Ich bin auch gerne und begeisterte Zuschauerin und vielleicht macht Statistik mit deinen Videos sogar manchmal Spaß! Vielen Dank für die große Unterstützung. Ich frage mich hier, warum du eine kategoriale AV verwendet hast, obwohl sie nach meiner Recherche intervallskaliert sein sollte. „Funktionieren“ die Rechenschritte genauso wenn wir „so tun“ als seien Schulnoten metrisch skaliert ? Dann wäre es ja nur bei der Interpretation entscheidend, dass sie es in Wirklichkeit nicht sind. Vielen Dank Charly
Liebe Björn, Ein weiteres tolles Video, das wirklich sehr weiterhilft! Ich stehe gerade vor dem Problem eine multiple lineare Regression durchzuführen bei gleichzeitiger Verletzung der Normalverteilungsannahme sowie Vorliegen von Heteroskedastizität. Wenn keine NV der Residuen vorliegt, würde ich normal auf bootstrapping ausweichen. Bei Heteroskedastizität, HC3/4 verwenden. Field sagt, das bootstrapping für beide Verletzungen ausgleichen würde, wenn ich ihn richtig verstehe. Ich habe aber auch gelesen, das parametrische bootstraps in diesem Fall zu zu engen CIs führen würden und daher wild bootstrapping genutzt werden müsste. Hättest du eine Idee, wie in einem solchen Fall am besten vorzugehen ist? Wäre über jeden Tipp wirklich dankbar 😊 Habe durch deine Videos schon so viel gelernt, da dachte ich, ich frage einfach mal:) liebe Grüße
Lieber Björn, herzlichen Dank für die tollen und super klaren Videos. Mein Prof. verlangt eine Mittelwertzentrierung für die Prädiktoren. Mir ist nicht klar, ob ich diese vor der Prüfung der Voraussetzungen einer MR durchführen muss oder erst danach. Vielen Dank im Voraus!
Hallo, die Zentrierung ist nur eine lineare Transformation und wird an den Voraussetzungen bzw den Ergebnissen nichts ändern. Die Koeffizienten werden ja bereits standardisiert mir ausgegeben, was im Zweifel "besser" als nur die reine Zentrierung ist. Viele Grüße, Björn.
Vielen Dank für das Video! Alles super erklärt. Ich habe auch eine Frage: Mein Szenario: Ich messe die Veränderung der Teilnehmerzahl eines Sportkurses von zweitpunkt A zu Zeitpunkt B. Zwischen Zeitpunkt A und B wurden drei verschiedene Werbungen geschaltet. Nun finde ich heraus, dass zum Zeitpunkt B deutlich mehr Teilnehmer da sind und ich möchte wissen, wie groß der Einfluss der einzelnen Werbungen auf die VERÄNDERUNG der Teilnehmeranzahl ist. Also ich möchte erklären, warum die Teilnehmeranzahl gestiegen ist. Ist meine AV dann die Teilnehmerzahl zum Zeitpunkt B? Und die drei Werbungen meine UVs? Kann ich eine solche Veränderung überhaupt mit einer Regression berechnen? VIELEN DANK!
Moin Björn, danke für deine Videos, die sind echt der Hit :) Ich schreibe gerade an meiner Thesis und bin leicht am verzweifeln. Ich beschreibe dir mal so kurz wie möglich, was ich da so untersucht habe. Ich habe eine Online-Umfrage gemacht um den Zusammenhang vom Bedürfnis nach Einzigartigkeit und von Kauf und besitzt von Sneakern zu erforschen. Als Beispiel wird also nun erforscht, ob ein Zusammenhang zwischen der Anzahl der Sneaker und dem Bedürfnis nach Einzigartigkeit besteht. Dazu wurde gefragt, wie viele Sneaker jmd. besitzt, immer in 10er Schritten, also weniger als 10, 10 bis weniger als 20 etc. Der Fragebogen zur Bestimmung des Bedürfnisses nach Einzigartigkeit hat 26 Fragen, die in 3 Kategorien aufgeteilt sind, wobei eine Kategorie Rückwärtscodiert ist. Ich dachte erst, ich muss einfach für alle die Korrelationskoeffizienten berechnen und daraus einen Mittelwert nach Fisher-Z-Transfortmation ermitteln. Dies ist aber nicht so. Mein Dozent meinte, dass ich auf Konstruktebene analysiere, demnach aus den 3 Kategorieren einen Gesamtwert ermittle und damit dann weiter rechne. Und für die Skalen soll ich dann Cronbachs Alpha berechnen. Geht das denn mit der multiplen linearen Regression, ausgenommen Cronbachs Alpha? Wäre echt grandios, wenn du mir da irgendwie helfen kannst, ich steh sowas von auf dem Schlauch. Viele Grüße
Hallo Erdem und danke für dein Lob! :-) Du würdest deine drei Konstrukte, die Einzigartigkeit erfragen zusammenfassen, entweder als Mittel- oder Summenwert. Nachdem du die eine Kategorie wieder richtig kodiert hast, prüfst du mit Cronbach's Alpha zunächst, ob sie "zusammenpassen" (ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-DDAVZhTSf0w.html). Wenn du festgestellt hast, das ein paar Fragen nicht in die Kategorien passen, schließt du sie aus und fährst dann fort. Die zusammengefasste Variable Einzigartigkeit kannst du nun weiter verwenden, evt. als abhängige Variable in einer multiplen linearen Regression - das hängt von deiner vorher formulierten Hypothese ab. Korrelation ginge zunächst auch, da ist aber nicht klar, ob die Anzahl Sneaker oder die Einzigartigkeit die wirkende Variable sind, was sicher auch ein Erkenntnisziel ist. Wenn es nur um den reinen Zusammenhang geht, reicht aber auch eine Korrelation. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Danke! Du hast mir vollkommen den Arsch gerettet. Ich habe bisher alle Items der Subskalen in eine multiple lineare Regression gepackt. Den Mean berechnen und damit arbeiten und dann die einfache lineare Regression macht viel mehr Sinn und lässt sich auch viel einfach erklären. Grüße Erdem
@@StatistikamPC_BjoernWalther Hallo Björn, auch ich möchte Danke sagen für deine tollen Videos. Ich habe das selbe Problem wie Erdem, habe mehrere UV (Nutzen, Aufwand, Risiko, etc.) bei denen ich den Einfluss auf die AV (Einstellung zu mobilen Apps) berechnen möchte. Habe zu jeder UV 2-3 Items (Fragen). Bin in SPSS leider noch überhaupt nicht erfahren, deshalb vielleicht eine etwas "blöde" Frage: Wenn ich die Mittelwerte bilde, wie transformiere ich diese dann in meine Variablenansicht, damit ich später Cronbach's Alpha und die multiple lineare Regresion berechnen kann? Muss ich das händisch machen & wie gebe ich das richtig ein? Wäre wirklich froh, wenn du mir hierbei helfen könntest. Grüße, Nina
Vielleicht nochmal ne technische Frage: wenn meine unabhängigen Variablen ordinal sind (sagen wir durch Likert Skalen), hat dann die größe der Koeffizienten irgendeine aussagekraft (also je größer der koeffizient desto größer der einfluss), oder kann ich nur sagen: koeffizient ist positiv und ungleich null, also hat die unabhängige var allgemein positiven einfluss auf die abh. var?
und noch eine: Kann der T Wert 0 sein, wenn der Koeffizient verschieden von 0 ist? Ansonsten würde es ja einfach reichen sich den Koeffizienden und sein Vorzeichen anzusehen. lg und danke schonmal
Ja, die Koeffizienten haben immer noch eine Aussagekraft trotz Ordinalskalierung. Für jede zusätzliche Einheit der unabhängigen Variable ergeben sich auf die abhängige Variable [Regressionskoeffizient]-Einheiten. Also wenn der Regressionskoeffizient der x1-Variable 3 ist, bedeutet eine Erhöhung der x1-Variable um eine Einheit eine Erhöhung der y-Variable um 3 Einheiten. Für einen Vergleich der Effektstärken zwischen den den Variablen taugen auch die standardisierten Koeffizienten. Der betragsmäßig größte standardisierte Koeffizient hat hierbei den stärksten Einfluss. Je, desto-Aussagen wie eben, kannst du nur mit den unstandardisierten Koeffizienten machen.
Der T-Wert ergibt sich prinzipiell aus dem Regressionskoeffizient geteilt durch seinen Standardfehler. Ergo kann ein T-Wert von 0 nur auftreten, wenn der Regressionskoeffizient 0 ist.
Hallo Björn, Deine Videos sind wirklich klasse! Aus diesem Grund möchte ich Dich fragen, ob du dir vorstellen könntest auch ein Video zu Strukturgleichungsmodellen in SPSS zu machen? Das wurde bisher noch nicht behandelt, richtig?! Besten Dank und viele Grüße!
Hallo, vielen Dank für die wirklich guten Videos. Ich hab eine Fragen und eine Anregung. Meine Frage: wie interpretiere ich eine nominale UV mit 2 Kategorien (zb: Geschlecht) und mehr als drei (Bildungsabschluss)? -ich weiß dass man dann Dummys bilden muss, aber nicht, wie sie interpretiert werden. Und ist das ein Unterschied bei der Interpretation, wenn die Variable mehrere Kategorien hat oder hierarchisch geordnet ist? Und hast du ein Video zum Thema Diskriminanzanalyse oder logistische/ordinale Regression geplant? Lg und Danke!
Hi Björn, vielen Dank für dieses aufschlussreiche und tolle Video! Ich habe in meiner multiplen Regression (3 UV & 1 AV) leider einen negativen korrigierten R² Wert (-0.014) und in einer anderen MR 0,015. Woran kann das liegen? Ich habe schon alles mögliche ausprobiert, die Voraussetzungen habe ich vorher geprüft und sind eigentlich alle erfüllt. Muss ich das Ergebnis dann so annehmen? Oder kann ich noch irgendwas probieren um das Ergebnis zu verbessern? Danke dir schonmal im voraus! LG Sarah
Hallo! Die Videos retten mich und meine Bachelorarbeit enorm!!! Ich bin so froh, dass ich diesen Channel gefunden habe! Eine Frage hätte ich aber auch noch: Wenn ich eine einfache lineare Regression durchführe und anschließend eine multiple lineare Regression mit den gleichen Variablen (nur eben mit noch einer weiteren unabhängigen Variable) erhalte ich in SPSS immer unterschiedliche Signifikanzwerte und Regressionskoeffizienten. Woran könnte das liegen? Beeinflussen sich die unabhängigen Variablen in den Ergebnissen irgendwie untereinander? Man merkt: ich bin kein Profi :D
Hallo Burganna, danke für dein Lob! Freut mich, wenn dir die Videos helfen. Wenn du eine einfache lineare Regression rechnest, wird nur der Einfluss der jeweiligen unabhängigen Variable (UV) auf die abhängige Variable (AV) "geschätzt". Wenn du mehrere UV hast, kontrollierst du sozusagen gleichzeitig für deren Einfluss auf die AV mit. Dass sich die Signifikanzen, Koeffizienten usw. ändern, ist völlig normal - du rechnest ja ein Modell mit weiteren UV, deren Einfluss auf die AV nun mit beachtet werden muss. Es empfiehlt sich immer, so viele UV, wie man theoretisch herleiten kann, ins Modell aufzunehmen und damit eine multiple (lineare) Regression zu rechnen. Viele Grüße, Björn.
