anova
M. Ganz
2025-07-14
Ich habe verschiedene Analysen durchgeführt, jeweils mit den Views als abhängige Variable
Analyse 1: Einfaktorielle ANOVA mit content_type
Frage: Beeinflusst die Art des Contents die Anzahl Views auf der Plattform Instagram?
library(tidyr)## Warning: Paket 'tidyr' wurde unter R Version 4.4.2 erstelltlibrary(ggplot2)## Warning: Paket 'ggplot2' wurde unter R Version 4.4.2 erstellt#### Datensat einlesen und vorbereiten
data <- read.csv("C:/Users/Marlene/Documents/R_Files/Engagement_Tracker_Plus.csv", sep = ";", encoding = "UTF-8")
# Spalten umbenennen
names(data)[names(data) == "Art.des.Contents"] <- "content_type"
names(data)[names(data) == "Block"] <- "time_block"
names(data)[names(data) == "IG.views.3h"] <- "views_IG"
names(data)[names(data) == "Weekday"] <- "weekday"
# content_type umwandeln
data$content_type <- factor(data$content_type)
# Einfaktorielle ANOVA mit content_type
anova_result <- aov(views_IG ~ content_type, data = data)
summary(anova_result)## Df Sum Sq Mean Sq F value Pr(>F)
## content_type 3 2202265 734088 1.736 0.194
## Residuals 19 8034582 422873Ergebnis: p-Wert = 0.194 -> nicht signifikant
Gruppenmittelwerte anschauen, um trotzdem Unterschiede zu sehen
aggregate(views_IG ~ content_type, data = data, mean)## content_type views_IG
## 1 1 1937.429
## 2 2 1665.889
## 3 3 2074.500
## 4 4 1049.000Ergebnis:
- Content-Typ 3 hatte im Schnitt die höchsten Views,
- Content-Typ 4 hatte die niedrigsten Views,
- Aber: Die Unterschiede waren laut ANOVA nicht statistisch signifikant, vermutlich auch wegen kleiner Stichprobengröße oder großer Streuung.
Analyse 2: Zweifaktorielle ANOVA mit Interaktion mit time_block und weekday
Frage: Haben time_block, weekday oder ihre Kombination einen Einfluss auf views_IG?
data$time_block <- factor(data$time_block)
data$weekday <- factor(data$weekday)
anova_2way <- aov(views_IG ~ time_block * weekday, data = data)
summary(anova_2way)## Df Sum Sq Mean Sq F value Pr(>F)
## time_block 3 339427 113142 0.125 0.939
## weekday 6 1531939 255323 0.282 0.913
## time_block:weekday 10 5645795 564580 0.623 0.751
## Residuals 3 2719685 906562Ergebnis:
- time_block (Tageszeit): p = 0.939 -> kein signifikanter Einfluss
- weekday (Wochentag):p = 0.913 -> ebenfalls kein signifikanter Einfluss
- time_block * weekday (Interaktion): p = 0.751 -> auch keine signifikante Interaktion
Analysen 3 & 4 mit umgebautem Format für größere Stichprobe
ich habe den Datensatz von der breiten in die lange Form überführt, sodass jede Kombination aus Beitrag und Plattform als eigene Beobachtung behandelt wird, damit haben wir eine größere Stichprobe. Da es sich um identische Beiträge handelt, die parallel auf mehreren Plattformen veröffentlicht wurden, liegen keine vollständig unabhängigen Beobachtungen vor. Für eine explorative Analyse ist das aber in Ordnung. Die Ergebnisse sind entsprechend eher als beschreibend und hypothesengenerierend zu verstehen.
# Datensatz umbauen für größere Stichprobe -> long format
names(data)[names(data) == "TT.views.3h"] <- "views_TT"
names(data)[names(data) == "YT.views.3h"] <- "views_YT"
# Neuen Datensatz mit ausgewählten Spalten erstellen
data_selected <- data[, c("Reel", "weekday", "content_type", "time_block",
"views_IG", "views_TT", "views_YT")]
# Datensatz in long-format umwandeln
data_long <- pivot_longer(data_selected,
cols = c("views_IG", "views_TT", "views_YT"),
names_to = "plattform",
values_to = "views")
# In Faktro umwanden
data_long$weekday <- factor(data_long$weekday)
data_long$time_block <- factor(data_long$time_block)
head(data_long)## # A tibble: 6 × 6
## Reel weekday content_type time_block plattform views
## <chr> <fct> <fct> <fct> <chr> <int>
## 1 Rechnen ohne Taschenrechner Tuesday 1 1 views_IG 3236
## 2 Rechnen ohne Taschenrechner Tuesday 1 1 views_TT 1308
## 3 Rechnen ohne Taschenrechner Tuesday 1 1 views_YT 1249
## 4 Duzen oder Siezen Thursday 2 2 views_IG 2917
## 5 Duzen oder Siezen Thursday 2 2 views_TT 4330
## 6 Duzen oder Siezen Thursday 2 2 views_YT 1231Analyse 3: Zweifaktorielle ANOVA mit Interaktion mit time_block und weekday
anova_long_2way <- aov(views ~ time_block * weekday, data = data_long)
summary(anova_long_2way)## Df Sum Sq Mean Sq F value Pr(>F)
## time_block 3 621883 207294 0.448 0.7198
## weekday 6 3436930 572822 1.238 0.3035
## time_block:weekday 10 11012038 1101204 2.380 0.0218 *
## Residuals 49 22672127 462696
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Ergebnis:
- time_block + weekday: Signifikante Interaktion!!! (p = 0.0218)
- Der Einfluss des Wochentags auf die View-Zahl hängt von der Tageszeit ab und umgekehrt.
