Versionen im Vergleich
Schlüssel
- Diese Zeile wurde hinzugefügt.
- Diese Zeile wurde entfernt.
- Formatierung wurde geändert.
Häufig ist es der Zusammenhang zwischen Variablen interessant. Um das geeignete Maß zu finden ist das Messniveau von Bedeutung. Bei metrischen Variablen können Korrelationen oder Streudiagramme als erstes Maß in Betracht gezogen werden. Hingegen stellt für diskrete oder klassierte Merkmale die Kontingenztabelle (auch „Kreuztabelle“ genannnt) eine Darstellungsform für den Zusammehang zweier simultan beobachteter Merkmale dar. Mit Hilfe von Kontingenztabellen können auch Tests auf den Zusammenhang zwischen den beiden Variablen durchgeführt werden. Im Folgenden sollen vor allem Abhängigkeiten zwischen zwei diskreten Merkmalen getestet werden.
Wie bei dem Kapitel der Linearen Regression werden Skripte in allen vier Statistikprogrammen bereit gestellt. Diese sind auf der rechten Seite zu finden.
Inhaltsverzeichnis
Inhalt | ||||
---|---|---|---|---|
|
Info | ||
---|---|---|
| ||
fu:stat thesis befindet sich momentan noch im Aufbau. Neue Artikel werden regelmäßig veröffentlicht. Sollten Sie Fehler finden, selbst kleine, oder Feedback haben, dann schicken Sie uns bitte eine kurze E-Mail an thesis@stat.fu-berlin.de |
Info |
---|
fu:stat bietet regelmäßig Schulungen für Hochschulangehörige sowie für Unternehmen und weitere Institutionen an. Die Inhalte reichen von Statistikgrundlagen (Deskriptive, Testen, Schätzen, lineare Regressions) bis zu Methoden für Big Data. Es werden außerdem Kurse zu verschiedenen Software-Paketen gegeben. Auf Anfrage können wir auch gerne individuelle Inhouse-Schulungen bei Ihnen anbieten. |
Kontingenztabellen
Diskrete und klassierte Merkmale können in Kontingenztabellen dargestellt werden. Dabei werden üblicherweise zwei Merkmale in Verbindung gebracht. Diese Merkmale haben jeweils bedingte und unbedingte Ausprägungen. Nehmen wir z.B. die beiden Merkmale Geschlecht und Erwerbstätigkeit. In der Stichprobe gibt es eine gewisse Anzahl an Männern und Frauen unabhängig von ihrem Erwerbsstatus. Ebenso gibt es eine gewisse Anzahl an Personen, die z.B. ganztags erwerbstätig oder eben nicht erwerbstätig sind. Nun könnte man aber auch Kombinationen betrachten, also z.B. die Männer, die ganztags erwerbstätig sind. All diese unterschiedlichen Ausprägungen der beiden Merkmale können mit Hilfe von Kontingenztabellen übersichtlich dargstellt werden. Dabei bezeichnen wir im Folgenden das eine Merkmal mit X und das zweite Merkmal mit Y:
X hat die Ausprägungen \(x_1\) bis \(x_M\) und Y die Ausprägungen \(y_1\) bis \(y_L\). Für \(i= 1 ... M\) und \(j= 1 ... L\): \(n_{ijl}\) entspricht der Häufigkeit \((X=x_i ; Y=y_j)\). Die Zeilen enthalten L gemeinsame absolute Häufigkeiten oder anders gesagt absolute Häufikeiten von Y bedingt durch Ausprägungen von \(X=x_i\), z.B. die Elemente \(n_{m1}\) bis \(n_{mL}\) sind absolute Häufigkeiten von Ausprägungen von Y unter der Bedingung, dass \(X=x_m\). Am Ende dieser Zeile steht die entsprechende Randhäufigkeit \(n_{m•}\) von X. Um bedingte relative Häufigkeiten von Y zu bekommen, dividiert man die Elemente \(n_{m1}\) bis \(n_{mL}\) durch die Randhäufigkeit \(n_{m•}\). Analog enthält jede Spalte M gemeinsame Häufigkeiten oder absolute Häufikeiten von X bedingt durch Ausprägungen von \(Y=y_j\).
