Mehr verstanden als in 90 Minuten Vorlesung, vielen Dank!

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

@StatistikamPC_BjoernWalther

6 жыл бұрын

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

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

Perfekt erklärt, besser gehts nicht. DANKE!

Hallo. Finde alle deine Erklärungen zu Statistik super :)

Vielen herzlichen Dank für diese Erläuterungen, wahnsinnig hilfreich !

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

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

@StatistikamPC_BjoernWalther

Ай бұрын

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

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

@StatistikamPC_BjoernWalther

5 жыл бұрын

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

Vielen Dank für die klare Erklärung ❤

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

@lynncunningham1290

2 жыл бұрын

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

Super verständlich 😀

du bist der beste, danke für die gute Hilfe

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

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

Super Video, hat mir sehr geholfen!

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

überragendes Video, so bekomme selbst ich das gebacken!

@StatistikamPC_BjoernWalther

6 жыл бұрын

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

@Alex00300

6 жыл бұрын

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

6 жыл бұрын

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

6 жыл бұрын

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

6 жыл бұрын

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.

DU BIST EIN GOTT!! DANKEEEEE

Hammer video!! Danke danke danke

Hammer! Danke :)

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!

Multiple lineare Regression mit R wäre super. Hammer Videos!

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

@classicsound90

4 жыл бұрын

@@StatistikamPC_BjoernWalther bis dahin ist es zu spät 😂

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

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! :-)

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?

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

@alicemulvey2035

6 жыл бұрын

Vielen herzlichen Dank!

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

4 жыл бұрын

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 (kzread.info/dash/bejne/Z2SVl8p_eavOcs4.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.

@stadlermichi314

4 жыл бұрын

@@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!

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?

@StatistikamPC_BjoernWalther

3 жыл бұрын

Hallo Carolin, in die Regressionsgleichung zur Prognose nimmst du auch nicht signifikante Koeffizienten mit auf. Viele Grüße, Björn.

Hi! Vielen Dank für alle deine Videos! Planst du auch Videos zu bspw. 2SLS oder HLM? :)

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!!!

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?

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

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

4 жыл бұрын

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" (kzread.info/dash/bejne/dnh1uLyhhLbMYNo.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.

@erdemugur7259

4 жыл бұрын

@@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

4 жыл бұрын

@@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

hallo :) Vielen Dank für das super Video! Darf man eine Regressionsanalyse auch durchführen, wenn meine Daten nicht normalverteilt sind?

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Frida, danke für das lob! Ja, darf man. Lediglich die Residuen sollten normalverteilt sein, was du mit dem Video gezeigt bekommst: kzread.info/dash/bejne/e5aglZVmlZichZM.html VIele Grüße, Björn.

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

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.

@laura1148

5 жыл бұрын

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

5 жыл бұрын

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

5 жыл бұрын

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

5 жыл бұрын

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

5 жыл бұрын

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! 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

@StatistikamPC_BjoernWalther

5 жыл бұрын

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.

@Chippyy123

5 жыл бұрын

@@StatistikamPC_BjoernWalther Dankeschön für die schnelle Antwort! (Und das an einem Sonntag!)

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

4 жыл бұрын

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.

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!!

@StatistikamPC_BjoernWalther

4 жыл бұрын

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.

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.

@StatistikamPC_BjoernWalther

4 жыл бұрын

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.

@MayaK914

4 жыл бұрын

@@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!

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

4 жыл бұрын

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.

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 :)

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

5 жыл бұрын

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.

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

4 жыл бұрын

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, 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

4 жыл бұрын

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

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

2 жыл бұрын

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

@carlottafrost375

2 жыл бұрын

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

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!

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Danny! Danke für dein Lob! Dazu werde ich wohl erst im neuen Jahr was machen. Das steht aber definitiv auf meiner Liste weiterer Themen.

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?

@StatistikamPC_BjoernWalther

4 жыл бұрын

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.

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!

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

@StatistikamPC_BjoernWalther

4 жыл бұрын

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.

