Wie Zu Tun Mann Whitney U Test In Stata Forex

Mann-Whitney-U-Test mit SPSS-Statistik Einführung Der Mann-Whitney-U-Test wird verwendet, um Unterschiede zwischen zwei unabhängigen Gruppen zu vergleichen, wenn die abhängige Variable entweder ordinal oder kontinuierlich, aber nicht normalverteilt ist. Zum Beispiel könnten Sie mit dem Mann-Whitney-U-Test verstehen, ob die Einstellungen zur Lohndiskriminierung, bei denen die Einstellungen auf einer Ordnungszahl gemessen werden, sich nach Geschlecht unterscheiden (dh Ihre abhängige Variable wäre die Einstellung zur Lohndiskriminierung und Ihre unabhängige Variable Geschlecht, das zwei Gruppen hat: männlich und weiblich). Alternativ könnten Sie mit dem Mann-Whitney-U-Test verstehen, ob die Gehälter, die auf einer kontinuierlichen Skala gemessen werden, sich auf der Grundlage des Bildungsniveaus unterscheiden (dh Ihre abhängige Variable wäre ein Gehalt und Ihre unabhängige Variable wäre ein Bildungsniveau, das zwei Gruppen umfasst Schule und Universität). Der Mann-Whitney-U-Test wird oft als die nichtparametrische Alternative zum unabhängigen t-Test angesehen, obwohl dies nicht immer der Fall ist. Im Gegensatz zum unabhängigen Test t-Test erlaubt Ihnen der Mann-Whitney U-Test, anhand der Annahmen, die Sie für Ihre Datenverteilung treffen, unterschiedliche Schlussfolgerungen zu Ihren Daten zu ziehen. Diese Schlussfolgerungen können von einfach gesagt, ob die beiden Populationen unterscheiden sich durch die Feststellung, ob es Unterschiede in den Medianen zwischen Gruppen. Diese unterschiedlichen Schlussfolgerungen hängen von der Form der Verteilungen Ihrer Daten ab, die wir später näher erläutern. In unserem erweiterten Mann-Whitney U-Testleitfaden führen wir Sie durch alle erforderlichen Schritte, um zu verstehen, wann und wie Sie den Mann-Whitney U-Test verwenden, um Ihnen die erforderlichen Vorgehensweisen in SPSS Statistics zu zeigen und wie Sie Ihre Ausgabe interpretieren und melden können. Sie können diese erweiterte Mann-Whitney U-Test-Guide durch Abonnieren der Website hier. In dieser Kurzanleitung zeigen wir Ihnen die Grundlagen des Mann-Whitney-U-Tests anhand eines SPSS-Statisticss-Verfahrens, wenn die kritische Annahme dieses Tests verletzt wird. Bevor wir Ihnen zeigen, wie dies geschieht, erläutern wir die unterschiedlichen Annahmen, die Ihre Daten erfüllen müssen, damit ein Mann-Whitney-U-Test ein gültiges Ergebnis liefert. Wir diskutieren diese Annahmen als nächstes. SPSS Statistics Annahmen Wenn Sie Ihre Daten mithilfe eines Mann-Whitney U-Tests analysieren, müssen Sie sicherstellen, dass die Daten, die Sie analysieren möchten, mit einem Mann-Whitney-U-Test analysiert werden können. Sie müssen dies tun, weil es nur sinnvoll ist, einen Mann-Whitney U-Test verwenden, wenn Ihre Daten vier Annahmen, die für einen Mann-Whitney U-Test erforderlich sind, um Ihnen ein gültiges Ergebnis. In der Praxis ist die Überprüfung auf diese vier Annahmen nur ein wenig mehr Zeit für Ihre Analyse, so dass Sie auf ein paar weitere Schaltflächen in SPSS Statistics klicken bei der Durchführung Ihrer Analyse, sowie denken ein wenig mehr über Ihre Daten, aber es ist Nicht eine schwierige Aufgabe. Bevor wir Ihnen diese vier Annahmen vorstellen, sollten Sie sich nicht wundern, wenn bei der Analyse Ihrer eigenen Daten mit SPSS Statistics eine oder mehrere dieser Annahmen verletzt werden (d. H. Nicht erfüllt). Dies ist nicht