Im Kontext des Datenbeispiels wäre interessant zu untersuchen, ob sich die Erwerbstätigkeit zwischen Frauen und Männern unterscheidet. Eine mögliche Betrachtung dieser Frage ermöglicht die folgende Kontingenztabelle für die Variablen BERUFSTAETIG und GESCHL:
Anker | ||||
---|---|---|---|---|
|
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
HAUPTBERUFL.GANZTAGS | 1026 | 545 | 1571 |
HAUPTBERUFL.HALBTAGS | 41 | 309 | 350 |
NEBENHER BERUFSTAE. | 73 | 135 | 208 |
NICHT ERWERBSTAETIG | 619 | 720 | 1339 |
\(\sum_{}^{}\) | 1759 | 1709 | 3468 |
Aus der Kontingenztabelle ist z.B. abzulesen:
- 41 Männer sind hauptberuflich halbtags erwerbstätig (BERUFSTAETIG = 2 ,GESCHL = 1)
- 545 Frauen sind hauptberuflich ganztags erwerbstätig (BERUFSTAETIG = 1, GESCHL = 2)
Die Werte in der letzten Spalte stellen die Randverteilung von BERUFSTAETIG dar und die letzte Zeile die Randverteilung von GESCHL. Die Frage zur Erwerbstätigkeit wurde von 1759 Männern und 1709 Frauen beantwortet.
Die obige Kontingenztabelle enthält absolute Häufigkeiten. Es lassen sich auch relative Häufigkeiten in einer Kontingenztabelle darstellen. Dafür werden alle absoluten Häufigkeiten durch die Gesamtanzahl an Beobachtungen geteilt.
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
HAUPTBERUFL.GANZTAGS | 0.296 | 0.157 | 0.453 |
HAUPTBERUFL.HALBTAGS | 0.012 | 0.089 | 0.101 |
NEBENHER BERUFSTAE. | 0.021 | 0.039 | 0.060 |
NICHT ERWERBSTAETIG | 0.178 | 0.208 | 0.386 |
\(\sum_{}^{}\) | 0.507 | 0.493 | 1.000 |
Auch Kontingenztabellen mit sog. bedingten relativen Häufigkeiten in den Zeilen oder Spalten können hilfreich sein. Bedingte relative Häufigkeiten lassen sich zeilen- oder spaltenweise ausrechnen.
Bezogen auf die Spalten werden die gemeinsamen Ausprägungen in Relation zur Gesamtanzahl von Frauen und Männern gesetzt.
MAENNLICH | WEIBLICH | |
---|---|---|
HAUPTBERUFL.GANZTAGS | 0.583 | 0.318 |
HAUPTBERUFL.HALBTAGS | 0.023 | 0.181 |
NEBENHER BERUFSTAE. | 0.042 | 0.079 |
NICHT ERWERBSTAETIG | 0.352 | 0.421 |
\(\sum_{}^{}\) | 1.000 | 1.000 |
Innerhalb der Teilstichprobe von Männern (1759 Beobachtungen) sind \(\frac{1026}{1759} \approx 0.583\) hauptberuflich ganztags erwerbstätig, während \(\frac{41}{1759} \approx 0.023\) hauptberuflich halbtags erwerbstätig, \(\frac{73}{1759} \approx 0.042\) nebenher erwerbstätig und \(\frac{619}{1759} \approx 0.352\) nicht erwerbstätig sind.
Bezogen auf die Zeilen werden die gemeinsamen Ausprägungen in Relation zur Gesamtzahl in den unterschiedlichen Formen von Erwerbstätigkeit gesetzt.
