结构效度在不同样本中的比较

17/24结构效度在不同样本中的比较第一部分结构效度概念及测量方法 2第二部分样本差异对结构效度影响 4第三部分不同样本中结构效度比较方法 6第四部分结构效度比较的统计检验 8第五部分样本特征对结构效度影响因素 11第六部分数据收集方式对结构效度影响 13第七部分结构效度跨样本一致性的重要性 15第八部分提高跨样本结构效度一致性的策略 17

第一部分结构效度概念及测量方法结构效度概念及测量方法

结构效度是测量工具评估的重要指标，它反映测量工具是否有效测量目标概念的内部结构。结构效度关注测量项目之间的关系，即它们如何共同构成一个统一且有意义的概念。

概念化和测量

结构效度评估涉及将测量工具的内部结构与理论概念相比较的过程。该过程通常包括两个关键步骤：

1.概念化：明确测量目标概念的理论基础和维度。

2.测量：设计测量项目来捕捉这些维度并反映概念的预期结构。

测量方法

有多种方法可以评估结构效度，包括：

1.探索性因素分析(EFA)：一种统计技术，可通过识别项之间的相关模式来发现概念的潜在结构。EFA适用于小样本和大样本。

2.验证性因素分析(CFA)：一种统计技术，可检验假设的因素结构是否与数据相符。CFA适用于中等至大样本。

3.多重特质多方法矩阵(MTMM)：一种基于相关矩阵的程序，可评估测量工具中多重特质和多重方法信息的存在。MTMM适用于中等至大样本。

4.项目总数相关(ITC)：计算测量项目与整体测量分数之间的相关性。ITC值较高表示项目与概念的一致性好。

5.项目差异相关(IDC)：计算测量项目之间的相关性。IDC值较低表示项目之间区分良好。

6.内部一致性可靠性：使用Cronbach'salpha等指标评估测量项目之间的内部一致性。高一致性表示项目共同测量同一个概念。

7.可信度分析：确定测量项目是否可以可靠地测量概念。可信度分析包括重测信度和内部一致性。

评估标准

评估结构效度的标准根据所使用的测量方法而有所不同，但一些常见的指导原则包括：

*因子载荷：项目与所测量因素之间的相关性。通常，因子载荷应超过0.3。

*解释变异量：因素解释的总变异量的百分比。通常，因子应解释至少50%的变异量。

*拟合指标：衡量假设模型与数据拟合程度的统计量。对于CFA，常见拟合指标包括卡方检验、拟合优度指数(GFI)和根均方根误差近似值(RMSEA)。

*信度系数：衡量测量工具可靠性的统计量。通常，信度系数应超过0.7。

结论

结构效度对于评估测量工具的有效性至关重要。通过概念化目标概念并应用量化方法来分析测量工具的内部结构，研究人员可以确定测量项目是否一致且反映概念的预期结构。这对于确保研究结果的准确性和有效性至关重要。第二部分样本差异对结构效度影响样本差异对结构效度影响

结构效度评估测量工具的内部结构信度，反映不同测量项目之间的关联性。样本差异可能会对结构效度产生以下影响：

样本规模差异

样本规模影响结构效度的稳健性。较大的样本量提供了更准确的结构效度估计，因为它们可以降低抽样误差的影响。小样本量可能导致结构效度估计更不稳定，尤其是对于复杂的测量工具。

样本选择差异

样本选择的差异会影响测量工具的结构效度。不同人口群体可能表现出不同的测量项目模式，从而导致结构效度估计出现差异。例如，年龄、教育程度和文化背景可能会影响个体对测量项目的反应方式。

样本分配差异

样本分配方式（例如，随机抽样、便利抽样）会影响结构效度。非随机抽样策略可能导致样本当中某些群体或特征的代表性不足，从而影响测量项目的关联性。

样本响应率差异

样本响应率指参与研究的个体数量相对于目标样本量的比例。较低的响应率可能会引入偏差，因为不参加研究的个体可能与参加研究的个体不同。这可能会影响测量工具的结构效度，尤其是在响应率较低的情况下。

