Faktorieller Versuchsplan

1.9: Faktorieller Versuchsplan

Die faktorielle Analyse ist ein experimenteller Versuchsplan, der statistische Verfahren der Varianzanalyse (ANOVA) anwendet, um eine Veränderung einer abhängigen Variable aufgrund mehrerer unabhängiger Variablen, auch Faktoren genannt, zu untersuchen. Man kann zum Beispiel annehmen, dass Veränderungen in der Produktivität von Arbeitnehmern durch das Gehalt und andere Bedingungen, wie das Qualifikationsniveau, beeinflusst werden. Eine Möglichkeit, diese Hypothese zu testen, besteht darin, das Gehalt in drei Stufen (niedrig, moderat und hoch) und die Qualifikation in zwei Stufen (Einsteiger vs. Erfahrener) zu kategorisieren.

Benennung

Diesem wissenschaftlichen Ansatz wird eine Bezeichnung gegeben, die entweder die Anzahl der Faktoren oder die Anzahl der Bedingungen, die für jede unabhängige Variable getestet werden, unterstreicht. Das obige Beispielexperiment würde als zweifaktorielle ANOVA bezeichnet werden, da es zwei unabhängige Variablen beinhaltet. In Bezug auf die Anzahl der betrachteten Stufen für das Gehalt (niedrig, mittel und hoch) und die Qualifikationen (Einsteiger und erfahrene Mitarbeiter) wird das gleiche Experiment auch als ein 3 x 2 Design bezeichnet, formal geschrieben als 3 x 2 faktorielle ANOVA. Die Berechnung des Produkts aus 3 und 2 bedeutet, dass insgesamt 6 Kombinationen von Versuchsbedingungen beobachtet werden.

Untersuchungsvorteile

Die Beobachtung der Effekte von mindestens zwei unabhängigen Variablen ist ein praktischer und ökonomischer Ansatz. Dies vermeidet die Notwendigkeit, Zeit und Ressourcen für separate Experimente aufzuwenden. Darüber hinaus ermöglicht das Sammeln von Daten für verschiedene Kombinationen von Bedingungen den Forschern eine Vielzahl von Bewertungen, einschließlich Haupt- und Interaktionseffekten.

Bestimmte Forschungsfragen können es erforderlich machen, zu verstehen, wie jeder Faktor unabhängig voneinander eine abhängige Variable beeinflussen kann. Zum Beispiel werden beobachtete Veränderungen in den Produktivitätswerten von Arbeitnehmern aufgrund des Gehalts von denen aufgrund des Qualifikationsniveaus getrennt, um die Haupteffekte für jeden zu bestimmen. Die Ergebnisse könnten möglicherweise zeigen, dass eine hohe Produktivität, die bei Einsteigern festgestellt wird, für erfahrenere Mitarbeiter gilt oder nicht. Ebenso kann eine niedrige Produktivität, die bei Angestellten mit niedrigen Gehältern zu finden ist, bei höheren Löhnen sichtbar sein oder nicht. Die Möglichkeit zu erkennen, ob Ergebnisse auf andere Umstände oder Gruppenmerkmale verallgemeinert werden können, ist somit ein weiterer Vorteil dieser Art von Design.

Ein Interaktionseffekt tritt auf, wenn der Einfluss einer unabhängigen Variable auf eine bestimmte abhängige Variable von der Höhe der anderen untersuchten Faktoren abhängt. Es könnte sich zum Beispiel herausstellen, dass der Einfluss des Gehalts auf die Produktivität der Mitarbeiter bei Berufsanfängern stärker ausgeprägt ist als bei erfahrenen Mitarbeitern. Diese Art der Analyse ermöglicht es den Forschern, einen tieferen Einblick in die Muster zu gewinnen, die sich im Datensatz abzeichnen.

Implikationen der faktoriellen Analyse

Aufgrund ihrer Flexibilität und Praktikabilität ist die faktorielle Analyse weiterhin eines der am häufigsten verwendeten experimentellen Designs in allen Disziplinen. Eine aktuelle Studie untersuchte beispielsweise, ob das Konsumentenverhalten davon abhängt, ob das Produkt utilitaristisch oder hedonistisch ist. Zusätzlich zum Produkttyp bezogen die Forscher auch das Produktbild (Nahaufnahme vs. Weitwinkelaufnahme) als potenziellen Faktor ein, der die Kaufentscheidung beeinflusst. Diese Forscher untersuchten außerdem, ob die Art der Überzeugungstechnik, wie z. B. rationaler oder emotionaler Appell, einen Einfluss haben würde (Kim, Lee, & Choi, 2019). Hedonische Produkte erhielten tendenziell günstigere Einstellungen, wenn ein Breitbild mit emotionsauslösender Werbung verbunden war. Umgekehrte Ergebnisse wurden für utilitaristische Produkte in dieser 2 x 2 x 2 faktoriellen ANOVA, auch bekannt als Drei-Wege-AnOVA, beobachtet.