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
HAUPTBERUFL.GANZTAGS | 0.653 | 0.347 | 1.000 |
HAUPTBERUFL.HALBTAGS | 0.117 | 0.883 | 1.000 |
NEBENHER BERUFSTAE. | 0.351 | 0.649 | 1.000 |
NICHT ERWERBSTAETIG | 0.462 | 0.538 | 1.000 |
Insgesamt sind 1339 Personen in der Stichprobe nicht erwerbstätig, nämlich 619 Männer und 720 Frauen. Die relativen Häufigkeiten unter der Bedingung von keiner Erberbstätigkeit sind \(\frac{619}{1339} \approx 0.462\) und \(\frac{720}{1339} \approx 0.538\), d.h. 46.23% der nicht erwerbstätigen Befragten sind männlich.
Anhänge | ||||
---|---|---|---|---|
|
Zusammenhangsmaße
Wenn man an dem Zusammenhang zwischen zwei metrischen Variablen interessiert ist, wird häufig als erstes die Korrelation zwischen den beiden Variablen berechnet. Bei nominalen Variablen kann zwar keine Korrelation berechnet werden, aber dennoch gibt es Maße, die etwas über die Stärke des Zusammenhangs der Variablen aussagen, ohne dass ein Test angewendet werden muss. Im Folgenden werden drei Maße kurz vorgestellt: der Phi-Koeffizient, der Kontingenz-Koeffizient und Cramer's V. Alle drei Maße basieren auf dem \(\chi^2\)-Wert.
Phi-Koeffizient
Der Phi-Koeffizient wird für 2x2 Kontingenztabellen angewendet. Der Koeffizient liegt zwischen 0, d.h. es gibt keinen Zusammenhang, und 1, d.h. es gibt einen perfekten Zusammenhang. $$\phi = \sqrt{\frac{\chi^{2}}{n}}$$
Kontingenz-Koeffizient
Der Kontingenz-Koeffizient (KK) kann nur bei symmetrischen Kontingenztabellen angewendet werden, d.h. wenn alle Variablen die gleiche Anzahl an Kategorien haben. Grundsätzlich liegt der KK zwischen 0 und 1, die entsprechend für keinen oder einen sehr starken Zusammenhag stehen. Allerdings wird bei kleinen Kontingenztabellen die 1 nicht erreicht, selbst wenn der Zusammenhang zwischen den beiden Variablen perfekt ist. Daher kann der KK nicht genutzt werden, um den Zusammenhang zwischen Variablen aus unterschiedlich großen Tabellen zu vergleichen.$$KK = \sqrt{\frac{\chi^{2}}{\chi^{2}+n}}$$
Cramer's V
Cramer's V ist besonders gut, um die Zusammenhangsmaße von Variablen unterschiedlicher Kontingenztabellen miteinander zu vergleichen. Dabei gilt weiterhin, dass ein Wert von 0 angibt, dass kein Zusammenhang besteht und steigende Werte einen stärkeren Zusammenhang bedeuten mit einem Maximum von 1. $$\phi = \sqrt{\frac{\chi^{2}}{n(k-1)}}$$ Dabei gibt k die kleinere Anzahl an Zeilen oder Spalten an. Wenn es z.B. vier Zeilen und zwei Spalten gibt, ist k=2.
