STATISTIK-FORUM.de

[Tobias_KA]

Hallo zusammen,
Ich arbeite zur Zeit an meiner Masterarbeit und habe ein Problem mit der Datenauswertung. Vielleicht hat hier jemand eine Idee und kann mir weiterhelfen, ich würde mich sehr darüber freuen!

Es geht um Folgendes:
Meine AV ist kontinuierlich und schwankt zwischen -1 und 5
Ich habe 12 kontinuerliche UV's, die zwischen 0 und 1 liegen. Meine 13. UV ist das Einkommen, ebenfalls stetig.

Ich bin jetzt auf der Suche nach einer Methode, mit der ich die Information bekomme, welchen Anteil der Varianz der AV eine einzelne UV erklärt. Ich möchte also am Ende die Aussage treffen können: "Das Einkommen erklärt x,xx% der Varianz meiner AV".
Leider bin ich dabei bisher noch auf kein geeignetes Verfahren gestoßen. Die ANOVA kann laut STATA nicht mit kontinuierlichen Variablen durchgeführt werden, und ein anderes Verfahren finde ich hierzu nicht.

Ich würde mich über eure Hilfe sehr freuen, vielen Dank schon einmal!

[strukturmarionette]

Hi,

und ein anderes Verfahren finde ich hierzu nicht.

- hmm?

- Multiple Lineare Regression (wenn die Anwendungsvoraussetzungen weitens der Stichprobenumfänge u.v.m. gegeben sind)
- Aber niemals derart kundig machen wie Du bislang suchtest.

Gruß
S.

[Tobias_KA]

Danke für deine Antwort!

Eine multiple lineare Regression liefert mir als Ergebnis aber nicht den Anteil der erklärten Varianz pro UV, sondern nur den Varianzanteil, den das gesamte Modell erklärt.

Für weitere Antworten wäre ich dankbar!

[PonderStibbons]

Ich möchte also am Ende die Aussage treffen können: "Das Einkommen erklärt x,xx% der Varianz meiner AV".

Das ergibt nur dann eine sinnvolle Lösung, wenn der jeweilige Prädiktor unkorreliert ist mit allen anderen Prädiktoren.

Andernfalls kann es nur heißen "...erklärt bei Berücksichtigung der übrigen Prädiktoren XY% der Varianz", und das
führt dann nicht unbedingt zu sinnvollen und zweifelsfrei interpretierbaren Lösungen. Bei ganzen 13, mutmaßlich
interkorrelierten Prädiktoren zumal.

Desungeachtet, eine mögliche Herangehensweise ist, ein Modell mit k-1 Prädiktoren zu berechnen, den jeweils
fehlenden Prädiktor hinzuzufügen und dann die Änderung im R² zu betrachten. Wie gesagt, wenn in dem Modell
Prädiktoren stecken, die mit dem jeweils betrachteten Prädiktor markant überlappen, kann das zu falschen
Schlüssen führen.

Es gibt auch kompliziertere Verfahren, je nach Hintergrund, dahinterstehendem Ziel und vorliegender Sachlage sowie
verwendeter Software. An dem Grundproblem korrelierter (überlappender) Prädiktoren knabbern sie aber alle.

Mit freundlichen Grüßen

PonderStibbons