STATISTIK-FORUM.de

[frodofroehlich]

Hallo,

es geht um die Überprüfung, ob eine Kontrollvariable einem Modell hinzugefügt werden sollte:
Ich habe jeweils bereits eine Lösungsidee formuliert, bin aber unsicher, ob sie stimmt oder es einen simpleren Weg. Vielen Dank schon einmal für euren Rat.

Es geht eigentlich lineare modelle und die Behandlung von Kontrollvariablen.

Unabhängige Variablen sind Arztgeschlecht (gender) und Arztkörperhaltung (posture).
Abhängige Variablen sind mehrere Items, hier Beispielhaft Leader.

Mein Grundmodell ist „ lm (leader ~ gender + posture) „ , Also gender und posture sagen leader mit einem Linearen Modell voraus.

Wir haben Kontrollvariablen wie Versuchspersonen-Gender , Bildungsgrad etc. erhoben und möchten testen, ob sie einen Einfluss haben (das ist nicht Hypothesen-geleitet, sondern eher explorativ, ob die VPs auffällig sind).

Meine Lösung: Ich würde jetzt die likelihood des Grundmodells mit der likelihood des dem um VP-Gender (probandGender) erweiterten Grundmodells ( leader ~ gender + posture + probandGender ) in einer Anova vergleichen. Wenn die Anova signifikant ist, hat VP-Gender einen signifikanten Mehrwert für das Modell und sollte für die weitere Untersuchung inkludiert sein.

Ich folge dabei diesem Tutorial http://jakewestfall.org/misc/Winter2014.pdf ab Seite 11.

Ist das richtig? Alternative wäre, sich die Ausgabe von leader ~ gender + posture + probandGender anzuschauen und festzustellen, ob eine Ausprägung von probandGender signifikant ist, aber da ist das Problem, dass natürlich häufig Ausprägungen mit geringem n wie „divers“ oder „prefer not answer“ signifikant werden(das waren die dritte und vierte Option nach den Antwortoptionen männlich und weiblich).

Vielen Dank für jede Idee.
LG Frodofroehlich

[PonderStibbons]

Vor einer Auswahl von Ko-Variablen anhand Signifikanzkriterien ist sehr stark abzuraten.
Das sorgt für überangepasste Modelle und verzerrte p-Werte. Ko-Variablen sollten anhand
theoretischer bzw. literaturgestützer Überlegungen ausgesucht und verwendet werden.

Mit freundlichen Grüßen

PonderStibbons

[bele]

Hallo Frodo,

Du sprichst ein überraschend schwieriges Problem an, auf das es nicht die eine richtige Antwort gibt. PonderStibbons Antwort findet ihre Begründung in dem Problem, dass es immer wieder vorkommt, dass aus einem riesigen Haufen von denkbaren Prädiktoren solange mit irgendwelchen Algorithmen herumgesucht wird, bis man Scheinkorrelationen findet. Alphafehlerkummulation ist hier das entscheidende Stichwort.

Unter dem von Dir genannten Vorbehalt, dass es eine explorative Untersuchung ist und wenn Du das nur mit probandGender und nicht noch mit 20 weiteren Variablen machst, ist Dein Vorgehen vertretbar: Ein Modell mit probandGender, eines ohne und dann mit der Anova prüfen, ob das eine Modell wirklich besser ist als das andere. Bei der Ergebnisbeurteilung musst Du halt immer an die Möglichkeit einer Alphafehlerkummulation denken und kannst eben schreiben, dass Deine Daten darauf hinweisen, dass probandGender einen Einfluss hat oder dass sie das nicht tun. Beweisen tut das erstmal nichts.

Wirklich immer ist es bei der Darstellung von solchen Fragen wichtig zu schreiben, wie groß die Fallzahl ist: Wenn Du nur wenige Beobachtungen hast, dann kann so etwas nur hypothesengenerierend sein. Wenn Du wirklich viele Beobachtungen hast, dann könntest Du sie in zwei Hälften teilen. In der einen Hälfte könntest Du dann nach Zusammenhängen fischen und in der anderen das Ergebnis dieser Fischzüge überprüfen.

Zusammenfassend also: Es kommt immer auf die Details an.

LG,
Bernhard