Multiple lineare Regression in SPSS rechnen und interpretieren

[@NewLeafPony]

Mehr verstanden als in 90 Minuten Vorlesung, vielen Dank!

[@dariakumpf391]

danke für die ganzen super SPSS Videos, meine Rettung, so gut verständlich und nachvollziehbar erklärt ! Großes Lob !!!!

[@StatistikamPC_BjoernWalther]

Danke für das Lob! Freut mich, wenn sie helfen. :-) Viel Erfolg weiterhin und viele Grüße! Björn

[@mrsbuena9937]

Unter anderem dank deines Kanals habe ich meine BA sehr gut bestanden. 😄👍

[@FilmscoreMetaler]

Perfekt erklärt, besser gehts nicht. DANKE!

[@Alex00300]

überragendes Video, so bekomme selbst ich das gebacken!

[@StatistikamPC_BjoernWalther]

Freut mich, dass es dir hilft. Viel Spaß mit den weiteren Videos auf dem Kanal!

[@Alex00300]

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?

[@Alex00300]

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

[@StatistikamPC_BjoernWalther]

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.

[@StatistikamPC_BjoernWalther]

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.

[@emiliawaltz8872]

Vielen herzlichen Dank für diese Erläuterungen, wahnsinnig hilfreich !

[@StatistikamPC_BjoernWalther]

Immer gerne, Emilia! :-) Viel Erfolg weiterhin und viele Grüße, Björn.

[@SeDilaraa]

Ich bin eine Niete in Statistik, das hat mir so mega weitergeholfen, danke!

[@StatistikamPC_BjoernWalther]

Hallo Sedilaraa, freut mich, wenn du ab jetzt zum Statistik-Hero wirst. ;-) Viele Grüße, Björn.

[@laureen7630]

Ich habe diese Woche meine Statistik Klausur, deine Videos sind die Rettung! :D Habe so viel mehr verstanden als in der VL

[@StatistikamPC_BjoernWalther]

Das freut mich! Hoffentlich bist du mit deinem Ergebnis zufrieden! :-) Viele Grüße, Björn.

[@lynncunningham1290]

Vielen Dank für die super Erklärung, hat mir sehr weitergeholfen!

[@lynncunningham1290]

Hast du auch Videos oder Tipps zu Multilevel/HLM Regressionen?

[@jasminpicker7952]

Hallo. Finde alle deine Erklärungen zu Statistik super :)

[@lukastrayser5586]

du bist der beste, danke für die gute Hilfe

[@Mimo-mi9lc]

Vielen Dank für die klare Erklärung ❤

[@charlotteniehaus3950]

Hammer video!! Danke danke danke

[@Mr_Freak_X]

DU BIST EIN GOTT!! DANKEEEEE

[@StatistikamPC_BjoernWalther]

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.

[@laura1148]

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 =)

[@StatistikamPC_BjoernWalther]

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.

[@laura1148]

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 :)

[@StatistikamPC_BjoernWalther]

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.

[@laura1148]

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:)

[@wildtree227]

Vielen Dank! Wesentlich besser und einfacher erklärt als mein Prof!

[@StatistikamPC_BjoernWalther]

Danke für das Lob! Nicht jeder Prof. ist Didakt, habe ich im Studium auch gemerkt. ;-) Viele Grüße, Björn.

[@hannahh367]

Was, wenn ich eine hierarchische Regressionsanalyse durchgeführt habe und eine Variable im ersten Modell kein signifikanter Prädiktor ist und im zweiten schon? Darf ich den Prädiktor dann als signifikant ansehen?

[@HPM866]

Hallo zusammen, ich bräuchte mal kurz Hilfe. In meinem Fragebogen habe ich zur Messung von zwei Konstrukten einmal eine 7 stufige Likert Skala und einmal eine 6 stufige Likert Skala verwendet. Wenn ich jetzt eine Regression durchführen will, muss ich dann die 7 stufige Likert Skala irgendwie auf eine 6 stufige Likert Skala transformieren und geht sowas mit SPSS? Danke für eure Hilfe!

[@classicsound90]

Multiple lineare Regression mit R wäre super. Hammer Videos!

[@StatistikamPC_BjoernWalther]

Danke für dein Lob! Multiple Regression in R kommt in jedem Fall. Dauert nur noch ein kleines bisschen. Viele Grüße, Björn.

[@classicsound90]

@@StatistikamPC_BjoernWalther bis dahin ist es zu spät 😂

[@hr-marketingtine4708]

Hallo Björn, ich habe eine Frage: Bei meiner Arbeit ist nicht einmal der Siginifianzwert in der ANOVA signifikant - d.h er ist über 0,05. Was bedeutet dies? Wie muss ich nun in meiner Arbeit vorgehen?