ungewöhnlich bei der Arbeit mit realen Daten anstatt Lehrbuch Beispiele, die oft nur zeigen, wie man einen Mann-Whitney U-Test durchführen, wenn alles gut geht, aber keine Sorge. Selbst wenn Ihre Daten bestimmte Annahmen nicht bestehen, gibt es oft eine Lösung, um dies zu überwinden. Zuerst wollen wir einen Blick auf diese vier Annahmen werfen: Annahme 1: Ihre abhängige Variable sollte auf der ordinalen oder kontinuierlichen Ebene gemessen werden. Beispiele für Ordnungsvariablen sind Likert-Elemente (z. B. eine 7-Punkt-Skala von starker Übereinstimmung bis hin zu starker Übereinstimmung), unter anderem bei der Klassifizierung von Kategorien (z. B. eine 5-Punkte-Skala, die erklärt, wie sehr ein Kunde ein Produkt mag Zu Ja, eine Menge). Beispiele für kontinuierliche Variablen umfassen die Revisionszeit (gemessen in Stunden), die Intelligenz (gemessen unter Verwendung des IQ-Scores), die Prüfungsleistung (gemessen von 0 bis 100), das Gewicht (gemessen in kg) und so weiter. In unserem Artikel erfahren Sie mehr über Ordinalzahlen und kontinuierliche Variablen: Variablentypen. Annahme 2: Ihre unabhängige Variable sollte aus zwei kategorischen bestehen. Unabhängigen Gruppen. Beispiel unabhängige Variablen, die dieses Kriterium erfüllen, umfassen Geschlecht (2 Gruppen: männlich oder weiblich), Beschäftigungsstatus (2 Gruppen: Beschäftigte oder Arbeitslose), Raucher (2 Gruppen: Ja oder Nein) und so weiter. Annahme 3: Sie sollten die Unabhängigkeit der Beobachtungen haben. Was bedeutet, dass es keine Beziehung zwischen den Beobachtungen in jeder Gruppe oder zwischen den Gruppen selbst gibt. Beispielsweise müssen in jeder Gruppe unterschiedliche Teilnehmer vorhanden sein, wobei kein Teilnehmer mehr als eine Gruppe hat. Dies ist eher eine Studie Design-Problem als etwas, das Sie testen können, aber es ist eine wichtige Annahme des Mann-Whitney U-Test. Wenn Ihre Studie diese Annahme nicht erfüllt, müssen Sie einen anderen statistischen Test anstelle des Mann-Whitney-U-Tests (z. B. einen Wilcoxon-signierten Rang-Test) verwenden. Wenn Sie nicht sicher sind, ob Ihre Studie dieser Annahme entspricht, können Sie unsere Statistische Testauswahl verwenden. Die Teil unseres erweiterten Inhalts ist. Annahme 4: Ein Mann-Whitney-U-Test kann verwendet werden, wenn Ihre beiden Variablen nicht normal verteilt sind. Um jedoch wissen zu können, wie die Ergebnisse eines Mann-Whitney-U-Tests interpretiert werden können, müssen Sie feststellen, ob Ihre beiden Verteilungen (dh die Verteilung der Scores für beide Gruppen der unabhängigen Variablen zum Beispiel Männchen und Weibchen für die unabhängige Variable , Geschlecht) die gleiche Form haben. Um zu verstehen, was das bedeutet, werfen Sie einen Blick auf das Diagramm unten: Copyright 2013. Laerd Statistiken In den beiden Diagrammen oben, die Verteilung der Scores für Männer und Frauen haben die gleiche Form. In der Abbildung links ist die Verteilung der Punktzahlen für Männer (blau im Diagramm rechts dargestellt) nicht ersichtlich, da die beiden Verteilungen identisch sind (dh beide Distributionen sind identisch, so dass sie übereinander liegen Diagramm mit der blau gefärbten männlichen Verteilung unter der rot gefärbten weiblichen Verteilung). Allerdings in dem Diagramm auf der rechten Seite, obwohl beide Distributionen die gleiche Form haben. Sie haben einen anderen Standort (d. h. die Verteilung einer der Gruppen der