具体影响

样本差异对结构效度的具体影响取决于测量工具的性质、样本特征以及样本差异的程度。以下是一些常见的效应：

*测量项目之间的相关性变化：样本差异可能会导致测量项目之间的相关性发生变化，从而影响潜在结构模型的拟合度。

*因子结构的变化：在多维度测量工具中，样本差异可能会导致因子结构的变化，例如因子数目或因子载荷的改变。

*效度系数的变化：结构效度系数，例如Cronbachα或复合效度，可能会受到样本差异的影响，导致效度估计发生变化。

减轻影响的策略

为了减轻样本差异对结构效度的影响，研究人员可以采取以下策略：

*使用大的随机样本：较大的随机样本可以提供更准确的结构效度估计，并降低抽样误差的影响。

*考虑不同的人口群体：研究人员应考虑不同人口群体在测量工具中的表现，并根据需要进行调整。

*使用适当的抽样策略：随机抽样可以确保样本当中不同群体的代表性。

*提高响应率：研究人员可以通过使用多个数据收集方法和提供激励措施来提高响应率。

*进行敏感性分析：研究人员可以进行敏感性分析以评估样本差异对结构效度估计的影响，并确定这些差异是否对研究结果有实质性影响。

总之，样本差异可能会对结构效度产生影响，具体影响取决于测量工具的性质、样本特征和样本差异程度。研究人员可以通过采用适当的策略来减轻这些影响，以确保结构效度评估的准确性和可靠性。第三部分不同样本中结构效度比较方法不同样本中结构效度比较方法

结构效度评估的是测量工具在不同组别或样本中的测量一致性。在比较不同样本中的结构效度时，研究人员通常使用以下方法：

1.比较性因素分析（CFA）

CFA是一种多变量统计技术，用于比较不同样本中测量工具的因子结构。研究人员将对不同样本的测量工具进行因子分析，并比较因子载荷、公因子方差和适合度指标。如果两个样本的因子结构相似，则表明测量工具在不同样本中具有相似的结构效度。

2.多组验证性因子分析（MGCFA）

MGCFA是CFA的一种扩展，允许研究人员同时分析多个样本的数据。该方法可以检验不同样本中测量工具的因子结构是否等价，包括因子数量、因子载荷和残差方差。如果不同样本的测量工具具有等价的因子结构，则表明它们在不同样本中具有相似的结构效度。

3.多特质多方法矩阵（MTMM）

MTMM是一种统计方法，用于评估测量工具在不同样本中的收敛效度和区分效度。研究人员使用单一样本中的不同测量方法（例如，自评、他评）来测量相同的特质。然后，他们计算这些方法之间的相关性并绘制一个相关矩阵。如果相关矩阵对角线上的相关系数较高，而不在对角线上的相关系数较低，则表明测量工具具有良好的收敛效度和区分效度。

4.测量不变性检验

测量不变性是指测量工具在不同样本中测量相同特质的程度。研究人员可以通过逐步放松测量模型中的约束条件来检验测量不变性。如果不同样本的测量工具具有测量不变性，则表明它们在不同样本中测量相同特质，具有相似的结构效度。

5.比较性贝叶斯因子效应（CBFE）

CBFE是一种贝叶斯统计方法，用于比较不同样本中测量工具的效度。该方法使用贝叶斯因子来比较不同模型的拟合度，其中每个模型代表不同样本的测量工具的因子结构。如果CBFE支持不同样本中测量工具具有相似因子结构的模型，则表明它们具有相似的结构效度。

6.多样本共变结构分析（MSCA）

MSCA是一种结构方程模型（SEM）技术，用于比较不同样本中测量工具的因子结构和测量误差。该方法允许研究人员同时建模多个样本的数据，并评估不同样本中测量模型的差异。如果不同样本的测量模型具有相似的拟合度和因子结构，则表明测量工具在不同样本中具有相似的结构效度。