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

4 жыл бұрын

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.

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

3 жыл бұрын

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.

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

3 жыл бұрын

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.

Sehr hilfreiche Videos!!!! Hast du zufällig auch eins, welches zeigt, wie man einen Moderatoreffekt mit 2 UVs und 1 AV berechnen kann?

@StatistikamPC_BjoernWalther

6 жыл бұрын

+Stilbrech3rin, das war schon in Planung und kommt demnächst, vielleicht schon Mittwoch, eher Freitag.

@Stilbrech3rin

6 жыл бұрын

sehr sehr gut!!! du rettest mir damit vermutlich den Hi**** ;)

@StatistikamPC_BjoernWalther

6 жыл бұрын

:-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..

@StatistikamPC_BjoernWalther

6 жыл бұрын

kzread.info/dash/bejne/gYNs1alrfK7Ykdo.html

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

@Schlange1810

2 жыл бұрын

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!

@deniswolff7024

2 жыл бұрын

@@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.

@Schlange1810

2 жыл бұрын

@@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.

@deniswolff7024

2 жыл бұрын

@@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?

@Schlange1810

2 жыл бұрын

@@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.

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?

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

4 жыл бұрын

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

4 жыл бұрын

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

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

4 жыл бұрын

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

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..

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

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

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

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

6 жыл бұрын

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). kzread.info/dash/bejne/fmWmytZ9l6W0m5c.html Das berücksichtigt die Regressionsanalyse nicht, das muss von dir ausgeschlossen werden. Im verlinkten Video gibt es einige Diagnose- und Lösungsmöglichkeiten. 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??

@HannesSupertramp

5 жыл бұрын

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

5 жыл бұрын

@@HannesSupertramp Hallo Hannes, die Korrelation untersucht zwei Variablen auf einen Zusammenhang. Bei mehr als zwei Variablen empfiehlt sich eine partielle Korrelation (kzread.info/dash/bejne/iX6aubp9gdOyYLg.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 (kzread.info/dash/bejne/f6Z1ssOFfMXAgag.html), neben Linearität insbesondere keine Multikollinearität und normalverteilte Residuen, ist das mit 55 vollkommen in Ordnung. Es gibt auch Regression mit n

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

5 жыл бұрын

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.

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

@StatistikamPC_BjoernWalther

4 жыл бұрын

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

4 жыл бұрын

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

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

3 жыл бұрын

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

@angeladrofenik891

3 жыл бұрын

@@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 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

4 жыл бұрын

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.

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

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Alexandra, danke für dein Lob! Prinzipiell kannst du bereits relativ einfach auf Gruppenunterschiede testen, wenn du eine mehrfaktorielle ANOVA durchführst: kzread.info/dash/bejne/nmGBsauYfLK8oNo.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.

@alexandrahoffmann8738

6 жыл бұрын

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? kzread.info/dash/bejne/f6Z1ssOFfMXAgag.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

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

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! ☺️

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

@lottewa3791

6 жыл бұрын

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 :)

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

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

4 жыл бұрын

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, 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

5 жыл бұрын

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.

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

2 жыл бұрын

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, super! Ein Tipp, kannst du vielleicht Excel Daten von Variablen für Übung auch zur VErfügung stellen?

@StatistikamPC_BjoernWalther

3 жыл бұрын

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.

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

4 жыл бұрын

Hallo Jan, leider nicht. Du würdest aber über Kurvenanpassung im Regressionsmenü gehen. 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?

@StatistikamPC_BjoernWalther

4 жыл бұрын

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.

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

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.

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Kira, vielleicht hilft dir dieses Video dabei: kzread.info/dash/bejne/Zp-gm9ybYcnXgbg.html Viele Grüße, Björn.

@kirakirjava3873

6 жыл бұрын

Super, danke!

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

4 жыл бұрын

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

4 жыл бұрын

@@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

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

4 жыл бұрын

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.

