6. Lektion: Komplexere Modelle

Seite 1 von 4
6. Lektion: Komplexere Modelle
Ziel dieser Lektion:
Du weißt, bei welchen Fragestellungen Du komplexere Modelle benötigst und
welche Modelle für Deine Fragestellungen jeweils passen.
Inhalt:
6.1
Mehrfaktorielle Varianzanalyse
6.2
Lineare Regression
6.3
Logistische Regression
6.4
Cox-Regression
Zusammenfassung
→ Umsetzungsaufgabe
Komplexere Modelle benötigst Du immer dann, wenn Du den Effekt von einem
oder mehreren Faktoren (Prädiktor, unabhängige Variable, UV) auf eine
abhängige Variable (AV, Outcome) untersuchen möchtest.
Die passende Methode hängt hier wieder von den Variablentypen ab. Zudem
haben diese Modelle häufig Voraussetzungen, die erfüllt sein müssen. Es gibt in
den meisten Fällen keine Alternative, wenn die Voraussetzungen nicht erfüllt
sind.
Ich liste Dir hier die einzelnen Methoden auf, gebe Dir die Infos, wann welche
Methode eingesetzt wird und welche Voraussetzungen gelten. Anschließend
kannst Du entscheiden, ob und wo Du in Deiner Studie diese Methoden
brauchst.
Was die einzelnen Voraussetzungen bedeuten und wie Du sie prüfen kannst,
findest Du später in der Bonus-Lektion Voraussetzungen und
Transformationen .
Zusätzlich zu dem Einsatzgebiet und den Voraussetzungen der einzelnen
Methoden gebe ich in dieser Lektion hier teilweise noch Hinweise auf
Besonderheiten der Methoden, die eventuell für Deine Auswertung relevant
sein können.
6.1 Mehrfaktorielle Varianzanalyse
Die mehrfaktorielle Varianzanalyse verwendest Du, wenn
•
Deine abhängige Variable metrisch ist
•
und Du den Effekt von zwei oder mehr kategorialen Faktoren oder
© Daniela Keller – www.statistik-und-beratung.de
Seite 2 von 4
Messwiederholungsfaktoren betrachtest.
Voraussetzungen:
•
Normalverteilung der abhängigen Variable in jeder Gruppenkombination
der Faktoren,
•
Varianzhomogenität bezüglich der Gruppenfaktoren,
•
Sphärizität bezüglich der Messwiederholungsfaktoren.
Besonderheiten:
•
Es können sowohl Gruppen-Effekte als auch Messwiederholungseffekte
untersucht und beliebig kombiniert werden.
•
Interaktionsterme sind meist direkt im Grundmodell enthalten.
•
Sind Interaktionen signifikant, können die entsprechenden Haupteffekte
nicht interpretiert werden.
6.2 Lineare Regression
Die lineare Regression verwendest Du, wenn
•
Deine abhängige Variable metrisch ist
•
und Du den Effekt von einem oder mehreren Prädiktoren betrachtest.
•
Die Prädiktoren dürfen dabei kategorial oder metrisch sein.
Voraussetzungen:
•
Normalverteilung, Unabhängigkeit und Homoskedastizität der Residuen,
•
keine Multikollinearität bei mehreren metrischen Prädiktoren,
•
keine Ausreißer in den Residuen und
•
Linearität der metrischen Prädiktoren mit der abhängigen Variablen.
Besonderheiten:
•
Interaktionen werden mit untersucht, wenn Moderationseffekte von
Interesse sind.
•
Interessieren indirekte Effekte, so werden mehrere lineare
Regressionsmodelle gerechnet und so eine Mediatoranalyse
durchgeführt.
6.3 Logistische Regression
Die logistische Regression verwendest Du, wenn
•
Deine abhängige Variable dichotom ist
•
und Du den Effekt von einem oder mehreren Prädiktoren betrachtest.
•
Die Prädiktoren dürfen dabei kategorial oder metrisch sein.
© Daniela Keller – www.statistik-und-beratung.de
Seite 3 von 4
Voraussetzungen:
•
Unabhängigkeit der Residuen,
•
keine Multikollinearität bei mehreren metrischen Prädiktoren,
•
keine Ausreißer in den Residuen und
•
Log-Linearität der metrischen Prädiktoren mit der abhängigen Variablen.
Besonderheiten:
•
Interaktionen werden mit untersucht, wenn Moderationseffekte von
Interesse sind.
•
Interessieren indirekte Effekte, so werden mehrere logistische
Regressionsmodelle gerechnet und so eine Mediatoranalyse
durchgeführt.
6.4 Cox-Regression
Die Cox-Regression verwendest Du, wenn
•
Deine abhängige Variable eine Überlebenszeit-Variable ist
•
und Du den Effekt von einem oder mehreren Prädiktoren betrachtest.
•
Die Prädiktoren dürfen dabei kategorial oder metrisch sein.
Voraussetzungen:
•
keine Ausreißer,
•
keine Multikollinearität bei mehreren metrischen Prädiktoren und
•
Proportionalität der Hazards.
© Daniela Keller – www.statistik-und-beratung.de
Seite 4 von 4
Zusammenfassung
Mehrfaktorielle Varianzanalyse bei
metrischer AV und
2 oder mehr UVs,
die kategoriale Gruppenfaktoren oder Messwiederholungen sein
können.
Lineare Regression bei
metrischer AV und
einem oder mehreren Prädiktoren,
die kategorial oder metrisch sein können.
Logistische Regression bei
dichotomer AV und
einem oder mehreren Prädiktoren,
die kategorial oder metrisch sein können.
Cox-Regression bei
Überlebenszeit als AV und
einem oder mehreren Prädiktoren,
die kategorial oder metrisch sein können.
Umsetzungsaufgabe für Dich:
Entscheide, für welche Hypothesen Du komplexe Analysen
benötigst und ordne im → Arbeitsblatt Fragestellung und
Hypothesen jeweils die passende hier aufgelistete Methode zu.
Wenn Du kein komplexes Modell für Deine Fragestellung benötigst,
lässt Du diesen Abschnitt einfach aus.
© Daniela Keller – www.statistik-und-beratung.de