选择比较方法的考虑因素

选择比较不同样本中结构效度的方法时，研究人员需要考虑以下因素：

*样本大小和结构

*测量工具的性质

*可用的数据类型

*研究假说和目的

通过仔细考虑这些因素，研究人员可以选择最适合特定研究目的的方法。第四部分结构效度比较的统计检验关键词关键要点结构效度比较的假设检验

1.单样本t检验：此检验用于比较单一样本的两个结构效度系数，假设结构效度系数为0。

2.独立样本t检验：此检验用于比较两个独立样本的结构效度系数，假设两个系数相等。

3.配对样本t检验：此检验用于比较来自同一样本的两个相关结构效度系数，假设这两个系数相等。

结构效度比较的等价检验

1.卡方检验：此检验用于比较两个结构模型的整体拟合度，假设两个模型具有相同的结构效度。

2.似然比检验：此检验用于比较两个嵌套结构模型的似然度，假设子模型具有限制的结构效度。

3.核似然比检验：此检验用于比较两个非嵌套结构模型的非中心分布似然比，假设两个模型具有不同的结构效度。结构效度比较的统计检验

1.整体结构效度的比较

1.1卡方检验

卡方检验是最常用的用于比较不同样本结构效度的统计检验。它基于χ²统计量，该统计量衡量了观测频率与期望频率之间的差异。通过比较χ²统计量与临界值，可以确定两种结构模型是否显著不同。

1.2似然比检验

似然比检验是另一种常见的比较结构效度的统计检验。它基于似然比统计量，该统计量衡量了两种结构模型之间的拟合度差。通过比较似然比统计量与临界值，可以确定两种结构模型是否显著不同。

1.3广义拟合指数（GFI）和调整广义拟合指数（AGFI）

GFI和AGFI是衡量模型整体拟合度的拟合指数。GFI值在0到1之间，其中1表示模型完美拟合数据。AGFI值考虑了样本大小，因此通常比GFI更严格。通过比较两种结构模型的GFI和AGFI值，可以判断哪种模型更适合数据。

2.子结构效度的比较

2.1Wald检验

Wald检验是一种用于比较特定结构参数（例如因子载荷或残差协方差）的统计检验。它基于t统计量，该统计量衡量了参数估计值与零之间的差异。通过比较t统计量与临界值，可以确定参数估计值是否显著不为零。

2.2似然比差检验

似然比差检验是另一种用于比较特定结构参数的统计检验。它基于似然比统计量，该统计量衡量了两种模型之间的拟合度差，其中一种模型将参数限制为零，而另一种模型则估计参数。通过比较似然比统计量与临界值，可以确定参数是否显著不为零。

2.3修改拟合指数（CFI）和Tucker-Lewis指数（TLI）

CFI和TLI是衡量模型子结构拟合度的拟合指数。CFI值在-1到1之间，其中1表示模型完美拟合数据。TLI值在0到1之间，其中1表示模型完美拟合数据。CFI和TLI值越接近1，模型的子结构拟合度就越好。通过比较两种结构模型的CFI和TLI值，可以判断哪种模型的子结构拟合度更好。

3.比较检验

3.1Akaike信息标准（AIC）和贝叶斯信息标准（BIC）

AIC和BIC是模型选择的统计检验，可用于比较不同结构模型的拟合度。AIC和BIC值越小，模型的拟合度越好。通过比较两种结构模型的AIC和BIC值，可以确定哪种模型更适合数据。

3.2交叉验证

交叉验证是一种用于评估模型拟合度和泛化能力的统计检验。它涉及将样本随机分成多个子样本，然后使用其中一个子样本对模型进行训练，使用其他子样本对模型进行评估。通过多次重复此过程，可以获得更可靠的拟合度估计。

4.显着性检验的注意事项

在进行结构效度比较时，需要注意以下显着性检验的注意事项：

*样本量：样本量会影响统计检验的功效。样本量越大，检验的功效就越高。

*估计参数的数量：估计参数的数量会影响拟合指数和统计检验的结果。参数数量越多，拟合指数和统计检验的结果就越有可能显著。

*分层数据：当数据是分层的（例如，嵌套在个体中），需要使用特殊的统计检验来考虑分层结构。

*缺失数据：缺失数据可以影响统计检验的结果。需要使用适当的缺失数据处理方法来处理缺失数据。第五部分样本特征对结构效度影响因素关键词关键要点【样本性质的影响】

1.样本代表性：代表性样本能够反映目标群体特征，提高结构效度的可推广性。

2.样本大小：样本大小影响结构效度的稳定性和精确性，较大的样本通常具有更高的效度。

【样本结构的影响】

样本量对统计效能的影响

统计效能，即检验统计量偏离其假设分布的显著性，在很大程度上取决于样本量。样本量越大，统计效能就越高，反之亦然。

样本量对功效的影响

*效应量固定时，样本量增大会提高功效，即显著性检验的灵敏度提高。

例如，假设两组均值差为1，而标准差为2，则在α=0.05的双侧检验中，需要400个样本（每组200个）才能达到0.8的功效，达到该功效所需的样本量为800个（每组400个）.随着样本量从400增加到800，功效从0.80增加到0.95。

