Data Science, Machine Learning und KI
Kontakt

Obwohl wir beim letzten Mal nur um Haaresbreite dem Sog des schwarzen Lochs entkommen sind, welches sich in der Nähe der Welt des Wilcoxon-Rangsummen-Tests befindet (Die ganze Geschichte gibt es hier!), lassen wir uns nicht einschüchtern und setzen unsere Entdeckungsreise durch das nicht-parametrische Universum fort.

Den nächsten Planeten, den wir dabei erkunden wollen, könnte man auf den ersten Blick mit der Welt des Wilcoxon-Rangsummen-Tests verwechseln (Lieber daran interessiert? Dann klicke hier.). Beide Welten haben eine ähnliche Flora und Fauna, doch schaut man genau hin, gibt es kleine, aber bedeutende Unterschiede. Acissej, unsere Botanikerin an Bord und im ganzen Universum von den großfüßigen Blaustirnblatthühnchen gefürchtet, kennt sich in diesem Bereich bestens aus. Sie führt daher unsere Expedition zur Erforschung der Welt des Wilcoxon-Vorzeichen-Tests an.

Zwei Welten – Gemeinsamkeiten und Unterschiede

Bei der Erkundung wird als erstes eine Gemeinsamkeit beider Welten deutlich: Der Wilcoxon-Vorzeichen- und der Wilcoxon-Rangsummen-Test sind jeweils die nicht-parametrische Alternative für den t-Test. Ersterer ist das Pendant zum t-Test für abhängige und letzterer zum t-Test für unabhängige Stichproben (Was ist ein t-Test? Hier erfährst du es.). Nicht-parametrisch bedeutet, dass beide Tests weniger strenge Annahmen über die Verteilung der abhängigen Variable machen. Zusätzlich teilen beide die Eigenschaft, dass sie die Mediane von zwei Gruppen auf signifikante Unterschiede testen. Acissej ergänzt noch scherzend, dass sich der Erfinder beider Tests – Frank Wilcoxon – auch in beiden Bezeichnungen verewigt hat.

Bei den vielen Gemeinsamkeiten beider Welten gibt es jedoch einen großen Unterschied zwischen ihnen: Die Situation, in der die Anwendung des Tests angemessen ist. Der Wilcoxon-Vorzeichen-Test wird ausschließlich bei abhängigen Stichproben angewandt. Doch was genau bedeutet Abhängigkeit überhaupt? Häufig bedeutet es, dass bei verschiedenen Personen ein bestimmtes Merkmal zwei Mal gemessen wurde. In diesem Fall spricht man von Messwiederholung. Abhängigkeit kann aber auch bedeuten, dass man die Werte von zwei Person durch eine Gemeinsamkeit in Verbindung bringen kann. Da fällt Acissej sofort ein gutes Beispiel ein: Wenn sich zwei Mitglieder unserer Crew eine Kajüte teilen müssen und der eine schlechte Laune hat, weißt du sofort, wie es dem anderen geht. Ob Sie wollen oder nicht, Ihre Laune ist voneinander abhängig! Bei Abhängigkeiten zwischen Messungen gilt jedoch, dass man nur solche berücksichtigen kann, die eine gewisse Systematik aufweisen(1). Beispielsweise kann die Laune eines Crewmitgliedes die Laune aller Mitglieder am Bord beeinflussen. Da es aber nicht (einfach) zu erfassen ist, wer sich mit wem unterhält und sich dadurch beeinflusst, ist diese eine Form von Abhängigkeit, die man statistisch nicht berücksichtigen würde.

Die Tiefen der Welt des Wilcoxon-Vorzeichen-Tests

Acissej hat heute extrem gute Laune und das perfekte Beispiel parat, um zu erklären, wie die Welt des Wilcoxon-Vorzeichen-Tests im Detail beschaffen ist. Dazu kramt sie einen Zettel aus ihrer Tasche, auf den wir folgendes Lesen können:

Pflanzennummer Größe beim Einpflanzen [cm] Größe am nächsten Tag [cm]
1 20,03 21,39
2 20,13 21
3 20,23 21,35
4 20,15 20,75
5 20,46 20,25
6 20,43 20,68
7 20,67 20,53
8 20,35 21,05
9 20,85 20,97
10 20,08 20,62
11 20,5 20,81
12 21,04 20,92
13 20,88 20,95
14 19,94 20,74
15 20,08 20,63

Ihr Beispiel handelt natürlich von Pflanzen. Acissej hat ein kleines Experiment durchgeführt und möchte jetzt wissen, ob es geglückt ist. Sie hat gestern 15 neue Pflanzen in ihrer Kajüte eingepflanzt und gemessen, wie groß diese waren. Zum Einpflanzen hat sie aber nicht herkömmlichen Boden, sondern Kaffeesatz verwendet. Auf diese Idee kam sie als sie vor kurzem auf einer anderen Welt gesehen hat, dass die Einheimischen dort Pflanzen auf den Resten anderer Pflanzen züchten. Da sie als Botanikerin weiß, wie viele Nährstoffe in Kaffee enthalten sind und sie selbst jeden Tag mindestens 10 Tassen trinkt, erschien ihr die Verwendung von Kaffeesatz eine geniale Idee. Heute Morgen hat Sie gleich mal nachgemessen und alles auf dem Zettel notiert. Jetzt möchte sie wissen, ob die Pflanzen im Schnitt gewachsen sind, damit sie sie nicht quält, falls alles eine blöde Idee war.

Da „leider“ nur 15 Pflanzen in ihre Kajüte passen und die Messungen voneinander abhängig sind, empfiehlt sich die Anwendung des Wilcoxon-Vorzeichen-Tests. Dieser bildet zuerst die Differenzen aus beiden Zeitpunkten: Größe beim Einpflanzen – Größe am nächsten Tag (siehe Tabelle 2). Anschließend wird für jede Differenz das Vorzeichen notiert und Ränge vergeben. Bei der Vergabe der Ränge wird das Vorzeichen ignoriert (siehe Tabelle 2).