[@StatistikamPC_BjoernWalther]

Hallo, in dem Falle heißt das, dass dein Modell keinen signifikanten Erklärungsbeitrag für die abhängige Variable leistet. Das ist meist ein Hinweis auf entweder nicht hinreichende Linearität oder schlicht einen nicht existierenden Effekt. Bitte schau auch noch mal in das vor kurzem veröffentlichte Video zu Gründen für Nichtsignifikanz von Ergebnissen. Viele Grüße, Björn.

[@hari9743]

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!

[@CarmelinaHermann]

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!

[@StatistikamPC_BjoernWalther]

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.

[@NinaC812]

Wie bekomme ich das denn für zwei Gruppen hin? Also beispielsweise den Einfluss von Gewicht und Größe auf die Sportnote für Gruppe A „Mädchen“ und Gruppe B „Jungen“? Mit meinen beiden Medikamentengruppen bekomme ich das einfach nicht hin, immer werden Fehlermeldungen angegeben :(

[@strangepitynew]

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!

[@MrLina1709]

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) ?

[@StatistikamPC_BjoernWalther]

Hallo, du schaust dir dafür die standardisierten Koeffizienten an, sofern sie mindestens ordinal skaliert sind. Viele Grüße, Björn.

[@legacynn4540]

Super Video, hat mir sehr geholfen!

[@StatistikamPC_BjoernWalther]

Freut mich, wenn ich helfen konnte! :-) Viele Erfolg weiterhin! Viele Grüße, Björn.

[@anuschkam7207]

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.

[@demogorgonjo276]

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 :)

[@lisabara623]

wenn die koeffizienten nicht signifikant sind, heißt es dann automatisch dass der Prädiktor nicht die AV erklären kann?

[@Lina2396]

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! :-)

[@andi-gz4cm]

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

[@StatistikamPC_BjoernWalther]

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.

[@yassink.973]

Vielen vielen Dank. Ich habe eine Frage, was kann ich tun, wenn man keine Normalverteilung hat

[@bentd9334]

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

[@StatistikamPC_BjoernWalther]

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.

[@apfelschorle5400]

Wenn eine der variablen nicht signifikant ist, soll man sie dennoch in die regressionsgleichung mit aufnehmen oder weglassen?

[@majacujaaa]

Hey Björn, was bedeutet die Konstante bzw. wird dessen Wert nie interpretiert? Ich rechne mit mehreren Modellen und habe bei der ANOVA Tabelle für jedes Modell signifikante Werte, aber wenn ich mir die Koeffizienten Tabelle anschaue, war nur eine Variable aus einem Modell signifikant, was mich etwas stutzig macht. Danke im Voraus und liebe Grüße! :)

[@StatistikamPC_BjoernWalther]

Hallo Maja, die Konstante ist der Achsenabschnitt bei der einfachen Regression bzw. bei der multiplen Regression der Wert, wenn alle Variablen die Ausprägung 0 haben. Man verwendet sie eigentlich nur zu Prognose, wie bei 8:15 gezeigt. Im Beispiel wäre für eine Person mit 0kg und 0m Größe die Sportnote 8,443. Das macht natürlich in sehr vielen Anwendungsfällen keinen Sinn, da es weder eine solche Person gibt, noch eine solche Sportnote. Es gibt sicher Modelle, wo eine Konstante inhaltlich sinnvoll interpretierbar ist, aber zumeist nur, wenn es bei den Variablen ein natürliches Minimum von 0 gibt. Viele Grüße, Björn.

[@henningrenken1003]

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?

[@StatistikamPC_BjoernWalther]

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.

[@henningrenken1003]

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.

[@henningrenken1003]

Die Stichprobe sind 93 Probanden, für einzelne Experimentalgruppen knapp über 30 Probanden

[@StatistikamPC_BjoernWalther]

Hallo Henning, bei bivariater statt multivariater Auswertung kommst du aber mitunter zu falschen Schlüssen: kzbin.info/www/bejne/jIKuc3h8fbGqbMk Viele Grüße, Björn.

[@Sandy-vm7nn]

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?

[@StatistikamPC_BjoernWalther]

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.

[@Sandy-vm7nn]

@@StatistikamPC_BjoernWalther Vielen lieben Dank!

[@mittelfeld-magier3475]

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!

[@StatistikamPC_BjoernWalther]

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.

[@IIteza]

Kann ich bei den Ergebnissen auch irgendwo sehen, wieviel % die jeweils unabhängige Variable zur Varianzaufklärung beiträgt? Also statt 40,7% (oder 63,8%? oder 38,3%?) für beide Variablen zusammen jeweils die % für Größe und Gewicht getrennt?

[@StatistikamPC_BjoernWalther]

Hallo Ilteza, das könnte man mit einer schrittweisen Regression am ehesten erkennen, obwohl ich davon generell kein Fan bin. Ansonsten reicht zumeist ein Blick auf die standardisierten Koeffizienten, wenn du nicht explizit die Verbesserung des R² durch Aufnahme einer weiteren UV sehen möchtest. Viele Grüße, Björn.