Hey Björn, noch eine Anmerkung und zwar habe ich gehört, dass nominale dichotome Merkmale, wie z.B. das Geschlecht (männlich, weiblich) ohne Probleme von SPSS in die lineare Regression als unabhängige Variablen mitaufgenommen werden. Hier müsste man Sie nicht in Dummy Variablen umwandeln. Nur ab drei und mehr. Stimmt das? Darf dabei das nominale Merkmal auch einen beliebigen Wert haben, z.B für weiblich 3 und für männlich die Zahl 2 oder müssen diese tatsächlich mit der Zahl 0 oder 1 kodiert werden, damit diese erfolgreich mit in die Regressions aufgenommen werden können? Bedanke mich im Voraus, bist der Beste!
Hallo Ilia, da hast du richtig gelesen. Wenn du dichotome Variablen hast, ist die Dummy-Geschicht überflüssig. Der Koeffizient in der Koeffiziententabelle gibt dir bei der multiplen linearen Regression dann immer an, welchen Effekt es hat, wenn von der Baseline (der niedrigere Werte) auf den zweiten höheren Wert gegangen wird. Ist der Koeffizient bei der Frau -1, fällt die abhängige Variable um eine Einheit, wenn es sich um eine Frau handelt, verglichen mit einem Mann. Bei 3 Variablen braucht es dann zwingend eine Dummy-Variable, weil sonst keine Interpretation möglich ist. Viele Grüße, Björn.
Hi Björn, vielen Dank für deine ganze Arbeit und die sehr hilfreichen Videos! Du hast mir damals schon bei meiner BA sehr geholfen. Nun bin ich bereits an meiner MA dran und würde gerne eine Regression mit mehreren UVs und AVs rechnen - sprich eine multivariate multiple Regression. Ist dies in SPSS möglich und wie würde ich da vorgehen? Vielen vielen Dank dir schon einmal im Voraus!!!
Hi, vielen Dank für deine tollen Videos. Ohne die wäre ich aufgeschmissen! Hast du noch ein Viedo zur multiplen logistischen Regressionsanalyse und ggf. auch eine kurze Erklärung zu adjustierten Odd's? Das wäre mega!!!
Zwei Hinweise: 1) Das adjustierte R² (hier 0,383 erklärt mir nicht die Varianzaufklärung der abhängigen Variable. Lediglich die Modellgüte wird damit erklärt. Den Prozentsatz der Varianz, den das Modell bzgl. der abhängigen Variable erklärt (hier 0,407) ist im "normalen" R² zu sehen. 2) Schulnoten sind streng genommen keine metrisch skalierten Variablen, was für die Regression eine Voraussetzung ist. Da es aber qualitativ kaum Unterschiede macht, wurde dies im Video dennoch so durchgeführt.
Erstmal vielen Dank für deine Videos! Helfen mir bei meinen Uniprojekten immer weiter :) zu 2) Wenn metrisch skalierte Variablen eine Voraussetzung für die lineare Regression sind, wie messe ich dann am besten den Bildungsstand? Er wurde abgefragt nach dem derzeit "höchsten Abschluss", was ja an sich schon problematisch ist. Nun überlege ich, mit einer multiplen linearen Regression die abhängige Variable anhand der unabhängigen Alter und Bildungsstand zu prüfen. Geht das oder würdest du das Alter in einer einfachen linearen Regression prüfen und den Bildungsstand mit einer anderen Methode? Vielen Dank schon mal =)
Hallo Laura, danke für dein Lob! Prinzipiell kann man Bildungsstand mit dem IQ messen, auch hier ist das eher ordinal zu verstehen, da ein IQ von 140 nicht doppelt so schlau macht wie ein IQ von 70. Man könnte den höchsten Abschluss erfragen, also z.B. Hauptschule, Abitur, FH-, Uni-Abschluss usw. Aber auch das ist nicht metrisch - sogar nur nominal. Wenn also das die abhängige Variable sein soll, wird es nicht mit der multiplen linearen Regression funktionieren. Wenn es allerdings als UV aufgenommen wird, kannst du die Regression rechnen - je nachdem, was in deiner Regression die AV ist und wie sie skaliert ist. Also, nur die abhängige Variable muss metrisch sein. Die anderen können beliebige skaliert sein. Was ist bei dir der Fall? Viele Grüße, Björn.
Unsere abhängige Variable, motiv zur sportrezeption (zusammengefasst aus 3 fragen, die je mit 6stufiger likertskala erfasst wurden), ist metrisch. Dann funktioniert das ja trotzdem oder? Inzwischen habe ich für das alter ohnehin bereits eine einfache lineare regression durchgeführt. Dann gehe ich bei dem bildungsstand (abgefragt nach höchstem abschluss) genauso vor? Danke und liebe Grüße :)
Hallo Laura, streng genommen ist eine Likert-Skala nicht metrisch. Da es aber durchaus Artikel gibt, die sich dafür aussprechen, kann man das dennoch machen. Qualitativ gibt es in seltenen Fällen überhaupt Ergebnisunterschiede. Eigentlich spricht doch nichts dagegen einen multiple lineare Regression zu rechnen, die sowohl Alter als auch Bildungsstand als UV betrachtet. Ich verstehe es nämlich bisher so, dass du einmal eine lineare Regression mit Alter als UV rechnest und einmal mit Bildungsstand? Viele Grüße, Björn.
Ja, genauso ist es. Also quasi zwei einfache lineare Regressionen für dieselben abhängigen Variablen (eben pro Motiv eine). Was macht das denn dann für einen Unterschied bzw. wie begründe ich in einer wissenschaftlichen Arbeit, ob ich eine multiple oder eine einfache lineare Regression anwende? Wenn ich schon dabei bin: für die logistische Regression hast du noch kein Video gemacht, oder? ^^ - schade! Liebe Grüße Laura:)
Hallo Ilia, danke für das Lob und die Empfehlung! Für ordinale Daten ändert sich eigentlich bei der Interpretation nichts, zumindest nicht, wenn man es nicht überstreng nimmt und im Fragebogen Zahlen standen statt dem üblichen "stimme voll zu"... "stimme überhaupt nicht zu". Ich habe es mir aber mal notiert, gerade für nominale Variablen kann das ganz sinnvoll sein, wenn man mehrere UVs hat und damit keinen nicht parametrischen Mittelwertvergleich rechnen kann. Viele Grüße, Björn.
Vielen herzlichen Dank für deine tollen Videos! Super erklärt und super angenehme Stimme. Zu der multiplen Regression wollte ich folgendes fragen: zwei meiner Variablen sind nicht intervallskaliert sondern nominal (es geht um Motive und Art der Selbstständigkeit). Kann ich die überhaupt in die Regression mit aufnehmen oder muss ich die zuerst in dummy variablen umcodieren?
Hallo Alice und danke für das Lob! :) Das einfachste in deinem Fall wäre wirklich das Verwenden von Dummyvariablen, weil du ansonsten nicht um eine logistische Regression herumkommen wirst, wenn dein Gutachter seinen Job richtig macht. ;-) Viele Grüße, Björn.
Super Video, vielen Dank! Ich habe noch eine Frage: ich habe 2 UVs, die in der ersten Tabelle "Korrelationen" beide signifikant sind (.000 und .033). Allerdings in der Tabelle "Koeffizienten" ist nur eine der beiden signifikant mit .000 und die andere hat .715. Wie habe ich das jetzt zu werten? Auf was soll ich schauen? Danke im Voraus! :-)
Das Beta ist vielleicht etwas schnell abgetan worden. Es ermöglicht den Vergleich von Effektstärken unabhänging von der Einheit, also kann man zB. den Effekt der Körpergröße so mit dem Effekt des Geschlechts vergleichen.
Lieber Björn, ich kann gar nicht ausdrücken, wie sehr du mir bei meiner Master Thesis schon geholfen hast und danke dir dafür herzlich! Ich hätte noch eine Frage, und zwar möchte ich den Einfluss meiner Prädiktoren auf das Kriterium in einer multiplen Regression getrennt je Geschlecht betrachten (meine Hypothese ist, dass 3 meiner 5 Prädiktoren für beide Geschlechter wichtig sind, 2 davon aber nur für Männer). Kann ich dazu einfach vorher meinen Datensatz nach Geschlecht filtern und 2 Regressionen rechnen oder kann ich eine einzige multiple Regression rechnen und die in SPSS getrennt fürs Geschlecht ausgeben lassen? Liebe Grüße
Hallo Carlotta und danke für dein Lob! So wie du es beschreibst, willst du einen gruppenweise Auswertung machen, wo die Datendatei aufgeteilt werden kann: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-v-52926vCLs.html Viele Grüße, Björn.
Hallo :) Deine Videos sind wirklich Klasse! Ich habe eine Frage: Meine unabhängige Variable (Kommunikationsmittel) teilt sich in die Variablen E-Mail, Chat, Telefon und Video auf und sollen mit der Arbeitszufriedenheit verglichen werden. Kann ich das mit der multiplen linear Funktion machen?
Danke dir für das Video. Ich habe hinsichtlich der Interpretation jedoch das Problem bei meiner vorliegenden Studie, dass das von mir postulierte Modell (5 Variablen) 33,2% der Varianz nach dem korriegierten R-Quadrat aufklärt. Die ANOVA deutet ebenso daraufhin, dass die Ergebnisse signifikant sind (p < .01), aber für die einzelnen Variablen ergeben sich bei der Betrachtung der Koeffiziententabelle keine signifikanten Ergebnisse. Müssen die Ergebnisse demnach so interpretiert werden, dass das Modell mit der AV in seiner Gesamtheit zusammenhängt und die einzelnen Variablen jedoch nicht?
