine Linie entlang der verschiedenen Dosierungen optisch verbunden wären.

Eine gute Alternative wäre hier allerdings auch ein Balkendiagramm für Mittelwerte.

 

Kurs R Grafiken

Zur Info: Das dazu gehörige Testverfahren wäre die Mixed-Modell-ANOVA
(= ANOVA für Gruppenvergleiche x Messwiederholung).

Eine einfache Anleitung für Liniendiagramme in R erhältst du hier:

 

Du siehst, mit dem Liniendiagramm kann man relativ komplexe Studiendesigns sehr übersichtlich und intuitiv darstellen – und das willst du, denn so sammelst du spielend Punkte bei deiner Betreuerin.

2. Boxplots

 

Boxplots verwendest du immer dann, wenn deine Variablen ordinal – oder metrisch skaliert, aber leider nicht normalverteilt.

Boxplots sind unsere Retter in der Not, da sie immer dann einspringen, wenn unsere Variablen nicht den Anforderungen des Liniendiagramms entsprechen.

In diesem Fall gibt uns der Boxplot sehr viel wertvolle Information über die Verteilung der Variablen.

R Grafiken Boxplots Schmerzempfinden

Boxplots können für folgende Studiendesigns verwendet werden:

Messwiederholungen, Messwiederholungen für verschiedene Gruppen, und für den Vergleich von verschiedenen Gruppen über verschiedene Bedingungen.

Du siehst, die passenden Studiendesigns sind genau gleich zu denen des Liniendiagramms – denn der Boxplot springt immer dann ein, wenn die Vorbedingungen des Liniendiagramms nicht erfüllt werden.

Da ein Boxplot sehr viele Informationen über die Verteilung der dargestellten Variablen bietet, wäre es schlicht weg zu unübersichtlich eine optische Verbindung wie Linien zwischen den Bedingungen oder Zeitpunkten einzubauen. Daher wird jede Bedingung anhand eines einzelnen Boxplots dargestellt. Die Interpretation der Effekte erfolgt über den im Boxplot dargestellten Median (=  die dicke Linie in der Mitte der Box) und ist demzufolge nicht so leicht wie im Liniendiagramm.

Wie du einen Boxplot interpretierst und wie du ihn ganz einfach in einer Grafik für deine Dissertation erstellen kannst, zeige ich dir in diesem Artikel.

 

FYI:
Die zugrundeliegenden Testverfahren für die beschriebenen Studiendesigns bei metrisch skalierten, aber nicht normalverteilten Variablen sind:

    • Für Messwiederholungen: die robuste ANOVA für Messwiederholungen oder die Friedmann – ANOVA
    • Für Messwiederholungen bei verschiedenen Gruppen: die robuste ANOVA für Messwiederholung x Gruppenvergleiche
    • Für den Vergleich verschiedener Gruppen über verschiedene Bedingungen: die robuste ANOVA für Gruppenvergleiche oder der Kruskall-Wallis Test.

Die zugrunde liegende Testverfahren für die beschriebenen Studiendesigns bei ordinal skalierten, Variablen sind:

    • Für Messwiederholungen: die Friedmann- ANOVA
    • Für den Vergleich von verschiedenen Gruppen: der Kruskall-Wallis Test.
    • Spezialfall ordinale Daten: Es kann immer nur ein einzelner Faktor getestet werden, also z.B. nur eine Gruppe über verschiedene Dosierungen hinweg, nicht mehrere. Interaktionen entfallen somit.

3. Balkendiagramme

 

Balkendiagramme werden auch Säulendiagramme genannt und in 2 Typen unterteilt:

Solche, die Mittelwerte darstellen und solche, die Häufigkeiten darstellen.

3.1 Balkendiagramme für Mittelwerte

Balkendiagramme für Mittelwerte verwendest du immer dann, wenn du Mittelwerte und ein Streuungsmaß wie z.B. die Standardabweichung für mehrere Gruppen über viele verschiedene Bedingungen hinweg darstellen möchtest.

Sie sind also die beste Lösung für alle Szenarien, die keine Messwiederholungen beinhalten.

 

Eine wichtige Voraussetzung ist dafür allerdings, dass deine Variablen normalverteilt und metrisch skaliert sind. Ist diese Voraussetzung nicht erfüllt, verwende lieber Boxplots.