unabhängigen Variablen hat höhere oder niedrigere Werte im Vergleich zu der zweiten Verteilung ndash in unserem Beispiel, Frauen haben höhere Werte als Männer insgesamt). Wenn Sie Ihre eigenen Daten analysieren, ist es extrem unwahrscheinlich, dass Ihre beiden Distributionen identisch sein werden, aber sie können die gleiche (oder ähnliche) Form haben. Wenn sie die gleiche Form haben, können Sie mit SPSS Statistics einen Mann-Whitney-U-Test durchführen, um die Mediane Ihrer abhängigen Variablen (zB Engagement Score) für die beiden Gruppen (zB Männer und Frauen) der unabhängigen Variablen ZB Geschlecht), die Sie interessieren, aber wenn Ihre zwei Verteilung eine andere Form haben. Können Sie nur den Mann-Whitney U-Test verwenden, um durchschnittliche Ränge zu vergleichen. Daher müssen Sie bei der Durchführung eines Mann-Whitney-U-Tests auch SPSS Statistics verwenden, um festzustellen, ob Ihre beiden Distributionen die gleiche Form oder eine andere Form haben. Dies erfordert ein paar weitere Verfahren in SPSS Statistics, aber es ist ein einfacher Schritt-für-Schritt-Prozess, den wir Ihnen zeigen, wie Sie in unserem erweiterten Mann-Whitney U-Test-Guide zu tun. In dieser Kurzanleitung zeigen wir Ihnen, wie Sie einen Mann-Whitney U Test durchführen können, wenn man annimmt, dass Ihre beiden Distributionen keine ähnliche Form haben, dass Sie nur mittlere Ränge und nicht Medianwerte vergleichen können. Sie können die Annahme 4 mit SPSS Statistics überprüfen. Bevor Sie dies tun, sollten Sie sicherstellen, dass Ihre Daten die Annahmen 1, 2 und 3 erfüllen, obwohl Sie keine SPSS Statistics benötigen, um dies zu tun. Denken Sie daran, dass, wenn Sie die Annahme 4 nicht überprüfen, Sie nicht wissen, ob Sie die durchschnittlichen Ränge oder Medianwerte korrekt vergleichen, und die Ergebnisse, die Sie beim Ausführen eines Mann-Whitney U Tests erhalten, möglicherweise nicht gültig sind. Aus diesem Grund widmen wir eine Reihe von Abschnitten unseres erweiterten Mann-Whitney U Testleitfadens, um Ihnen zu helfen, dieses Recht zu erhalten. Sie können mehr über die Annahme 4 erfahren und was Sie im Abschnitt "Annahmen" unseres erweiterten Mann-Whitney U-Testleitfadens interpretieren müssen, den Sie hier abonnieren können. In der Testprozedur im Abschnitt SPSS Statistics dieser Schnellstartanleitung veranschaulichen wir die SPSS Statistics-Prozedur, um einen Mann-Whitney-U-Test unter der Annahme durchzuführen, dass Ihre beiden Distributionen nicht die gleiche Form haben und Sie durchschnittliche Ränge anstatt Medians interpretieren müssen. Zunächst beschreiben wir das Beispiel, das wir zur Erläuterung des Mann-Whitney U-Testverfahrens in SPSS Statistics verwenden. SPSS Statistics Die Konzentration von Cholesterin (eine Art Fett) im Blut ist mit dem Risiko verbunden, eine Herzerkrankung zu entwickeln, so dass höhere Konzentrationen von Cholesterin ein höheres Risiko anzeigen und niedrigere Konzentrationen ein niedrigeres Risiko anzeigen. Wenn Sie die Konzentration des Cholesterins im Blut senken, kann Ihr Risiko für die Entwicklung von Herzerkrankungen reduziert werden. Übergewicht und physisch inaktiv erhöht die Konzentration von Cholesterin in Ihrem Blut. Beide Übung und Gewichtsverlust können die Cholesterin-Konzentration senken. Allerdings ist es nicht bekannt, ob Übung oder Gewichtsverlust ist am besten für die Senkung der Cholesterin-Konzentration. Daher entschied ein