Sehr gut erklärt, vielen Dank! Die Videos sind wirklich klasse. Eine Frage hätte ich aber noch: Wieso wird bei der Besprechung dieses Themas nicht auf "Äquivalenzhypothesen" hingewiesen? Man kommt ja recht schnell auf den Gedanken, dass man nicht nur Unterschiede zeigen möchte, sondern eventuell auch die Gleichheit von zwei Mittelwerten (wobei es eine exakte Gleichheit statistisch wohl nicht geben kann, sondern man Äquivalenzgrenzen festlegen muss). Oder anders ausgedrückt: Man würde gerne die Nullhypothese bei Unterschiedstests nicht nur annehmen, sondern auch "beweisen". Das ist natürlich der falsche Weg, weil eine Nullhypothese nie bewiesen werden kann. Also sagen wir: Nullhypothese und Alternativhypothese werden quasi getauscht. Dafür braucht man dann Äquivalenztests, wie zum Beispiel das TOST-Verfahren. Mich hat das anfangs sehr verwirrt und daher wundere ich mich, wieso so selten darauf eingegangen wird. Oder ist die Zusammenhangshypothese am Ende nichts anderes als eine Äquivalenzhypothese?
Herzlichen Dank, das freut mich sehr. Äquivalenztests sind nicht die bloße Vertauschung von Null- und Alternativhypothese, sondern folgen einem anderen statistischen Ansatz, dem von J. Neyman und E. Pearson. Dieser Ansatz unterscheidet sich grundlegend von R. A. Fisher's Nullhypothesen-Signifikanz-Test (NHST). In meinen Videos habe ich bisher - und werde ich noch länger - Fisher's statistischen Ansatz erklären ... quasi die "klassische Statistik". Der Ansatz von Neyman und Pearson hat sich als Alternative nicht durchgesetzt. Als eine echte und weit überlegene Alternative empfehle ich auf die Bayes-Statistik umzusteigen. Mit der Bayes-Statistik können tatsächlich Wahrscheinlichkeitsaussagen über die Hypothesen getroffen werden.
Dieser Review-Artikel von Jose D. Perezgonzalez (Massey University of New Zealand) könnte von Interesse sein: Perezgonzalez, J. D. (2015). Fisher, Neyman-Pearson or NHST? A tutorial for teaching data testing. Front. Psychol., 03. doi.org/10.3389/fpsyg.2015.00223
Die Hypothesenarten sind ganz basic und sollten deshalb in jedem statistischen Einführungsbuch thematisiert werden. Am besten ist, wenn Sie ein Lehrbuch über statistische Analysen/Methodik aus Ihrem inhaltlichen Fachbereich wählen.
@@statistikverstehen9964´ ich hätte eine Frage, bei einer studie wo eine logistische regression durchgeführt wurde, zeigte die studie einen p wert von .0000 anstatt der üblichen 0.0000, nun wäre meine frage wie dieser wert zu interpretieren ist da kein signifkanzniveau angegebn ist bei der studie, der wert .0000 wird im internet oft als gerundet bezeichnet, wie ist aber dieser wert nun zu interpretieren da man ja hier nicht sagen kann p = .0000 , ( bei der studie stand dann unten links als anmerkung noch : chi quadrat test, p < .0000) viele Grüße
Sehr gut erklärt, vielen Dank! Die Videos sind wirklich klasse.
Eine Frage hätte ich aber noch: Wieso wird bei der Besprechung dieses Themas nicht auf "Äquivalenzhypothesen" hingewiesen? Man kommt ja recht schnell auf den Gedanken, dass man nicht nur Unterschiede zeigen möchte, sondern eventuell auch die Gleichheit von zwei Mittelwerten (wobei es eine exakte Gleichheit statistisch wohl nicht geben kann, sondern man Äquivalenzgrenzen festlegen muss). Oder anders ausgedrückt: Man würde gerne die Nullhypothese bei Unterschiedstests nicht nur annehmen, sondern auch "beweisen". Das ist natürlich der falsche Weg, weil eine Nullhypothese nie bewiesen werden kann. Also sagen wir: Nullhypothese und Alternativhypothese werden quasi getauscht. Dafür braucht man dann Äquivalenztests, wie zum Beispiel das TOST-Verfahren. Mich hat das anfangs sehr verwirrt und daher wundere ich mich, wieso so selten darauf eingegangen wird. Oder ist die Zusammenhangshypothese am Ende nichts anderes als eine Äquivalenzhypothese?
Herzlichen Dank, das freut mich sehr.
Äquivalenztests sind nicht die bloße Vertauschung von Null- und Alternativhypothese, sondern folgen einem anderen statistischen Ansatz, dem von J. Neyman und E. Pearson. Dieser Ansatz unterscheidet sich grundlegend von R. A. Fisher's Nullhypothesen-Signifikanz-Test (NHST). In meinen Videos habe ich bisher - und werde ich noch länger - Fisher's statistischen Ansatz erklären ... quasi die "klassische Statistik". Der Ansatz von Neyman und Pearson hat sich als Alternative nicht durchgesetzt. Als eine echte und weit überlegene Alternative empfehle ich auf die Bayes-Statistik umzusteigen. Mit der Bayes-Statistik können tatsächlich Wahrscheinlichkeitsaussagen über die Hypothesen getroffen werden.
Dieser Review-Artikel von Jose D. Perezgonzalez (Massey University of New Zealand) könnte von Interesse sein:
Perezgonzalez, J. D. (2015). Fisher, Neyman-Pearson or NHST? A tutorial for teaching data testing. Front. Psychol., 03. doi.org/10.3389/fpsyg.2015.00223
Vielen Dank für die super Erklärung! Welches Buch würden Sie mir dazu empfehlen? Beste Grüße
Die Hypothesenarten sind ganz basic und sollten deshalb in jedem statistischen Einführungsbuch thematisiert werden. Am besten ist, wenn Sie ein Lehrbuch über statistische Analysen/Methodik aus Ihrem inhaltlichen Fachbereich wählen.
@@statistikverstehen9964´ ich hätte eine Frage, bei einer studie wo eine logistische regression durchgeführt wurde, zeigte die studie einen p wert von .0000 anstatt der üblichen 0.0000, nun wäre meine frage wie dieser wert zu interpretieren ist da kein signifkanzniveau angegebn ist bei der studie, der wert .0000 wird im internet oft als gerundet bezeichnet, wie ist aber dieser wert nun zu interpretieren da man ja hier nicht sagen kann p = .0000 , ( bei der studie stand dann unten links als anmerkung noch : chi quadrat test, p < .0000)
viele Grüße
Du rettest einen das Abi