R Grafiken Balkendiagramm für Mittelwerte

FYI: Das dazu gehörige Testverfahren wäre die Zwischensubjekt-ANOVA
(auch ANOVA für Gruppenvergleiche genannt).

Eine einfache Anleitung für Balkendiagramme für Mittelwerte in R erhältst du hier:

 

3.2 Balkendiagramme für Häufigkeiten:

Balkendiagramme für Häufigkeiten werden für nominale Variablen verwendet, also Variablen, die zwei oder mehr, klar voneinander abgrenzbare Ausprägungen haben (z.B. die Anzahl von Respondern bei einem oder mehreren verschiedenen Medikamenten).

Dabei können sowohl die absoluten (n) als auch die relativen Häufigkeiten (%) im Säulendiagramm dargestellt werden.

Es wäre dabei sowohl möglich Häufigkeitsvergleiche zwischen verschiedenen Gruppen als auch zwischen verschiedenen Messzeitpunkten darzustellen:

R Grafiken Balkendiagramm für Häufigkeiten

FYI:
Das richtige Testverfahren für den Vergleich von Häufigkeiten zwischen verschiedenen Gruppen wäre die Kreuztabelle mit dem Chi2-Test.

Das richtige Testverfahren für den Vergleich von Häufigkeiten zwischen verschiedenen Messzeitpunkten wäre die Kreuztabelle mit dem McNemar-Test.

Eine einfache Anleitung für Balkendiagramme für Häufigkeiten in R erhältst du hier:

 

 4. Streudiagramme

 

Streudiagramme werden immer dann verwendet, wenn du bei deiner Stichprobe zwei verschiedene Maße erhoben hast und dann die  Zusammenhänge zwischen diesen zwei metrischen, zwei ordinalen oder einer metrischen und einer ordinalskalierten Variablen darstellen möchtest. 

Sie eignen sich prima dafür, die Stärke und die Richtung dieser Zusammenhängen herauszuarbeiten und diese dann in Form von Korrelationsgeraden darzustellen.

Das Beste ist aber, dass man Streudiagramme (auch Scatter Plots genannt) nach Gruppen getrennt erstellen kann, und somit den Vergleich von Effekten stark vereinfachen kann.

In der folgenden Grafik erkennst du zum Beispiel intuitiv, dass mehr Training für Frauen keinen positiven Effekt auf die Ausdauer hat, bei Männern aber schon (das ist natürlich glatt gelogen).

R Grafiken Streudiagramm

FYI:
Das dazu gehörige Testverfahren wäre für zwei metrische Variablen die Korrelation nach Pearson.
Für zwei ordinalskalierte Variablen oder die Korrelation einer ordinalen und einer metrischen Variablen die Korrelation nach Spearman.

Eine einfache Anleitung für Streudiagramme in R erhältst du hier:

5. Diagramme für Zeitverläufe

 

Diagramme für Zeitverläufe benötigst du immer dann, wenn du die Häufigkeit bestimmter Vorkommnisse über sehr viele einzelne Zeitpunkte (z.B. Tage, Wochen, Monate) hinweg darstellen möchtest.

Sie werden insbesondere im Bereich der Epidemiologie häufig verwendet. Diesen Diagrammtyp erläutere ich hier nicht, wir haben dir aber hier eine Anleitung erstellt, mit der du entsprechende Diagramme ganz leicht erstellen kannst.

Grafik Zeitverlauf Covid Todesfälle
R Grafiken Banner Onlinekurs
R Grafiken Banner Onlinekurs Mobile
So erstellst du mühelos ein Balkendiagramm für Häufigkeiten in R – Video-Tutorial!

So erstellst du mühelos ein Balkendiagramm für Häufigkeiten in R – Video-Tutorial!

In diesem Artikel zeigen wir dir, wie du schnell und einfach ein professionelles Balkendiagramm für Häufigkeiten in R erstellst.

Und keine Angst, dafür musst du nicht programmieren können, sondern einfach nur nachmachen, was wir dir im folgenden Schritt-für-Schritt-Video zeigen.

Bevor es aber losgeht:

In diesem Artikel verwenden wir das Tool ggplot, das du kostenlos innerhalb von R verwenden kannst und mit dem du professionelle Grafiken in wenigen Minuten erstellen kannst. Wie du R installierst und wie R aufgebaut ist, zeigen wir dir in diesem Video.