Hallo, ich danke Dir für deine Videos! Ohne die wäre ich bei der Hausübung echt aufgeschmissen gewesen! Ein Frage aber noch zur Interpretation. In meiner Aufgabe ging es darum, ob die Variablen Geschlecht, Herkunft, Region und Interesse einen Einfluss auf die Punkte in einem Computersimulationstest haben. Bei den Regressionskoeffizienten kam raus, dass beim Geschlecht der Wert des Regressionskoeffizienten -4,128 ist. Aber wie interpretiere ich das? In deinem Beispiel ging es ja um die Körpergröße, da kann ich sagen "Je größer, desto besser ist die Sportnote" - aber ich kann ja nicht sagen "Je weiblicher/ männlicher, desto weniger Punkte"? Das ist mir nicht ganz klar. Und beim Alter kam raus 4,920, aber das würde ja - da der Wert 4,920 positiv ist - bedeuten, dass mit steigendem Alter die Punkte bei dem Test ansteigen, was ich mir nicht vorstellen kann... Sorry für die vielen Fragen, über eine Antwort würde ich mich total freuen! Liebe Grüße

@StatistikamPC_BjoernWalther

5 жыл бұрын

Hallo Ella, freut mich, wenn du mit den Videos vorankommst! Zu deinen Fragen. Es kommt darauf an, wie deine Variable Geschlecht in der multipken Regression codiert ist. Meist ist sie mit 0 für männlich und 1 für weiblich oder umgekehrt codiert. Das würde bedeuten, dass wenn ein Proband in deiner multiplen Regression als Geschlecht 1 hat, dann ist die abhängige Variable um 4,128 niedriger. Das Geschlecht 0 hat diesen Effekt nicht. Es gibt beim Geschlecht also nur den Unterschied ob männlich oder weiblich. Wenn dein Alter ganz normal codiert ist, würde bei einer Zunahme um 1 Jahr das Testergebnis um 4,920 Punkte steigen. Das halte ich bis zu einem gewissen Alter für plausibel - das Wissen steigt aber nicht linear. Ein sehr einfaches und stark gefärbtes Beispiel: Bis 18 steigt das Wissen sehr stark, dann fachspezifisch je nach Studienrichtung bis mitte 20 und dann wird es immer spezifischer in den Bereichen, in denen der Mensch interessiert ist - in anderen nimmt es eher ab oder verharrt auf einem Niveau. Wenn man also mich jetzt zu statistischen Dingen befragt, würde ich wohl einen recht hohen Testwert erreichen - höher als vor 5 Jahren aber auch vor 1 Jahr. Ebenso zu sportlichen Dingen, weil ich da auch privat Interesse habe. Wenn du mich aber zu kulturellen Dingen befragst, weiß ich auch nur bedingt mehr als vor 10, 5 oder 2 Jahren - eher weniger. Du kannst dir ja mal ein einfaches Punktdiagramm für Alter an der x-Achse und Testergebnis an der y-Achse ausgeben lassen (kzread.info/dash/bejne/aGiKubuKktvZnco.html) und schauen, wie sich das verhält. Viele Grüße, Björn.

@ella0854

5 жыл бұрын

@@StatistikamPC_BjoernWalther Hallo Björn, Danke vielmals für deine schnelle und vor allem ausführliche Antwort! Jetzt habe ich es verstanden, glaube ich! Beim Geschlecht bedeutet das also, dass man seinen Fokus auf eine Ausprägung des Geschlechtes legt, die die Regression dann beschreibt: wie du gesagt hast, wenn es die Ausprägung 1 hat, dann kann ich für dieses Geschlecht den Einfluss der abhängigen Variable erklären, für das andere Geschlecht gibt es diesen Effekt nicht, d.h. ich kann auch keine Aussage darüber treffen? Auch vielen Dank für die anschauliche Erklärung mit dem Alter! Liebe Grüße, Ella

@StatistikamPC_BjoernWalther

5 жыл бұрын

Hallo Ella, freut mich, dass du es verstanden hast. Bezüglich des Geschlechtes würde man sagen, dass das mit 1 codierte Geschlecht einen um 4,128 niedrigeren Effekt hat, als das andere Geschlecht. Das bedeutet automatisch, dass ein mit 0 codiertes Geschlecht einen um 4,128 höheren Effekt hat. Effekt ist also vorhanden - das zeigt dir die Signifikanz in der Regression. Der Koeffizient sagt nur was über das "Ausmaß" aus. Wenn du auf die standardisierten Koeffizienten schaust, siehst du auch, welche der unabhängigen Variablen den größten Effekt hat. Macht das Sinn? ;-) Viele Grüße, Björn.

