STATISTIK-FORUM.de

[juliam094]

Hallo,

für meine Bachelorarbeit untersuche ich den Zusammenhang zwischen Persönlichkeitsmerkmalen (z.B. Freundlichkeit) und arbeitsbezogenen Merkmalen (z.B. Bereitschaft Überstunden zu machen).

Ich wollte nun sehr gerne eine einfache Regression rechnen.

Laut Streudiagramm würde ich aber sagen, dass kein linearer Zusammenhang besteht (ehrlich gesagt, erkenne ich gar keinen Zusammenhang anhand des Streudiagramms).

Die Korrelation laut Spearman (und Pearson) ist sehr klein (was bei einzelnen Persönlichkeitsmerkmalen nicht unbedingt schlimm ist), aber nicht signifikant.

1. Frage: Macht es Sinn eine Regression zu rechnen, wenn keine signifikante Korrelation nach Spearman vorliegt? (Wenn ich es richtig verstanden habe, benötigt man für die Spearman Korrelation keine Linearität.)

Ich habe mir daraufhin trotzdem mal die Kurvenanpassung angeschaut.

Leider gibt mir das System an, dass die Kubische Kurvenanpassung nicht berechnet werden kann, da Kollinearität zwischen den Modellthermen besteht.

Ich weiß leider nicht was das bedeutet. Heißt das meine Variablen x uns y korrelieren zu stark (obwohl laut Spearman quasi keine Korrelation vorliegt?)

Für das R2 gibt die Kurvenanpassung nur minimale Verbesserungen im Vergleich zum linearen Modell an.

Frage 2: Ab welcher Verbesserung macht eine Kurvenanpassung Sinn?
Frage 3: Da sowohl das Streudiagramm, die Spearman-Korrelation und auch die Kurvenanpassung keine wirklichen Zusammenhang abbilden, kann man dann für dieses Beispiel schlussfolgern, dass kein Zusammenhang zwischen den beiden Variablen besteht und aus diesem Grund keine Regression berechnet werden kann?
Frage 4: Oder könnte man trotzdem die Regression irgendwie rechen und dann nochmal überprüfen, ob auch die Regression keinen Zusammenhang feststellt. Ist es theoretisch möglich, dass die Regression Zusammenhänge aufweist, auch wenn die anderen Analysen keinen Zusammenhang festgestellt haben?

Ich habe den Output mal angefügt.

https://drive.google.com/file/d/1H7O6VA ... sp=sharing

Vielen lieben Dank!

[PonderStibbons]

Da fehlen leider basale Angaben wie Thema, wissenschaftliche Fragestellung, Studiendesign, Stichprobe, Variablenübersicht.
Und welche Vorgaben durch den Betreuer hierfür erfolgten.

Mit freundlichen Grüßen

PonderStibbons

[bele]

Hi,

ich bin mit SPSS und seinen Ausgaben wenig vertraut, aber anscheinend wurde ja nicht nur ein lineares und ein kubisches Modell gerechnet, sondern gleich noch eine Reihe von weiteren Modellen mit mehr oder weniger üblichen Transformationen. Keines dieser Modelle kommt auf eine Varianzaufklärung von auch nur einem einzigen Prozent der Varianz. Ich kann mir kaum vorstellen, dass ein Prozent Varianzaufklärung irgendeine psychologische Relevanz hätte selbst wenn sie nicht zufällig wäre. Aber darüber müssen wir uns gar keine Gedanken machen, weil es kein ganzes Prozent ist und Du nicht beweisen kannst, dass es ein überzufälliges Ergebnis ist.

Dazu kommt, dass sich auch in der Grafik kein Zusammenhang andeutet (wobei hier Overplotting vorliegen könnte). In der Summe glaube ich daher nicht, dass es sich in diesen Daten nicht lohnt, noch weiter nach einem Zusammenhang zu suchen.

GLG, Bernhard

[juliam094]

Hallo, vielen lieben Dank für die Antwort.

Ich habe noch ein anderes Modell. Hier liegt die Verbesserung bei 6,5% (von 5,9% auf 13,5%).

Ich habe noch eine weitere Fragen

1.Welche H0-Hypothese testet die Statistik?

Vielen lieben Dank

https://drive.google.com/file/d/152OCSB ... sp=sharing

[bele]

"Das quadratische Modell sagt die beobachteten Werte nicht besser voraus als der Durchschnitt der beobachteten Ergebnisse. "

Würde das stimmen wären die beobachteten Werte sehr, sehr unwahrscheinlich. Also können wir das verwerfen.

