STATISTIK-FORUM.de

[KK24143]

Hallo Zusammen,

ich sage im Vorfeld schon einmal Danke, dass ihr euch die Zeit nehmt meinen Post zu lesen und freue mich über jeden Gedanken!!!
Ich muss demnächst eine Forschungsarbeit von mir verteidigen und erwarte die Rückfrage warum ich in meinem Fall jeweils einzelne, separate Moderationsanalysen durchgeführt habe und keine (Form von) Regressionsanalyse um alle UV gleichzeitig zu testen.

Folgende Ausgangssituation:
Ich möchte zeigen, wie/ob sich die Arbeitsumgebung (Moderator, explorativ oder exploitativ) auf die Verbindung zwischen Persönlichkeitsmerkmal (UV, z.B. Extraversion, Offenheit) und Person-Job Fit (AV, wie gut passt mein Job zu mir und meinen Fähigkeiten) auswirkt.

Die Zusammenhänge sind gut aus der Theorie hergeleitet.

Die Wahl der Methode habe ich wie folgt gerechtfertigt:
Die Methode, jede Beziehung separat zu testen, anstatt eine hierarchische Regressionsanalyse durchzuführen, wurde angewandt, weil frühere Ergebnisse nicht ausreichten, um den Vorrang eines Merkmals (Extraversion, Offenheit etc.) vor einem anderen bei der Vorhersage von work outcomes zu belegen (Quelle).

Ich erwarte hier deutlich mehr Rückfrage und wäre so dankbar für Gedankenansätze der Rechtfertigung bzw. Nicht-Rechtfertigung von anderen Ansätzen.

Falls es hilfreich ist: man kann nicht zwangsläufig davon ausgehen, dass Verbindungen zwischen der Variable Persönlichkeitsmerkmal und Outcome (z.B. hoher Person-Job Fit) linear sind.

[bele]

Hallo!

Ich verstehe nicht, wo jetzt auf einmal die hierarchische Regression ins Spiel kommt. Bist Du sicher, dass Du die gemeint hast?

weil frühere Ergebnisse nicht ausreichten, um den Vorrang eines Merkmals (Extraversion, Offenheit etc.) vor einem anderen bei der Vorhersage von work outcomes zu belegen

Du kannst damit die Überlegenheit eines Persönlichkeitsmerkmals nicht belegen und deshalb untersuchst Du auch die Moderation nicht damit? Wenn es da einen schlüssigen Zusammenhang gibt, dann verstehe ich ihn noch nicht.

kann nicht zwangsläufig davon ausgehen, dass Verbindungen zwischen der Variable Persönlichkeitsmerkmal und Outcome (z.B. hoher Person-Job Fit) linear sind.

Das Problem ist ja aber bei der einfachen und der multiplen Regression das gleiche, oder nicht?

Ich könnte mir vorstellen, dass es bei beispielsweise fünf Persönlichkeitsmerkmalen und dann nochmal fünf Interaktionstermen zuviele Freiheitsgrade für Deinen Stichprobenumfang gibt, aber ohne Angabe des Stichprobenumfangs und der Zahl der Persönlichkeitsfaktoren und sonstigen Einflussgrößen bleibt das pure Spekulation.

LG,
Bernhard

[KK24143]

Ohje ... Ich erkenne an deiner Rückfrage wie groß meine Fragezeichen ggf. sind

Die hierarchische Regression kam im Feedbackprozess dazu. Ich sollte beantworten, warum ich nicht alle Persönlichkeitsmerkmale gleichzeitig getestet habe. Aber du hast vollkommen Recht, das gibt nur eingeschränkt Sinn mit dieser Argumentation.

Also formuliere ich die Frage mal so: Wie kann ich rechtfertigen, dass ich 5 separate Moderationsanalysen (mit PROCESS) durchgeführt habe und nicht eine Regressionsanalyse in der alle 5 Persönlichkeitsmerkmale zusammen im Modell als potentielle Moderatoren getestet werden.

Hier noch ein paar Infos: Stichprobengröße n=279, 5 Persönlichkeitsmerkmale

[bele]

Die hierarchische Regression kam im Feedbackprozess dazu.

Wie kann ich rechtfertigen, dass ich ...

Gegenfrage, was ist denn der ehrliche Grund, warum Du es nicht tust?

Stichprobengröße n=279, 5 Persönlichkeitsmerkmale

Zählen wir die Prädiktoren: 5 Merkmale, Arbeitsumgebung und 5 Mal das Produkt aus Merkmal und Arbeitsumgebung. Das macht 11 Prädiktoren für 279 Beobachtungen also 25 Beobachtungen pro Prädiktor. Das ist nicht ganz schlecht. Gleichzeitig brauchen Interaktionsterme/Moderationen erheblich größere Fallzahlen als einfache Analysen ohne das. Wenn man auf der Suche nach einer Ausrede ist könnte man sich auf sowas hier beziehen: https://statmodeling.stat.columbia.edu/ ... 15/need16/

LG,
Bernhard

[PonderStibbons]

Wenn man auf der Suche nach einer Ausrede ist könnte man sich auf sowas hier beziehen: https://statmodeling.stat.columbia.edu/ ... 15/need16/

Allerdings darf man sich nicht allzu sehr auf das "16fach" kaprizieren, das gilt nur unter bestimmten Annahmen,
wenn ich die Diskussion recht verstehe. Dennoch ist "man braucht da schon mehr Fälle" nicht verkehrt.

Ob 8 Freiheitsgrade bei n=279 wie im vorliegenden Fall den großen Nachteil ergeben, sei dahingestellt.
Zumal man damit rechnen darf, dass der Modellfehler kleiner wird und Effekte sich dann leichter als
"statistisch signifikant" nachweisen lassen.

Wenn die 5 Prädiktoren untereinander mehr als gering korreliert sind (was sie qua Theorie eigentlich nicht
sollten, aber praktisch kann es ja anders aussehen), kann man vielleicht auch einfach darlegen, dass
man an den Effekten einzeln interessiert war, nicht an einem multiplen Vorhersagemodell mit
überlappenden Effekten.

Just my 2pence

PonderStibbons