[@surferbois]

Noch eine Frage :D Wenn die Koeffiziententabelle für eine unabhängige Variable einen nicht signifikanten Wert (z.B. 0,1) aufweist und der Koeffezient aber relativ hoch ist - was sagt das dann aus? Sagt mir das, dass sich diese unabhängige Variable trotz des hohen Koeffizientenwertes nicht signifikant auswirkt? Dankeschön. Bei meinen Daten habe ich das Problem, dass sich die Varianz nicht zuordnen lässt, weil ältere und weibliche Teilnehmer in die gleiche Richtung tendieren, ältere Teilnehmer aber halt auch eher weiblich sind. Wird dieses Problem bei der linearen Regression eigentlich berücksichtigt?

[@StatistikamPC_BjoernWalther]

Hallo, also zu deiner ersten Frage gibt es eine neuerlich Diskussion, die man relativ kurz zusammenfassen kann. Es geht nicht allein um den p-Wert und dessen Signifikanz. Der Koeffizient beschreibt den Einfluss der UV auf die AV - vergleichbar aber nur mit den standardisierten Koeffizienten. Wenn das p>0,1 ist, ist der Einfluss des Koeffizienten in der Regression in der Regel nicht mehr als signifikant zu werten - die Größe des Koeffizienten ist dann egal. Das Verwerfungsniveau Alpha ist letztlich die Wahrscheinlichkeit, die richtige Nullhypothese fälschlicherweise abzulehnen (Fehler 1. Art). Du kannst erkennen, dass selbst 5% noch relativ hoch ist - in 5 von 100 Fällen begeht man einen Fehler. Dazu ein kurzer Artikel der American Stastician Association: "The ASA's Statement on p-Values: Context, Process and Purpose". Zu deiner zweiten Frage. In deinem Fall kann es sein, dass deine UV untereinander sehr stark korrelieren (Multikollinearität). kzbin.info/www/bejne/gmLVmad6nKeBoZY Das berücksichtigt die Regressionsanalyse nicht, das muss von dir ausgeschlossen werden. Im verlinkten Video gibt es einige Diagnose- und Lösungsmöglichkeiten. Viele Grüße, Björn.

[@exceptionnellle]

Super verständlich 😀

[@erdemugur7259]

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

[@StatistikamPC_BjoernWalther]

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" (kzbin.info/www/bejne/enWkh42eibiZZtk). 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.

[@erdemugur7259]

@@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

[@ninamathis1555]

@@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

[@lisavirkus4691]

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.

[@StatistikamPC_BjoernWalther]

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.

[@ThePc6000]

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:)

[@StatistikamPC_BjoernWalther]

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.

[@ThePc6000]

@@StatistikamPC_BjoernWalther Klasse, vielen Dank für die Antwort! Liebe Grüße, Christina

[@AnnaKolodziej-hm4dg]

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?

[@StatistikamPC_BjoernWalther]

Hallo, was ist denn deine Hypothese? Anhand der Hypothese kann erst die richtige Methode gewählt werden. Viele Grüße, Björn.

[@scssendling]

Hey, ich habe eine Frage. Meine abhängige Variable ist ordinal skaliert, kann ich dann trotzdem eine multiple lineare Regression durchführen wenn meine unabhängigen Variablen metrisch sind?

[@StatistikamPC_BjoernWalther]

Hallo Lukas, das Skalenniveau der UV spielt keine Rolle. Lediglich die AV sollte metrisch sein. Allerdings gibt es auch Argument für eine ordinal skalierte AV im Rahmen der linearen Regression. Das kommt häufig aus der Psychologie und wird damit begründet, dass im Fragebogen bei Likert-Skalen explizit mit Ziffern gearbeitet wird und somit für den Befragten dadurch (gleichmäßige) Abstände suggeriert werden, somit eine quasi-metrische Skala vorliegt und diese zur linearen Regressionsanalyse taugt. Viele Grüße, Björn.

[@iliabercov447]

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

[@StatistikamPC_BjoernWalther]

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 KZbin-Kanalprofil. ;-) Viele Grüße, Björn.

[@masterthesis9614]

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

[@Hanna-hs9ig]

Hallo, was ist der Fall, wenn meine Regression nicht signifikant wird ? (Also in der ANOVA Tabelle nicht signifikant). vielen Dank!

[@StatistikamPC_BjoernWalther]

Hallo Hanna, dann leistet dein Modell keinen Erklärungsbeitrag und sollte verworfen werden. Weitere Interpretationen können nicht vorgenommen werden. Viele Grüße, Björn.

[@Hanna-hs9ig]

@@StatistikamPC_BjoernWalther super, vielen Dank! Und wenn mein R2 gering ist (0,068)?

[@StatistikamPC_BjoernWalther]

@@Hanna-hs9ig Das sollte man bei nicht signifikanter ANOVA auch nicht interpretieren. Viele Grüße, Björn.