*效应量小时，需要更大的样本量来检测统计学意义。

例如，假设两组均值差为0.5，而标准差为2，则在α=0.05的双侧检验中，需要1600个样本（每组800个）才能达到0.8的功效。与在效应量为1的示例中，功效为0.8所需的样本量（400个）形成鲜明反差。

*效应量大时，所需的样本量较小。

*标准差小时，所需的样本量较小。

*标准差小时，所需的样本量较小。

样本量对TypeI误差率的影响

*样本量增大会降低TypeI误差率（即在原假设为真时拒绝原假设的概率）

例如，在α=0.05的双侧检验中，如果效应量为0.5，则样本量为400的TypeI误差率为0.063，而样本量为800的TypeI误差率为0.051。

*样本量非常大时，TypeI误差率将接近标称值。

样本量对TypeII误差率的影响

*样本量增大会降低TypeII误差率（即在原假设为假时接受原假设的概率）

例如，在α=0.05的双侧检验中，如果效应量为0.5，则样本量为400的TypeII误差率为0.514，而样本量为800的TypeII误差率为0.344。

*样本量非常大时，TypeII误差率将接近0。

总结

样本量在统计效能中起着至关重要的的作用。选择适当的样本量至关，因为它会对功效、TypeI误差率和TypeII误差率产生重大影响。研究人员应在进行统计检验时小心选择样本量，以确保在不犯过多TypeI错误的范围内检测到统计显着性。第六部分数据收集方式对结构效度影响数据收集方式对结构效度的影响

不同数据收集方式可能会对研究中变量之间的关系造成系统偏差，进而影响结构效度的准确性。

访谈和调查表

访谈和调查表是广泛使用的数据收集方法，它们各有优缺点：

*访谈：访谈员和参与者之间的互动交流可能导致社会期望偏差。访谈员的语言、态度和外貌等因素都可能影响参与者的回答，从而影响结构效度。此外，访谈员的记录和编码可能会引入主观性。

*调查表：调查表的优点在于标准化和匿名性，可以减少社会期望偏差。然而，调查表的措辞和顺序可能会影响参与者的理解和回答，从而影响结构效度。

观察

观察法涉及直接观察参与者的行为，可以提供客观的数据。然而，观察者的期望和偏见可能会影响观察结果：

*反应性观察：参与者意识到自己被观察时，可能会改变自己的行为，导致观察偏差。

*观察者期望：观察者对参与者的假设可能会影响其观察结果。例如，如果观察者期望看到某种行为，他们可能会无意中偏向于观察和记录这种行为。

档案资料

档案资料通常是从现有来源（如记录、文件）收集的。虽然档案资料可以提供纵向数据，但其准确性和可信度可能受到以下因素的影响：

*记录错误：原始记录中可能存在错误或遗漏，这些错误或遗漏可能会影响研究变量的测量。

*选择性记录：可用的档案资料可能存在选择性，这意味着记录只反映了特定事件或群体。这种选择性可能会影响研究变量之间的关系，进而影响结构效度。

生理测量

生理测量涉及测量参与者的生理反应，例如心率或脑电活动。虽然生理测量通常被认为是客观且可靠的，但以下因素可能会影响其结构效度：

*仪器精度：生理测量设备的精度和可靠性可能会因仪器而异。

*参与者影响：参与者的焦虑或兴奋等因素可能会影响生理反应，从而导致测量偏差。

数据收集方式的三角测量

为了增加结构效度的准确性，研究人员可以采用数据收集方式的三角测量，即使用多种数据收集方法来研究同一个研究问题。这种方法可以帮助研究人员三角化结果，减少任何单一方法带来的偏差。

总而言之，数据收集方式的选择对结构效度的准确性至关重要。研究人员需要考虑不同方法的优点和缺点，并根据研究问题和参与者群体选择最合适的方法。通过使用多种数据收集方法进行三角测量，研究人员可以提高结构效度的准确性，从而确保研究结果的有效性。第七部分结构效度跨样本一致性的重要性关键词关键要点主题名称：跨样本可比性

