Rechner für zweifaktorielle ANOVA

Die zweifaktorielle Varianzanalyse untersucht eine stetige Zielvariable über die Kombinationen zweier kategorialer Faktoren. Ein 2 x 2 Design umfasst zwei Stufen von Faktor A, zwei Stufen von Faktor B und vier Zellen für alle möglichen Kombinationen. Anders als getrennte einfaktorielle Tests schätzt das faktorielle Modell beide Haupteffekte und eine Interaktion in einer einzigen Analyse. Dieser Rechner analysiert balancierte Designs mit Wiederholungen: Jede Zelle muss gleich viele unabhängige Beobachtungen enthalten, mindestens jedoch zwei. Der Haupteffekt von Faktor A vergleicht die mittlere Zielvariable zwischen A1 und A2, nachdem über beide Stufen von Faktor B gemittelt wurde. Entsprechend vergleicht der Haupteffekt von Faktor B die Stufen B1 und B2 nach Mittelung über Faktor A. Die Interaktion prüft, ob sich der Effekt eines Faktors je nach Stufe des anderen verändert. Sie kann wichtig sein, selbst wenn beide Haupteffekte klein sind. Beispielsweise können zwei Behandlungen in zwei Altersgruppen entgegengesetzte Wirkungen haben: Die Gesamtmittelwerte der Behandlungen sind dann gleich, die Überkreuzinteraktion jedoch stark. Der Rechner zerlegt die Variation in Faktor A, Faktor B, die Interaktion A mit B und den Restfehler. Jede Effektquadratsumme hat in einem 2 x 2 Design einen Freiheitsgrad. Die Restvariation wird aus den Abweichungen der Beobachtungen von ihrem jeweiligen Zellenmittelwert berechnet. Das mittlere Quadrat jedes Effekts geteilt durch das mittlere Fehlerquadrat ergibt die F-Statistik. Größere F-Werte weisen auf einen im Verhältnis zur unerklärten Variation großen Effekt hin. Für formale p-Werte muss jede Statistik anhand einer F-Verteilung mit einem Zählerfreiheitsgrad und den angezeigten Fehlerfreiheitsgraden im Nenner ausgewertet werden. Die Interpretation setzt die üblichen ANOVA-Annahmen voraus: unabhängige Beobachtungen, annähernd normalverteilte Residuen in jeder Zelle und ähnliche Varianzen zwischen den Zellen. Balancierte Stichproben erhöhen die Robustheit und halten die Effekte orthogonal, beheben aber weder mangelhafte Randomisierung noch Ausreißer oder abhängige Messungen. Ist die Interaktion inhaltlich relevant, sollten Sie einfache Effekte oder Zellenvergleiche vor den Haupteffekten interpretieren, da die Mittelung das Muster verdecken kann. Berichten Sie Zellenmittelwerte und Streuung gemeinsam mit F-Statistiken, Freiheitsgraden, p-Werten und Effektstärken. Das Tool dient nachvollziehbaren Berechnungen, Unterrichtsbeispielen und der schnellen Kontrolle balancierter Designs mit Wiederholungen.