Pflanzennummer Differenz Ränge Vorzeichen
1 -1,36 15
2 -0,87 13
3 -1,12 14
4 -0,6 10
5 0,21 5 +
6 -0,25 6
7 0,14 4 +
8 -0,7 11
9 -0,12 3
10 -0,54 8
11 -0,31 7
12 0,12 2 +
13 -0,07 1
14 -0,8 12
15 -0,55 9

Die Ränge werden letztlich zu zwei Rangsummen aufsummiert. Eine Rangsumme für Ränge mit positiven (T+) und eine für Ränge mit negativen Vorzeichen (T-). Um zu testen, ob sich die Mediane in beiden Gruppen unterscheiden, verwendet der Test die Rangsumme der positiven Differenzen T+. Diese ist in unserem Fall 11. Für T+ wird der dazugehörige p-Wert anschließend mit einer der beiden folgenden Methoden berechnet. Entweder, indem die Rangsumme an der Anzahl der Personen in der Gruppe relativiert und durch ihren Standardfehler geteilt wird oder, indem der p-Wert exakt berechnet wird, mit Hilfe einer Simulation. Da in den Daten jeder Wert nur einmal vorkommt und die Stichprobe insgesamt kleiner als 40 ist, muss die exakte Methode angewendet werden. Der exakte p-Wert für die Pflanzengrößen ist 0,003 und das Ergebnis daher signifikant. Man kann also davon ausgehen, dass der Median der Pflanzengröße nach einem Tag (20,81) signifikant größer ist als zum Zeitpunkt des Einpflanzens (20,35). Somit sind nicht nur die Pflanzen von Acissei im Schnitt gewachsen, sondern wir können auch davon ausgehen, dass Kaffeesatz bei weiteren Pflanzen geeignet ist, um als Nährboden zu fungieren. Auf diese Freude holt sich Acissej doch erstmal einen Kaffee!

PS: Durch die Reise im nicht-parametrischen Universum reisekrank geworden? Kein Problem! Wir bei STATWORX lieben es zu reisen und begleiten dich sehr gerne dabei: Antrag auf Reisebegleitung stellen.

Referenzen

  1. Eid, M., Gollwitzer, M. & Schmitt, M. (2015). Statistik und Forschungsmethoden (4. Überarbeitete und erweiterte Auflage). Weinheim: Beltz. S. 368.
  2. Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics, 1, 80-83.

Bei der Reise durch das nicht-parametrische Universum begegnet man auch Phänomenen, denen man lieber nicht begegnen möchte: schwarzen Löchern. Diese können zu Beginn sehr klein sein, doch wenn man sie nicht beachtet und versucht, sich (heimlich) an ihnen vorbeizuschleichen, stürzen sie alles ins Chaos. Auch in der Nähe der Welt des Wilcoxon-Rangsummen-Tests gibt es eines davon.

Die Welt des Wilcoxon-Rangsummen-Tests wurde bereits in einem früheren Blogbeitrag beschrieben (Hier geht es zu diesem Beitrag). Prinzipiell überprüft der Test, ob sich die Mediane von zwei unabhängigen Gruppen signifikant voneinander unterscheiden. Er macht dabei weniger Annahmen über die Daten als der t-Test für unabhängige Stichproben (Was ist ein t-Test? Hier klicken!), aber er ist nicht frei davon. Die erste von insgesamt zwei Annahmen ist, dass die abhängige Variable stetig sein muss. Die zweite ist, dass die Verteilung der Daten in beiden Gruppen zwar von einer Normalverteilung abweichen darf, aber sie in beiden Gruppen gleich sein muss. Diesem Aspekt wird häufig wenig Beachtung geschenkt, was jedoch dazu führen kann, dass man nicht auf der statistisch verlässlichen Welt des Wilcoxon-Rangsummen-Tests landet, sondern im Nirgendwo eines schwarzen Lochs. Die Interpretation des signifikanten Tests ist dann nichts weiter als Chaos.

Von Raumschiffen und Verteilungen

Um dies zu veranschaulichen, schauen wir uns zuerst die Verteilungen im früheren Blogbeitrag an. Wie waren dort die Verteilungen in beiden Gruppen?

Histogramm nach Laendern

Abbildung 1 zeigt, dass sie identisch waren und sich die Gruppen nur in Bezug auf die Mediane (rote Linie) unterschieden haben. Der signifikante Wilcoxon-Rangsummen-Test (p < 0,001) spiegelte bei diesem Ergebnis daher ausschließlich Unterschiede der Mediane beider Gruppen wieder.
Häufig existieren jedoch nicht nur Unterschiede beim Median, sondern auch bei der Verteilung der Daten.(1) Was dann? Um diese Frage zu beantworten, können wir nur eines tun: Wir setzen uns wie im früheren Blogbeitrag in unser Raumschiff und erkunden das nicht-parametrische Universum. Dieses Mal müssen wir jedoch besonders vorsichtig sein, denn sich einem schwarzen Loch zu nähern, ist riskant. Da wir aber wissen wollen, wieso die Verteilung von Daten für den Wilcoxon-Rangsummen-Test von Bedeutung ist, bleibt uns nichts anderes übrig. Wir starten den Antrieb und nähern uns dem schwarzen Loch. Beim Annähern erkennen wir plötzlich hunderte andere Raumschiffe, die zu unvorsichtig waren und immer mehr hineingezogen werden. Wir müssen handeln! Als wir gerade sämtliche Rettungskräfte losschicken wollen, erkennen wir, dass alle Raumschiffe extrem alt und ohne Rettungskapseln sind. Scheinbar ist lange niemand mehr hier gewesen und die Crews der Schiffe konnten sich mit den Rettungskapseln in Sicherheit bringen. Doch während wir mit den Vorbereitungen der Rettungsaktionen beschäftigt waren, sind wir selbst unvorsichtig gewesen und werden jetzt in das schwarze Loch hineingezogen! Da der Antrieb es alleine nicht schafft, uns aus dem Sog zu befreien, benötigen wir Hilfe. Bokaj, der beste Ingenieur im nicht-parametrischen Universum und glücklicherweise Leiter unseres Maschinenraums, hat eine Idee! Wir demontieren von einem der anderen Schiffe den Antrieb und verstärken damit unseren. Doch welchen sollen wir auswählen? Uns kann nur ein sehr starker Antrieb retten und es bleibt uns nichts anderes übrig als anzunehmen, dass je weiter ein Raumschiff noch vom Zentrum des schwarzen Lochs entfernt ist, desto stärker ist der Antrieb. Daher erfassen wir mit unseren Bordsensoren, wie weit jedes der anderen Raumschiffe noch vom Zentrum entfernt ist. Gesagt, getan, doch der Bordcomputer zählt insgesamt circa 2000 Raumschiffe. Viel zu viele, um schnell die richtige Entscheidung zu treffen! Um die Auswahl einzugrenzen, lassen wir die Schiffe von unserem Bordcomputer in Handels- und Kriegsschiffe einteilen und mit Hilfe des Wilcoxon-Rangsummen-Tests überprüfen, ob sich die Entfernung (und somit die Stärke des Antriebs) im Mittel zwischen den zwei Schiffstypen unterscheidet. Der Test ist signifikant (p = 0,02), sehr gut! Da der Median mit 0,65 bei den Kriegsschiffen größer ist als mit 0,61 bei den Handelsschiffen, müsste die Wahl auf die Kriegsschiffe fallen. Jedenfalls statistisch betrachtet. Doch die Mediane unterscheiden sich kaum und würde diese Entscheidung wirklich die Wahrscheinlichkeit unseres Überlebens erhöhen? Wir bezweifeln dies sehr und betrachten stattdessen die Verteilung der Daten, in der Hoffnung, dass dort noch wichtige Informationen zu finden sind (siehe Abbildung 2).