Hallo Henning, wie groß ist denn deine Stichprobe? Bei einer kleinen Stichprobe und vielen UVs kann es sein, das die Koeffizienten einer multiplen lineare Regression nicht signifikant werden. Hast du auch mal geschaut, ob die Zusammenhänge "linear genug" sind und Multikollinearität kein Problem ist und die Residuen ungefähr normalverteilt sind? Viele Grüße, Björn.
Statistik am PC Hallo Björn, ich habe die einzelnen UVs mal auf Multikollinearität geprüft und dabei kamen teilweise Werte bis r = .65 raus, liegt zwar unter .7, aber ich habe die dann doch einzeln bivariat ausgewertet.
Hallo Henning, bei bivariater statt multivariater Auswertung kommst du aber mitunter zu falschen Schlüssen: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-VQKBEFHLw6g.html Viele Grüße, Björn.
:-D Es wird morgen direkt ein Video geben zur Beschaffung der entsprechenden Plugins für Interakationseffekte in SPSS, Freitag dann hoffentlich ein Video zum Durchführen und Interpretieren der Ergebnisse..
Lieber Björn, ein weiteres Mal meinen aufrichtigen Dank für Deine tollen Videos! Ohne diese würde ich mit meiner Master Arbeit wirklich alt aussehen... Ich bin inzwischen bei der multivariablen Regression angekommen. Würde diese ebenso funktionieren? Und wenn ja, wie werte ich denn dann den Einfluss einer unabhängigen nominalen Variable (in meinem Fall Bildung: Ausbildung/BSc/BA/MSc/Promotion/etc) auf meine unabhängige Variable aus? Müsste ich sie eventuell in eine "ordinale" umwandeln und dann quasi den Bildungsgrad "bewerten"? Also 1 - Ausbildung, 2 - BA, 3 - BSc, etc? Schon einmal vielen Dank im Voraus für Deine Zeit! Liebe Grüße, Neeltje
Hallo Neeltje und danke für dein Lob! Ich frage aufgrund der Terminologie noch mal nach. Handelt es sich bei dir um eine multiple Regression oder eine multivariate multiple Regression? Also hast du eine oder mehrere abhängige Variablen? Eine nominale Variable wie du sie als unabhängige Variable vorliegen hast, würde ich als Dummy kodieren, also für jedes Bildungslevel eine eigene Variable erstellen, die jeweils nur dichotom ist, also nur 0 und 1 annehmen kann. Hat jemand eine Ausbildung, wird diese Variable 1 und alle anderen BSc, MSc usw. 0 So kannst du dann bei der Auswertung der Koeffizienten sehen, was z.B. eine Promotion für einen Effekt auf die abhängige Variable hat. Ein Tipp, damit es nicht unendlich viele Variablen werden: BSc und BA würde ich zusammenfassen. MSc und MA auch. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hallo Björn, lieben Dank für Deine Antwort, sie hilft mir sehr! Da ich auf Englisch schreibe und auch all meine Bücher auf Englisch sind, heißt es dort "multivariable", daher bin ich auch etwas verwirrt gewesen. Aber es ist dann wohl eine multivariate Regression Denn ich möchte eine eventuelle Assoziation zwischen Bildungsstand (s.o.) und der Berufserfahrung in Jahren (kontinuierlich) von Hebammen auf die Ausübung der Schwangerenvorsorge testen. Danke auch für Deinen Tipp mit der Zusammenfassung der BA/Bsc und MA/MSc. Einen schönen Abend und liebe Grüße, Neeltje
Vielen Dank für dieses hilfreiche Video! Gibt es ebenfalls ein Video für eine multivariate Analyse? Ich muss in meiner Arbeit ein Modell mit mehreren UVs und mehreren AVs untersuchen. Leider finde ich dazu bisher kaum etwas für SPSS..
Hallo, das kann im Rahmen einer linearen Regression nicht gerechnet werden, da diese stets nur eine abhängige Variable haben. Man kann höchstens noch eine MANOVA rechnen, das ist aber eher eine Untersuchung auf Unterschiede als auf Zusammenhänge. Viele Grüße, Björn
Hallo Björn, erstmal vielen Dank für deine tollen Videos, die helfen mir bei meiner Bachelorarbeit wirklich sehr weiter. Ich habe allerdings noch eine Frage: Bei meiner Bachelorarbeit möchte ich untersuchen, ob es einen Zusammenhang zwischen der Körperlichen Aktivität einer Person und deren Gleichgewichtsfähigkeit gibt. Für die Gleichgewichtsdaten habe ich vier verschiedene Variablen jeweils 2x mal (Vorher- Nachher) erhoben. Für die Köperliche Aktivität betrachte ich eine Variable. Liege ich dann mit der multiplen Regressionsanalyse richtig, oder muss ich ein anderes Verfahren wählen? Vielen Dank schonmal für deine Antwort!
Hallo Michi, danke für dein Lob! Wenn es dir nur um den Zusammenhang geht, kannst du auch korrelieren. Wenn du einen gerichteten Zusammenhang hast, empfiehlt sich allerdings eine Regression. Wenn du nur eine unabhängige Variable (körperliche Aktivität?) hast, reicht eine einfache lineare Regression (ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-50a5hFIHhBk.html). Wichtiger ist, was du mit den Gleichgewichtsdaten anstellst. Hier könnte man einen Mittelwert pro Person bilden und diesen dann als abhängige Variable verwenden. Allerdings ist auch die Frage, warum ein vorher-nachher-Wert existiert? Gab es eine Intervention? Wenn ja, dann sollte man da vielleicht noch ganz anders testen. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hallo Björn, vielen Dank für deine schnelle Antwort. Ich habe jetzt eine lineare Regression durchgeführt! Den Mittelwert der Gleichgewichtsdaten habe ich hierbei als abhängige Variable betrachtet und die Körperliche Aktivität als unabhängige Variable. Es wurde im Erhebungszeitraum keine Intervention durchgeführt. Die Probanden mussten allerdings einen Fragebogen zu ihrer Körperlichen Aktivität Vor- und Nach der Messung ausfüllen, wobei dann untersucht wird ob sich die objektive Datenerhebung von der subjektiven Datenerhebung unterscheidet. Danke dir!
Vielen Dank für die super Videos. Die Erklärungen helfen mir super weiter. Meine abhängige Variable besteht aus dem Mittelwert mehrerer unabhängigen Variablen. Darf ich dann trotzdem eine Regressionsanalyse rechnen, um herauszufinden, welche der unabhängigen Variablen den stärksten Einfluss auf die abhängige Variable hat? Vielen Dank für deine Hilfe.
Hallo Denise, wenn die Items das Konstrukt formen, wird das nicht mit einer Regression auf Einflussstärke geprüft. Sowas untersucht man mit einer konfirmatorischen Faktorenanalyse. Viele Grüße, Björn.
Danke für die mega Videos, diese retten meine Bachelorarbeit :) Ich habe aber jetzt ein 'Problem': Beide R-Quadrate Werte sind bei mir 1,000 (also 100 Prozent) und meine Regressionskoeffizienten B sind alle bei 0,67... Was bedeutet dies? Es kann ja aufgrund der verschiedenen Antworten meiner Umfrage gar nicht sein, dass alles gleich wirkt, oder? Habe ich eventuell irgendwo einen Fehler gemacht? Liebe Grüße :)
super video!! Vielen, vielen Dank! Ich frag emich gerade, falls eine Variable nicht signifikant ist, fällt der ß -Wert dieser Variable auch aus der Regressionsgleichung raus, oder?
Hallo Björn, ich hätte eine Frage zur Interpretation: Wenn ich zwei unabhängige Variablen mit positivem Zusammenhang habe, kann ich dann deren "Effektstärke" auf die abhängige Variable vergleichen (in deinem Video z.B. das Gewicht hat mehr Auswirkung auf die Sportnote als die Größe) ?
Vielen lieben Dank für das tolle Video! Ich habe eine multiple Regression mit zwei Prädiktoren durchgeführt. Meine F-Statistik ist signifikant, einer meiner Prädiktoren hat allerdings kein signifikantes beta. Inwieweit kann ich das Modell/ die Ergebnisse dann überhaupt interpretieren? Vielen lieben Dank für eine Antwort :)
Hallo Rosa, danke für dein Lob! Das ist nicht ungewöhnlich, das nicht alle Prädiktoren signifikant werden, auch wenn die F-Statistik in Ordnung ist. Denie Aufgabe wäre nun, neben der Präsentation der Ergebnisse v.a. die Interpretation, also die Suche nach Gründen, warum evtl. keine Signifikanz des einen Prädiktors existiert. Meist sind es Stichprobenauswahl, -größe, Operationalisierung von Variablen, eingeschränkt geeignete theoretische Basis, u.v.m. Viele Grüße, Björn.
Super gute Videos! Hast du auch ein zu binär logistischen Regressionanalyse? Finde keinen Titel aber vielleicht kommt es ja in einem anderem Video vor :) Weiter so!
Vielen Dank, ich habe mir schon soviel Statisikwissen durch Ihre Beiträge angeeignet, vielleicht können Sie mir aktuell bei folgendem Problem helfen, in meiner Regression hat einer der Faktoren plötzlich ein nicht plausibles Vorzeichen, Korrelation war noch plausibel und plötzlich sind ß und Regressionskoeffizient positiv bei einer Kohorte, was wirklich keinen Sinn macht (es müsste ein negativer Zusammenhang sein), gibt es dafür eine mathematische Erklärung/passiert das manchmal und die Ergebnisse sind trotz falsch gerichtetem ß verwendbar? Ich dachte ich hatte mal davon gehört. Vielen Dank und viele Grüße. Ich freue mich auf Ihre Antwort.
Hallo Andreas, freut mich, wenn dir meine Videos helfen konnten! :-) An sich ist bei einer multiplen Regression die gegenseitige Korrelation aller UV und der AV bei der jeweiligen ß-Schätzung berücksichtigt. Deswegen ist ein "komplexeres" Modell realitätsnäher. Was stutzig macht, ist jedoch das umgedreht Vorzeichen. Ich hätte zuerst an ein Codierungsproblem gedacht, also, dass statt z.B. 1 - stimme überhaupt nicht zu, plötzlich die 7 für diese Ausprägung einer Skala verwendet wurde. Das kommt manchmal vor und wenn man das Skalenhandbuch nicht allzu genau studiert, rutscht das mal durch. Das wäre der offensichtlichste Grund. Ansonsten gibt es auch Teilstichproben der Grundgesamtheit, für die gegensätzliche Effekte beobachtbar sind. Wenn dem auch nicht so ist, muss man versuchen, andere Erklärungsansätze zu finden. Evtl. ist die Theorie "veraltet" und der Effekt hat sich über die Zeit umgedreht, z.B. Erfolgsstreben und Karriere im Beruf vs. Work-Life Choice mit Familienleben. Insgesamt kann man inhaltlich viel drüber philosophieren, methodisch würde ich die a) Codierung der UV prüfen, b) die Stichprobe und deren Repräsentierung der Grundgesamtheit sowie c) die zur Herleitung verwendete Theorie. Viele Grüße, Björn.