1.跨样本比较可评估量表或工具在不同群体中表现的一致性，确保结果具有外部效度。

2.跨样本一致性表明量表或工具能够测量特定结构，不受样本特征（例如，年龄、性别、文化）的影响。

3.跨样本比较有助于识别量表或工具的偏差或限制，进一步提高测量精度。

主题名称：理论基础的验证

结构效度的跨样本一致性的重要性

结构效度评估仪器的内在结构，检验其是否真实反映所要测量的概念或特质。跨样本的一致性是结构效度的一个关键方面，因为它表明仪器在不同的样本人群中表现出稳定的结构。

跨样本一致性的重要性

结构效度跨样本的一致性具有以下重要性：

*跨文化比较：它允许比较具有不同文化背景的样本，以确定仪器的结构是否在文化上稳定。

*时间稳定性：它表明仪器在一段时间内的结构是稳定的，从而可以进行纵向研究。

*总体化：它提高了仪器的泛化能力，使其适用于更广泛的人群。

*基于理论的解释：稳定的跨样本结构效度支持基于理论的解释，即仪器测量的是一个一致的概念。

*可信度：它增强了仪器的可信度，因为在不同样本中获得一致的结构结果增强了其可靠性和准确性。

*实用性：它使仪器在广泛的样本中实用，并避免了样本特异性测量的影响。

*量表发展：跨样本一致性是量表发展的关键步骤，可识别和消除导致跨样本结构差异的项目。

评估跨样本一致性的方法

评估结构效度跨样本一致性有多种方法，包括：

*因子分析：比较不同样本的因子结构，以确定因素装载模式和因子数目的相似性。

*共变结构分析：将不同样本的测量模型拟合到同一数据集中，以评估模型参数之间的相似性。

*多组分析：将不同样本分组并比较其结构参数，以识别潜在的差异。

*测量不变性检验：使用统计技术评估仪器是否在不同样本中具有相似的测量属性，例如测量错误、因子协方差和因子均值。

确保跨样本一致性的策略

为了确保结构效度跨样本的一致性，可以采取以下策略：

*仔细抽样：确保样本代表目标人群，并避免样本选择偏差。

*标准化程序：使用标准化的数据收集和分析程序，以最小化程序差异的影响。

*仪器适应：如果需要，根据样本的文化背景或语言进行仪器的适应，但保留其基本的结构。

*跨样本验证：在不同的样本中进行多次结构效度评估，以增强证据的可靠性。

跨样本一致性的局限性

尽管跨样本一致性很重要，但它也有一些局限性。

*潜在的差异：即使结构效度在总体上是一致的，也可能存在一些小的差异，这可能是由于样本特质或研究环境的差异所致。

*样本数量：评估跨样本一致性所需的样本数量因情况而异，但通常需要多个样本。

*研究资源：跨样本研究需要大量的研究资源，包括数据收集、分析和结果解释。第八部分提高跨样本结构效度一致性的策略关键词关键要点测量工具标准化

1.制定详细的测量指南和培训材料，以确保不同样本中数据收集的一致性。

2.使用标准化的数据收集工具和协议，减少不同研究人员之间的测量差异。

3.定期检查测量工具的信度和效度，以确保其在不同样本中的可靠性和有效性。

样本特征评估

1.全面描述不同样本的人口统计和背景特征，以了解潜在的差异影响。

2.匹配不同样本的特征，以减少可能影响结构效度一致性的混杂变量。

3.考虑使用加权或抽样方法来确保样本代表性和减少偏差。

量表适用性评估

1.评估量表在不同样本中的文化、语言和认知适用性。

2.考虑使用文化适应或翻译验证技术，以确保量表在不同样本中准确捕捉结构。

3.在不同样本中进行认知访谈或焦点小组，以了解受访者对量表的理解和解释。

统计分析优化

1.使用适当的统计分析方法，考虑样本大小、分布和潜在的共线性。

2.探索多组因素分析、结构方程模型或混合模型等技术，以比较不同样本中的结构差异。

3.进行敏感性分析，以评估统计结果对不同样本特征和分析假设的敏感性。

研究者偏见管理

1.意识到研究者的偏见可能影响测量过程和结果解释。

2.采取措施减少偏见，例如使用盲法研究设计或寻求外部评审者的意见。

3.鼓励研究人员进行反思实践，以提高对自身偏见的认识和管理。

跨学科与多方法论

1.寻求跨学科合作，整合不同领域的研究见解和方法。

2.采用多方法论，将定量和定性数据收集技术相结合，以增强结构效度的理解。

3.探索利用机器学习或自然语言处理等前沿技术，以提高测量过程的效率和可靠性。提高跨样本结构效度一致性的策略

结构效度是指测量工具能够测量预期结构或模式的程度。跨样本结构效度一致性是指测量工具在不同样本中测量相同结构或模式的程度。