Histogramm nach Schiffen

Die Verteilung zeigt uns, dass egal ob Handels- oder Kriegsschiff, die meisten sind sehr nah am Zentrum des schwarzen Lochs und die Mediane unterscheiden sich daher kaum. Bei genauerem Hinsehen wird jedoch deutlich, dass es bei den Kriegsschiffen einige gibt, die noch über 2,4 Einheiten entfernt sind. Gut für uns, denn nur ein starker Antrieb kann uns vor dem drohenden Tod retten und offenbar gibt es einige Kriegsschiffe, die einen wesentlich stärkeren Antrieb haben als die Handelsschiffe. Wir schicken daher Bokaj und seine Crew zu einem dem Kriegsschiff über 3,6 Einheiten. Der Antrieb ist noch intakt und kompatibel zu unserem, was für ein Glück! Bokaj hat ihn an unserem Schiff montiert und unser Antrieb ist jetzt stark genug, um uns zu entfernen. Antrieb starten und schnell weg hier!

Und was haben wir daraus gelernt?

Der Wilcoxon-Rangsummen-Test ist nützlich, um Entscheidungen, die zwei Gruppen betreffen, zu erleichtern. Bei sehr großen Gruppen (wie z.B. vielen Raumschiffen) können sich die Mediane der beiden Gruppen, trotz eines signifikanten Ergebnisses, kaum unterscheiden. Eine Ursache für solch signifikante Ergebnisse sind, neben der großen Stichprobe, auch ungleiche Verteilungen der Daten in beiden Gruppen. Daher sollte immer zusätzlich zum Median, auch die Verteilung der Daten betrachtet und in die Interpretation miteinbezogen werden.

Referenzen

  1. Hart, Anna (2001). Mann-Whitney test is not just a test of medians: differences in spread can be important. BMJ, 323, 391-393.

Niederländer lieben Käse, Holzschuhe und am liebsten sitzen sie hinter dem Steuer ihres Wohnwagens! Oder? Will man solche Vorurteile (seriös) untersuchen, muss man dazu Daten erheben. So könnte man die jährliche Fahrzeit im Wohnwagen bei Niederländern und beispielsweise Deutschen erfassen und im Anschluss überprüfen, ob sich beide Nationen im Mittel bei der Fahrzeit unterscheiden. Dafür bietet sich als erstes der t-Test für unabhängige Stichproben an, der testet, ob sich die Mittelwerte beider Gruppen signifikant voneinander unterscheiden. Wendet man diesen Test an, befindet man sich sofort im parametrischen Universum: einem Raum voller Möglichkeiten, aber auch ein Raum voller statistischer Voraussetzungen.

Die bekannteste davon ist sicherlich, dass die abhängige Variable (die Zeit hinter dem Steuer) normalverteilt sein muss. Zudem sollten die Gruppen ungefähr gleich groß und jeweils mindestens 30 Personen vorhanden sein. Ist eine dieser Voraussetzungen nicht erfüllt, ist das Ergebnis des t-Tests nicht mehr verlässlich. In einem solchen Fall ist es Zeit für eine Reise in das nicht-parametrische Universum. Bei dieser Reise entdeckt man schnell die Welt des Wilcoxon-Rangsummen-Tests. Dieser ist die nicht-parametrische Alternative zum t-Test für unabhängige Stichproben und macht weniger strenge Annahmen über die Verteilung der Daten. Insbesondere die Voraussetzung einer Normalverteilung der abhängigen Variable muss nicht erfüllt sein. Was ihn mit dem t-Test allerdings verbindet ist, dass beide Tests überprüfen, ob sich zwei Gruppen im Mittel voneinander unterscheiden. Der Wilcoxon-Rangsummen-Test überprüft jedoch den Median zwischen zwei Gruppen und nicht den Mittelwert.

Lasst die Entdeckungsreise beginnen

Bevor wir die Welt des Wilcoxon-Rangsummen-Tests erkunden, noch ein kurzer Reisehinweis: Sie wurde 1945 von Frank Wilcoxon entdeckt und beschrieben, doch auch Mann und Whitney haben 1947 darüber berichtet. Dadurch ist der Test unter verschiedenen Namen bekannt: Wilcoxon-Rangsummen-Test, Mann-Whitney- oder auch U-Test. Dies ist jedoch kein Grund reisekrank zu werden, denn die Beschreibungen von Wilcoxon (1945) und Mann/Whitney (1947) unterscheiden sich zwar leicht (geringfügig andere Berechnungen), aber die Welt ist immer die Gleiche (gleiches Ergebnis beider Tests). Jetzt aber Rucksack auf und lasst uns die Reise beginnen. Die erste Entdeckung, die wir dabei machen, kommt jedoch unerwartet: Auch Niederländer und Deutsche haben diese Welt bereits entdeckt und erkunden sie mit ihren Wohnwägen. Trotz unseres Erstaunens nutzen wir diesen Umstand sofort, um das Vorurteil über Niederländer und ihren Wohnwagen zu erforschen. Wir konnten letztlich 26 Personen nach ihrer Zeit hinter dem Steuer befragen, haben die Werte notiert und zusätzlich für die Fahrzeiten Rangplätze vergeben, um zu sehen welche Person die meiste und welche die kürzeste Zeit gefahren ist (siehe fiktive Daten in Tabelle). Rang 1 bekommt jene Person mit der kürzesten und Rang 26 jene mit der längsten Fahrzeit und zwar unabhängig davon, aus welchem Land die Person stammt.