Hallo Frida, danke für das lob! Ja, darf man. Lediglich die Residuen sollten normalverteilt sein, was du mit dem Video gezeigt bekommst: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-Ibl33-e56U0.html VIele Grüße, Björn.
Vielen Dank für die guten Videos - sind sehr hilfreich. Bei diesem Video kam bei mir die Frage auf, ob man nicht auch die beiden unabhängigen Variablen hinsichtlich ihres Einflusses auf die abhängige Variable vergleichen kann. Hintergrund wäre ja ganz praktisch die gesellschaftliche Diskussion, ob man Sport bewerten kann/soll. Intuitiv würde ich sagen, für die Größe kann man nichts, für das Gewicht schon eher. Wenn also herauskäme, dass die Sportnote mehr von der Größe als vom Gewicht abhängt, wäre dies ein Argument für die Ablehner der Bewertung von sportlichen Leistungen (und umgekehrt). Wie würde so ein Vergleich ablaufen?
Hallo Christoph, prinzipiell zeigt dir die Regression doch bereits anhand des standardisierten Koeffizienten, was einen größeren Einfluss auf die Sportnote hat. Im Beispiel ist das 0,861 für das Gewicht, also ein höheres Gewicht führt zu einer höheren (schlechteren) Sportnote. Was man noch machen könnte, wäre für eine festgelegte Größe, verschiedene Gewichte bzw. wohl eher Gewichtsklassen zu testen. Das könnte man dann mit einer ANOVA für die verschiedenen Klassen prüfen, ab wann sich signfikante Unterschiede hinsichtlich der abhängigen Variable (Sportnote) ergeben. Viele Grüße, Björn.
Vielen Dank für das Video. Was mache ich, wenn ich mehrere abhängige Variablen habe und eine unabhängige? Man kann dort ja leider nur eine abhängige Variable eintragen.
Hallo Inka, dann rechnest du vermutlich am besten pro AV ein separates Modell. Wenn die UV ordinal oder kategorial ist, kannst du mitunter auch eine MANOVA rechnen. Wenn es kategorial ist, ist letzteres sogar zu empfehlen. Viele Grüße, Björn. Viele Grüße, Björn.
Hallo, danke für die sehr hilfreichen Videos. Ich habe eine Frage zu Likert-Skalen: kann ich die 5-stufigen UVs und meine 5-stufige AV für meine multiple Regression verwenden? Ich bin etwas verwundert, dass ich darüber keine Infos finde. Wo doch das Item-Format am häufigsten in der Forschung angewendet und häufig als quasi-intervall bezeichnet wird. Ich würde mich über eine Antwort sehr freuen :)
Hallo, die Skalierung der UVs ist nicht kritisch. Streng genommen sollte lediglich die AV nicht Likert-skaliert sein, wenn man allerdings gut argumentiert, ist auch das kein Problem. VIele Grüße, Björn.
Super Video, hat mir sehr geholfen, danke!! Dennoch eine Frage: Warum bekomme ich unterschiedliche Regressionskoeffizienten, wenn ich die Regression einzeln für jede abhängige Variabel berechne??
OK ich habe gerade gesehen, dass das bereits in einem Kommentar erklärt wurde. Dennoch eine Frage: Ich habe eine Stichprobengröße von 55. Kann ich dann die multiple lineare Regressionsrechnung verwenden oder muss ich dann andere Korrelationsverfahren anwenden?
@@HannesSupertramp Hallo Hannes, die Korrelation untersucht zwei Variablen auf einen Zusammenhang. Bei mehr als zwei Variablen empfiehlt sich eine partielle Korrelation (ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-WJfWXDQpL0U.html). Da du aber von einem gerichteten Zusammenhang ausgehst und eine abhängige und eine unabhängige Variable hast, ist es besser eine multiple lineare Regression zu rechnen. Sofern du die anderen Voraussetzungen der Regression erfüllst (ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-MrAPaLLbZQE.html), neben Linearität insbesondere keine Multikollinearität und normalverteilte Residuen, ist das mit 55 vollkommen in Ordnung. Es gibt auch Regression mit n
Hallo! Erst einmal vorweg - klasse Video! Sowohl SPSS als auch Regressionen sind Neuland für mich! Wie sieht es aus, wenn ich als abhängige Variable die Zufriedenheit in Schulnoten (1-6) und als unabhängige Variablen Teilzufriedenheiten ebenfalls in Schulnoten gegeben habe? Kann ich in diesem Fall auch einfach mit der linearen Regression rechnen? Oder gibt es in diesem Fall etwas zu beachten, zumal es sich bei den Schulnoten ja um Ordinalskalen handelt? Ich hoffe du kannst mir helfen! Viele Grüße! ☺️
Hallo Lotte Wa, danke für dein Lob! :-) Streng genommen hast du recht, das Schulnoten ordinal skaliert sind (die Abstände zwischen ihnen sind nicht gleich), weswegen ich eigentlich keine Regression damit hätte rechnen dürfen. Wenn die unabhängigen Variablen ordinal skaliert sind, ist das aber kein Problem. Das nützt dir aber jetzt freilich recht wenig, wenn deine abhängige Variable trotzdem eigentlich ordinal skaliert ist. Wenn es absolut sauber sein soll, braucht es eine ordinale Regression. Zu deren Durchführung gibt es allerdings leider noch kein Video und ich kann sie hier auch kaum beschreiben, wenn ich für die lineare Regression schon 10 Minuten Video brauche. Entweder du geduldest dich etwas, bis ich wohl übernächste Woche Montag ein Video dazu fertig habe oder beliest dich anderweitig, wenn die Zeit drängt. Viele Grüße, Björn.
Hallo Björn, danke für deine schnelle Antwort! :) Wenn sowohl meine abhängige als auch meine unabhängigen Variablen ordinal skaliert sind würde ich bei der linearen Regression also falsche Ergebnisse bekommen, habe ich das richtig verstanden? Leider drängt die Zeit, trotzdem vielen Dank für deine Hilfe! Viele Grüße, Lotte :)
Hallo Lotte, du würdest zumindest von einem Gutachter, der es genau nimmt, Kritik bekommen. Die Ergebnisse sind qualitativ noch zu gebrauchen, könnten aber verzerrt sein. Ein Reviewer aus einem Journal meinte mal zu mir, dass der Pragmatismus fehle und man auch mal eine lineare Regression bei ordinaler AV rechnen kann. Der Mann hat sehr viel mehr Ahnung von Statistik und ich vertraue da auf sein Urteil, auch wenn ihn manche Kollegen dafür nicht sehr mögen werden. Viele Grüße, Björn.
Hallo. Ich habe einige deiner Videos geschaut und sie waren super hilfreich! :) Nun habe ich eine Frage, die du vielleicht beantworten kannst: Wie habe ich es zu interpretieren, wenn es zwischen zwei Variablen keine signifikante Korrelation gibt (z.B. in einer Interkorrelationsmatrix), sie aber signifikant wird, wenn ich die Variable mit in ein multiples Regressionsmodell aufnehme (indem die zweite Variable aus der einzelnen Korrelation das Kriterium darstellt?
Hallo und danke für das Lob! Wenn du mit Kriterium die abhängige Variable meinst, ist es durchaus möglich, dass keine Korrelation für Kausalität vorliegen muss. Judea Pearl hat sich da sehr ausführlich in seinen Aufsätzen zu geäußert (ftp.cs.ucla.edu/pub/stat_ser/r350.pdf) Um es zusammenzufassen, es kann sehr wohl sein, dass du keine/kaum Korrelation zwischen unabhängiger und abhängiger Variable hast, obwohl ein statistisch signifikanter Einfluss von unabhängiger auf abhängige Variable existiert. Unter der Stichwortgruppe "Correlation does not imply causation" gibt es sehr viel sehr gute Literatur, falls du dich dazu weiter belesen möchtest. Viele Grüße, Björn.
Danke für das tolle Video! Eine Frage ist allerdings noch aufgekommen: Du hast den Regressionskoeffizienten anfangs so interpretiert, dass jeder cm den man wächst, die Schulnote um 0,064 Einheiten verbessert. Gleich im Anschluss hast du das - Zeichen erklärt und angegeben, dass je größer man wird, desto eher wird dann auch die Schulnote. Mit der Variable Gewicht hast du an dieser Stelle auch zwei gegensätzliche Aussagen gemacht. Wieso macht man das?
Hallo Samira, danke für dein Lob! Zu deiner Frage: Die Schulnoten sind ja andersherum skaliert. In diesem Beispiel wirkt sich ein Koeffizient mit negativem Vorzeichen also besser auf die Note aus, weil er sie verringert. So wie das mit der Größe und der Sportnote ist. 1 cm mehr bringt mir 0,064 Notenpunkte weniger. Das Gewicht hingegen verschlechtert meine Schulnote, weil der Koeffizient positiv (0,085) ist. Jedes kg verschlechtert die Sportnote als um 0,085 Notenpunkte. Beantwortet das deine Frage? Viele Grüße, Björn.
Vielen Dank für deine Videos! Sie sind wirklich unglaublich hilfreich und super einfach erklärt! Bezüglich der R-Quadrat Tabelle: Wie lässt sich der Standardfehler der Schätzung inhaltlich interpretieren? Vor allem wenn dieser sehr hoch ist? Eine Erklärung würde mir wirklich sehr weiterhelfen :) Vielen Dank!!
Hallo Marc und danke für dein Lob! Der Standardfehler der Regression gibt an, wie groß der Abweichung der Beobachtungen von der Regressionsgerade ist. Je größer, desto schlechter ist die Passung. Man vergleicht ihn mit dem Mittelwert der abhängigen Variable, um ein Gefühl für dessen Größe zu erhalten. In der Regel beachtet man ihn aber sehr selten. Viele Grüße, Björn.
Super Video, sehr verständlich erklärt! Eine Frage hab ich immer wieder mal bzgl. Modellierungsstrategie, d.h. "backward", ausgehend von allen pot. unabh. Variablen, oder "forward", ausgehend von einer einfachen linearen Regression oder "Einschluss", wo alle pot. Regressoren gleichzeitig betrachtet werden und nur 1 Modell gerechnet wird? Warum so viele Varianten bzw. soll man sich generell immer für die gleiche (welche?) entscheiden?
