STATISTIK-FORUM.de

Liebe Mitglieder,
ich hatte schonmal in einem anderen Unterpunkt etwas gepostet.
Damals ging es um eine Mediation. Nach der Rückmeldung des Profs. geht es jetzt doch darum eine Moderation zu rechnen.

Meine Forschungshypothese ist folgende: Ob Hochsensibilität als Moderator zwischen Stress und Depressionen fungiert.

Hierfür arbeite ich mit dem Programm R und dem Paket Lavaan.

Welche Vorannahmen muss ich hier prüfen?
- Linearität?
- Normalverteilung?
- Homoeskatizität?
- Unabhängigkeit?
Wie messe ich diese und was tue ich, wenn sie nicht erfüllt sind?

Zudem hab ich Folgendes geprüft:
- Linearität mit Streudiagrammen (Wobei ich diese sehr schwer lesen kann)
- Ausreißer mit Leveragewerten und studentisierten Residuen (Wobei ich mich hier frage, ob dies wichtig ist?)

Ich bedanke mich schonmal bei Allen, die ein bisschen Licht ins Dunkeln bringen können!

Hi,

falls du keine latenten Variablen hast oder eine restriktivere Struktur (d.h. manche Variablen, die KEINE Effekte haben), dann kannst du auch mittels OLS eine moderierte Regression machen. Annahmen sind wie üblich auf die Residuen bezogen--v.a. Heteroskedastizität und Normalität.

Ich hatte den SEM post noch gelesen. Wenn du dieselbe Moderatorhypothese in zig Varianten testest, könnt man ne p-Adjustierung überlegen.

Grüße
Holger

Lieber Holgonaut,

ich dachte Hochsensibilät ist eine latente Variable?
Ich hatte mich jetzt für PROCESS entschieden, dass ja auch mittels OLS ermittelt.
Mein Code sieht hier so aus:

process(data = data, y = "Depr", x = "Stress", w ="Hoch.1", model = 1, center = 2, moments = 1, jn = 1, modelbt = 1, boot = 10000, seed = 654321) .

Wären hier nicht Heteroskedastizität und Normalität egal durch das Bootstrapping? (messen würde ich es natürlich trotzdem)

Wie würde man hier eine p-Adjustierung vornehmen? Den P-Wert durch 7 teilen?

Vielen Dank und liebe Grüße

Hi,

im Grunde ist jede Variable im Universum latent--außer sie dann fehlerfrei gemessen werden. Das meinst du wohl. Was ich meinte, ist, ob sie IM MODELL als latente Variable repräsentiert werden soll--d.h. entweder dadurch, dass du mehrere konvergente Indikatoren derselben latenten Variable hat oder aber im Fall nur eines Indikators ein Messmodell spezifizierst, bei dem du den Messfehler auf einen sinnvollen Wert fixierst.

Ob boostrapping die Annahmen unnötig macht, ist eine interessante Frage, über die ich echt noch nie nachgedacht hab. Bauchgefühl und ChatGPT sagen ja

Und bei der p-Adjustierung teilst du die p-Werte durch die Anzahl der tests, die die gleiche Hypothese betreffen. Generell ist so was aber unschön, weil es dich in die Verlegenheit bringt, dass manche Tests, signifikant sind und andere nicht und du dann entscheiden musst, wie du eine Entscheidung über DIE eine Hypothese fällst.

Grüße
Holger