**Folgende Syntax in den Datensatz "ses.sav" laden und ausführen**


*Als allererste Analyse führen wir eine deskriptive Analyse über alle Variablen im Datensatz durch:*

FREQUENCIES VARIABLES=geschl alter symptom rückzug ses partner
  /NTILES=4
  /STATISTICS=STDDEV MINIMUM MAXIMUM MEAN
  /ORDER=ANALYSIS.

*Die deskriptive Analyse unserer Variablen fördert bei der Variablen "Alter" eine Unregelmäßigkeit zu Tage: 
*Bei der Variable "Alter" reicht die Spannweite von 11-50 Jahren. Allerdings ist ein großer Sprung zwischen 17 und 50 Jahren zu erkennen.*
*Da der Wert "50" demnach einen Ausreißer darstellt, werden wir die 50-jährige Person von allen weiteren Analysen ausschließen:*

USE ALL.
COMPUTE filter_$=(alter ~= 50).
VARIABLE LABELS filter_$ 'alter ~= 50 (FILTER)'.
VALUE LABELS filter_$ 0 'Not Selected' 1 'Selected'.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.


**Aufgabe 1**

GRAPH
  /HISTOGRAM(NORMAL)=symptom.


*Unser Histogramm der intervallskalierten Variable "Symptombelastung" zeigt uns Abweichungen von der Normalverteilung.* 
*Aufgrund unserer Stichprobengröße von 99 nehmen wir dennoch Normalverteilung an und entscheiden uns für parametrische Testverfahren.*

*a) Symptombelastung in Abhängigkeit vom sozioökonomischen Status:*

*Die Variable "sozioökonomischer Status" hat 3 Stufen. Anstelle der einfaktoriellen ANOVA entscheiden wir uns für multiple unabhängige T-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*

T-TEST GROUPS=ses(1 2)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=ses(1 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=ses(2 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).


*Lediglich die Statusgruppen "niedrig" und "mittel" zeigen signifikante Unterschiede in Bezug auf die Symptombelastung. Die übrigen Paarvergleiche sind nicht signifikant, was bedeutet, dass die Mittelwerte der*
*jeweiligen sozioökonomischen Statusgruppen in Bezug auf die Symptombelastung als statistisch identisch anzusehen sind.*



*b) Symptombelastung in Abhängigkeit vom Geschlecht:*

*Die Variable "Geschlecht" hat 2 Stufen, daher entscheiden wir uns für einen T-Test für unabhängige Stichproben.*


T-TEST GROUPS=geschl(1 2)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

*Der T-Test ergibt ein signikantes Ergebnis. Somit ist festzuhalten, dass die Männer in unserer Stichprobe einen signifikant höheren Symptomscore als die Frauen aufweisen.*



*c) Symptombelastung in Abhängigkeit vom Alter:*



*Wie wir zu Anfang festgestellt haben, zeigt die Häufigkeitsanalyse unserer intervallskalierten Variable "Alter", dass die Spannweite von 11- 50 Jahren reicht.
*Allerdings ist ein großer Sprung zwischen 17 und 50 Jahren zu erkennen. Da dieser Wert einen Ausreißer darstellt, werden wir ihn
*in der folgenden Analyse nicht berücksichtigen.*
*Um die Symptombelastung auf Unterschiede in Bezug auf das Alter zu testen, muss die Altersvariable erst kategorisiert werden.
*Aufgrund der begrenzten Spannweite von 11-17 Jahren entscheiden wir uns für drei Kategorien.*

FREQUENCIES VARIABLES=alter
  /NTILES=3
  /ORDER=ANALYSIS.

RECODE alter (50=SYSMIS) (Lowest thru 13=1) (13.0001 thru 14=2) (14.0001 thru Highest=3) INTO 
    alter_kat.
VARIABLE LABELS  alter_kat 'Alter kategorisiert'.
EXECUTE.

VALUE LABELS alter_kat '1' 'bis 13 Jahre' '2' '>13 bis 14 Jahre' '3' '>14 Jahre'.
EXECUTE.

*Die Variable "Alter kategorisiert" hat 3 Stufen. Anstelle der einfaktoriellen ANOVA entscheiden wir uns für multiple unabhängige T-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*

T-TEST GROUPS=alter_kat(1 2)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=alter_kat(1 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=alter_kat(2 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

*Die Paarvergleiche sind nicht signifikant, was bedeutet, dass die Mittelwerte der jeweiligen Altersgruppen in in Bezug auf die Symptombelastung als statistisch identisch anzusehen sind.*




*d) Symptombelastung in Abhängigkeit vom Copingverhalten:*



*Die Häufigkeitsanalyse unserer intervallskalierten Variable "Rückzug" (s. Anfang) zeigt, dass die Spannweite von 0-5 reicht.
*Um die Symptombelastung auf Unterschiede in Bezug auf das Copingverhalten zu testen, muss die Variable "Rückzug" erst kategorisiert werden.
*Aufgrund der begrenzeten Spannweite von 0-5 entscheiden wir uns für drei Kategorien.*

FREQUENCIES VARIABLES=rückzug
  /NTILES=3
  /ORDER=ANALYSIS.