Hallo Nico, danke für dein Lob! Prinzipiell sollte man ein Modell immer komplett, also mit der Methode Einschluss schätzen. Das hat den Vorteil, dass gleichzeitig für alle potentiellen Effekte, wie es eben auch in der Realität ist, geprüft wird. Somit hat man die zuverlässigste Schätzung. Von schrittweiser Regression rate ich daher eher ab. Das kann man mal explorativ machen, das Modell im ganzen zu schätzen ist aber eigentlich der einzig sinnvolle Weg. Viele Grüße, Björn.
Danke für das tolle Video! Ich schreibe grade meine Bachelorarbeit und weiß nicht ob die MLR der wichtige Weg ist...Ich vergleiche 2 Gruppen (ja/nein) hinsichtlich ihrer Ausprägungen auf einer 9-stufigen Skala. Normalerweise würde ich einfach einen t-test rechnen, allerdings habe ich auf Gruppenunterschiede getestet und sowohl das alter als auch das Einkommen (in Kategorien erhoben) unterscheidet sich sign. zwischen meinen beiden Gruppen. Ich dachte deshalb an die MLR, da ich die Effekte ja nicht ignorieren kann. Ist das richtig? Falls ja, setze ich dann einfach als AV die Skala und als 3 UVs das alter, einkommen und die Variable Gruppenzugehörigkeit (da sind beide Gruppen drin codiert) ein?
Hallo, die multiple lineare Regression (und auch der t-Test) ist nicht für ordinal skalierte abhängige Variablen geeignet. Wenn du Gruppenunterschiede untersuchen möchtest, eigenet sich hierfür der Mann-Whitney-U-Test. Wenn du mehrere Einflussvariablen auf eine ordinale Variable hast, solltest du daher eher die ordinale Regression rechnen, allerdings zeigt die Zusammenhänge und keine Unterschiede. Eine nichtparametrische ANCOVA gibt es nur über Umwege: www.ibm.com/support/pages/node/418929 Viele Grüße, Björn.
Vielen Dank für deine tollen Videos, meine Masterarbeit ist gerettet! Aber eine Frage habe ich noch zur multiplen linearen Regression. Was passiert denn, wenn zwar meine AVs beide signifikant sind aber meine Konstante nicht signifikant und das eben auch im Konfidenzintervall, welches die Null einschließt, sichtbar ist? Alle weiteren Voraussetzungen für die Regression passen aber! Muss ich das in irgend einer Weise zusätzlich interpretieren? Danke dir und liebe Grüße
Hallo Isabel und danke für deine lobenenden Worte! Du meinst sicher UVs, denn es gibt ja nur eine AV. Wenn die UV signifikant sind und das Modell an sich auch, ist alles in Ordnung. Die Konstante interessiert dich nicht, es sei denn, du verwendest dein Modell für die Prognose von Werten, im Beispiel der Sportnote. Dann würdest du eine Regressionsgleich mitsamt Konstante aufstellen, so wie gegen Ende des Videos. Viele Grüße, Björn.
Hallo, ich habe eine Frage zu der ich Online nichts finde... ich soll eine mutivariate Regression machen, habe allerdings keine metrische Variable. Kann ich meine ordinale AV in Dummy Variablen transformieren, um daraus eine metrische Variable zu machen oder wie genau geht man dann vor? LG, Lisa und Danke für die tollen Videos.
Hallo Lisa, wenn deine AV ordinal ist, kannst du entweder eine ordinal-logistische Regression durchführen oder in die Richtung argumentieren, dass du eine lineare Regression durchführen kannst. Je nach Anforderungsniveau der Gutachter reciht bereits die quasimetrische Auslegung der Ordinalskalierung der AV aus. Zum Thema quasimetrische gibt es auch viel Literatur, die genügend Argumente liefern kann. Viele Grüße, Björn.
Tausend Dank für dein Video! Eine Frage - warum unterscheiden sich meine Ergebnisse, je nach dem, ob ich eine einfache oder multiple Regression rechne? Also: Warum hat die "uV 1" einen anderen Wert in einer einfachen Regression, als wenn ich die "uV 1" noch zusammen mit 3 weiteren uVs in einer multiplen Regression rechne? Müsste der Wert der einzelnen uVs auf die aV nicht in beiden Fällen trotzdem gleich bleiben? Danke und LG
Hallo Maestros06, danke für dein Lob! Das hat den einfachen Grund, dass bei einer multiplen linearen Regression gleichzeitig für den Effekt einer anderen UV "kontrolliert" wird. Soll heißen, wenn zwei Variablen in einfachen Regressionen jeweils signifikant auf die AV wirken, kann es bei gleichzeitiger Betrachtung dazu führen, dass erneut beide, nur eine oder sogar keine der beiden UV einen signifikanten Effekt hat. Wenn ich beim Thema Sportnote bin, haben (abstrahiert vom Beispiel im Video) gewisse BMI-Regionen eine gute Sportnote. Kontrolliere ich aber noch zusätzlich für die Motivation ist vielleicht der BMI gar nicht mehr entscheidend sondern eher die Motivation. Das ist natürlich ein konstruiertes Beispiel, wäre aber auch generell auf Schulnoten oder die Leistung verallgemeinerbar. Viele Grüße, Björn.
Hallo Björn, danke für das super Video. Eine kurze Frage zur MLR. Du hast in einem Kommentar hier erwähnt, dass die einzelnen Items der Variablen zuerst auf interen Konsistenz (Cronbachs Alpha) geprüft werden sollen und dann, wenn diese gegeben ist den Mittelwert der Items berechnen. Damit ich habe ich quasi nur noch eine "Zahl" die ich für eine Variable in der MLR hernehmen kann (gilt für die anderen Variablen die ich prüfe natürlich auch. Hast du hierfür eine literarische Quelle, das man das so machen soll? Ich muss das in meiner Thesis irgendwie begründen, warum ich das so gemacht habe. Vielleicht hast du ja einen Tipp für mich wo ich nachsehen kann. Danke im Voraus für deine Hilfe! Nina
Hallo Björn, ich habe eine große Stichprobe von ca. 4000 Personen. Habe ein korrigiertes r quadrat von 0,05 rausbekommen. Was ja recht wenig ist. Laut der Anova Tabelle ist das Modell signifikant. Die Werte der einzelnen UVs sind auch alle signifikant. Kommt diese nur zustande wegen der großen Menge an Personen oder wie kann man dieses Ergebnis interpretieren? Vielen Dank Grüße Andi
Hallo Andi, tatsächlich werden mit solch großen Stichproben auch sehr kleine Effekte erkannt, weswegen sie signifikant sind, die gesamte Varianzaufklärung aber eher niedrig ist. Viele Grüße, Björn.
Vielen lieben Dank für die tollen Videos erstmal - retten momentan mein Leben:-)! Ich habe eine Frage bezüglich der Konstante, da die in meinem Model nicht significant ist. Ich weiß überhaupt nicht, wie ich es interpretieren soll... (Ich habe stepwise regression rechnet, wo es 6 IVs gab; es gab zwei modele 1. mit einer Variable übrig-alle Koeffizienten waren sig.; 2. model wo es zwei IVs gab, beide variablen sig. aber Konstante nicht...) Vielen Dank im voraus
Hallo, danke für dein Lob! Einige Dateien gibt es tatsächlich auf meiner Seite. Allerdings sind die Dateien im Laufe der Zeit z.T. verändert worden und die Ergebnisse differieren dann und ich glaube das würde nur zu Verwirrung führen, weswegen ich die alten Dateien händisch auf Basis der Videos erstellen müsste. Leider sehr aufwändig und z.T. auch nicht möglich, weil nicht alle Daten sichtbar sind. Viele Grüße, Björn.
Hallo Björn, ein sehr informatives Video! Vielen Dank ! Ich hätte noch eine kurze Frage dazu: Gibt es eigentlich ein Maximum an unabhängigen Variablen die man ins Modell einsetzten kann? Bzw. macht es nur bis zu einer bestimmten Anzahl Sinn, da die Ergebnisse sonst "ungenau" werden? In meinem Fall habe ich 30 dichotome Aussagen (zutreffend oder nicht zutreffend) zu einer Automarkte (z.B. Leistung, Sicherheit, Fahrspaß...) und würde damit gerne die Kaufbereitschaft der Marke vorhersagen (Intervall).. Wäre es falsch hier hier alle 30 Variablen im Modell zu testen oder sollte ich mich auf eine bestimmte Anzahl begrenzen? Besten Dank im Voraus und Grüße Denis
Hallo Denis. Da deine Frage schon 11 Monate her ist, gehe ich davon aus, dass du deine Arbeit inzwischen fertig hast. Wie bist du hier vorgegangen? Hast du alle 30 unabhängigen Variablen mit ins Modell aufgenommen? Ich habe 12 unabhängige Variablen und frage mich, ob ich mit diesen eine multiple Regression rechnen kann bzw. ob dies Sinn macht. Über eine Antwort würde ich mich sehr freuen, vielen Dank!
@@Schlange1810 Sorry für die späte Antwort... Genau, ich habe alle 30 Variablen verwendet und mir eben dadurch ein Modell mit diesen Variablen zur Vorhersage meiner abhängigen Variable erstellen lassen. Ich hatte da noch jemanden gefragt, der sich mit Statistik gut auskennt und er meinte, das wäre kein Problem. Bei der Interpretation muss man hier halt ein wenig aufpassen, denn ein signifikanter Wert einer unabhängigen Variable ist halt nur im Rahmen das Modell in Kombination mit den anderen Variablen gültig. Wenn ich eine separate Regression nur mit dieser unabhängiger Variable rechnen würde (also ohne die 29 anderen), würde hier unter Umständen keine Signifikanz entstehen... Also empfehle ich dir, einfach alle 12 Variablen ins Modell aufzunehmen.
@@deniswolff7024 Super, vielen Dank für die ausführliche Antwort! Darf ich noch Fragen, wie groß deine Stichprobe war? Ich habe etwas Bedenken, dass meine Stichprobe vielleicht zu klein ist, um eine Regression mit so vielen unabhängigen Variablen zu rechnen.