Niederlande Deutschland
Fahrzeit mit dem Wohnwagen [min] Rangplatz Fahrzeit mit dem Wohnwagen [min] Rangplatz
8603 14 4478 1
11053 25 6705 12
9345 15 5572 6
9485 16 4522 2
10724 23 7282 13
11585 26 4838 3
10941 24 5265 5
9653 17 6015 10
10437 22 5168 4
10283 21 6300 11
9849 18 5978 9
10143 19 5888 8
10157 20 5798 7

In den Fahrzeiten werden Unterschiede zwischen den Nationen deutlich, aber sind sie auch signifikant? Aufgrund der kleinen Stichprobe in beiden Gruppen kann der t-Test nicht für diese Frage angewendet werden, der Wilcoxon-Rangsummen-Test ist hier passender. Eine perfekte Möglichkeit die Welt dieses Tests kennenzulernen! Der Test macht erstmal genau das Gleiche wie wir: Er ordnet den einzelnen Fahrzeiten der Reihe nach Ränge zu (siehe Tabelle). Im Anschluss werden diese aufsummiert. Aber Achtung: Die Vergabe der Ränge erfolgte ohne Gruppenzugehörigkeit, die Aufsummierung erfolgt getrennt nach den Nationen. Dadurch ergibt sich bei den Niederländern eine Rangsumme von 260 und bei den Deutschen von 91. Bei ungleich großen Gruppen verwendet der

Test die Rangsumme in der kleineren Gruppe und bei gleich großen Gruppen, wie in diesem Fall, die kleinere Rangsumme von 91. Diese wird dann an der Anzahl der Personen in der Gruppe relativiert, da sonst größere Gruppen auch immer größere Rangsummen aufweisen würden. Durch die Relativierung ergibt sich die Teststatistik W, für die der dazugehörige p-Wert wie folgt berechnet werden muss. Entweder durch eine exakte Berechnung des p-Werts mit Hilfe einer Simulation oder indem die Teststatistik W durch ihren Standardfehler geteilt wird. Da in den Daten jeder Wert nur einmal vorkommt und die Stichprobe insgesamt kleiner als 40 ist, muss die exakte Methode angewendet werden. Der p-Wert für unsere Daten ist kleiner als 0,001 und das Ergebnis daher signifikant. Man kann also davon ausgehen, dass sich beide Nationen nicht nur in unserer Stichprobe, sondern auch in der gesamten Population bei der mittleren Fahrzeit im Wohnwagen unterscheiden.

Wieso die Welt des Wilcoxon-Rangsummen-Test ist, wie sie ist

An dieser Stelle ist unsere Reise fast schon beendet, lediglich eine Frage drängt sich noch auf: Wieso kann der Wilcoxon-Rangsummen-Test mit einer Rangsumme überprüfen, ob sich die Mediane zweier Gruppen voneinander unterscheiden? Ganz einfach: weil sich unterschiedliche Mediane der beiden Gruppen auch in unterschiedlichen Rangsummen widerspiegeln. In den von uns erhobenen Daten zeigt sich dies besonders deutlich. Der Median bei den Niederländern ist 10157 und bei den Deutschen 5798 Minuten. Dieser große Unterschied zwischen den Gruppen zeigt sich auch in den Rangsummen: 260 bei den Niederländern und 91 bei den Deutschen. Der Grund dafür, dass sich sowohl Mediane als auch Rangsummen zwischen den beiden Gruppen stark unterscheiden ist, dass aufgrund der unterschiedlichen Mediane alle Fahrzeiten der Deutschen geringer sind als jene der Niederländer. Dadurch bekommen die Deutschen nur die niedrigen und die Niederländer nur die hohen Ränge, was letztlich zu den unterschiedlichen Rangsummen führt. Dadurch kann der Test indirekt untersuchen, ob sich die Mediane zweier unabhängiger Gruppen signifikant voneinander unterscheiden.

Referenzen:

  • Mann, H. B. & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18, 50-60.
  • Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics, 1, 80-83.

Standards für die Formatierung von Tabellen oder die einheitliche Verwendung von Abkürzungen setzen sich immer mehr durch. Egal, ob für die Hausarbeit, die Promotion oder für die Veröffentlichung in einem wissenschaftlichen Journal – Stil und Format einer Arbeit müssen einer bestimmten Anforderung genügen. Die Standards von der American Psychological Association (APA) sind dabei nicht nur in der Psychologie weit verbreitet. Auch wir bei STATWORX greifen gerne darauf zurück, da nach APA formatierte Tabellen optisch was her machen. Doch wie genau müssen meine Ergebnistabellen gestaltet sein und kann ich mir die Arbeit irgendwie erleichtern? Genau auf diese Fragen bekommst du hier eine Antwort.

Übersicht zum APA Standard

Die APA publiziert in unregelmäßigen Abständen von mehreren Jahren einen Leitfaden zur Veröffentlichung wissenschaftlicher Artikel, das sogenannte Publication Manual. Dort enthalten sind Vorgaben für fast jede Frage zum Thema Aufbau einer wissenschaftlichen Arbeit, Schreibstil, Zitieren oder eben die verständliche Darstellung von empirischen Ergebnissen als Tabelle. Aktuell gilt die sechste Auflage aus dem Jahr 2010, welche auch Grundlage aller Angaben in diesem Beitrag ist.

Allgemeine Vorgaben für Tabellen

Sollen Ergebnisse präsentiert werden, stellt sich als erstes die Frage, ob überhaupt Tabellen nötig sind. Das Publication Manual rät selektiv vorzugehen und sich drei Aspekte vor Augen zu führen. Zum einen kann es für den Leser sehr anstrengend sein, wenn viele Tabellen durchgearbeitet werden müssen. Zudem wird es schwieriger, einem Text gedanklich zu folgen, wenn er zu häufig durch Tabellen unterbrochen wird. Letztlich lassen sich bestimmte Informationen (wie das Ergebnis einer einzigen Varianzanalyse) auch leicht in den Text integrieren.

Es gilt also der Grundsatz, der auch allgemein für die Statistik gilt: Gut geplant, ist halb gewonnen. Tabellen um jeden Preis gilt es daher zu vermeiden. Bieten sie wirklich einen Mehrwert, gilt es diese gut in den Text zu intergrieren. Aber Achtung: Im Publication Manual ist eindeutig beschrieben, dass Tabellen für sich verständlich sein sollen. Abkürzungen müssen daher auch dort erklärt werden.