[@norah.8743]

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

[@StatistikamPC_BjoernWalther]

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.

[@annat773]

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

[@StatistikamPC_BjoernWalther]

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.

[@annat773]

@@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

[@romanpauck3453]

Moin moin, ich möchte gerne eine Pfadanalyse für mein SEM (AMOS) rechnen. Allerdings habe ich bei Breusch-Pagan gemerkt, dass es sich um heteroskedastische Daten handelt und bei der lineare Regression dementsprechend einen robusten Schätzer genommen. Gibt es etwas ähnliches für mein SEM ? Bzw. eine Alternative ? Grüße Roman

[@StatistikamPC_BjoernWalther]

Hallo Roman, zu SEM kann ich dir leider nichts genaueres sagen. Viele Grüße, Björn.

[@borntoruleftw]

Wo liegt der Unterschied zwischen der Signifikanz bei ANOVA und der Koeffizienten Tabelle? Ich bei bei einer multiple linearen Regression dass Ergebnis dass die Signifikanz bei Anova passt, allerdings nicht in der Koeffizienten Tabelle für eine einzelne unabhängige Variable. Dh. eine unabhängige Variable ist signifikant, die andere Nicht. Geht das?

[@StatistikamPC_BjoernWalther]

Hallo Felix, die ANOVA-Tabelle bzw. die Signifikanz in jener gibt dir lediglich an, ob das Modell, mit dem du die multiple lineare Regression rechnest, einen Erklärungsbeitrag leistet, also ob die Hinzunahme von erklärenden Variablen die Prognose der zu erklärenden Variable verbessert. Es kann dann aber natürlich immer noch vorkommen, dass in der Koeffiziententabelle einzelne oder auch alle Variablen nicht signifikant sind. Das ist vollkommen normal und kann neben technischen Gründen (z.B. Stichprobengröße, Operationalisierung) auch inhaltliche Gründe haben, wie eine schlicht zu geringe Einflussstärke der UV. Aus eigener Erfahrung sind häufig nicht mal die Hälfte der UV signifikant. Das gilt es dann natürlich aber zu diskutieren. Viele Grüße, Björn.

[@borntoruleftw]

Danke Björn! Super wie du hier vielen mit deinen Videos hilft, erstklassige Arbeit und much appreciated!

[@iliabercov447]

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!

[@StatistikamPC_BjoernWalther]

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.

[@vincentschulz5230]

Hey vielleicht kann mir hier einer oder eine helfen. Wenn ich eine mutliple lineare Regression mit vorher aus einer bestehnden Variable erstellten Dummy Variablen mache bsp. ich habe 4 Dummys für die Frage, wird ja eine von SPSS rausgenommen als Referenzkategorie oder? Das ist soweit ja auch super, aber wenn ich nun noch eine weitere Frage dazunehme die ich in dummys umkodiert habe bsp 3 Dummys, wird hier ja auch wieder eine rausgenommen. Ist die Referenzkategorie (bzw. die Konstante?!) dann eine Kombination aus beiden? bitte helft mir!

[@StatistikamPC_BjoernWalther]

Hallo Vincent, bei 3 Ausprägungen einer nominalen Variable braucht es 2 Dummies, um das ganze in einer multiplen linearen Regression darzustellen. Wenn beide Dummys 0 sind, ist das die Die erste ist die erste Ausprägung der Variable, und automatisch die Referenzkategorie. Ist der erste Dummy 1, ist das die zweite Ausprägung der Variable. Ist der zweite Dummy 2, ist das die dritte Ausprägung der Variable. Wenn über SPSS automatisch eine Dummy-Variable erstellst, werden dir für den eben beschriebenen Fall allerdings 3 Dummy-Variablen erstellt. Dummy 1 steht dann für die erste Ausprägung, Dummy 2 für die zweite und Dummy 3 für die dritte. Man kommt mit beiden Vorgehensweisen aber zu gleichen Regressionsergebnissen, letztere ist aber in meinen Augen einfacher zu interpretieren. Viele Grüße, Björn.

[@kokopanier1304]

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 :)

[@StatistikamPC_BjoernWalther]

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.

[@yesthisismew]

In meinem Skript steht, dass R die Korrelation zwischen den eigentlichen Werten (also Sportnote) und den durch die Regressionsgleichung vorhergesagten werden ist. Wie ist das genau zu verstehen?

[@StatistikamPC_BjoernWalther]

Hallo yesthisiscat, das ist der multiple Korrelationskoeffizient, der den Zusammenhang zwischen alle unabhängigen und abhängigen Variablen angibt. Den bekommt man nur über den Umweg der multiplen linearen Regression, indem man aus dem R² die Wurzel zieht. Viele Grüße, Björn.

[@KnipserOne]

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.

[@StatistikamPC_BjoernWalther]

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.

