Cohen’s d ist ein Maß für die Effektstärke, das den Unterschied zwischen zwei Gruppen in Bezug auf die Standardabweichung der Gruppe angibt. Es ist ein wichtiges Konzept in der Statistik und insbesondere in der Metaanalyse, um die Größe eines Effekts unabhängig von der Stichprobengröße zu bewerten. In diesem Beitrag werden wir die Grundlagen von Cohen’s d, seine Berechnung und Interpretation sowie seine Anwendung in verschiedenen Forschungsszenarien untersuchen.
weiterlesen…Kategorie: Statistik
Vergleich von Korrelationen – Methoden, Anwendungen & Rechner
In der Statistik ist die Korrelation ein Maß, um den Zusammenhang zwischen zwei Variablen zu beschreiben. Wenn man mehrere Korrelationen miteinander vergleichen möchte, ist es wichtig, geeignete statistische Verfahren anzuwenden. In diesem Artikel werden wir uns mit verschiedenen Methoden zur statistischen Analyse und zum Vergleich von Korrelationen befassen. Dazu gehören der Fisher-Z-Test, der Meng-Z-Test, der Williams-T2-Test und der Steiger-Vergleich.
weiterlesen…Rechner zur Adjustierung des α-Niveaus
Das α-Niveau beschreibt die Wahrscheinlichkeit, einen Fehler 1. Art zu machen, also fälschlicherweise einen Effekt anzunehmen, der nicht existiert. Üblich ist ein α-Niveau von 0,05, was bedeutet, dass einer von 20 statistischen Tests signifikant wird, obwohl kein Effekt vorliegt. Bei mehreren Tests steigt diese Wahrscheinlichkeit an. Um dies zu korrigieren, gibt es verschiedene Verfahren.
weiterlesen…Erwartungswert
Der Erwartungswert (auch mathematischer Erwartungswert genannt) ist ein Begriff aus der Stochastik und beschreibt das erwartete arithmetische Mittel einer Zufallsvariablen. Er wird berechnet, indem jeder mögliche Ausgangswert mit seiner jeweiligen Wahrscheinlichkeit gewichtet wird.
weiterlesen…Multidimensionale Skalierung – Einblick in die Komplexität der Datenvisualisierung
Multidimensionale Skalierung (MDS) ist ein facettenreiches Verfahren in der Datenanalyse und -visualisierung. Ziel der MDS ist es, komplexe, mehrdimensionale Daten so zu vereinfachen und darzustellen, dass die wesentlichen Beziehungen und Strukturen innerhalb der Daten erkennbar bleiben. Dies geschieht durch die Reduzierung der Dimensionalität, wobei die ursprünglichen Distanzen zwischen den Datenpunkten so gut wie möglich beibehalten werden. Die MDS findet breite Anwendung in verschiedenen Bereichen, von der Psychologie über die Marktforschung bis hin zur Bioinformatik, und hilft dabei, verborgene Muster und Zusammenhänge in großen Datensätzen aufzudecken.
weiterlesen…