策略1：确保样本具有代表性

*确保样本反映目标人群，避免偏见。

*使用随机抽样或其他概率抽样方法。

*验证样本的代表性，例如比较人口统计数据。

策略2：使用适当的测量方法

*使用经过充分验证的和可靠的测量工具。

*考虑不同文化和群体的影响，并使用适当的翻译和适应。

*探索测量工具的内部结构，例如因子分析。

策略3：控制测量条件

*标准化测量程序，包括施用和评分。

*提供明确的说明和培训，以减少测量者偏差。

*在不同样本中维护相同的测量条件，例如环境、时间和语境。

策略4：比较相似样本

*在结构相似、人口统计数据相似的不同样本中进行比较。

*考虑样本来源（例如，社区、学校、医院）的影响。

*使用匹配或配对技术来控制无关变量。

策略5：探索抽样误差和限度

*估计抽样误差，以了解结构效度估计的可靠性。

*考虑样本大小和置信区间。

*确定结构效度一致性的限制，例如因样本差异或测量误差引起的不一致。

策略6：使用元分析

*对来自不同样本的结构效度研究进行荟萃分析。

*定量综合结果，以获得更稳健的结构效度估计。

*探索研究之间的异质性来源。

策略7：使用长程跟踪研究

*随着时间的推移，在同一个样本中跟踪结构效度。

*评估结构稳定性、效度随时间变化的情况，以及影响因素。

*识别影响跨样本结构效度一致性的动态因素。

策略8：考虑情境因素

*了解测量工具施用的情境，例如文化背景、社会规范和研究目的。

*考虑情境因素如何影响受试者的反应和测量工具的解释。

*探索结构效度因情境因素而异的可能性。

策略9：使用多方法测量

*使用多种测量方法（例如，自评、他评、观察），以提高效度的收敛效度。

*比较来自不同方法的测量结果，以三角测量的方法交叉验证结构有效性。

*探索测量方法之间的差异，并确定其原因。

策略10：持续评估和改进

*定期评估结构效度，并在必要时进行改进。

*考虑使用认知访谈、观察或其他方法来收集反馈。

*探索创新的测量方法和技术，以提高跨样本结构效度一致性。关键词关键要点结构效度概念及测量方法

主题名称：结构效度的概念

关键要点：

1.结构效度衡量测量工具中各个项目之间以及项目与整体测量指标之间的逻辑关系。

2.旨在评估测量工具是否能够反映测量目标的本质结构和测量对象真实存在的潜在因素。

3.结构效度涉及到测量工具的内部一致性、维度结构和因子分析等统计技术。

主题名称：结构效度的测量方法

关键要点：

1.内部一致性：通过统计量（如Cronbach'salpha系数）评估项目之间的一致性和相关性，表明测量工具整体的可靠性。

2.维度结构：通过主成分分析或探索性因子分析识别测量工具中的潜在维度或因子，揭示测量指标的结构。

3.确认性因子分析：检验特定测量模型的拟合程度，评估测量工具的维度结构是否与理论假设相符。

4.网络分析：利用网络理论和可视化技术，分析测量项目之间的关系，探索测量工具的复杂性和潜在结构。

5.多方法测量：通过使用不同的测量方法（如问卷、访谈、观察）收集数据，提高测量工具的结构效度，减少单一方法的局限性。关键词关键要点【WirksamkeitinverschiedenenStichproben-EinflussderStichprobenunterscheideaufdieWirksamkeit】

【要点】

1.StichprobenunterscheidekönnenzuUnterschätzenderWirksamkeitführen.

2.DieEffektgrößekanneinenModeratordarstellen,derdieStichprobenunterscheideausgleicht.

3.DieStichprobenqualitätkanndieWirksamkeitbeeinflussen.

【要点】

1.DieStichprobenvariationkanndieEffektgrößebeeinflussen,diefürdenVergleichzweierStichprobenverwendetwird.

2.DieStichprobenvariationkanndieTestleistungunddieAussagekraftstatistischerVerfahrenbeeinflussen.

3.DieStichprobenvariation