Zweifaktorielle ANOVA in SPSS durchführen, interpretieren und berichten
Deine Studie hat zwei Faktoren wie Lernmethode und Vorwissen. Du willst wissen, ob beide gemeinsam auf die Leistung wirken. Mit der einfaktoriellen ANOVA in SPSS kommst du hier nicht weiter, weil sie nur einen Faktor betrachtet. Die zweifaktorielle ANOVA prüft beide Faktoren und ihr Zusammenspiel in einem gemeinsamen Modell.
Wann die zweifaktorielle ANOVA passt
Die zweifaktorielle ANOVA vergleicht Mittelwerte einer metrischen abhängigen Variable über die Stufen von zwei unabhängigen Faktoren. Jede Person gehört genau einer Zelle des Designs an, in einem 2 × 2-Design also einer von vier Gruppen. Werden dieselben Personen mehrfach gemessen, brauchst du stattdessen eine Messwiederholung oder eine Mixed ANOVA.
Das Verfahren liefert drei Ergebnisse. Zwei Haupteffekte zeigen, ob sich die Mittelwerte eines Faktors unterscheiden, wenn man über die Stufen des anderen Faktors mittelt. Der Interaktionseffekt zeigt, ob der Effekt des einen Faktors von der Stufe des anderen abhängt. Gerade diese Interaktion ist oft der eigentliche Grund, warum ein zweifaktorielles Design gewählt wurde.
Voraussetzungen prüfen
Die Voraussetzungen entsprechen weitgehend denen der einfaktoriellen ANOVA:
Unabhängige Beobachtungen. Jede Person liefert genau einen Wert und gehört genau einer Zelle an.
Normalverteilung der Residuen. Bei mittleren bis großen Zellbesetzungen ist die ANOVA gegenüber Abweichungen recht robust.
Varianzhomogenität. Der Levene-Test prüft, ob die Varianzen in allen Zellen ähnlich sind. Was ein signifikantes Ergebnis bedeutet, erklärt der Beitrag zum Levene-Test in SPSS.
Ausreichende Zellbesetzung. Sehr kleine oder stark ungleiche Zellen machen das Ergebnis instabil und erschweren die Interpretation.
Ist die Varianzhomogenität verletzt und sind die Zellen zudem ungleich groß, wird der F-Test unzuverlässig. Dann kommen robuste Verfahren oder eine Transformation in Frage. Welche Lösung passt, hängt vom Ausmaß der Verletzung und von deiner Fragestellung ab.
Den SPSS-Output lesen
SPSS rechnet die zweifaktorielle ANOVA über das Allgemeine lineare Modell. Entscheidend ist die Tabelle der Tests der Zwischensubjekteffekte. Dort stehen für beide Faktoren und für die Interaktion jeweils Quadratsumme, Freiheitsgrade, F-Wert, Signifikanz und auf Wunsch das partielle Eta-Quadrat. Die Zeilen für das korrigierte Modell und den konstanten Term gehören in der Regel nicht in den Text.
So könnte das mit erfundenen Werten aussehen. In einem 2 × 2-Design mit je 30 Personen pro Zelle wurde die Lernleistung auf einer Skala von 1 bis 6 erhoben. Die Tabelle 1 zeigt die Zellmittelwerte:
Lernmethode | Vorwissen niedrig | Vorwissen hoch |
Text | M = 3.10, SD = 0.95 | M = 3.60, SD = 0.90 |
Video | M = 3.15, SD = 1.00 | M = 4.40, SD = 0.92 |
Die ANOVA ergibt einen Haupteffekt der Lernmethode mit F(1, 116) = 6.09, p = .015, η²ₚ = .05 und einen Haupteffekt des Vorwissens mit F(1, 116) = 25.82, p < .001, η²ₚ = .18. Die Interaktion ist mit F(1, 116) = 4.74, p = .031, η²ₚ = .04 ebenfalls signifikant.
Du bist unsicher, welche Zeilen der SPSS-Ausgabe in deine Arbeit gehören? Bei der statistischen Auswertung übernehmen wir die Modellwahl und erklären dir, warum welcher Wert berichtet wird.