[@lowbird123123]

wie würde denn eine multivariate analysis funktionieren wenn man als unabhängige variablen eine nominale (zB. Geschlecht) und eine scale (zB. Gewicht) für die Sportnote untersuchen wollte?

[@StatistikamPC_BjoernWalther]

Hallo, im Falle einer dichotomen/binären UV hilft dir dieses Video: kzbin.info/www/bejne/gZvMoot6fMyqmM0 Sollte die nominale Variable mehr als zwei Ausprägungen haben, ist eine Dummykodierung notwendig: kzbin.info/www/bejne/sJ-8omyVfdetrLc Das Video zur Durchführung und Interpretation einer solchen Regression ist glücklicherweise für übermorgen geplant. ;-) Viele Grüße, Björn.

[@KoolOptik91]

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?

[@StatistikamPC_BjoernWalther]

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.

[@josephaleonardo6872]

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!

[@StatistikamPC_BjoernWalther]

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.

[@josephaleonardo6872]

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

[@ElisaS-ew4zj]

Gibt es irgendwo noch ein Video oder Abschnitt zu den Voraussetzungen einer multiplen linearen Regression UND wie ich diese, je nach Voraussetzung, vor oder nach der Regression in SPSS testen kann?

[@StatistikamPC_BjoernWalther]

Hallo, dazu gibt es hier eine Playlist, die dies unter anderem enthält: kzbin.info/aero/PLJ8d6dduOfrqUCLCpUaSTQqQC1UOw-d3z Es wird aber demnächst auch noch man ein A-Z-Video geben. Viele Grüße, Björn.

[@ElisaS-ew4zj]

@@StatistikamPC_BjoernWalther Hallo Björn (: vielen Dank

[@ElisaS-ew4zj]

Noch ein klitzekleiner Nachtrag: wenn ich zwei Regressionsmodelle rechne, da 2 AVs, müsste man dann für jedes Modell die Voraussetzungen testen und berichten - ja, oder? 🤔

[@StatistikamPC_BjoernWalther]

Hallo, genau. Je Modell sind die Voraussetzungen zu prüfen und zu berichten. Viele Grüße, Björn.

[@ElisaS-ew4zj]

@@StatistikamPC_BjoernWalther dankeschön. Ich müsste glaub ich sogar vier Modelle überprüfen, da ich die Analyse gruppenweise durchführe und ausgeben lasse (Splittung des Samples zuvor nach zwei Altersgruppen). Somit wird für jede Altersgruppe ein Modell berechnet und das sind dann je Analyse mit jeweiliger AV stets 2 Modelle.

[@MoJoSoDoped]

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?

[@StatistikamPC_BjoernWalther]

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.

[@angeladrofenik891]

Hallo. Das Video hilft mir sehr. Wissen Sie, ob das R2 auch als Effektstärke zu interpretieren ist oder ob ich lieber Cohens f verwenden sollte?

[@StatistikamPC_BjoernWalther]

Hallo Angela, am besten mit f nach Cohen die Effektstärke berichten und einordnen. Viele Grüße, Björn.

[@angeladrofenik891]

@@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.

[@minaiia]

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?

[@StatistikamPC_BjoernWalther]

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.

[@lenawaltenberger3008]

Danke für die tollen Videos :-) mein Modell ist nicht signifikant, ist es dann überhaupt notwendig die korrelationskoeffizienten anzusehen?

[@annik402]

Hallo Björn, weißt du woran es liegen könnte, dass ich bei meiner hierarchischen Regression stets sehr viele Variablen in der Tabelle "Ausgeschlossene Variablen" habe?

[@StatistikamPC_BjoernWalther]

Hallo Anni, das wird wahrscheinlich daran liegen, dass deren Signifikanz schlicht die p-Grenze nicht unterschreiten. Viele Grüße, Björn.

[@annik402]

...leider doch, die p-Werte sind fast alle signifikant. Das ist ja das, was ich nicht verstehe. Mein Vorgehen war folgendes: 1. Block Kontrollvariablen, 2. Block etablierte Prädiktoren, 3. Block neue Variablen, deren Vorhersagekraft mich interessiert. Methode war Einschluss.

[@StatistikamPC_BjoernWalther]

Hmm, sehr komisch. Aber eine viel einfachere Frage: warum schätzt du nicht zwei separate Modelle, 1) etablierte UV + KV und 2) etablierte und neue UV + KV? Viele Grüße, Björn.

[@Maestros06]

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

[@StatistikamPC_BjoernWalther]

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.

[@juliakinzel5703]

Sind die Schulnoten bei dir intervallskaliert? Was würdest du für die Auswertung eines Fragebogens empfehlen?

[@StatistikamPC_BjoernWalther]

Hallo Julia, ich habe das im angenpinnten Kommentar schon andiskutiert: "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." Wenn man so will, sind sie aber immer noch "metrischer" als Likertskalen, die eine Zustimmung ausdrücken. Es ist also in gewisser Weise etwas Spielraum. Im Zweifel frag deinen Gutachter. Meist ist die Antwort sehr pragmatisch und du kannst mit der (multiplen) linearen Regression fortfahren. Viele Grüße, Björn.