@@Schlange1810 Gar kein Problem.. Also ich hatte bei mir mehrere Teilzielgruppen, wo ich jedes mal die Regression mit den 30 UV gerechnet habe. Die kleinste Gruppe hatte ein N von 125.. Allerdings war das keine Arbeit für die Uni sondern eine Studie für Arbeit und dort ist man mit wissenschaftlichen Standards nicht ganz so streng :D Hier auf dem Kanal gibt es auch ein Video dazu, wie groß die Stichprobe bei einer multiplen Regression sein sollte. Generell ist es ja so, dass je mehr UV du hast desto größer muss eigentlich die Stichprobe sein. Wie groß wäre denn deine?
@@deniswolff7024 Ich habe auch mehrere Gruppen, meine kleinste Stichprobe umfasst allerdings nur 43 Datensätze.. Vielen Dank dir für die Antworten, das hat mir schon mal weitergeholfen :) Denke ich werde da nochmal mit meinem Betreuer drüber sprechen.
Top Video! Habe eine Frage zur Regression.. Wenn ich einen Koeffizienten habe der keinen signifikanten Einfluss aufweist (zB Alter bei subjektiver Bewertung von Preisen) kommt dieser dennoch in die Berechnung? Also wenn ich nun ausrechnen will „wie bewertet ein 40jähriger den Preis?“ Oder rechne ich diese Werte lediglich mit den anderen Koeffizienten (die signifikant sind) ohne das Alter?
Hallo und danke für dein Lob! Für die Prognose, also die Berechnung des y-Wertes nimmst du alle, also auch die nicht signifikanten Koeffizienten auf. Viele Grüße, Björn.
Hallo Christian, vielen Dank für dein Lob! Mit hierarchisch meinst du sicher den blockweisen Einschluss von unabhängigen Variablen. Dazu habe ich noch kein Video direkt gemacht, ich notiere es mir aber für ein künftiges Video in vielleicht schon 1-2 Wochen. Viele Grüße, Björn.
Eine multiple lineare Regression würde im Bezug auf Überlebenszeiten dann Cox-Regression oder Logrank-Test bedeuten? Oder kann ich die Überlebenszeit-Einflussfaktoren auch so wie in diesem Video herausfinden? LG :)
Ich habe das Problem, dass meine Irrtumswahrscheinlichkeit aussagt, dass meine Hypothese signifikant ist, aber mein Beta-Koeffizient negativ ist und der kleinste Wert aller Variablen ist. Macht das Sinn oder habe ich einen Fehler gemacht?
Hallo Sandy, nein, da hast du keinen Fehler gemacht. Ein negativer Beta-Koeffizient bei gleichzeitig kleinem p-Wert bedeutet, dass eine Steigerung dieser Variable durch den negativen Koeffizienten zu einer Abnahme der abhängigen Variable führt. Wenn diese unabhängige Variable tatsächlich den kleinsten Effekt hat (ablesbar am standardisierten Koeffizient), scheint sie "weniger wichtig" als die anderen UV zu sein. Aber Achtung: standardisierte Koeffizienten können nur für ordinale oder metrische Variablen verglichen werden. Viele Grüße, Björn.
Hallo, lieben Dank für das Video! Schön zu sehen, dass man Statistik auch einfach erklären kann...:). Ich bin im Zuge meiner Masterarbeit gerade an der Frage Gruppenunterschiede innerhalb meiner multivariaten Regressionsanalyse zu klären. Meine UV's sind Trust und Involvement. Meine AV ist Kundenbindung. Jetzt wollte ich gerne gucken ob es hier Unterschiede innerhalb meiner Stichprobe z. B. zwischen Männern und Frauen gibt. Oder in unterschiedlichen Altersgruppen... Ich habe mich in den letzten Tagen informiert und bin auf drei Optionen gekommen. Möglichkeit 1: Dummy Variable in die multivariate Regression Möglichkeit 2: Alter oder Geschlecht als Moderatoren in der multivariaten Regression verwenden Möglichkeit 3: Multavariate Regression durchführen und dann Varianzanalyse (in Bezug auf die Kundenbindung?!) anschließen Komme ich mit einer dieser Möglichkeiten zu meinen Gruppenunterschieden? Danke vielmals! Beste Grüße Alexandra
Hallo Alexandra, danke für dein Lob! Prinzipiell kannst du bereits relativ einfach auf Gruppenunterschiede testen, wenn du eine mehrfaktorielle ANOVA durchführst: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-l-MOI_LOVpw.html Wenn du allerdings zwingend ein Modell schätzen musst, würde ich eher davon abraten eine multiple Regression und eine ANOVA zu rechnen. Beide deiner erstgenannten Möglichkeiten eignen sich, ich persönlich tue mich bei der Interpretation einer Moderation aber leichter, es lässt sich auch grafisch ganz gut veranschaulichen. Viele Grüße, Björn.
Statistik am PC Lieber Björn, was für eine schnelle Antwort - DANKE!!! Ok, Regression & ANOVA hab ich nach Gefühl auch eher ungern machen wollen, warum würdest Du es auch nicht empfehlen? Kannst du mir das erklären? Bei der Moderation hast Du in Deinem Video gezeigt gehabt, dass man dann immer die Interaktionseffekte mitberechnen muss. Wenn ich also das Alter und das Geschlecht der Probanden als Moderatoren verwende, habe ich dann folgende UV'S: Trust Involvement Alter Geschlecht Trust*Invovement*Alter*Geschlecht? PROCESs macht das automatisch oder? Muss ich für dieses Regressions Modell dann wieder die Voraussetzungen prüfen? (Wie in deinem Video hier: Was sind notwendige Voraussetzungen für lineare Regression? ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-MrAPaLLbZQE.html) Und die letzte Frage dazu: In Deinem Video zu PROCESS sagst du, dass der Moderator intervall oder zumindest ordinal skaliert sein muss - kann ich Geschlecht dann überhaupt als Moderator verwenden? Herzlichen Dank nochmal! Viele Grüße Alexandra
Hallo Alexandra, also ich würde keine Regression und ANOVA machen, da du mit einer Moderationsanalyse ja letztlich in einer Analyse beide Ergebnisse vereinen kannst. Moderation ist am einfachsten mit PROCESS zu machen. Da du aber wohl zwei Beziehungen hast, die du moderieren möchtest, wird das in PROCESS nicht gehen, es sei denn, dein konzeptionelles Diagramm sieht aus wie das "Model 2" in folgendem Link: www.personal.psu.edu/jxb14/M554/specreg/templates.pdf Ein Moderator kann auch kategorial sein - da habe ich mich wohl versprochen. Die Frage ist jetzt, wie du modellierst. Wird Trust und Involvement jeweils von der gleichen Variable Alter oder Geschlecht moderiert? Hat Trust den Moderator Alter oder Geschlecht oder hat Involvement den Moderator Alter oder Geschlecht - hat jede UV eine Moderatorvariable? Für was auch immer du dich auf Basis deiner konzeptionellen Herleitung entscheiden kannst, ist die UV mit dem Moderator multipliziert als weitere UV aufzunehmen und auf Signifikanz zu prüfen. Hilfreich ist in jedem Fall ein konzeptionelles Diagramm zu erstellen, das du untersuchen möchtest und daraus das statistische Diagramm abzuleiten und dann darauf die Analyse aufzubauen. Da es sich um eine Regression handelt, sind die Voraussetzungen zu prüfen. Am wichtigsten ist die metrische abhängige Variable, normalverteilte und voneinander (linear) unabhängige Fehlerwerte und Homoskedastizität. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Vielen Dank für die Antwort. Wissen Sie auch, warum es besser ist f2 zu berichten? Ich habe bei Cohen (1988) nachgelesen, konnte jedoch den Unterschied nicht richtig nachvollziehen.
Hallo, erstmal vielen Dank für das hilfreiche Video. Ich habe aber noch eine Frage zur Überprüfung des linearen Zusammenhangs zwischen der AV. und den UV bei einer multiplen linearen Regression. Was mache ich, wenn eine meiner UV ein Dichotom ist, also nur zwei Zustände hat, da kann ich doch eigentlich keinen linearen Zusammenhang drin erkennen oder? Denn gerade beim Streudiagramm mit der AV auf der Y-Achse und der UV auf der X-Achse, sind somit auf der X-Achse nur zwei Ausprrägungen die somit für verschiedene Werte auf der Y-Achse Werte aufweisen. Ich hoffe du verstehst was ich meine.
Hallo und danke für die lobenden Worte. Bei nominalen bzw. in deinem Fall dichotomen UV werden jene als Dummy verstanden. Linearität kann hier nicht existieren. Dummys sind speziell zu kodieren. Eine Ausprägung ist die Referenzkategorie und der entsprechende Regressionskoeffizient gibt dir an, wie sich die AV verhält, wenn eine andere Kategorie angenommen wird. Ein Beispiel: du prüfst neben verschiedenen anderen Variablen auch die Ernährungsweise auf das Lebensalter. Die Referenzkategorie ist Fleischlos (Ausprägung 0), eine zweite Kategorie ist Fleischesser (Ausprägung 1). Wenn der Koeffizient nun -5 ist, sieht man daran, dass im Vergleich zur Referenzkategorie die Fleischesser ein um 5 geringeres Lebensalter - unter Kontrolle weiterer UV - aufweisen. Viele Grüße, Björn.
Danke für das tolle Video! Ich hätte allerdings noch eine wichtige Frage. In meiner Arbeit errechne ich die Korrelation von zwei Variablen (in meimem Fall Sturzangst und Doppelaufgabenkosten). Ich möchte jetzt den Einfluss von verschiedenen Faktoren (wie Alter, Pflegegrad, kognitiver Zustand etc..) auf diesen Zusammenhang berechnen. Also z.B. in wiefern wirkt das Alter auf den Zusammenhang zwischen Var a) und b)? Oder anders gesagt; Welchen Einfluss hat eine unabhängige Variable auf eine Korrelation? Ist das mit SPSS überhaupt möglich? Was würden Sie mir für eine Lösung vorschlagen? Freundliche Grüße! Sophia
Hallo Sophia, das hört sich nach einer Interaktion/Moderation an, die du da rechnen müsstest. Allerdings muss da im Vorfeld klar sein, was die abhängige und was die unabhängige Variable ist. Bei einer Korrelation gibt es ja keine UV und AV. Da kann man allerdings für die Einfluss einer dritten, vierten usw. Variable kontrollieren. Das nennt sich partielle Korrelation. Da du von Zusammenhang sprichst, würde ich eine Regression mit Interaktion für sinnvoll halten - je nachdem, wie die konkrete Hypothese ist. VIele Grüße, Björn.