Zudem sollen Tabellen mit Zahlen beschriftet werden und zwar in der Reihenfolge, in der sie im Text erwähnt werden. Dabei soll die Beschriftung Tabelle 1, Tabelle 2 und Tabelle 3 lauten und keine Suffixe wie Tabelle 1a und 1b verwendet werden. Zudem muss auf jede Tabelle im Text Bezug genommen werden. Dabei sind diese Bezüge eindeutig herzustellen, zum Beispiel mit „wie in Tabelle 1 abgebildet, …“. Referenzierungen wie „siehe obige Tabelle“ oder „die Tabelle auf Seite 32“ sollen nicht verwendet werden. Tabellen im Anhang sollen zusätzlich mit Großbuchstaben dem jeweiligen Abschnitt zugeordnet werden. Tabelle A1 wäre dementsprechen die erste Tabelle im Anhang A.

Tabellen nach APA-Standards

Schauen wir uns jetzt an, wie Tabellen nach APA-Standards im Detail aussehen sollen. Da Bilder mehr als Worte sagen, hier ein Beispiel wie eine einfache Tabelle nach APA-Standards aussieht.

apa beispieltabelle

Gemäß den Standards wurden so wenige horizontale Linien wie möglich verwendet und überhaupt keine vertikalen Linien. Übersichtlichkeit wurde mehr durch freie Zeilen und Spalten zwischen einzelnen Aspekten erzeugt. Als Schriftart wurde Times New Roman mit einer Schriftgröße von 12 pt gewählt, was prinzipiell empfohlen wird. Die Schriftart sollte aber nicht vom restlichen Text abweichen. Sowohl der Titel der Tabelle als auch die jeweiligen Abkürzungen und das Wort „Anmerkungen“ sind kursiv geschrieben.

Die allgemeinen Anmerkungen für die Tabelle erscheinen als erstes unter der Tabelle, einschließlich der Definition von Abkürzungen. Einzelne Anmerkungen und Erklärung von Abkürzungen enden mit einem Punkt und werden so untereinander getrennt. Ebenfalls zu den allgemeinen Anmerkungen gehören Copyright-Angaben und diese sollten natürlich immer angegeben werden.

In einer separaten Zeile unter den allgemeinen Anmerkungen folgen die spezifischen Anmerkungen. Sie werden mit kleinen Buchstaben symbolisiert und der Reihe nach von links nach rechts und von oben nach unten vergeben. Begonnen wird dabei oben links. Mehrere spezifische Anmerkungen werden direkt hintereinander geschrieben und erneut durch einen Punkt getrennt.

Ganz am Ende der Anmerkungen stehen jene zum Signifikanzniveau. Sie beginnen ebenfalls in einer neuen Zeile und werden jeweils durch einen Punkt getrennt. Angaben kleiner als „*** p < .001“ (nicht im Beispiel dargestellt) sollten dabei nicht verwendet werden. Falls es nötig ist zwischen ein- und zweiseitigen p-Werten zu unterscheiden, wird das *-Symbol für zweiseitige und ein anderes Symbol für die einseitigen p-Werte verwendet. Beispielsweise: „* p < .05, zweiseitig. † p < .05, einseitig.“. Da die Angabe eines exakten p-Werts immer informativer als die Einteilung in kleiner als .05 oder .01 ist, wird empfohlen p-Werte direkt in der Tabelle bis auf die zweite oder dritte Nachkommastelle anzugeben.

Neben den Anmerkungen sind auch Konfidenzintervalle in der Tabelle abgetragen. Früher wurden häufig nur die Punktschätzungen zusammen mit dem p-Wert angegeben, heutzutage wird aber empfohlen, auch die Konfidenzintervalle zu berichten. Das dazugehörige Konfidenzniveau ist jeweils explizit genannt (hier 95% ), was unbedingt getan werden sollte. Üblicherweise wird zudem das gleiche Konfidenzniveau für alle Berechnungen eines Artikels verwendet. Da aber jede Tabelle für sich verständlich sein soll, muss das Konfidenzniveau jeweils klar gekennzeichnet sein. Die im Beispiel gewählte Darstellung in eckigen Klammern ist dabei nicht die einzige Option. Man kann die untere und obere Grenze des Konfidenzintervalls auch jeweils in einer separaten Spalte darstellen. Dies ist an der nachfolgenden Tabelle nochmals verdeutlicht.

apa ki

Spezielle Ergebnistabellen

Je nach angewandtem statistischen Verfahren gibt es natürlich andere Kennzahlen, die unbedingt dem Leser präsentiert werden müssen. Daher findest du nachfolgend nochmal 3 unterschiedliche Tabellen, die jeweils einen anderen Aspekt verdeutlichen sollen. So bekommst du hoffentlich eine Idee, wie eine Tabelle nach APA-Standard allgemein am besten aussieht.

Beginnen wir mit einer Tabelle, die deskriptive Analysen beinhaltet. Die Werte sind dabei getrennt für Männer und Frauen präsentiert. Als besonderes Merkmal ist hier der Wert für Cronbachs alpha zu nennen, der ohne führende 0 berichtet wird, da der Wert nicht größer als 1 werden kann. Zusätzlich dazu ist eine Erklärung des Wertebereiches enthalten und zwar, wie groß dieser theoretisch ist und wie breit er mit den Daten tatsächlich war. Abschließend sei noch zu nennen, dass in den allgemeinen Anmerkungen der Grund für die unterschiedlichen Stichprobengrößen spezifiziert ist.

apa deskriptiv

Als nächstes ist eine Tabelle dargestellt, die alle relevanten Informationen für einen t-Test bei abhängigen Stichproben enthält. Entscheidend ist dabei, dass sowohl der Mittelwert als auch die Standardabweichung für jeden Zeitpunkt genannt ist. Aber auch die Freiheitsgrade des t-Tests (hier 52) sowie das Konfidenzintervall und die Effektstärke (Cohens d) sind dargestellt und gehören zu einer solch zusammenfassenden Tabelle.

apa t-test

Als letztes noch eine Tabelle für eine lineare Regression, das wohl am häufigsten angewandte statistische Verfahren. Die Tabelle beinhaltet dabei 2 verschiedene Modelle, es handelt sich also um eine stufenweife Regression. Im ersten Schritt sind nur die Kontrollvariablen aufgenommen und im zweiten Schritt zusätzlich die relevanten Prädiktoren. Neben den unstandardisierten Regressionskoeffizienten ist für das erste Modell bereits auch das R^2 und der dazugehörige F-Wert enthalten. Zusammen mit der in den allgemeinen Anmerkungen genannten Stichprobengröße reichen diese Informationen aus, um das erste Modell zu beurteilen. Für das zweite Modell sind die gleichen Informationen in der Tabelle zu finden, aber zusätzlich noch das Konfidenzintervall sowie das Delta R^2 und Delta F. Die Konfidenzintervalle sind wichtig, um den geschätzen Bereich zu sehen, in dem der wahre Wert der Regressionskoeffizienten wahrscheinlich liegt. Mit dem Delta R^2 und Delta F wird beurteilt, ob die Aufnahme der 5 relevanten Prädiktoren zusätzlich zu den Kontrollvariablen signifikant Varianz von der abhängigen Variable aufklären. Nimmt man all diese Informationen zusammen, ergibt sich ein rundes Bild, wie die Prädiktoren mit der abhängigen Variable zusammenhängen.

apa regression

Tabellen nach APA in R

Tabellen nach APA manuell zu erstellen, wäre zwar den Aufwand der übersichtlichen Darstellung allemal Wert, aber in Zeiten von Statistikprogrammen kann man sich (zum Glück) auch diese Arbeit sparen. Na, sagen wir zumindest erleichtern.