[@juliakinzel5703]

@@StatistikamPC_BjoernWalther vielen dank für die Antwort. Ich werde meinen Betreuer dahingehend fragen

[@kimwolf8024]

Was passiert, wenn in meiner Koeffizienten-Tabelle unabhängige Variablen nicht signifikant sind? Muss ich diese dann ausschließen und das Model sozusagen neu aufsetzen? Woran kann es liegen, dass diese nicht signifikant sind?

[@StatistikamPC_BjoernWalther]

Man kann sie ausschließen, das ändert aber faktisch nichts am Modell. Ich habe eine Playlist mit drei Videos dazu, wo ich da im Detail noch mal drauf eingehe: kzbin.info/aero/PLJ8d6dduOfrqXos9GpO4WKSWX_cgMSsob In Kurzform: Als Faustregel sollte man sich merken und berherzigen, dass ein Modell, so wie man es sich konzeptionell hergeleitet hat, gerechnet wird und dann geschaut wird, ob Koeffizienten signifikante Einflüsse haben. Ist dies nicht der Fall, ist statistisch gesehen davon auszugehen, dass kein signfikanter Einfluss der unabhängigen auf die abhängige Variable besteht. In so einem Fall kann man lediglich schauen, ob es evt. an den gemessenen Variablen liegt, also ob sie richtig gemessen und übertragen wurden, ob dies vielleicht aufgrund der Stichprobe der Fall ist - evt. hat man mehrere Gruppen innerhalb der Stichrpobe, bei denen verschiedene Variablen signifikant sind, wenn alle zusammen genommen werden aber mitunter keine einzige. Im Ergebnis: Das Modell durchrechnen, die Koeffizienten so präsentieren wie sie sind und dann nach Gründen für (Nicht-)Signfikanz suchen und interpretieren. Schrittweises Vorgehen oder Ausschließen ist in der Regel nicht statthaft.

[@bene5794]

Guten Tag, Hallo Leute, ich würde gerne quasi eine Moderatoranalyse mit 2 UA und 1 AV durchführen. In der Theorie ist bekannt, dass je größer UA1 (Zeit) ist, desto kleiner AV. Bei UA 2 (Moderator) nimmt man nur an, dass AV kleiner wird, wenn UA 2 steigt... Eine Voraussetzung der Moderatoranalyse ist die Linearität. Allerdings musste ich leider feststellen, dass überhaupt keine Linearität anhand der Daten vorliegt (Streudiagramm). Auch mit Transformieren kam ich zu keine guten Ergebnisse und frage mich nun was ich tun kann? Hätten Sie einen Tipp für mich, verzweifele gerade :( ?

[@StatistikamPC_BjoernWalther]

Hallo, ich würde das Modell trotzdem rechnen. Die lineare Approximation eines nichtlinearen Zusammenhanges ist meist noch vertretbar. Wenn keine hinreichend gute lineare Anpassung vorliegt, wird dir das der p-Wert der ANOVA auch sagen und dann kannst du immer noch abbrechen. Viele Grüße, Björn.

[@andreasmogwitz7996]

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.

[@StatistikamPC_BjoernWalther]

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.

[@inka8431]

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.

[@StatistikamPC_BjoernWalther]

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.

[@norah.8743]

Hallo Björn, was bedeutet es, wenn Beta größer ist als der B-Koeffizient in einer multiplen Regression? Ich dachte, dass muss andersrum sein, aber bei einigen Werten kommt das bei mir raus. Dankeschön!!

[@StatistikamPC_BjoernWalther]

Hallo Nora, du meinst die Unterschiede zwischen Nichtstandardisierten und standardisierten Koeffizienten? Viele Grüße, Björn.

[@norah.8743]

Statistik am PC Hallo Björn, an sich kenne ich die Unterschiede, ich dachte nur, dass der standardisierte Koeffizient (Beta) einen kleineren Wert hat als der nicht standardisierte (b). Bei meinem Modell hat aber Beta manchmal einen größeren Wert als B. Bsp: B=0.516 und Beta = 1.075. deshalb wollte ich wissen, ob das rechnerisch sein kann / richtig sein kann? Vllt habe ich auch einen Denkfehler, dachte nur immer, dass der standardisierte Koeffizient einen kleineren Wert haben muss als der nicht standardisierte.

[@StatistikamPC_BjoernWalther]

Hallo Nora, bei der multiplen linearen Regression kann der standardisierte Koeffizient auch größer als der nichtstandardisierte sein, wenn letzterer einen sehr oder relativ gesehen kleinen Wert im Verhältnis zu den anderen UV und deren Koeffezienten hat. Es hängt alles vom Wertebereich deiner UV ab, wie sich die standardisierten und nichtstandardisierten Koeffizienten hinsichtlich der Größe zueinander verhalten. Viele Grüße, Björn

[@norah.8743]

Statistik am PC Super, großes Dankeschön, du bist echt eine super Hilfe!! Deine Videos sind echt die größte Hilfe!!