Hallo Björn! Erstmal vielen Dank für alle tolle Videos, die du postest! Sie helfen mir ungemein mit meiner Masterthesis. Ich habe allerdings eine Frage bezüglich des adj. R². Ich verstehe, was das R² ist und was der Unterschied zum adj. R² ist. Was ich allerdings nicht verstehe, ist, wie genau man das adj. R² als Modellgütekriterium interpretieren soll? Ich habe online eine Tabelle mit Faustregeln nach Cohen (1988) gefunden: geringe / schwache Varianzaufklärung |R²| = .02 mittlere / moderate Varianzaufklärung |R²| = .13 hohe / starke Varianzaufklärung |R²| = .26 Dazu wurde geschrieben, dass man die Tabelle auch für das adj. R² verwenden kann. Aber stimmt das wirklich? Ich habe eine multiple Regression mit Backwards Elimination durchgeführt. Insgesamt habe ich 17 Modelle bekommen. Die R-Werte für das Modell, das alle 21 Items enthält, sehen so aus: R = .701 R² = .491 adj. R² = .385 SE = .679 Und das ist das Modell, mit dem höchsten adj. R² (nur 7 Items übrig): R = .686 R² = .470 adj. R² = .438 SE = .649 Laut den Faustregeln würden beide Modelle eine hohe / starke Varianzaufklärung haben (nicht nur basiert auf R², sondern auch auf das adj. R²)? Stimmt das wirklich oder gibt es eine andere Weise, das adj. R² zu interpretieren? Ich war eher mit dem Eindruck, dass meine Ergebnisse nicht so toll sind. Und falls sie tatsächlich gut sind, lohnt es sich wirklich, das kleinere Modell zu verwenden, weil er "ein bisschen besser" ist? Vielen Dank für deine Antwort im Voraus, Maya P.S. Ich weiß, dass es sich bei Cohen's Tabelle um Behavioral sciences handelt. Meine Masterarbeit ist in Psychologie, also passt das schon. :) P.P.S. Aus irgendeinem Grund wurde mein Kommentar 10 Mal nacheinander publiziert. Ich hab den Rest gelöscht und entschuldige mich, falls du deswegen ne Menge an Benachrichtigungen bekommen hast.
Hallo Maya, ich versuche mal kurz auf deine Fragen einzugehen. Das adjustierte R² erlaubt dir einen unverzerrten Vergleich des Modellfits über verschiedene Modelle. In deinem Falle ist die Varianzaufklärung der AV (durch R² angezeigt) bei beiden Modellen recht ähnlich. In deiner Fachrichtung sollte dies schon als recht gut bis sehr gut gelten - das würde ich auch von Vergleichsstudien abhängig machen, wozu logischerweise aber das adjustierte R² heranziehen solltest. Ich persönlich bin kein Freund davon schrittweise Regression zu rechnen, da sich durch Aufnahme und Ausschluss von Variablen die Signifikanzen z.T. stark ändern. Ich halte es daher nur für angebracht ein Modell zu testen - das theoretisch fundierte und hergeleitete Modell, bei dem alle Variablen gleichzeitig auf ihren Einfluss hin auf die AV getestet werden. Bei 21 Variablen würde ich allerdings schon fast von einem überspezifizierten Modell ausgehen, wo einige Probleme wahrscheinlicher existieren könnten, am ehesten z.B. Multikollinearität. Darauf sollte man achten. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Vielen Dank! Es geht um einen in einem Unternehmen entwickelten Test, für den es noch keine Vergleichsstudien gibt. Aber deine Antwort hat mich schon weiter gebracht. Vielen Dank nochmals!
Danke schön!! Dess war sehr wertvolle presentation. Frage: wenn ich zum Beispiel ,, factors affacting Marrage (y) depends on many actions of man & actions of women . This means independent variables in both cases are varieous. Threrfore, do we need 2 Multivariate lineare regression Analysis ?? ( 1 equatio for Men and for women??) Or can we take all factors in Aggregate?? if Y= lange Marage= 1 ? Or what do you think ??? Liebe Grüsse Ez
Nachdem ich schon mal gute Hilfe hier bekommen habe (vielen Dank dafür) noch eine Frage: Im Rahmen einer Studie wurden latente multivariate Regressionsanalysen durchgeführt. Die Modelle beinhalten jeweils eine AV und mehrere UVs, alle latent modelliert, mit jeweils mehreren Items als manifesten Variablen. Angegeben wurde dann eine Tabelle, in der die AVs jeweils oben stehen und die UVs darunter, also für jede AV ein Modell. Bei jedem Modell sind Fit-Indices angegeben. Der Einfluss der einzelnen UVs wurde in standardisierten Betas angegeben. Ich kenne dieses VOrgehen leider gar nicht und muss einen Vortrag darüber halten. Also handelt es sich deshalb nicht um ein lineares Strukturgleichungsmodell, weil man dabei eigentlich nicht von einer AV und vielen UVs ausgeht? Ansonsten sind es doch im Grunde welche, oder? Außerdem: Die Betas darf ich dann nur so interpretieren, dass sie mir die Größe des Einflusses der UV in dem jeweiligen Modell im Vergleich zu den anderen UVs angibt, oder? Und anhand der Fit-Indices kann ich sehen, ob eine Passung vorliegt. Diese sind mehr oder weniger gut (TLI z.B. oft nur bei .88). Und generell kann es ja immer Modelle geben, die noch besser passen, also in dem Fall Modelle, die mehr der Varianz der AV aufklären, richtig? Oder was hieße das in dem Fall? Ich wäre super dankbar, ein bisschen Hilfe zu bekommen!
Hallo Rieke und danke für die lobenden Worte! Wenn du mehrere Modelle hast, die jeweils nur eine AV haben (unabhängig davon, ob mit latenten Konstrukten oder nicht), sind das keine Strukturgleichungsmodelle. Jene haben meist mehr als eine AV bzw. AV's können auch wiederum UV's sein. Die standardisierten Betas geben dir an, wie stark die jeweilige UV auf die AV wirkt und ermöglicht dir den direkten Vergleich zwischen den UV. Wenn du eine Aussage derart treffen willst, wenn ich UV1 um eine Einheit erhöhe, dann erhöht sich die AV um xyz Einheiten, musst du zwingend die unstandardisierten Betas nehmen. Der Fit-Index, also das R² gibt dir die Passung bzw. Varianzaufklärung der AV an. Je größer, desto besser. Hast du mehr als eine UV, solltest du als Fit-Index jedoch das korrigierte R² nehmen - das normale R² wird bei mehreren UV automatisch größer und ist damit verzerrt. Es gibt immer Modelle, die besser passen könn(t)en. Von daher sollten Studien, die aufeinander aufbauen, idealerweise auch bessere Fit-Indizes haben. Das muss aber nicht sein und kann verschiedenste Gründe haben - meist ist es die Stichprobe (Größe, Auswahl,...). Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Noch eine Frage: Trotzdem leuchtet mir immer noch nicht so ganz ein, warum und wie die UVs latent modelliert wurden. Könntest du mir das noch kurz erläutern?
@@riekefischer2040 Hallo Rieke, das hängt vom jeweiligen Konstrukt ab, also was du messen möchtest. Zum Beispiel: Intelligenz kann man nicht einfach mit einer Waage wiegen oder einem Maßband messen. Man versucht sich dem anzunähern, indem man verschiedene Teilaspekte von Intelligenz erfragt/abprüft und diesen (bei hinreichender Validität) dann unterstellt, das sie Intelligenz repräsentieren. Viele Grüße, Björn.
Hallo Björn, ist eine multiple Regression auch dann möglich, wenn sowohl die abhängige Variable ordinal ist, als auch die unabhängigen Variablen? Wenn ja ist die Vorgehensweise in SPSS die Gleiche und muss man bei der Auswertung der Daten gewisse Besonderheiten beachten?
Hallo, eigentlich musst du bei einer ordinalen AV eine ordinale Regression rechnen, es sei denn, man bekommt irgendwie hin argumentiert, dass es sich um zwar theoretisch ordinale aber dann doch quasi-metrische Variablen handelt. Das machen Psychologen ab und an ganz gerne, dass sie Likert-skalierte Items als quasi-metrisch ansehen - um eine lineare Regression rechnen zu können. Das Skalenniveau der UV ist jedoch bei sämtlichen Regressionen vollkommen egal. Viele Grüße, Björn.
Ich habe mal eine Frage: Habe ich etwas falsch gemacht, wenn mein unstandardisiertes b und mein standardisierter Regressionskoeffizient beta exakt die gleichen Werte haben? Kann dies durch die z-Transformation meiner Werte kommen (da Standardabweichung dann ja 1) oder habe ich etwas falsch gemacht? Vielen Dank und liebe Grüße!
Hallo Carmelina, die z-Transformation ist exakt das, was zu standardisierten Koeffizienten führt. Daher sind die Werte für b und beta bei dir identisch. Viele Grüße, Björn.
Hallo Björn, vielen Dank für deine verständlichen Erklärungen! Eine Information fehlt mir allerdings noch, die des f². Dies soll ich lt. meinem Betreuer auch angeben. Wie berechne und interpretiere ich diesen Wert in SPSS? Danke für deine Hilfe!
Hallo und danke für dein Lob! f² berechnet man mittels R²/(1-R²). Die Größenklassen sind 0,02; 0,15 und 0,35. Cohen, J. (1992). A power primer. Psychological bulletin, 112(1), S. 157. Viele Grüße, Björn.
Hallo Björn, wie sieht es aus, wenn ich mehrere abhängige Variablen habe? Muss man diese Variablen zuvor mit Cronbachs Alpha messen, sodass man am Ende eine abhängige Variable hat, die dann in der Regression verwendet werden kann? Grüße
Hallo Ben, wenn du Items meist, die du zu einer Skala zusammenfasst, dann prüfst du mit Cronbachs Alpha die interne Konsistenz (Reliabilität). Es ist nicht unbedingt Bierbier, wird aber meist getan. Bei hinreichend validen Skalen vergleicht man die eigene Reliabilität mit jener der Autoren. Wenn du meinst, das du mehrere Skalen hast, kannst du übergreifend kein Cronbachs Alpha ermitteln. Viele Grüße, Björn.
Hallo Björn, danke für die tollen Videos. Ich habe noch eine Frage zur Konstante... Mein Ziel war es, mittels Regression eine Formel zu erstellen, die mir die abhängige Variable voraussagt. allerdings ist meine Konstante leider nicht sigknifikant. Was bedeutet das für meine Formel? Muss ich alles komplett verwerfen?
Hallo Franzi, danke für dein Lob! Die Konstante kannst du, wie auch die Koeffizienten, unabhängig der Signifikanz in eine Regressionsgleichung aufnehmen. Die Formel dient dir der Prognose der y-Werte, wobei die Signifikanz keine Rolle spielt. Viele Grüße, Björn.