@ella0854

5 жыл бұрын

@@StatistikamPC_BjoernWalther Hallo Björn, ja, so macht das auf jeden Fall Sinn! :-) Danke für die weitere Erklärung und deine Geduld, ich glaube, jetzt hat's endgültig Klick gemacht :D Liebe Grüße, Ella

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 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.

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

Жыл бұрын

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

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

@StatistikamPC_BjoernWalther

5 жыл бұрын

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

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!

Hi, ich hab eine Frage zu dem Fallausschluss. Ist es egal, ob ich einen Listenweisen oder Paarweisen bei einer linearen oder multiplen linearen Regression nehme? Ich habe bis jetzt in Videos beides gesehen und bin verwirrt :)

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Vivienne, prinzipiell kann man natürlich beide durchführen, es ist aber wie jedes Vorgehen zu begründen. Meine Präferenz ist fallweise/listenweise, weil man sich damit weniger Probleme ins Boot holt, wenn man eine weitere Analyse auf Basis der Daten durchführt, bei der paarweiser Ausschluss zu einem anderen Stichprobenumfang führt. Viele Grüße, Björn.

@viviennekochanowski352

6 жыл бұрын

Vielen Dank für die schnelle Antwort. :) Und bei einer hierarchischen Regression wäre dann aber der paarweise Ausschluss ratsamer, oder? Liebe Grüße, Vivi

@StatistikamPC_BjoernWalther

6 жыл бұрын

Hallo Vivienne, ich würde generell eher zu listenweise Ausschluss raten, bei hierarchischer Regression sehe ich keinen Grund paarweise vorzugehen. Viele Grüße, Björn.

rechnet man mit den Summenwerten oder mit den Mittelwerten ?

@StatistikamPC_BjoernWalther

5 жыл бұрын

Was möchtest du denn in der multiplen linearen Regression berechnen? 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

@StatistikamPC_BjoernWalther

2 жыл бұрын

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, 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

5 жыл бұрын

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

5 жыл бұрын

@@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

5 жыл бұрын

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.

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

4 жыл бұрын

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

4 жыл бұрын

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

4 жыл бұрын

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

@StatistikamPC_BjoernWalther

4 жыл бұрын

Hallo Henning, bei bivariater statt multivariater Auswertung kommst du aber mitunter zu falschen Schlüssen: kzread.info/dash/bejne/iIV_pKd_eK_dZso.html Viele Grüße, Björn.

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

4 жыл бұрын

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.

Super hilfreiches Video! Hast Du vielleicht auch was zum Thema hierarchische Regression? VG!

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

@christianheinzel7698

6 жыл бұрын

Hallo Björn. Genau. Das wäre super und würde mir aktuell extrem helfen! Lieben Dank!!!

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

6 жыл бұрын

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

6 жыл бұрын

Super, vielen Dank. Sehr spannend.

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

4 жыл бұрын

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.

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

7 ай бұрын

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

@StatistikamPC_BjoernWalther

5 жыл бұрын

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.

@samirael6765

5 жыл бұрын

Vielen Dank für die hilfreiche Erklärung! :)

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

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

5 жыл бұрын

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.

Sehr anschauliche Darstellung

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

5 жыл бұрын

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

@annik402

5 жыл бұрын

...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

5 жыл бұрын

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.

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?

@StatistikamPC_BjoernWalther

6 жыл бұрын

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.

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

2 жыл бұрын

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.