Die Interaktion richtig interpretieren
Ist die Interaktion signifikant, lassen sich die Haupteffekte nicht mehr ohne Weiteres für sich deuten. Im Beispiel profitiert vor allem die Gruppe mit hohem Vorwissen vom Video. Bei niedrigem Vorwissen liegen beide Methoden nahezu gleichauf. Ein pauschaler Satz wie „Video ist besser als Text“ wäre deshalb irreführend.
Um das zu belegen, rechnest du einfache Haupteffekte, also den Effekt der Methode getrennt für jede Stufe des Vorwissens. Mit den erfundenen Werten ergibt sich bei hohem Vorwissen F(1, 116) = 10.79, p = .001, η²ₚ = .09, bei niedrigem Vorwissen dagegen F(1, 116) = 0.04, p = .842. Ein Interaktionsdiagramm mit den Zellmittelwerten macht das Muster auf einen Blick sichtbar. Verlaufen die Linien parallel, spricht das gegen eine Interaktion. Kreuzen oder spreizen sie sich, spricht es dafür.
Hat ein Faktor mehr als zwei Stufen, zeigt ein signifikanter Haupteffekt nur, dass sich irgendwo Mittelwerte unterscheiden. Welche Gruppen genau, klären Post-hoc-Tests oder geplante Kontraste. Wie du die Effektstärke einordnest, erklärt der Beitrag zu Eta-Quadrat und partiellem Eta-Quadrat.
Ergebnisse nach APA 7 berichten
Im Text nennst du für jeden Effekt die F-Statistik mit beiden Freiheitsgraden, den p-Wert und eine Effektstärke. Die Zellmittelwerte stehen in einer Tabelle oder Abbildung, auf die du im Text verweist. Ein Ergebnissatz zur Interaktion könnte so lauten:
Die Interaktion von Lernmethode und Vorwissen war signifikant, F(1, 116) = 4.74, p = .031, η²ₚ = .04. Personen mit hohem Vorwissen erzielten mit Video höhere Werte als mit Text, bei niedrigem Vorwissen zeigte sich kein Unterschied.
Für die einfaktorielle Variante zeigt der Beitrag einfaktorielle ANOVA nach APA-Stil, wie die Grundform aussieht. Typische Formfehler wie fehlende Kursivsetzung oder führende Nullen sammelt der Artikel die 12 häufigsten APA-7-Fehler im Ergebnisteil.
Häufige Fragen zur zweifaktoriellen ANOVA
Muss ich die Haupteffekte berichten, wenn die Interaktion signifikant ist?
Ja, berichtet werden alle drei Effekte. Bei der Interpretation stellst du aber die Interaktion in den Vordergrund und erklärst, warum die Haupteffekte allein ein verzerrtes Bild ergeben würden.
Was mache ich bei ungleichen Gruppengrößen?
SPSS verwendet standardmäßig Quadratsummen vom Typ III, die mit ungleichen Zellen umgehen können. Stark ungleiche Zellen solltest du trotzdem im Methodenteil erwähnen und die Varianzhomogenität sorgfältig prüfen.
Partielles Eta-Quadrat oder Eta-Quadrat?
SPSS gibt im Allgemeinen linearen Modell das partielle Eta-Quadrat aus. Es ist in den meisten Fächern üblich, du solltest es aber eindeutig als partiell kennzeichnen. Die Unterschiede zwischen den Maßen erklärt der Beitrag Welche Effektstärke gehört zu welchem Verfahren?
Was kostet die Auswertung einer zweifaktoriellen ANOVA?
Der Aufwand hängt vom Umfang ab, etwa von der Zahl der Hypothesen, der Datenaufbereitung und davon, ob einfache Haupteffekte nötig sind. Wovon der Aufwand im Einzelnen abhängt, beschreibt der Beitrag Was kostet eine statistische Auswertung?
Kann ich statt der ANOVA eine Regression rechnen?
Ja, beide gehören zum allgemeinen linearen Modell und liefern bei passender Kodierung dieselben Ergebnisse. In Abschlussarbeiten mit experimentellem Design ist die ANOVA aber meist die erwartete Darstellung.
Zweifaktorielle ANOVA rechnen und erklären lassen Wir prüfen die Voraussetzungen, rechnen Haupteffekte, Interaktion und einfache Haupteffekte und erklären dir im Abschlussgespräch, wie du das Muster deiner Daten verteidigst. Mehr dazu findest du bei der Statistik-Hilfe für Studierende und Promovierende.