Tolles Video! Gibt es eigentlich in der Literatur eine Faustregel bzgl. der unabhängigen Variablenanzahl? Ich meine gelesen zu haben, dass die Anzahl der Var. mit der Stichprobengröße zusammenhängt.
Hallo. Wenn ich die Ergebnisse einer Regressionsanalyse berichten will (4 Modelle, 12 Hypothesen), in welcher Reihenfolge ginge man da am besten vor? Würde man die Reihenfolge nach Modell 1-4 abarbeiten + die jeweiligen Hypothesen dazu berichten ODER sich eher nach Reihenfolge der Hypothesen orientieren, diese von 1-12 berichten und dann dazu stets das jeweilige Modell erwähnen? In Studien habe ich es unterschiedlich gesehen, es soll ja nicht redundant oder chaotisch sein. Danke
Hallo, ich würde zu ersterem tendieren. Das Modell und dessen Ergebnisse präsentieren und die Hypothesen, die zu dem Modell gehören, . Am Ende des Ergebnisteils kann auch eine Übersichtstabelle einfließen, die H1-H12 durchnummeriert hat und das Ergebnis der Hypothesenprüfung. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hey Björn, vielen Dank für die Antwort. Macht es ggf. umgekehrt eher Sinn, wenn diese 12 Hypothesen jeweils in 3 Themenblöcke gebündelt werden (es gehören immer 4 Hypothesen von a-d zu einer spezifischen UV, die allesamt stets Wirkungen auf AV 1 und AV 2 postulieren - je "Hypothesenblock"). Wäre es in diesem Fall ggf. verwirrender die Reihenfolge des Berichtens an der Reihenfolge der Modelle zu berichten (wie du vorschlägst)? Oder würde man hier dennoch standardmäßig besser so vorgehen (wie du sagst). Habe auch Studien gesehen, die erst eine ausführliche Modellbeschreibung darlegen, dann alle Hypothesen (aufsteigende Nummerierung) berichten - oder erst die Modelle (aufsteigende Nummerierung) + dazugehörige Hypothesen, seufz :/ Gar nicht so einfach, finde ich da nichts falsch zu machen
Hallo Björn, entschuldige, hätte noch eine Frage: Wenn man die Moderation im PROCESS rechnet, muss man dann extra noch im normalen SPSS die 7 Regressionsannahmen (Homoskedastizität, Autokorrelation ...) Bereichnen oder macht das PROCESS irgendwie automatisch bzw ist nicht nötig durch einen bestimmten Grund? Danke für die tolle Hilfe
Hallo Nora, das lässt sich recht schnell mit einem einfachen Ja beantworten. Am wichtigsten sind metrische und normalverteilte y-Variable und für die Residuen Homoskedastizität, ebenfalls Normalverteilung und keine Autokorrelation. Viele Grüße, Björn.
Hallo Björn, zu diesem Thema hätte ich direkt auch nochmal eine Frage. Es wurde ja in den Kommentaren schon häufiger diskutiert, dass sich bei der multiplen Regression die Werte für einzelne Prädiktoren im Vergleich zur einfachen linearen Regression verändern. Das ist auch bei mir der Fall, wenn ich einzelne Regressionen rechne, werden viele Prädiktoren signifikant, das Gesamtmodell jedoch nicht (auch nicht die einzelnen Prädiktoren im Gesamtmodell). Jetzt frage ich mich grade, ob es überhaupt zulässig ist, erst die einzelnen Regressionen zu rechnen und zu berichten, dass eine signifikante Vorhersage des Kriteriums möglich ist und erst danach eine multiple Regression zu machen oder ob man bei mehreren Prädiktoren immer direkt eine multiple Regression rechnen muss, um methodisch sauber zu sein? Ganz ganz lieben Dank für deine Hilfe!
Hallo Merle, genau zu dieser und den bereits gestellten Fragen kommt direkt morgen ein Video. Um es direkt zu sagen. Wenn man die Vermutung hat, das mehrere UV auf eine AV wirken, sollte man IMMER alle UV gleichzeitig im Modell haben. Das ist die einzig saubere Möglichkeit. Viele Grüße, Björn.
Ich habe eine Frage zum allerletzten Schritt. Kann die Berechnung der einzelnen Werte, die sich aus der aufgestellten Regregressionsgleichung ergeben mit SPSS berechnet werden? Ich möchte eine Prognose erstellen.
Eine Frage: Wenn du die lineare Regression jetzt einzeln mit der Größe und einzeln mit dem Gewicht machen würdest, dann würdest du auch andere Regressionskoeffizienten erhalten, oder? Zumindest ist das bei meinen Daten der Fall. Woran liegt das genau? Danke dir! :)
Hallo, die Gewichte müsen sich ja ändern, weil du ja jetzt ein anderes Regressionsmodell rechnest - mit eben zwei Einflussfaktoren. Diese zwei UV sind in der Realität fast immer irgendwie miteinander korreliert, weswegen sich dere Gewichte im Vergleich mit ihrere einzelnen Rechnung im multiplen Regressionsmodell verglichen mit dem einfachen ändern müssen. Viele Grüße, Björn.
Hallo Bjoern, sehr gutes Video! Vielen Dank. Ich habe jedoch eine Frage, für meine Bachelorarbeit habe ich eine multiple hierarchische Regresssion gerechnen mit n=329. Ich habe 5 Modelle und keinerlei signifikante Ergebnisse für die Regressionskoeffizienten. Ich habe ein R² von 0.03 im 1. Modell mit Kontrollvariablen und in den Modellen mit den unabh. Variablen 0.04. Mein korrigiertes R² ist jedoch -0.002 und sind sogar noch auf -0.004 in Modell 5. Mir ist leider nicht ganz klar was mir das sagt? Zudem habe ich F-Werte die alle circa 0.95 sind und nicht signifikant. Wie kann ich das interpretieren? Wäre dir sehr Dankbar für deine Hilfe!
Hallo Josepha, wie sieht denn deine ANOVA-Signifikanz aus? Ich habe das Gefühl, dass dein Modell keinen Erklärungsbeitrag liefert und du wohl keine weiteren Interpretationen vornehmen kannst. Kann das sein? Viele Grüße, Björn.
Statistik am PC Hallo Bjoern, Vielen Dank für deine Antwort! Ja leider kam bei der Anova auch keine Signifikanz raus. Bloß was schreibt man dann, das Modell bietet keine Varianzaufklärung der abhängigen Variable? VG
Moin Meister! Welche Gründe kann es haben, wenn mein Gesamtmodell nicht signifikant ist? Und was kann ich dann tun? Wurde eventuell eine der Voraussetzungen verletzt?! Danke und beste Grüße!
Hallo, mein Tipp wäre, dass die Linearität ein Problem darstellt, weil die F-Statistik ja diese "repräsentiert". Schau dir mal ein paar Streudiagramme an, ob es ansatzweise lineare Zusammenhänge zwischen deinen UV und deiner AV gibt. Wo es keine ansatzweise Linearität gibt, wäre für mich ein Ausschlussgrund - neben der theoretischen Begründung. Lineare Modelle approximieren zwar auch nichtlineare Zusammenhänge relativ gut, aber auch da gibt es Grenzen und manchmal wird ein Modell auch einfach nicht "funktionieren". Viele Grüße, Björn.
Hey Björn, ich hätte noch eine Frage bezüglich der Multiplen Regression, was auch für andere bestimmt hifreich sein könnte. Es wäre mega lieb, wenn Du darauf antworten könntest:) Und zwar habe ich bei meiner Multiplen Regression den Einfluss von den unabhängigen Variablen "Bildungsstatus" (ordinales Merkmal) und "Beziehungsstatus" (nominales Merkmal mit drei Ausprägungen) auf die metrische abhängige Variable "wöchentliche Spielstundenanzahl" gemessen gehabt. I. Das ordinalen Merkmal wurde von 1 bis 7 kodiert, also je höher der Bildungsstatus, desto höher auch die kodierte Zahl. Wenn nun beim ersten Regressionskoeffizienten Beta z.B. -0,5 herauskommt und es auch mit p Mit höherem Bildungsstatus verringert sich auch die wöchentliche Spielzeit oder? II. Der Beziehungsstatus (single, in einer Beziehung oder verheiratet) wurde mit den Dummy-Variablen (0 &1) kodiert und das Singledasein als Referenzgruppe nicht in die Regressionsanalyse aufgenommen. Wenn beim ersten Regressions-Koeffizienten "in einer Beziehung" +0,7 steht und beim "verheiratet" +0,2 und das jeweils auch mit p
Hallo Ilia, bei I ein klares ja. Ich würde mich aufgrund der Kodierung aber vor allzu quantitativen Aussagen hüten. Ich würde auf Basis deiner Ergebnis qualitativ argumentieren und nicht von konkreten Zahlen sprechen. Hier aber mit 6 Dummies zu arbeiten wäre Overkill. Bei II kannst du am Koeffizient ablesen, wie stark er im Vergleich zur Baseline auf die AV wirkt. Bei in einer Beziehung ist das mit 0,7 offensichtlich stärker als bei verheiratet mit 0,2. Standardisierte Koeffizienten braucht es beim Vergleich zweier Variablen mit identischem Wertebereich nicht. Ich würde im übrigen auch lieber mit einer ANOVA rechnen und da die 3 Gruppen vergleichen. Wenn du weitere Einflussvariablen hast, dann gerne auch eine ANCOVA. Die Effektstärke bei post-hoc noch dazu und dann soltle das auch reichen. Den Paypallink findest du im RU-vid-Kanalprofil. ;-) Viele Grüße, Björn.
Hallo Björn #statistikampc, ich bin noch etwas irritiert was b und beta angeht: In der Tabelle werden die Werte klar voneinander unterscheiden. Die Regressionsgleichung bezieht sich auf beta, hier setzt du jedoch die b-Werte ein. Wie ist dies zu erklären? Mir fehlt noch eine klare Differenzierung, wann man was von beiden in der Regressionsgleichung einsetzt. Danke schon mal vorab für die Hilfe! Liebe Grüße Christina:)
Hallo Christina, b und Beta werden leider generell sehr lose verwendet. In die Regressionsgerade/-gleichung werden zu Zwecken der Prognose immer die unstandardisierten Koeffizienten (1. Spalte) eingesetzt. Die standardisierten Koeffizienten werden hingegen nur zum Vergleich der Stärke des Einflusses bei signifikanten ordinalen und metrischen Variablen verwendet. Viele Grüße, Björn.