Info | ||
---|---|---|
| ||
Für die Zusammenhangsmaße gibt es keine Beispiele in den Statistikprogrammen. Aber diese Zusammenfassung erklärt jedes der drei Maße mit einfachen Rechenbeispielen. |
Tests auf Unabhängigkeit
Ganz allgemein kann man mit Hilfe von bedingten Häufigkeiten feststellen, ob man von einem fehlenden Zusammenhang zwischen zwei kategoriellen Merkmalen sprechen kann, d.h. von Unabhängigkeit der Merkmale. Intuitiv sind Merkmale dann unabhängig, wenn Ausprägungen von X keinen Einfluss auf Ausprägungen von Y haben und umgekehrt. Daraus folgt, dass die absoluten bedingten Häufigkeiten von Y unter der Bedingung \(X=x_i\) nicht davon abhängen, welche Ausprägung \(x_1\), \(x_2\) ... \(x_M\) gewählt wird. Dann sollten die relativen bedingten Häufigkeiten $$\frac{n_{m1}}{n_{m•}} = \frac{n_{m2}}{n_{m•}} = ... = \frac{n_{mL}}{n_{m•}}$$
identisch sein. Auch stimmt dann der Quotient aller Zähler und aller Nenner überein: \(\frac{n_{ij}}{n_{i•}} = \frac{n_{•j}}{n}\)
Einer der bekanntesten Tests unter den Hypothesentests ist der Chi-Quadrat-Test. Genauer genommen ist der Chi-Quadrat-Test eine Gruppe von Tests, deren Prüfgröße \(\chi^2\) verteilt ist. Der Chi-Quadrat-Test kann als Verteilungstest, Homogenitätstest und Unabhängigkeitstest fungieren. Hier soll jedoch im Folgenden nur der Unabhängigkeitstest beschrieben werden. Ebenso wird der Exakte Fisher-Test vorgestellt, der im Vergleich zum Chi-Quadrat-Test jedoch keine Anforderungen an den Stichprobenumfang stellt.
Chi-Quadrat-Test
Der Chi-Quadrat-Test als Unabhängigkeitstests prüft stochastische Unabhängigkeit zwischen zwei diskreten Zufallsvariablen X und Y. Dies führt zu folgender Nullhypothese und Alternative:
- H0: X und Y sind stochastisch unabhängig
- H1: X und Y sind stochastisch abhängig
Die Prüfgröße für den Chi-Quadrat-Unabhängigkeits-Test beruht auf dem Vergleich von erwarteten Häufigkeiten mit tatsächlich beobachteten Häufigkeiten. Wenn die erwarteten Häufigkeiten nicht zu sehr von den beobachteten Häufigkeiten abweichen, spricht man von Unabhängigkeit. Im Folgenden sollen zunächst die erwarteten Häufigkeiten für das Datenbeispiel berechnet werden: \(\tilde{n_{ij}} = \frac{n_{•j} n_{i•}}{n}\), d.h. zum Beispiel \(\frac{1571·1759}{3468} = 796.825\) für die Zelle männlich und hauptberuflich ganztags erwerbstätig.
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
HAUPTBERUFL.GANZTAGS | 796.83 | 774.18 | 1571 |
HAUPTBERUFL.HALBTAGS | 177.52 | 172.48 | 350 |
NEBENHER BERUFSTAE. | 105.50 | 102.50 | 208 |
NICHT ERWERBSTAETIG | 679.15 | 659.85 | 1339 |
\(\sum\) | 1759 | 1709 | 3468 |
Um erwartete und beobachtete Häufigkeiten zu vergleichen, können Differenzen zwischen den beiden Häufigkeiten in Betracht gezogen werden. Diese können jedoch sowohl positiv als auch negativ sein. Daher werden quadrierte Differenzen für die Prüfgröße des Unabhängigkeitstests genutzt. Es werden alle Terme \(\frac{(n_{ij}-\tilde{n_{ij}})^{2}}{\tilde{n_{ij}}}\) summiert. In einer Kontingenztabelle mit i Zeilen kann man zuerst diese Terme in jeder Zeile summieren und dann die Summe von Zeilensummen bilden. $$\chi^{2} = \sum_{i=1}^{M} \sum_{j=1}^{L} \frac{(n_{ij} - \tilde{n_{ij}})^{2}}{\tilde{n_{ij}}}$$
Dieser \(\chi^2\)-Koeffizient ist die Prüfgröße für den Chi-Quadrat-Unabhängigkeits-Test und ist unter der Nullhypothese asymptotisch \(\chi^2\)-verteilt mit (M-1)·(L-1) Freiheitsgraden. Je größe der \(\chi^2\)-Koeffizient ist, desto eher trifft die alternative Hypothese zu. Der Ablehnungsbereich des Tests zum Niveau \(\alpha\) ist rechts von einem Schwellenwert \(\chi^2_{(M-1)(L-1),1 - \alpha}\). Im Datenbeispiel wird die Prüfgröße wie folgt berechnet: $$\chi^{2} = \frac{(1026-796.83)^{2}}{796.83} + \frac{(41-177.52)^{2}}{177.52} + ... + \frac{(720-659.85)^{2}}{659.85}= 377.94$$
Der Wert der Prüfgroße, 377.94, mit den Schwellenwerten \(\chi^2_{3, 0.95} = 7.81\) auf dem 5% Signifikanzniveau und \(\chi^2_{3, 0.99} = 11.34\) auf dem 1% Signifikanzniveau verglichen. Sowohl für \(\alpha)\ von 5%, als auch von 1% wird die Nullhypothese abgelehnt. Daraus kann geschlossen werden: "Zwischen Erwerbstätigkeit und Geschlecht der befragten Personen besteht ein Zusammenhang".