[@stadlermichi314]

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!

[@StatistikamPC_BjoernWalther]

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 (kzbin.info/www/bejne/a2HEZpt8fq2beM0). 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.

[@stadlermichi314]

@@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!

[@stefanieo6816]

Bei mir sind das korrigierte r Quadrat und t wert 0 - hab ich was falsch gemacht oder warum kommt da keine zahl?

[@StatistikamPC_BjoernWalther]

Hallo Stefanie, was kommt denn bei der ANOVA für ein p-Wert? Aus was für Variablen besteht dein Modell? Viele Grüße, Björn.

[@charleenlene1837]

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

[@carlosking3831]

Sehr lehrreiches Video Danke!! Vielleicht kann mir hier jemand helfen. Wo lese ich ab, um wieviel sich das Modell im Mittel verschätzt?

[@linagraf672]

Was ist wenn die Konstante oder ein Regressionskoeffizient nicht signifikant sind? Wie interpretier ich das? Ist das ganze Modell dann bei ersterem zu verwerfen?

[@StatistikamPC_BjoernWalther]

Hallo, es wird quasi fast nie vorkommen, außer in konstruierten Beispielen, das alle Koeffizienten signifikant sind. Das ist normal und kein Grund zur Besorgnis. Man sollte sich aber schon fragen, warum dies der Fall ist - darin liegt auch die Leistung beim Interpretieren der Ergebnisse. Die Koeffiziente ist bei der multiplen linearen Regression wie auch anderen Regressionen nicht von Bedeutung. Ob sie signifikant ist oder nicht, spielt keine Rolle. Viele Grüße, Björn.

[@linagraf672]

@@StatistikamPC_BjoernWalther Vielen Dank für deine Antwort. Im vorletzten Satz meinst du den Koeffizient der Konstante oder? Weil du hast "Koeffiziente" geschrieben. Damit hast du aber meine Frage gelöst ;) Grüße, Robert

[@StatistikamPC_BjoernWalther]

Ja, die Konstante war damit gemeint. Kleiner Vertipper. ;-) Viele Grüße, Björn.

[@isabelhuber1618]

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

[@StatistikamPC_BjoernWalther]

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.

[@franziw5232]

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?

[@StatistikamPC_BjoernWalther]

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.

[@hellosummer7364]

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!

[@StatistikamPC_BjoernWalther]

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.

[@Lena-eu7rf]

Kann man die Gleichung trotzdem aufstellen, wenn es für eine der Variablen keine Signifikanz gibt?

[@StatistikamPC_BjoernWalther]

Hallo Lena, ja, das klappt trotzdem. Viele Grüße, Björn.

[@rosaka5522]

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 :)

[@StatistikamPC_BjoernWalther]

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.

[@carlottafrost375]

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

[@StatistikamPC_BjoernWalther]

Hallo Carlotta und danke für dein Lob! So wie du es beschreibst, willst du einen gruppenweise Auswertung machen, wo die Datendatei aufgeteilt werden kann: kzbin.info/www/bejne/rF6YY2xoa9t2gtU Viele Grüße, Björn.

[@carlottafrost375]

@@StatistikamPC_BjoernWalther Vielen vielen Dank für die schnelle Antwort! :-)

[@ninamathis1555]

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

[@StatistikamPC_BjoernWalther]

Hallo Nina und danke für dein Lob! Schau mal bei Döring/Bortz (2016) Forschungsmethoden, S. 270 ff. Viele Grüße, Björn.

[@Nihonnelly]

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

[@StatistikamPC_BjoernWalther]

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.

[@Nihonnelly]

@@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

[@angelinas3721]

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 :)

[@HannesSupertramp]

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??

[@HannesSupertramp]

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?

[@StatistikamPC_BjoernWalther]

@@HannesSupertramp Hallo Hannes, die Korrelation untersucht zwei Variablen auf einen Zusammenhang. Bei mehr als zwei Variablen empfiehlt sich eine partielle Korrelation (kzbin.info/www/bejne/jXvJiIt6htV_Zrc). 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 (kzbin.info/www/bejne/g6OkgZSCgceNh6c), neben Linearität insbesondere keine Multikollinearität und normalverteilte Residuen, ist das mit 55 vollkommen in Ordnung. Es gibt auch Regression mit n

[@sophiaweinmann8271]

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

[@StatistikamPC_BjoernWalther]

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.

[@sophiaestermann6550]

Wie soll ich es interpretieren, wenn das Gesamtmodell nicht signifikant ist, ein einzelner Prädiktor allerdings schon? Ich dachte, dass das gesamte Modell signifikant ist, wenn mindestens ein Prädiktor signifikant verschieden von null ist. Kannst du mir hier weiterhelfen?