Also gibt es irgendeinen Zusammenhang zwischen den beiden Werten in diesem Modell. Eine Grafik, die das Overplotting verringert könnte helfen, visuell nach dem Zusammenhang zu suchen oder die Schwäche des Zusammenhangs zu visualisieren.

HTH, Bernhard

.

[juliam094]

Hallo, Danke für die Antwort.

Das bedeutet als, dass durch das quadratische oder das lineare Modell (oder welches Modell auch immer signifikant ist), sich der Zusammenhang modellieren lässt.

Kann ich daraus schlussfolgern, dass tatsächlich ein Linearer bzw. quadratischer Zusammenhang besteht?

Was mache ich, wenn alle Modellvorschläge, auch teilweise sich widersprechende Kurvenanpassungen signifikant sind (z.B. linear und S-förmig)?

Wie kann ich denn das Overplotting umgehen?

Vielen vielen Dank

https://drive.google.com/file/d/1fIFx3g ... sp=sharing

[bele]

Das bedeutet als, dass durch das quadratische oder das lineare Modell (oder welches Modell auch immer signifikant ist), sich der Zusammenhang modellieren lässt.

Naja, im Studium hat uns ein Dozent mal die Redewendung verboten, dass der Patient ansprechbar sei. Er meinte, auch eine Wand könne man ansprechen. Ich bin unsicher mit Deiner Formulierung und wüsste gern, was genau Du darunter verstehst, wenn etwas sich modellieren lässt.

Kann ich daraus schlussfolgern, dass tatsächlich ein Linearer bzw. quadratischer Zusammenhang besteht?

Nein.

Was mache ich, wenn alle Modellvorschläge, auch teilweise sich widersprechende Kurvenanpassungen signifikant sind (z.B. linear und S-förmig)?

Überlegen, welches Modell für Deinen Zweck am besten ist. Das kann das einfachste passende Modell sein oder das mit dem besten Fit oder eines, das einer für den Sachverhalt natürlichen Form folgt und gut zur Theorie passt oder, oder, oder. Diese Modelle sind Werkzeuge. Der Handwerker bestimmt, wann ihm welches Werkzeug zusagt.

Wie kann ich denn das Overplotting umgehen?

Da gibt es eine Vielzahl von Möglichkeiten, beispielsweise Jitterplots oder Sunflower Plots. Was das einfachste und übliche in SPSS ist kann ich Dir nicht sagen, weil ich kein SPSS habe. Schau Dir mal diese Anregungen an und frag' zur Not nochmal im spss-forum.de

https://www.displayr.com/what-is-overplotting/
https://www.r-bloggers.com/2021/02/what ... ower-plot/
https://tse2.mm.bing.net/th?id=OIP.nP-I ... Hb&pid=Api
https://community.rstudio.com/uploads/d ... 321e40.png
https://community.rstudio.com/uploads/d ... 6d470a.png
https://www.ibm.com/support/pages/sunfl ... stics-1800

https://julienbeaulieu.gitbook.io/wiki/ ... and-jitter

LG, Bernhard

[juliam094]

Vielen Dank!

Also mit modellieren meine ich, dass sich der Zusammenhang darstellen bzw. prognostizieren lässt (durch die Regressionsgleichung).

Wenn das z.B. das lineare Modell signifikant wird, warum bedeutet es dann nicht, dass auch ein linearer Zusammenhang besteht. Das verstehe ich leider nicht ganz genau.

Was mache ich z.B. wenn das Streudiagramm keinen linearen Zusammenhang erkennen lässt, aber in der Kurvenanpassung das Lineare Modell signifikant wird. Darf ich dann eine lineare Regression rechnen. Ist also die Aussagekraft der Kurvenanpassung besser zu bewerten, als die des Streudiagramms?

Vielen lieben Dank

[bele]

Signifikant heißt in diesem Kontext nur "besser als nix", ein lang gezogenen S kann einer Geraden ähneln, ein Halbkreis kann durch ein quadratische Funktion angenähert werden und auch für einen Sinus findet sich ein Polynom, das in einem gewissen Abschnitt zur Annäherung besser als nix ist.

Deshalb kann man komplizierte Dinge in gewissen Grenzen mit einfachen Formeln modellieren. Deshalb ist die Vereinfachung noch lange nicht "wahr".

Deshalb ist es auch kein Widerspruch, wenn mehrere verschiedene Modelle signifikant werden.

LG, Bernhard