Damit die Prüfgröße als annähernd \(\chi^2\)-verteilt angenommen werden kann, müssen Voraussetzungen an die erwarteten Häufigkeiten gegeben sein. Alle gemeinsamen Häufigkeiten \(n_{ij}\) müssen größer als Null sein und für nicht mehr als 20% der Werte darf gelten \(\tilde{n_{ij}} < 5\). Sollten diese Voraussetzungen nicht erfüllt sein, kann der Exakte Fisher-Test anwendet werden.
Anhänge | ||||
---|---|---|---|---|
|
Exakter Fisher-Test
Der Exakte Fisher-Test überprüft wie der Chi-Quadrat-Test die Unabhängigkeit zweier diskreter Merkmale. Dabei stellt der Exakte Fisher-Test jedoch keine Voraussetzungen an die Stichprobengröße. Der ursprüngliche Test ist auf 2x2 Kontingenztabellen ausgelegt und händisch berechenbar. Für Erweiterungen sind Statistikprogramme zur Berechnung erforderlich (siehe Infobox rechts). Der Exakte Fisher-Test unterscheidet sich von vielen Signifikanztests dahingehend, dass die Signifikanz einer Abweichung von der Nullhypothese exakt berechnet werden kann.
Der Exakte Fisher-Test wird anhand einer neuen Fragestellung beschrieben: Hängt das Rauchverhalten der Befragten vom Geschlecht ab? Bzw. unterscheidet sich das Rauchverhalten der ältesten Befragten zwischen den Geschlechtern? Die folgenden zwei Tabellen zeigen nämlich, dass wenn nur die Befragten betrachtet werden, die vor 1933 geboren wurden, die erwarteten Häufigkeiten \(\tilde{n_{ij}} < 5\) in zwei Zellen sind und somit der Chi-Quadrat-Test nicht mehr angewendet werden sollte.
Alle Befragten:
Beobachtung/erwartete Häufigkeit | MAENNLICH | WEIBLICH | \(\sum\) |
---|---|---|---|
RAUCHER: JA | 586 / 506.34 | 412 / 491.66 | 998 |
RAUCHER: NEIN | 1174 / 1253.66 | 1297 / 1217.34 | 2471 |
\(\sum\) | 1760 | 1709 | 3469 |
Alle Befragten, die vor 1933 geboren wurden:
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
RAUCHER: JA | 4 / 2.37 | 1 / 2.63 | 5 |
RAUCHER: NEIN | 43 / 44.63 | 51 / 49.37 | 94 |
\(\sum\) | 47 | 52 | 99 |
Für beide Tabellen gilt folgender Zusammenhang zwischen den Zelleinträgen:
MAENNLICH | WEIBLICH | \(\sum\) | |
---|---|---|---|
RAUCHER: JA | a | b | a + b |
RAUCHER: NEIN | c | d | c + d |
\(\sum\) | a + c | b + d | a + b + c + d (=n) |
Die Wahrscheinlichkeit für eine Kombination der Einträge a-d folgt nach Fisher einer hypergeometrischen Verteilung und kann wie folgt berechnet werden: $$p=\frac{(a+b)! (c+d)! (a+c)! (b+d)!}{a! b! c! d! n!}$$
Im Beispiel führt dies für die oben angegebene Kombination zu: $$p=\frac{(4+1)! (43+51)! (4+43)! (1+51)!}{4! 1! 43! 51! 99!} = 0.129678$$
Beim Exakten Fisher-Test werden die Randhäufigkeiten immer als gegeben angesehen. In diesem Beispiel bedeutet dies, dass 5 der 99 älteren Befragten rauchen. Unter der Annahme, dass Frauen und Männer mit gleicher Wahrscheinlichkeit rauchen, was ist die Wahrscheinlichkei, dass nur eine der 52 Frauen oder sogar keine raucht, aber dafür 4 oder 5 der 47 Männer? Die Wahrscheinlichkeit für den ersten Fall wurde oben berechnet. Laut Fisher müssen zur Berechnung des Signifikanzniveaus nun alle weiteren extremen Fälle berechnet werden, bei gleichbleibender Randhäufigkeit.