Die Wahl des richtigen Diagramms

Balkendiagramme für Häufigkeiten sind sehr gut dafür geeignet die Häufigkeiten von Merkmalen, wie z.B. dem Vorliegen einer Komorbidität darzustellen.

Als Vorbedingung benötigst du daher nominalskalierte Variablen, also Variablen, die du ganz klar in Klassen einteilen kannst und deren Ausprägungen keine fließenden Übergänge haben.

Ist dies nicht der Fall, dann verwende lieber Balkendiagramme für Mittelwerte, Liniendiagramme oder Boxplots.

Möchtest du lieber relative Häufigkeiten (z.B. %) anstelle von absoluten Häufigkeiten darstellen, dann zeigen wir dir dies ebenfalls im Video.

Eine Übersicht über alle verschiedenen Diagrammtypen, und eine Erklärung wann du sie am besten verwendest, findest du hier.

So, nun geht es aber los!

Folgendes Balkendiagramm werden wir im Videotutorial erstellen:

R Grafiken Balkendiagramm für Häufigkeiten

In diesem Video findest du nun eine einfache Schritt-für-Schritt-Anleitung für dein Balkendiagramm:

Falls dir das schon mal geholfen hat, du aber deine Diagramme noch schneller erstellen möchtest, dann schau doch mal hier in unseren Mini-Kurs für das Erstellen von Grafiken in R.

In diesem Kurs geben wir dir die hier verwendeten R-Skripte und Vorlagen für viele verschiedene Diagrammtypen. Wir zeigen dir, wie du die Grafiken sehr schnell nach deinen Wünschen anpassen kannst – und zwar ohne Vorkenntnisse und jegliche Erfahrung in R.

R Grafiken Banner Onlinekurs
R Grafiken Banner Onlinekurs Mobile
So erstellst du ganz leicht ein Diagramm mit Boxplots in R – Video-Tutorial!

So erstellst du ganz leicht ein Diagramm mit Boxplots in R – Video-Tutorial!

In diesem Artikel zeigen wir dir, wie du schnell und einfach ein professionelles Diagramm mit Boxplots in R erstellst.

Und keine Angst, dafür musst du nicht programmieren können, sondern einfach nur nachmachen, was wir dir im folgenden Schritt-für-Schritt-Video zeigen.

Bevor es aber losgeht:

In diesem Artikel verwenden wir das Tool ggplot, das du kostenlos innerhalb von R verwenden kannst und mit dem du professionelle Grafiken in wenigen Minuten erstellen kannst. Wie du R installierst und wie R aufgebaut ist, zeigen wir dir in diesem Video.

Die Wahl des richtigen Diagramms

 Diagramme mit Boxplots sind sehr gut dazu geeignet die Studienergebnisse verschiedener Gruppen und/ oder Zeitpunkte anhand von Medianen und Quartilen darzustellen.

Sie werden immer dann verwendet, sobald die Vorbedingungen eines Linien- oder Balkendiagramms für Mittelwerte nicht erfüllt werden.

Dies ist z.B. dann der Fall, wenn du zwar metrisch skalierte Variablen, wie z.B. kg oder Minuten darstellen möchtest, diese aber nicht normalverteilt sind.

Boxplots werden aber auch dafür verwendet ordinalskalierte Variablen darzustellen, deren Ausprägungen graduell sind. Solche Variablen erkennst du daran, dass sich ihre Ausprägungen gut in eine Reihenfolge bringen lassen, wie z.B. die Antwortmöglichkeiten innerhalb eines Fragebogens wie: stimme gar nicht zu, stimme eher nicht zu, neutral, stimme ein wenig zu, stimme voll zu.

Ordinale Variablen solltest du dabei vorab immer als äquivalente Folge von Zahlen codieren, wie z.B. -2, -1, 0, 1, 2, damit du sie sinnvoll in einem Boxplot darstellen kannst.

Falls du dich nun fragst, was ein Boxplot eigentlich ist, und was du an ihm ablesen kannst, kannst du das in diesem Glossar-Eintrag nachlesen.

Klicke hier, falls du doch lieber Balkendiagramme (für Mittelwerte und Häufigkeiten) oder Liniendiagramme erstellen möchtest.

Eine Übersicht über alle verschiedenen Diagrammtypen, und eine Erklärung wann du sie am besten verwendest, findest du hier.

So, nun geht es aber los!