In dem Programm R gibt es ein recht neues Paket mit dem eindeutigen Namen „apaTables“. Damit kann man sich fast schon mühelos Tabellen in Word nach den APA-Richtlinien erstellen lassen. Dabei sind Tabellen für Varianzanalysen (mit und ohne Messwiederholung), Effektstärken (Cohen’s delta und eta^2), Korrelationen und Regressionen aktuell möglich. Für die Regression kann man sich sogar Bootstrap-Konfidenzintervalle erzeugen lassen.

Als Beispiel erstellen wir nachfolgend einmal eine Korrelationstabelle:

# Paket installieren und laden
install.packages("apaTables")
library(apaTables)

# Beispieldatensatz laden
data(attitude)

# Aufbau des Datensatzes
head(attitude)

# Korrelationstabelle nach APA-Standards
apa.cor.table(attitude, filename = "Korrelationen.doc")
   rating complaints privileges learning raises critical advance
 1     43         51         30       39     61       92      45
 2     63         64         51       54     63       73      47
 3     71         70         68       69     76       86      48
 4     61         63         45       47     54       84      35
 5     81         78         56       66     71       83      47
 6     43         55         49       44     54       49      34

Der Befehl apa.cor.table() berechnet für alle Variablen im Datensatz attitude die bivariate Pearson-Korrelation und stellt sie zusammen mit dem dazugehörigen Konfidenzintervall in einer Tabelle nach APA-Richtlinien dar. Diese wird in der Datei „Korrelation.doc“ gespeichert und enthält dann folgende Tabelle:

apa r

Die Tabelle sieht schon sehr gut aus, zwei Punkte müssen aber auf jeden Fall noch manuell geändert werden. Vor den *-Angaben zu den p-Werten muss ein Absatz eingefügt werden, da diese Anmerkungen laut APA-Standard in einer eigenen Zeile stehen sollen. Außerdem müssen die Zahlen in allen Zellen zentriert werden. Davon abgesehen werden in dieser (in wenigen Sekunden erstellten!) Tabelle viele APA-Standards berücksichtigt. Beispielsweise sind die Bezeichnungen M für Mittelwert und SD für Standardabweichung kursiv geschrieben, was immer getan werden soll, wenn lateinische Buchstaben als Abkürzung für statistische Kennwerte verwendet werden. Außerdem ist auch die 0 vor dem Dezimalpunkt bei den Korrelationen und dem p-Wert immer weggelassen, was bei Zahlen, die nicht größer als |1| werden können, der Standard ist.

Tabellen nach APA in SPSS

Auch im Programm SPSS kann man sich die Arbeit erleichtern und Tabellen direkt nach APA ausgeben lassen. Dazu muss man unter SPSS > Einstellungen… in dem sich neu öffnenden Fenster Pivot-Tabellen auswählen. Dort kann man die allgemeine Vorlage für Ergebnistabellen einstellen.

apa spss

Die hier verwendete Vorlage „APA_TimesRoman_12pt“ ist allerdings nicht standardmäßig in SPSS implementiert. Sie muss manuell erzeugt werden, was den Vorteil hat, dass neue APA-Standards oder spezielle, zusätzliche Anforderungen manuell implementiert werden können. Die im Beispiel dargestellte Vorlage kannst du hier herunterladen. Diese musst du dann in den Ordner „Looks“ von SPSS einfügen und anschließend in SPSS als Standard auswählen. Der Ordner „Looks“ findet sich dort, wo du SPSS installiert hat. Ansonsten ist die Umarbeitung einer bereits bestehenden Vorlage vielfach im Internet dokumentiert.

Zusammenfassung

Korrekt nach APA formatierte Tabellen zu erstellen, war früher viel Aufwand, aber mit der Hilfe moderner Statistikprogramme hat sich dieser bereits stark reduziert. Die Mühe sind sie auf jeden Fall wert, denn richtig erstellt, können sie sich nicht nur sehen, sondern auch gut lesen lassen. Falls du noch mehr über APA-Standards wissen möchtest oder Hilfe bei der Aufbereitung deiner statistischen Resultate benötigst, helfen wir dir bei STATWORX natürlich auch gerne weiter (direkt Kontakt aufnehmen).

Referenzen

  • American Psychological Association, Publication Manual of the American Psychological Association
    (6. edition). Washington, DC 2010. ISBN: 978-1-4338-0561-5.

Standards für die Formatierung von Tabellen oder die einheitliche Verwendung von Abkürzungen setzen sich immer mehr durch. Egal, ob für die Hausarbeit, die Promotion oder für die Veröffentlichung in einem wissenschaftlichen Journal – Stil und Format einer Arbeit müssen einer bestimmten Anforderung genügen. Die Standards von der American Psychological Association (APA) sind dabei nicht nur in der Psychologie weit verbreitet. Auch wir bei STATWORX greifen gerne darauf zurück, da nach APA formatierte Tabellen optisch was her machen. Doch wie genau müssen meine Ergebnistabellen gestaltet sein und kann ich mir die Arbeit irgendwie erleichtern? Genau auf diese Fragen bekommst du hier eine Antwort.

Übersicht zum APA Standard

Die APA publiziert in unregelmäßigen Abständen von mehreren Jahren einen Leitfaden zur Veröffentlichung wissenschaftlicher Artikel, das sogenannte Publication Manual. Dort enthalten sind Vorgaben für fast jede Frage zum Thema Aufbau einer wissenschaftlichen Arbeit, Schreibstil, Zitieren oder eben die verständliche Darstellung von empirischen Ergebnissen als Tabelle. Aktuell gilt die sechste Auflage aus dem Jahr 2010, welche auch Grundlage aller Angaben in diesem Beitrag ist.