Dies bedeutet im Beispiel: $$p=\frac{(5+0)! (42+52)! (5+42)! (0+52)!}{5! 0! 42! 52! 99!} = 0.02144675$$
Die Addition der beiden Wahrscheinlichkeiten gibt den p-Wert=0.1511248 des einseitigen Exakten Fisher-Tests mit der Alternative, dass Männer höheren Alters eher rauchen als Frauen. Die Nullhypothese, dass es keinen Unterschied im Rauchverhalten zwischen älteren Männern und Frauen könnte auf dem 15,11% Niveau abgelehnt werden. Je kleiner der p-Wert, desto eher kann die Nullhypothese abglehnt werden. Für einen zweiseitigen Test müssten auch die Extremfälle in die andere Richtung berücksichtigt werden. Dafür werden alle Kombinationen berücksichtigt, deren Wahrscheinlichkeit gleich oder geringer ist als die Wahrscheinlichkeit der beobachteten Tabelle.
Info | ||
---|---|---|
| ||
Der Exakte Fisher-Test kann auch für größere Kontingenztabellen durchgeführt werden. Unter diesem Link können Verweise auf Rechner gefunden werden, die die Teststatistik für größere Kontingenztabellen berechnen können. In R hat die Funktion fisher.test ein Argument hybrid, über das auch größere Kontingenztabellen genutzt werden können (siehe Details). |
McNemar-Test
Ein McNemar-Test wird angewendet, wenn das gleiche Merkmal vor und nach einem Treatment abgefragt wird. Dies kommt z.B. vor, wenn Kunden vor und nach einer Kampagne nach ihrer Meinung zu einem Produkt gefragt werden oder auch beim Testen eines Medikamentes. Dadurch, dass die gleichen Personen wieder befragt oder untersucht werden, sind die Stichproben nicht unabhängig, sondern miteinander verbunden.
Der McNemar-Test wird eingesetzt, um Unterschiede zwischen dem Merkmal vor und nach Durchführung eines beliebigen Treatments herauszufinden. Dabei kann jedoch nur eine Veränderung festgestellt werden, nicht jedoch in welche Richtung eine Veränderung vorliegt.
Die Kontingenztabelle verändert sich dahingehend, dass nun in den Zeilen und Spalten das gleiche Merkmal aus unterschiedlichen Stichproben steht:
Stichprobe 1 | \(\sum\) | ||
---|---|---|---|
Stichprobe 2 | 0 | 1 | |
0 | a | b | a + b |
1 | c | d | c + d |
\(\sum\) | a + c | b + d | n |
Veränderungen werden vor allem in den Zellen b und c deutlich. Die Hypothesen setzen Daher werden diese beiden Zellen in den Teststatistiken genutzt. Auch beim McNemar-Test gilt, dass es einen exakten Test gibt für geringe Beobachtungsumfänge, d.h. wenn b + c < 25, und eine \(\chi^2\)-Teststatistik für größere Beobachtungsumfänge.