RECODE rückzug (Lowest thru 1=1) (1.0001 thru 2=2) (2.0001 thru Highest=3) INTO 
    rückzug_kat.
VARIABLE LABELS  rückzug_kat 'Copingverhalten kategorisiert'.
EXECUTE.

VALUE LABELS rückzug_kat '1' 'kein bis geringer Rückzug' '2' 'mittleres Rückzugsverhalten' '3' 'starkes Rückzugsverhalten'.
EXECUTE.

*Die Variable "Rückzug kategorisiert" hat 3 Stufen. Anstelle der einfaktoriellen ANOVA entscheiden wir uns für multiple unabhängige T-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*

T-TEST GROUPS=rückzug_kat(1 2)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=rückzug_kat(1 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).

T-TEST GROUPS=rückzug_kat(2 3)
  /MISSING=ANALYSIS
  /VARIABLES=symptom
  /CRITERIA=CI(.95).



*Aus den einzelnen T-Tests ist ersichtlich, dass sich alle Rückzugsgruppen signifikant in Bezug auf die Symptombelastung unterscheiden.* 
*Aufgrund der Lage der Gruppenmittelwerte kann man sagen, dass ein starkes Rückzugsverhalten mit einer hohen Symptombelastung einhergeht.*



**Aufgabe 2**

*Wir entscheiden uns für Balkendiagramme*

GRAPH
  /BAR(SIMPLE)=MEAN(symptom) BY ses.

GRAPH
  /BAR(SIMPLE)=MEAN(symptom) BY geschl.

GRAPH
  /BAR(SIMPLE)=MEAN(symptom) BY alter_kat.

GRAPH
  /BAR(SIMPLE)=MEAN(symptom) BY rückzug_kat.


**Aufgabe 3**

*a) Symptombelastung in Abhängigkeit vom sozioökonomischen Status:*

*Die Variable "sozioökonomischer Status" hat 3 Stufen. Wollen wir uns dem Sachverhalt mittels nonparametrischer Verfahren nähern,* 
*entscheiden wir uns anstelle des Kruskal-Wallis-Tests für multiple U-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*


NPAR TESTS
  /M-W= symptom BY ses(1 2)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY ses(1 3)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY ses(2 3)
  /MISSING ANALYSIS.



*Alle Paarvergleiche sind nicht signifikant, was bedeutet, dass die Mittelwerte der*
*sozioökonomischen Statusgruppen in Bezug auf die Symptombelastung als statistisch identisch anzusehen sind. Achtung: Widerspruch zu 1a)!*



*b) Symptombelastung in Abhängigkeit vom Geschlecht:*

*Die Variable "Geschlecht" hat 2 Stufen, daher entscheiden wir uns für einen U-Test.*


NPAR TESTS
  /M-W= symptom BY geschl(1 2)
  /MISSING ANALYSIS.

*Der U-Test ergibt ein signikantes Ergebnis. Aus den Rohdaten ist ersichtlich, dass die Männer in unserer Stichprobe einen signifikant höheren Symptomscore als die Frauen aufweisen.*


*c) Symptombelastung in Abhängigkeit vom Alter:*


*Die Variable "Alter kategorisiert" hat 3 Stufen. Wollen wir uns dem Sachverhalt mittels nonparametrischer Verfahren nähern,* 
*entscheiden wir uns anstelle des Kruskal-Wallis-Tests für multiple U-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*


NPAR TESTS
  /M-W= symptom BY alter_kat(1 2)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY alter_kat(1 3)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY alter_kat(2 3)
  /MISSING ANALYSIS.

*Die Paarvergleiche sind nicht signifikant, was bedeutet, dass die Mittelwerte der jeweiligen Altersgruppen in Bezug auf die Symptombelastung als statistisch identisch anzusehen sind.*




*d) Symptombelastung in Abhängigkeit vom Copingverhalten:*


*Die Variable "Rückzug kategorisiert" hat 3 Stufen. Wollen wir uns dem Sachverhalt mittels nonparametrischer Verfahren nähern,* 
*entscheiden wir uns anstelle des Kruskal-Wallis-Tests für multiple U-Tests mit Bonferroni-Korrektur (-> Alpha-Kumulierung bzw. Alpha-Inflation!).*
*Da es k=3 Paarvergleiche gibt, ist unser a‘ nach der Formel a‘=a/k gerundet 0,0167.*


NPAR TESTS
  /M-W= symptom BY rückzug_kat(1 2)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY rückzug_kat(1 3)
  /MISSING ANALYSIS.


NPAR TESTS
  /M-W= symptom BY rückzug_kat(2 3)
  /MISSING ANALYSIS.


*Aus den einzelnen U-Tests ist ersichtlich, dass sich alle Rückzugsgruppen signifikant in Bezug auf die Symptombelastung unterscheiden.* 
*Aus den Rohdaten ist ersichtlich, dass ein starkes Rückzugsverhalten mit einer hohen Symptombelastung einhergeht.*



**Aufgabe 4**

*Wir berechnen Produkt-Moment-Korrelationen:*

CORRELATIONS
  /VARIABLES=alter symptom rückzug
  /PRINT=TWOTAIL NOSIG
  /MISSING=PAIRWISE.


*Lediglich die Symptombelastung korreliert signifikant und stark positiv mit dem Copingverhalten. Dies war aufgrund der vorangegangenen Tests abzusehen.*