Folgendes Diagramm mit Boxplots werden wir im Videotutorial erstellen:

R Grafiken Boxplots Schmerzempfinden

In diesem Video findest du nun eine einfache Schritt-für-Schritt-Anleitung für dein Boxplotdiagramm:

Falls dir das schon mal geholfen hat, du aber deine Diagramme noch schneller erstellen möchtest, dann schau doch mal hier in unseren Mini-Kurs für das Erstellen von Grafiken in R.

In diesem Kurs geben wir dir die hier verwendeten R-Skripte für viele verschiedene Diagrammtypen und zeigen dir anhand der Vorlagen, wie du die Grafiken sehr schnell nach deinen Wünschen anpassen kannst – und zwar ohne Vorkenntnisse und jegliche Erfahrung in R.

R Grafiken Banner Onlinekurs
R Grafiken Banner Onlinekurs Mobile
So erstellst du Schritt für Schritt ein Liniendiagramm in R – Video-Tutorial!

So erstellst du Schritt für Schritt ein Liniendiagramm in R – Video-Tutorial!

In diesem Artikel zeigen wir dir, wie du schnell und einfach ein professionelles Liniendiagramm in R erstellst.

Und keine Angst, dafür musst du nicht programmieren können, sondern einfach nur nachmachen, was wir dir im folgenden Schritt-für-Schritt-Video zeigen.

Bevor es aber losgeht:

In diesem Artikel verwenden wir das Tool ggplot, das du kostenlos innerhalb von R verwenden kannst und mit dem du professionelle Grafiken in wenigen Minuten erstellen kannst. Wie du R installierst und wie R aufgebaut ist, zeigen wir dir in diesem Video.

Die Wahl des richtigen Diagramms

Liniendiagramme sind dabei sehr gut dazu geeignet die Studienergebnisse verschiedener Gruppen anhand von Mittelwerten und Standardabweichungen über die Zeit hinweg darzustellen.

Sie sind sehr übersichtlich und ermöglichen es Effekte sehr leicht und schnell zu erkennen.

Als Vorbedingung benötigst du metrisch skalierte Variablen, die normalverteilt sind. Nur dann sind die dargestellten Mittelwerte und Standardabweichungen aussagekräftig.

Ist dies nicht der Fall, verwende lieber Boxplots.

Möchtest du anstatt Liniendiagramme lieber Balkendiagramme erstellen, dann zeigen wir dir hier, wie du sie erstellst: Balkendiagramm für Mittelwerte & Balkendiagramm für Häufigkeiten.

Eine Übersicht über alle verschiedenen Diagrammtypen, und eine Erklärung wann du sie am besten verwendest, findest du hier.

So, nun geht es aber los!

Folgendes Liniendiagramm werden wir im Videotutorial erstellen:

R Grafiken Liniendiagramm Schmerzmittel

In diesem Video findest du nun eine einfache Schritt-für-Schritt-Anleitung für dein Liniendiagramm:

Falls dir das schon mal geholfen hat, du aber deine Diagramme noch schneller erstellen möchtest, dann schau doch mal hier in unseren Mini-Kurs für das Erstellen von Grafiken in R.

In diesem Kurs geben wir dir die hier verwendeten R-Skripte als Vorlagen für viele verschiedene Diagrammtypen und zeigen dir, wie du die Grafiken sehr schnell nach deinen Wünschen anpassen kannst – und zwar ohne Vorkenntnisse und jegliche Erfahrung in R.

R Grafiken Banner Onlinekurs
R Grafiken Banner Onlinekurs Mobile

Lade dir hier die Formelsammlung für deinen Bland-Altman-Plot herunter

Melde dich für meinen Newsletter an und erhalte sofort das PDF!

You have Successfully Subscribed!

10 % Rabatt auf unsereWorkshops & Kurse im Onlineshop!

Trage dich hier für Dr. Ortmanns beste Maildizin ein und erhalte regelmäßige Rabatte, Tipps und Coachinginhalte für deine empirische Promotion

You have Successfully Subscribed!

Lade dir hier die Checkliste für deinen Methodenteil herunter

Melde dich für meinen Newsletter an und erhalte sofort das PDF!

You have Successfully Subscribed!


Jetzt 10 % Rabatt auf alle

Workshops & Kurse sichern!

You have Successfully Subscribed!

Downloade dir hier das Flowchart für deine ANOVA

Melde dich für meinen Newsletter an und erhalte sofort das PDF!

You have Successfully Subscribed!