Exakter Test: b + c < 25
Für den exakten Test werden die Beobachtungen b und c als Zufallszahlen angesehen, sodass die Hypothesen mit der Wahrscheinlichkeit p fuer entweder b oder c folgen:
H_0: p = 0.5
H_1: p ungleich 0.5
Die Anzahl der Beobachtungen b bzw. c sind dann binomial verteilt mit B(b+c, 0.5) bzw. C(b+c, 0.5).
\( \chi^{2} \)-Teststatistik
Die Hypothese bleibt weiterhin, dass es keine Veränderung gibt gegenüber der Alternative, dass es eine Veränderung gibt, d.h. a + b = a + c bzw. c + d = b + d und übersetzt in Wahrscheinlichkeiten, dass
\( H_{0}: p_{a} + p_{c} = p_{a} + p_{b} \)
\( H_{1}: p_{a} + p_{c} \neq p_{a} + p_{b} \)
Die Teststatistik \( \chi^{2} = \frac{(b-c)^{2}}{(b+c)} \) ist approximativ \( \chi^{2} \)-verteilt mit einem Freiheitsgrad. Da die \( \chi^{2} \)-Verteilung stetig ist, aber die Beobachtungen diskret, gibt es einen Approximationsfehler, der durch die Yates-Korrektur \( \chi^{2} = \frac{(|b-c| - 0.5)^{2}}{(b+c)} \) mit bzw. die Edwards-Korrektur \( \chi^{2} = \frac{(|b-c| - 1)^{2}}{(b+c)} \) verringert werden kann. R und SPSS verwenden die Edwards-Korrektur. Ist die errechnete Teststatistik größer als der entsprechende Wert der \( \chi^{2} \)-Verteilung kann die Nullhypothese abgelehnt werden und es liegt eine Veränderung vor. Wie schon erwähnt wird keine Aussage darüber getroffen, in welche Richtung eine Veränderung vorliegt.
Anhand des Beispiels, ob Kunden ihre Meinung über ein Produkt nach einer Werbekampagne ändern, wird der McNemar-Test illustriert. Für dieses Beispiel kann der Beispieldatensatz nicht genutzt werden, da die ALLBUS-Umfrage die Befragten nur zu einem Zeitpunkt befragt und kein Treatment zwischen zwei Befragungszeitpunkten vornimmt.
Wir nehmen folgende Beobachtungen fiktiv an für eine Entscheidung darüber, ob sich die Kaufentscheidung nach der Kampagne ändert.
Kaufentscheidung nach der Kampagne | \(\sum\) | ||
---|---|---|---|
Kaufentscheidung vor der Kampagne | Kaufen | Nicht kaufen | |
Kaufen | 18 | 15 | 33 |
Nicht kaufen | 26 | 21 | 47 |
\(\sum\) | 44 | 36 | 80 |
Die Hypothese ist in diesem Fall, dass die Wahrscheinlichkeit, dass es einen Wechsel von der Entscheidung Kaufen zu Nicht kaufen gibt ist gleich der Wahrscheinlichkeit, dass es einen Wechsel von Nicht kaufen zu Kaufen gibt. Die Alternative ist, dass sich die Wahrscheinlichkeiten unterscheiden. Sollte die Nullhypothese also abgelehnt werden, liegt eine Veränderung vor. Jedoch besagt der McNemar-Test nicht in welche Richtung.
Die Teststatistik berechnet sich unter Berücksichtigung der McNemar-Korrektur nach Edwards gegeben, dass b = 15 und c = 26, wie folgt:
\( \chi^{2} = \frac{(|15-26| - 1)^{2}}{(15+26)} \) = 2.439024
Der kritische Wert der \( \chi^{2} \) - Verteilung entspricht auf einem 5%-Signifikanzniveau und einem Freiheitsgrad \( \chi^{2}_{1,0.95} \) = 3.84. Da die Teststatistik kleiner ist als der kritische Wert, kann die Nullhypothese nicht abgelehnt werden. Dies ist ein Indiz dafür, dass die Kampagne nicht für Veränderungen im Kaufverhalten gesorgt hat.