Allgemeine Vorgaben für Tabellen

Sollen Ergebnisse präsentiert werden, stellt sich als erstes die Frage, ob überhaupt Tabellen nötig sind. Das Publication Manual rät selektiv vorzugehen und sich drei Aspekte vor Augen zu führen. Zum einen kann es für den Leser sehr anstrengend sein, wenn viele Tabellen durchgearbeitet werden müssen. Zudem wird es schwieriger, einem Text gedanklich zu folgen, wenn er zu häufig durch Tabellen unterbrochen wird. Letztlich lassen sich bestimmte Informationen (wie das Ergebnis einer einzigen Varianzanalyse) auch leicht in den Text integrieren.

Es gilt also der Grundsatz, der auch allgemein für die Statistik gilt: Gut geplant, ist halb gewonnen. Tabellen um jeden Preis gilt es daher zu vermeiden. Bieten sie wirklich einen Mehrwert, gilt es diese gut in den Text zu intergrieren. Aber Achtung: Im Publication Manual ist eindeutig beschrieben, dass Tabellen für sich verständlich sein sollen. Abkürzungen müssen daher auch dort erklärt werden.

Zudem sollen Tabellen mit Zahlen beschriftet werden und zwar in der Reihenfolge, in der sie im Text erwähnt werden. Dabei soll die Beschriftung Tabelle 1, Tabelle 2 und Tabelle 3 lauten und keine Suffixe wie Tabelle 1a und 1b verwendet werden. Zudem muss auf jede Tabelle im Text Bezug genommen werden. Dabei sind diese Bezüge eindeutig herzustellen, zum Beispiel mit „wie in Tabelle 1 abgebildet, …“. Referenzierungen wie „siehe obige Tabelle“ oder „die Tabelle auf Seite 32“ sollen nicht verwendet werden. Tabellen im Anhang sollen zusätzlich mit Großbuchstaben dem jeweiligen Abschnitt zugeordnet werden. Tabelle A1 wäre dementsprechen die erste Tabelle im Anhang A.

Tabellen nach APA-Standards

Schauen wir uns jetzt an, wie Tabellen nach APA-Standards im Detail aussehen sollen. Da Bilder mehr als Worte sagen, hier ein Beispiel wie eine einfache Tabelle nach APA-Standards aussieht.

apa beispieltabelle

Gemäß den Standards wurden so wenige horizontale Linien wie möglich verwendet und überhaupt keine vertikalen Linien. Übersichtlichkeit wurde mehr durch freie Zeilen und Spalten zwischen einzelnen Aspekten erzeugt. Als Schriftart wurde Times New Roman mit einer Schriftgröße von 12 pt gewählt, was prinzipiell empfohlen wird. Die Schriftart sollte aber nicht vom restlichen Text abweichen. Sowohl der Titel der Tabelle als auch die jeweiligen Abkürzungen und das Wort „Anmerkungen“ sind kursiv geschrieben.

Die allgemeinen Anmerkungen für die Tabelle erscheinen als erstes unter der Tabelle, einschließlich der Definition von Abkürzungen. Einzelne Anmerkungen und Erklärung von Abkürzungen enden mit einem Punkt und werden so untereinander getrennt. Ebenfalls zu den allgemeinen Anmerkungen gehören Copyright-Angaben und diese sollten natürlich immer angegeben werden.

In einer separaten Zeile unter den allgemeinen Anmerkungen folgen die spezifischen Anmerkungen. Sie werden mit kleinen Buchstaben symbolisiert und der Reihe nach von links nach rechts und von oben nach unten vergeben. Begonnen wird dabei oben links. Mehrere spezifische Anmerkungen werden direkt hintereinander geschrieben und erneut durch einen Punkt getrennt.

Ganz am Ende der Anmerkungen stehen jene zum Signifikanzniveau. Sie beginnen ebenfalls in einer neuen Zeile und werden jeweils durch einen Punkt getrennt. Angaben kleiner als „*** p < .001“ (nicht im Beispiel dargestellt) sollten dabei nicht verwendet werden. Falls es nötig ist zwischen ein- und zweiseitigen p-Werten zu unterscheiden, wird das *-Symbol für zweiseitige und ein anderes Symbol für die einseitigen p-Werte verwendet. Beispielsweise: „* p < .05, zweiseitig. † p < .05, einseitig.“. Da die Angabe eines exakten p-Werts immer informativer als die Einteilung in kleiner als .05 oder .01 ist, wird empfohlen p-Werte direkt in der Tabelle bis auf die zweite oder dritte Nachkommastelle anzugeben.

Neben den Anmerkungen sind auch Konfidenzintervalle in der Tabelle abgetragen. Früher wurden häufig nur die Punktschätzungen zusammen mit dem p-Wert angegeben, heutzutage wird aber empfohlen, auch die Konfidenzintervalle zu berichten. Das dazugehörige Konfidenzniveau ist jeweils explizit genannt (hier 95% ), was unbedingt getan werden sollte. Üblicherweise wird zudem das gleiche Konfidenzniveau für alle Berechnungen eines Artikels verwendet. Da aber jede Tabelle für sich verständlich sein soll, muss das Konfidenzniveau jeweils klar gekennzeichnet sein. Die im Beispiel gewählte Darstellung in eckigen Klammern ist dabei nicht die einzige Option. Man kann die untere und obere Grenze des Konfidenzintervalls auch jeweils in einer separaten Spalte darstellen. Dies ist an der nachfolgenden Tabelle nochmals verdeutlicht.

apa ki

Spezielle Ergebnistabellen

Je nach angewandtem statistischen Verfahren gibt es natürlich andere Kennzahlen, die unbedingt dem Leser präsentiert werden müssen. Daher findest du nachfolgend nochmal 3 unterschiedliche Tabellen, die jeweils einen anderen Aspekt verdeutlichen sollen. So bekommst du hoffentlich eine Idee, wie eine Tabelle nach APA-Standard allgemein am besten aussieht.