Forscher zu untersuchen, ob eine Übung oder Gewichtsverlust Intervention war effektiver bei der Senkung der Cholesterinspiegel. Zu diesem Zweck rekrutiert der Forscher eine zufällige Stichprobe von inaktiven Männern, die als Übergewicht eingestuft wurden. Diese Probe wurde dann zufällig in zwei Gruppen aufgeteilt: Gruppe 1 unterzog eine kaloriengeregelte Diät (d. h. die Diätgruppe) und Gruppe 2 unternahm ein Trainingstrainingsprogramm (d. h. die Übungsgruppe). Um zu ermitteln, welches Behandlungsprogramm effektiver war, wurden die Cholesterinkonzentrationen am Ende der Behandlungsprogramme zwischen den beiden Gruppen verglichen. SPSS Statistics Setup in SPSS Statistics In SPSS Statistics haben wir die Werte für die Cholesterinkonzentration, unsere abhängige Variable, unter dem Variablennamen Cholesterol eingetragen. Als Nächstes haben wir eine Gruppierungsvariable, die Gruppe, erstellt. Die unsere unabhängige Variable darstellt. Da unsere unabhängige Variable zwei Gruppen hatte - Diät und Bewegung - gaben wir der Diätgruppe einen Wert von 1 und die Übungsgruppe einen Wert von 2. Wenn Sie Ihre beiden Gruppen nicht kennzeichnen, wird SPSS Statistics nicht in der Lage sein, zwischen ihnen zu unterscheiden Wird der Mann-Whitney U Test nicht laufen. Hinweis: In SPSS Statistics gibt es zwei verschiedene Prozeduren, um einen Mann-Whitney U Test durchzuführen: ein neues und ein Legacy-Verfahren. Wie wir die oben beschriebenen Daten beschrieben haben, bezieht sich auf die Legacy-Prozedur (und die neue Prozedur, wenn Ihre abhängige Variable kontinuierlich ist), was wir im Abschnitt Testprozedur im Abschnitt SPSS Statistics als nächstes durchführen. Wir erwähnen dies, weil, wenn Sie die neue Prozedur verwenden, müssen Sie Änderungen an Ihrem Daten-Setup vornehmen, wenn Ihre abhängige Variable Ordinal ist (d. H. Im Gegensatz zu kontinuierlich). Wir erklären, wie dies in unserem erweiterten Mann-Whitney U Test Führer, die Sie durch den Abonnent der Website hier zugreifen können. In unserem erweiterten Mann-Whitney U-Testleitfaden zeigen wir Ihnen alle Schritte, die für die korrekte Eingabe von Daten in SPSS Statistics erforderlich sind, um einen Mann-Whitney-U-Test für die in der obigen Notiz diskutierten neuen und legacy-Verfahren durchzuführen. SPSS Statistics Testverfahren in SPSS Statistics Wenn Sie Annahme 4 früher lesen, wissen Sie, dass das SPSS Statistics-Verfahren bei der Analyse Ihrer Daten mit einem Mann-Whitney-U-Test je nach Form der beiden Distributionen Ihrer unabhängigen Variablen unterschiedlich ist. In unserem Beispiel, wo unsere abhängige Variable ist Cholesterin-Konzentration, Cholesterin. Beziehen wir uns auf die beiden Verteilungen der unabhängigen Variablen, Gruppe (d. h. die Verteilung der Bewertungen für Gruppe 1 ndash der Diätgruppe ndash und Gruppe 2 ndash der Übungsgruppe). In den 10 Schritten unten zeigen wir Ihnen, wie Sie Ihre Daten mit einem Mann-Whitney U-Test in SPSS Statistics analysieren, wenn diese beiden Distributionen eine andere Form haben. Und deshalb müssen Sie die mittleren Ränge der abhängigen Variablen statt der Mediane vergleichen. So verwenden Sie SPSS Statistics, um zu ermitteln, ob Ihre beiden Distributionen dieselben oder unterschiedliche Formen aufweisen. Oder wenn Sie wissen wollen, wie Sie SPSS Statistics verwenden, um einen Mann-Whitney U Test durchzuführen, wenn Ihre beiden Distributionen die gleiche Form haben. So