Erstmal vielen Dank für das hilfreiche Video!! Eine Frage dazu - es ändern sich ja die p-Werte für die einzelnen Regressionskoeffizienten. Muss ich auch die Berechnung der Signifikanz des Gesamtmodells robust rechnen? Oder bleibt der p-Wert dort quasi bestehen? Vielen Dank schonmal im Voraus, das würde mir sehr weiterhelfen 🙏🙏🙏
Hi, vielleicht ein hilfreicher Tipp: wenn man das package "jtools" installiert, dann kann man mit dem Befehl "summ" statt des Standard "summary" den output deutlich schöner darstellen lassen UND man kann zB mit dem Befehl "robust=..." sich die verschiedenen robusten Schätzer geben lassen, bzw diese werden dann direkt im Output bei der Darstellung verwedent. Weitere Modifikationen des summ Befehls sind sich die CIs ausgeben lassen, VIF Werte, Zentrierung der Prädiktoren, wenn gewünscht etc. Dh alles was man sich sonst mühsam zusammensuchen musste kann man hier in einem Befehl bekommen. Sehr praktisch. Zudem gibt es schöne Möglichkeiten zum plotten der Regressionkoeffizienten inkl CI mit plot_summ. Dort kann man auch sehen, wie sich die Koeffizienten bei verschiedenen (genesteten) MOdellen verändern. Schau mal rein.
Gutes Video. Kannst du bitte noch das Ganze auch für den Fall von heteroskedastizität-autokorrelations-konsistente Varianz-Kovarianzmatrix erklären. Das Objekt in das ich meine Regression gemacht habe ist R1. Muss man da alles analog machen und tauscht nur vcov=vcovHC gegen vcov=vcovHAC aus?? Also coeftest(R1,vcov=vcovHAC(R1)). Ist hier auch HC3 als Voreinstellung eingestellt oder gibt es da mehr zu beachten?
Vielen Dank! Dein Video war schonmal sehr hilfreich! Ich ersetze wirklich nur die Koeffiziententabelle und kann die Gütemaße und F-Statistik beibehalten? Oder muss ich den F-Test und das Gütemaß auch neu berechnen wenn ich von Heteroskedastizität ausgehe?
Hallo, ja, du ersetzt sogar nur die Standardfehler, t-Werte und p-Werte. Die Koeffizienten bleiben auch identisch, nebst F-Test und Güßtemaße. Viele Grüße, Björn.
Hallo Björn, vielen Dank für dieses hilfreiche Video. kann es auch sein, dass durch das Rechnen mit robusten Standartfehler der p-Wert kleiner wird? Also kann dieser in beide Richtungen verzerrt sein? Schöne Grüße
Hallo Clara, genau, der p-Wert kann sowohl zu klein als auch zu groß sein, wenn die Standardfehler (SE) verzerrt sind. Die SE sind ja potenziell auch zu klein oder zu groß, auf denen alles weitere dann aufbaut. Viele Grüße, Björn.
Wirklich super erklärt, danke! Was ich mich gerade frage ist, wie man am besten die Robusten standart errors in die ursprüngliche summary Tabelle bekommt. Gibt es da einen Trick oder würdest du diese Werte einfach später mit dem Summary output irgendwie mergen? LG
Edit: Nicht ganz die Lösung aber vielleicht für den ein oder anderen interssant. Über den tidy Befehl des Broom packages bekommt man eine schön aufgeräumte Darstellung der robusten Werte und kann diese (falls nötig) einfach in Excel etc. exportieren :)
Hallo Paul, ja, ein guter Hinweis. plm hat mich auch viele Jahre verfolgt und gefühlt war ich der einzige in der ganzen Uni, der damit gerechnet hat. Alle anderen haben für ihre Paneldaten OLS-Modelle geschätzt. 0_o. Viele Grüße, Björn.
Ist es möglich die robusten Standardfehler auch direkt in der Regressionsfunktion „lm“ anzuwenden? Da ich meine Regressionsergebnisse mit der Funktion apa.reg.table exportieren lasse habe ich Probleme bei der Darstellung der Regressionen mit robusten Standardfehlern. Gibt es sonst auch alternativ einen guten Weg diese zu exportieren?
Hallo Björn, brauche mal Hilfe… Ich wollte das ganze auch für die Mediation und den Moderator machen. Aber da muss man ja (beim Mediator) auch noch den Pfad A bzw. B Berechnen. Kann ich diese Modelle dann auch einfach da eingeben mit coeftest?
bei mir ist genau das Gegenteil eingetroffen. (Standardfehler sind geringer geworden, T-Werte sind größer geworden) die P-Werte sind unverändert. (Analyse BTC Preis ~ hashrate + Marktkapitalisierung)
Danke für das Video. Leider komme ich an einer Stelle nicht weiter. Wenn ich die Zeile 7 so eingebe bei mir, dann erhalte ich bei den p-Werten immer NaN. Was mache ich falsch?
@@StatistikamPC_BjoernWalther Hallo Björn! Danke für deine Antwort. Ich habe einfach mal probiert, den von dir vorgeschlagenen Code mit meinem Modell zu versehen. Das funktioniert bei anderen Modellen in meinen Berechnungen auch hervorragend. Nur in diesem funktioniert es nicht. Das Modell enthält 2 UV und die Interaktion dieser UV auf eine AV. Im korrigierten Modell erhalte ich die Estimates so, wie ich sie im unkorrigierten Modell erhalte. Bei Std.Error, t-value und p erhalte ich NaN. Vielleicht funktioniert es ja besser, wenn ich das mit der von Inexorablehorror rechne. Aber ich weiß nicht, wie ich den "summ"-Befehl mit "robust =" kombinieren soll. Viele Grüße, Janett
Hallo Kristoffer, danke! Du arbeitest in der Art weiter, dass du Standardfehler, t-Werte und p-Werte in deiner Koeffiziententabelle verwendest, weil die aus der ursprünglichen Regression ja verzerrt sind. Die Koeffizienten bleiben ja wie gezeigt identisch. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Danke für das Video! Wie kann ich anschließend mit den nun robusteren Standardfehlern einen Breusch-Pagan Test durchführen um auf Heteroskedastizität zu testen? Oder reicht hier der Vergleich der Estimates der neuen Kovarianzmatrix mit der alten (ohne robuste Standardfehler) und wenn diese gleich sind, ist von Homoskedastizität auszugehen, ansonsten weiterhin von Herteroskedastizität. So geht es für mich aus dem Abstract bei White (1980) hervor: "By comparing the elements of the new estimator to those of the usual covariance estimator, one obtains a direct test for heteroskedasticity, since in the absence of heteroskedasticity, the two estimators will be approximately equal, but will generally diverge otherwise." LG Karola
Hallo, Heteroskedastizität sorgt für verzerrte Standardfehler. Man behebt das mit robusten Standardfehlern. Die Modellschätzung und damit die Residuen bleiben hierbei aber gänzlich unverändert, weswegen die Prüfung auf Heteroskedastizität auch unverändert bleiben muss. Viele Grüße, Björn.
das heißt wenn ich heteroskedastizität vorliegen habe und mit robusten Standardfehlern rechne, sind die p Werte nicht mehr verzerrt und ich kann signifikante Variablen trotzdem im Modell lassen? Verstehe das nicht so ganz... @@StatistikamPC_BjoernWalther