Beginnen wir mit einer Tabelle, die deskriptive Analysen beinhaltet. Die Werte sind dabei getrennt für Männer und Frauen präsentiert. Als besonderes Merkmal ist hier der Wert für Cronbachs alpha zu nennen, der ohne führende 0 berichtet wird, da der Wert nicht größer als 1 werden kann. Zusätzlich dazu ist eine Erklärung des Wertebereiches enthalten und zwar, wie groß dieser theoretisch ist und wie breit er mit den Daten tatsächlich war. Abschließend sei noch zu nennen, dass in den allgemeinen Anmerkungen der Grund für die unterschiedlichen Stichprobengrößen spezifiziert ist.

apa deskriptiv

Als nächstes ist eine Tabelle dargestellt, die alle relevanten Informationen für einen t-Test bei abhängigen Stichproben enthält. Entscheidend ist dabei, dass sowohl der Mittelwert als auch die Standardabweichung für jeden Zeitpunkt genannt ist. Aber auch die Freiheitsgrade des t-Tests (hier 52) sowie das Konfidenzintervall und die Effektstärke (Cohens d) sind dargestellt und gehören zu einer solch zusammenfassenden Tabelle.

apa t-test

Als letztes noch eine Tabelle für eine lineare Regression, das wohl am häufigsten angewandte statistische Verfahren. Die Tabelle beinhaltet dabei 2 verschiedene Modelle, es handelt sich also um eine stufenweife Regression. Im ersten Schritt sind nur die Kontrollvariablen aufgenommen und im zweiten Schritt zusätzlich die relevanten Prädiktoren. Neben den unstandardisierten Regressionskoeffizienten ist für das erste Modell bereits auch das R^2 und der dazugehörige F-Wert enthalten. Zusammen mit der in den allgemeinen Anmerkungen genannten Stichprobengröße reichen diese Informationen aus, um das erste Modell zu beurteilen. Für das zweite Modell sind die gleichen Informationen in der Tabelle zu finden, aber zusätzlich noch das Konfidenzintervall sowie das Delta R^2 und Delta F. Die Konfidenzintervalle sind wichtig, um den geschätzen Bereich zu sehen, in dem der wahre Wert der Regressionskoeffizienten wahrscheinlich liegt. Mit dem Delta R^2 und Delta F wird beurteilt, ob die Aufnahme der 5 relevanten Prädiktoren zusätzlich zu den Kontrollvariablen signifikant Varianz von der abhängigen Variable aufklären. Nimmt man all diese Informationen zusammen, ergibt sich ein rundes Bild, wie die Prädiktoren mit der abhängigen Variable zusammenhängen.

apa regression

Tabellen nach APA in R

Tabellen nach APA manuell zu erstellen, wäre zwar den Aufwand der übersichtlichen Darstellung allemal Wert, aber in Zeiten von Statistikprogrammen kann man sich (zum Glück) auch diese Arbeit sparen. Na, sagen wir zumindest erleichtern.

In dem Programm R gibt es ein recht neues Paket mit dem eindeutigen Namen „apaTables“. Damit kann man sich fast schon mühelos Tabellen in Word nach den APA-Richtlinien erstellen lassen. Dabei sind Tabellen für Varianzanalysen (mit und ohne Messwiederholung), Effektstärken (Cohen’s delta und eta^2), Korrelationen und Regressionen aktuell möglich. Für die Regression kann man sich sogar Bootstrap-Konfidenzintervalle erzeugen lassen.

Als Beispiel erstellen wir nachfolgend einmal eine Korrelationstabelle:

# Paket installieren und laden
install.packages("apaTables")
library(apaTables)

# Beispieldatensatz laden
data(attitude)

# Aufbau des Datensatzes
head(attitude)

# Korrelationstabelle nach APA-Standards
apa.cor.table(attitude, filename = "Korrelationen.doc")
   rating complaints privileges learning raises critical advance
 1     43         51         30       39     61       92      45
 2     63         64         51       54     63       73      47
 3     71         70         68       69     76       86      48
 4     61         63         45       47     54       84      35
 5     81         78         56       66     71       83      47
 6     43         55         49       44     54       49      34

Der Befehl apa.cor.table() berechnet für alle Variablen im Datensatz attitude die bivariate Pearson-Korrelation und stellt sie zusammen mit dem dazugehörigen Konfidenzintervall in einer Tabelle nach APA-Richtlinien dar. Diese wird in der Datei „Korrelation.doc“ gespeichert und enthält dann folgende Tabelle:

apa r

Die Tabelle sieht schon sehr gut aus, zwei Punkte müssen aber auf jeden Fall noch manuell geändert werden. Vor den *-Angaben zu den p-Werten muss ein Absatz eingefügt werden, da diese Anmerkungen laut APA-Standard in einer eigenen Zeile stehen sollen. Außerdem müssen die Zahlen in allen Zellen zentriert werden. Davon abgesehen werden in dieser (in wenigen Sekunden erstellten!) Tabelle viele APA-Standards berücksichtigt. Beispielsweise sind die Bezeichnungen M für Mittelwert und SD für Standardabweichung kursiv geschrieben, was immer getan werden soll, wenn lateinische Buchstaben als Abkürzung für statistische Kennwerte verwendet werden. Außerdem ist auch die 0 vor dem Dezimalpunkt bei den Korrelationen und dem p-Wert immer weggelassen, was bei Zahlen, die nicht größer als |1| werden können, der Standard ist.

Tabellen nach APA in SPSS

Auch im Programm SPSS kann man sich die Arbeit erleichtern und Tabellen direkt nach APA ausgeben lassen. Dazu muss man unter SPSS > Einstellungen… in dem sich neu öffnenden Fenster Pivot-Tabellen auswählen. Dort kann man die allgemeine Vorlage für Ergebnistabellen einstellen.

apa spss

Die hier verwendete Vorlage „APA_TimesRoman_12pt“ ist allerdings nicht standardmäßig in SPSS implementiert. Sie muss manuell erzeugt werden, was den Vorteil hat, dass neue APA-Standards oder spezielle, zusätzliche Anforderungen manuell implementiert werden können. Die im Beispiel dargestellte Vorlage kannst du hier herunterladen. Diese musst du dann in den Ordner „Looks“ von SPSS einfügen und anschließend in SPSS als Standard auswählen. Der Ordner „Looks“ findet sich dort, wo du SPSS installiert hat. Ansonsten ist die Umarbeitung einer bereits bestehenden Vorlage vielfach im Internet dokumentiert.

Zusammenfassung

Korrekt nach APA formatierte Tabellen zu erstellen, war früher viel Aufwand, aber mit der Hilfe moderner Statistikprogramme hat sich dieser bereits stark reduziert. Die Mühe sind sie auf jeden Fall wert, denn richtig erstellt, können sie sich nicht nur sehen, sondern auch gut lesen lassen. Falls du noch mehr über APA-Standards wissen möchtest oder Hilfe bei der Aufbereitung deiner statistischen Resultate benötigst, helfen wir dir bei STATWORX natürlich auch gerne weiter (direkt Kontakt aufnehmen).

Referenzen