dass Sie Medianen eher als durchschnittliche Ränge vergleichen müssen. Müssen Sie auf den Abschnitt Prozeduren unseres erweiterten Mann-Whitney U Testleitfadens zugreifen (N. B. können Sie dies tun, indem Sie die Website hier abonnieren). Darüber hinaus zeigen die 10 Schritte unten, wie Sie einen Mann-Whitney U-Test mit dem Legacy-Verfahren in SPSS Statistics durchführen. Wie wir schon früher erklärt haben. Gibt es zwei verschiedene Verfahren in SPSS Statistics, um einen Mann-Whitney-U-Test auszuführen: ein neues und ein Legacy-Verfahren. Wir empfehlen das neue Verfahren, wenn Ihre beiden Distributionen die gleiche Form haben, weil es ein wenig einfacher durchzuführen ist, aber das Legacy-Verfahren ist in Ordnung, wenn Ihre beiden Distributionen unterschiedliche Formen haben. Wir zeigen Ihnen die neuen und legacy-Verfahren in unserem erweiterten Mann-Whitney U Testführer. Am Ende der 9 Schritte unten, zeigen wir Ihnen, wie die Ergebnisse aus diesem Test mit Mittelwerten zu interpretieren. Klicken Sie auf A nalyze gt N onparametrische Tests gt L egacy Dialoge gt 2 I ndependent Samples. Im oberen Menü wie unten gezeigt: Veröffentlichung mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation. Sie erhalten das Dialogfeld "Zwei unabhängige Samples Tests" wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation. Transfer der abhängigen Variablen, Cholesterin. In das Feld T est Variable List: und die unabhängige Variable Group. In das Feld G rouping Variable: mit der Schaltfläche oder durch Ziehen und Ablegen der Variablen in die Felder. Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation. Hinweis: Stellen Sie sicher, dass das Kontrollkästchen M ann-Whitney U im ndashTest-Typendash-Bereich markiert ist und das Feld G rouping Variable: gelb hervorgehoben ist (siehe oben). Wenn es nicht gelb hervorgehoben ist, klicken Sie einfach auf den Cursor im Feld G rouping Variable:, um es hervorzuheben. Schließen Sie sich den 10.000 Studenten, Akademikern und Fachleuten an, die auf Laerd Statistiken verweisen. KONTAKTIEREN SIE DIE TOURPLÄNE amp PREISE Klicken Sie auf die Schaltfläche. Die Schaltfläche wird nicht angeklickt, wenn Sie das Feld G rouping Variable nicht wie in Schritt 4 markiert markiert haben. Sie erhalten folgendes Fenster: Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation. Tests in der Stata Mann-Whitney U-Tests sind eine Option, wenn typische t-Tests nicht verwendet werden können. Bevor Sie einen ausführen, erfahren Sie mehr über die Theorie 160behind it. Sie benötigen nichts Besonderes aus Ihren Daten, nur dass es zwei Gruppen (also eine Gruppierungsvariable) und eine abhängige Variable gibt. Die grundlegende Syntax ist Ranksum depvar, indem (gruppieren var) Zum Beispiel, wenn ich auf Glückszahlen für Mädchen und Jungen bei der Graduierung schauen möchten, würde der Befehl aussehen wie Ranksum glücklich, von (Geschlecht) und würde die folgende Ausgabe produzieren: Gibt es eine handliche Tabelle, in der die beiden Gruppen, ihre Ns (Anzahl der Beobachtungen), die beobachteten Rangsummen und die Rangsumme angezeigt werden, die erwartet werden würden, wenn die Nullhypothese beibehalten würde (falls es keinen Unterschied gab) Ein Problem, so dass unterhalb der Tabelle gibt es eine Varianz Anpassung für diese Beziehungen zu berücksichtigen. Dann werden wir an die Nullhypothese erinnert und mit dem z-statistischen und p-Wert gegeben.