Nächstes Ziel: Herausausfinden, an welchem Wochentag zu welcher Uhrzeit gibt es im Schnitt die meisten Views?
Wir lassen und die Gruppenmittelwerte geordnet anzeigen
# Gruppenmittelwerte anzeigen, geordnet Überblick über die mittleren Views je Kombination:
summary_df <- aggregate(views ~ weekday + time_block, data = data_long, mean)
summary_df[order(-summary_df$views), ]## weekday time_block views
## 8 Thursday 2 2826.0000
## 11 Monday 3 2251.3333
## 14 Wednesday 3 1667.3333
## 3 Tuesday 1 1382.6667
## 19 Tuesday 4 1370.6667
## 18 Thursday 4 1361.3333
## 4 Friday 2 1358.6667
## 5 Monday 2 1208.6667
## 16 Monday 4 1197.6667
## 9 Wednesday 2 1183.6667
## 1 Monday 1 1181.6667
## 20 Wednesday 4 1168.3333
## 17 Saturday 4 1113.3333
## 7 Sunday 2 1031.6667
## 12 Thursday 3 931.0000
## 2 Thursday 1 912.6667
## 10 Friday 3 897.0000
## 13 Tuesday 3 893.6667
## 6 Saturday 2 793.3333
## 15 Friday 4 727.0000Ergebnis: Top-Zeitpunkt: Donnerstag im Zeitblock 2!
Mögliche grafische Darstellung: Heatmap
library(ggplot2)
ggplot(summary_df, aes(x = time_block, y = weekday, fill = views)) +
geom_tile(color = "white") +
scale_fill_gradient(low = "lightblue", high = "darkblue") +
labs(title = "Durchschnittliche Views pro Wochentag und Zeitblock",
x = "Time Block", y = "Wochentag", fill = "Ø Views") +
theme_minimal() +
theme(axis.text.x = element_text(size = 12),
axis.text.y = element_text(size = 12),
plot.title = element_text(size = 14, face = "bold"))
Analyse 4: Dreifaktorielle ANOVA mit Interaktion mit time_block, weekday und plattform
data_long$plattform <- factor(data_long$plattform)
anova_3way <- aov(views ~ time_block * weekday * plattform, data = data_long)
summary(anova_3way)## Df Sum Sq Mean Sq F value Pr(>F)
## time_block 3 621883 207294 0.550 0.6605
## weekday 6 3436930 572822 1.521 0.2743
## plattform 2 8522479 4261239 11.312 0.0035 **
## time_block:weekday 10 11012038 1101204 2.923 0.0609 .
## time_block:plattform 6 1069713 178286 0.473 0.8126
## weekday:plattform 12 1721021 143418 0.381 0.9392
## time_block:weekday:plattform 20 7968516 398426 1.058 0.4904
## Residuals 9 3390397 376711
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Ergebnis:
- Plattform hat einen signifikanten Effekt (p=0.0035)
- Interaktion time_block und weekday knapp nicht signifikant (p=0.0609).
Welche Plattform gibt im Schnitt die meisten Views?
aggregate(views ~ plattform, data = data_long, mean)## plattform views
## 1 views_IG 1739.1304
## 2 views_TT 953.7391
## 3 views_YT 1041.1739Ergebnis:
- Instagram hat im Schnitt mit Abstand die höchsten Views.
- Und wie ANOVA gezeigt hat: Diese Unterschiede sind statistisch signifikant (p = 0.0035).
Nochmal time_block und weekday checken
Da die Interaktion zwischen Zeitblock und Wochentag eben knapp signifiant (p=0.0609) und bei vorheriger Analyse signifikant (p = 0.0218) war, schauen wir uns nochmal die Gruppenmittelwerte an
summary_combo <- aggregate(views ~ weekday + time_block, data = data_long, mean)
summary_combo[order(-summary_combo$views), ]## weekday time_block views
## 8 Thursday 2 2826.0000
## 11 Monday 3 2251.3333
## 14 Wednesday 3 1667.3333
## 3 Tuesday 1 1382.6667
## 19 Tuesday 4 1370.6667
## 18 Thursday 4 1361.3333
## 4 Friday 2 1358.6667
## 5 Monday 2 1208.6667
## 16 Monday 4 1197.6667
## 9 Wednesday 2 1183.6667
## 1 Monday 1 1181.6667
## 20 Wednesday 4 1168.3333
## 17 Saturday 4 1113.3333
## 7 Sunday 2 1031.6667
## 12 Thursday 3 931.0000
## 2 Thursday 1 912.6667
## 10 Friday 3 897.0000
## 13 Tuesday 3 893.6667
## 6 Saturday 2 793.3333
## 15 Friday 4 727.0000Ergebnis:
- Donnerstag in Block 2 ist mit Abstand der beste Zeitpunkt.
- Auch Montag in Block 3 und Mittwoch in Block 3 schneiden stark ab.
Interpreation/Fazit
Basierend auf der explorativen Analyse ist Instagram die Plattform mit den höchsten durchschnittlichen Views und einem statistisch signifikanten Vorteil gegenüber den anderen Plattformen. Außerdem zeigt sich, dass Donnerstag im Zeitblock2 die höchste durchschnittliche Reichweite erzielt, unabhängig von der Plattform.