STATISTIK-FORUM.de

Hallo ihr Lieben,
im Zuge eines Experiments habe ich Daten von 20 Probanden erhoben. Aus diesen Daten habe ich pro Proband je 3 Multiple lineare Regressionen errechnet (eine pro Kondition). Da ich zwei unabhängige und eine Abhängige Variabel innerhalb jeder Kondition hatte, konnte ich die Daten zusätzlich in einem 3D Scatterplot visualisieren und eine Regressionsebene einzeichnen. Jetzt stellt sich mir die Frage, wie ich diese Regressionen miteinander in Beziehung setze, um nicht nur die Daten mit den Aussagen der einzelnen Probanden zu haben, sondern über die gesamte Stichprobe bzw. dann später über die Grundgesamtheit eine Aussage zu treffen.

Vielen Dank für eure Hilfe
Malte

Wahrscheinlich lautet die Antwort, dass man versucht, alle drei Konditionen in einer gemeinsamen Regression zu verwursten, aber ohne weitere Beschreibung von Versuchsaufbau und Auswertung, werden wir Dir da nicht helfen können.

nutzung-des-forums-f44/das-musste-mal-gepostet-werden-t6682.html

LG,
Bernhard

erstmal danke für die schnelle Antwort. Das war der Versuch es möglichst allgemein zu bleiben ^^ dann werde ich ein bisschen konkreter:

also die Probanden mussten bei einem auf sie zu kommenden Fahrzeug entscheiden, wann sie eine Straße nicht mehr überqueren würden. (das ganze fand in einer virtuellen Realität statt)

dabei habe ich die Geschwindigkeit (in km/h) des Fahrzeugs sowie die Position der Audioquelle/Motorgeräusch (in Meter) zum Fahrzeug manipuliert, diese beiden unabh. Variablen sind zufällig gleichverteilt aus einem Intervall gezogen. Die abhängige Variabel ist dann die Zeit in sec. bis das Fahrzeug die VP erreicht hätte ab den Zeitpunkt, an dem die VP sich entschieden hat, dass sie nicht mehr über die Straße gehen würde. Als Konditionen wurde zusätzlich noch bei jedem der 150 Durchgänge zufällig gezogen, ob der Proband einen Verbrennungsmotor Sound oder Elektromotoround zu hören bekam. (somit gibt es eigentlich nur 2 Konditionen, als dritte „Kondition“ habe ich die Daten der beiden Konditionen zusammengenommen betrachtet)

Nun habe ich mit „R“ die Koeffizienten jeder Kondition zu jeder Versuchsperson berechnet. Jetzt ginge es mir vor allem darum mit welchem Verfahren ich die Daten aller Probanden zu einer Aussage zusammenfassen könnte. Eine Überlegung, die ich schon hatte, war das ich die Daten aller VP zusammengefasst betrachte und daraus dann für jede Kondition wieder eine multiple lineare Regression durchführe, bin mir aber unsicher, ob das statistisch sinnvoll ist.

Hi!

Ich glaube, der Versuchsaufbau ist verständlich beschrieben. Du manipulierst die Geschwindigkeit, die Entfernung und das Geräusch ist entweder Elektro- oder Verbrennungsmotor. Daraus ergibt sich eine Zeit, die Du beobachtet hast.

Jetzt stellt sich mir die Frage, wie ich diese Regressionen miteinander in Beziehung setze, um nicht nur die Daten mit den Aussagen der einzelnen Probanden zu haben, sondern über die gesamte Stichprobe bzw. dann später über die Grundgesamtheit eine Aussage zu treffen.

malte* hat geschrieben:Jetzt ginge es mir vor allem darum mit welchem Verfahren ich die Daten aller Probanden zu einer Aussage zusammenfassen könnte.

Das ist mir alles zu schwammig in der Fragestellung. Was ist den jetzt eigentlich die zu beantwortende Frage? Ob die Leute beim Elektromotor länger über die Straße gehen würden als beim Verbrenungsmotor? Oder geht es um ein Vorhersagemodell, das möglichst gut funktioniert?

Anfangen würde ich mit einem Modell der Art

Code: Alles auswählen

Zeit ~ I(Entfernung/Geschwindigkeit) + Entfernung + Geschwindigkeit + Geräuschart

Entfernung/Geschwindigkeit ist die Zeit, die man objektiv noch hätte, bis das Auto da ist. Wären die Menschen Maschinen, dann wäre Entfernung/Geschwindigkeit die tatsächlich vorhandene Zeit und der Intercept ein Sicherheitspolster. Nun könnte es sein, dass Menschen darüber hinaus je nach Art des Geräuschs, je nach Entfernung und Geschwindigkeit anders reagieren, als eine Maschine das machen würde. Deshalb würde ich in einem ersten Modell jedem davon einen additiven Term gönnen.

Dieses Modell kann man dann ggf. weiter entwickeln. Je nach Anzahl der vorhandenen Prädiktoren könnte man sich Interaktionsterme mit der Geräuschart vorstellen oder, wenn die Verteilung der Residuen nicht gut ist, vielleicht auch quadratische Terme für nicht lineare Einflüsse etc.

HTH,
Bernhard