[@StatistikamPC_BjoernWalther]

Hallo Sophia, ist der F-Wert knapp über 0,05? Wenn ja, sollte man da nicht stur an einer Vorgabe kleben, die eigentlich überholt ist, vielfach aber dennoch als Gradmesser verwendet wird: amstat.tandfonline.com/doi/full/10.1080/00031305.2016.1154108 Ich würde in einem solchen Fall dennoch auf die Koeffizienten eingehen. Viele Grüße, Björn.

[@sophiaestermann6550]

@@StatistikamPC_BjoernWalther Vielen Dank :-)!

[@evar.5313]

Hallo, auch von mir ein herzliches Dankeschön für die tollen Videos! Nun habe ich ein Frage, vielleicht kannst du mir weiterhelfen. Ich habe im Zuge meiner Abschlussarbeit eine multiple lineare Regression durchgeführt und erhalte im Output in der ersten Tabelle "Eingegebene/Entfernte Variablen" in der Spalte "Methode" => "Aufnehmen" statt bei dir in den Videos "Einschluss", wobei ich als Methode "Einschluss" gewählt habe. Was bedeutet das? Ist dies nebensächlich oder zu beachten? Vielen Dank vorab! glg Eva

[@StatistikamPC_BjoernWalther]

Hallo Eva, danke für deine lobenden Worte! Wenn du bei "Methode" im Dialogfeld wirklich "Einschluss" gewählt hast, wird dir das Modell komplett geschätzt, in der Koeffiziententabelle sind alle Variablen zu sehen. Eigentlich sollte in der ersten Tabelle auch ein kleines b an den Aufgenommenen Variablen stehen, dass dies impliziert. Unter Methode in der Tabelle sollte aber zwingend "Einschluss" stehen. Prüf bitte noch mal im Dialogfeld, ob da wirklich Einschluss steht. Viele Grüße, Björn.

[@evar.5313]

@@StatistikamPC_BjoernWalther Hallo Björn. Danke für deine Rückmeldung. Ich habe es eben erneut geprüft und komme wieder zum selben Ergebnis. Das kleine b ist ebenfalls bei der Tabelle und steht im Verweis von b unter der Tabelle: "Alle angeforderten Variablen wurden eingegeben". Bei Methode steht nach wie vor "Aufnehmen". Warum dies so ist, verstehe ich einfach nicht. lg Eva

[@StatistikamPC_BjoernWalther]

Hallo Eva, das klingt arg komisch und danach, das SPSS nicht das macht, was es machen sollte. Was nutzt du für eine SPSS-Version? Deine Begriffe sind leicht anders als bei mir. Viele Grüße, Björn.

[@3di17]

Hi, vielen Dank für das tolle Video. Ich stehe leider vor einem Problem. Da ich mit Items aus einer Umfrage arbeite, die ein Konstrukt beschreiben, habe ich keine richtigen Werte für das Konstrukt. Weißt du, wie ich das Konstrukt berechnen kann um anschließend die multiple lineare Regressionsanalyse damit durchzuführen?

[@StatistikamPC_BjoernWalther]

Hallo und danke für dein Lob! Normalerweise fasst man die Items zum einem Mittelwert oder einer Summe zusammen und rechnet die multiple lineare Regression dann damit weiter. Hilft dir das? Viele Grüße, Björn.

[@3di17]

@@StatistikamPC_BjoernWalther Ja, das hilft mir sehr. Davon bin ich ursprünglich auch ausgegangen, aber jetzt fühle ich mich umso mehr bestätigt. Vielen Dank.

[@iliabercov447]

Hey Björn, wie immer Danke für deine tollen Videos, ich empfehle dich auch fleißig bei meinen Kommilitonen weiter

[@StatistikamPC_BjoernWalther]

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.

[@riekefischer2040]

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!

[@StatistikamPC_BjoernWalther]

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.

[@riekefischer2040]

@@StatistikamPC_BjoernWalther Vielen vielen Dank, das hilft mir weiter!

[@riekefischer2040]

@@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?

[@StatistikamPC_BjoernWalther]

@@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.

[@elisaschoebel6573]

Hey hast du auch ein schon ein Video, indem linear gemischten Modelle erklärt werden, gemacht?

[@jan-ericm.2632]

Hi, vielen Dank fürs Video. Hast du zufällig auch eins, wo du die nicht lineare multiple Regression erläuterst, würde mir sehr helfen. Grüße

[@StatistikamPC_BjoernWalther]

Hallo Jan, leider nicht. Du würdest aber über Kurvenanpassung im Regressionsmenü gehen. Viele Grüße, Björn.

[@mawe6928]

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

[@surferbois]

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! :)

[@StatistikamPC_BjoernWalther]

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.

[@surferbois]

Super, vielen Dank. Sehr spannend.

[@googlenutzer9502]

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!

[@StatistikamPC_BjoernWalther]

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.