Voraussetzungen lineare Regression
Verfasst: Fr 20. Okt 2017, 12:49Hallo!
Ich danke schon einmal im Voraus jedem Leser, der sich meinem Problem annimmt. Ich schreibe gerade meine Masterarbeit über Krisenkommunikation und rechne hierfür zwei Moderatorregressionen, für die ich die Voraussetzungen für lineare Regressionen testen muss. Ich arbeite hierfür mit SPSS.
Dabei kam folgendes heraus:
1. Regression:
Es liegt starke Multikollinearität vor (VIF-Werte von ca. 15 bei 2 Variablen). Ausreißer sind keine vorhanden, auch die Durbin-Watson-Werte für Autokorrelation sind okay. Der Shapiro-Wilk-Test zeigt, dass die Residuen normalverteilt sind.
Auf einem Scatterplot erhalte ich das Ergebnis, das unten unter "Regression 1" zu finden ist.
Meine Frage nun: Ist das ein linearer Zusammenhang? Ich bin mir nicht sicher, da die Punktewolke ja in eine Richtung zeigt, in der Mitte jedoch keine vorhanden sind.
Und die zweite Frage: Liegt hier Heteroskedastizität vor? Ich weiß, dass es SPSS-Erweiterungen für den Breusch-Pagan-Test gibt, diese funktionieren bei mir jedoch nicht, weil mein Laptop schon etwa 10 Jahre alt ist und mit den Paketen nicht klar kommt.
Hier die URL zum Bild: https://cdn.fbsbx.com/v/t59.2708-21/222 ... C0017&dl=1
2. Regression:
Auch hier liegt eine ähnlich starke Multikollinearität vor. Ausreißer sind nur schwach vorhanden, eine Beobachtung wird gelöscht. Die Durbin-Watson-Werte sind perfekt, der Shapiro-Wilk-Test zeigt jedoch, dass die Daten nicht normalverteilt sind und nach rechts geneigt (rechtsschief).
Der Scatterplot direkt hier unten zeigt meiner Ansicht nach einen schönen linearen Zusammenhang ohne Heteroskedastizität, liege ich da richtig?
Hier die Bild-URL: https://cdn.fbsbx.com/v/t59.2708-21/225 ... C7380&dl=1
Die Frage für beide Modell ist außerdem, wie ich mit der Multikollinearität umgehe. Ich kann ja keine Daten löschen, da meine Regression nur aus drei Variablen besteht: Dem Interaktionsterm aus UV1*UV2 sowie der jeweiligen einzelnen UV1 und UV2. Lösche ich eine Variable, kann ich keine Moderation mehr messen (Hinweis: Ich weiß, dass es noch andere, möglicherweise bessere Verfahren zu Moderatorregressionen gibt, ich habe dieses Verfahren jedoch bewusst gewählt und mit meiner Dozentin abgesprochen).
Wegen der hohen Multikollinearität habe ich außerdem versucht, eine Hauptkomponentenanalyse (PCA) zu rechnen, doch das Kaiser-Mayer-Olkin-Kriterium ist hier zu niedrig.
Natürlich kann ich auch in meiner Masterarbeit schreiben, dass die Ergebnisse nur mit starken Limitationen angenommen werden können. Aber vielleicht gibt es ja vergleichsweise einfache Verfahren, wie ich diese "Datenprobleme" lösen kann.
Vielen Dank für alle Antwortenden!
Liebe Grüße
Agent_Summer
Ich danke schon einmal im Voraus jedem Leser, der sich meinem Problem annimmt. Ich schreibe gerade meine Masterarbeit über Krisenkommunikation und rechne hierfür zwei Moderatorregressionen, für die ich die Voraussetzungen für lineare Regressionen testen muss. Ich arbeite hierfür mit SPSS.
Dabei kam folgendes heraus:
1. Regression:
Es liegt starke Multikollinearität vor (VIF-Werte von ca. 15 bei 2 Variablen). Ausreißer sind keine vorhanden, auch die Durbin-Watson-Werte für Autokorrelation sind okay. Der Shapiro-Wilk-Test zeigt, dass die Residuen normalverteilt sind.
Auf einem Scatterplot erhalte ich das Ergebnis, das unten unter "Regression 1" zu finden ist.
Meine Frage nun: Ist das ein linearer Zusammenhang? Ich bin mir nicht sicher, da die Punktewolke ja in eine Richtung zeigt, in der Mitte jedoch keine vorhanden sind.
Und die zweite Frage: Liegt hier Heteroskedastizität vor? Ich weiß, dass es SPSS-Erweiterungen für den Breusch-Pagan-Test gibt, diese funktionieren bei mir jedoch nicht, weil mein Laptop schon etwa 10 Jahre alt ist und mit den Paketen nicht klar kommt.
Hier die URL zum Bild: https://cdn.fbsbx.com/v/t59.2708-21/222 ... C0017&dl=1
2. Regression:
Auch hier liegt eine ähnlich starke Multikollinearität vor. Ausreißer sind nur schwach vorhanden, eine Beobachtung wird gelöscht. Die Durbin-Watson-Werte sind perfekt, der Shapiro-Wilk-Test zeigt jedoch, dass die Daten nicht normalverteilt sind und nach rechts geneigt (rechtsschief).
Der Scatterplot direkt hier unten zeigt meiner Ansicht nach einen schönen linearen Zusammenhang ohne Heteroskedastizität, liege ich da richtig?
Hier die Bild-URL: https://cdn.fbsbx.com/v/t59.2708-21/225 ... C7380&dl=1
Die Frage für beide Modell ist außerdem, wie ich mit der Multikollinearität umgehe. Ich kann ja keine Daten löschen, da meine Regression nur aus drei Variablen besteht: Dem Interaktionsterm aus UV1*UV2 sowie der jeweiligen einzelnen UV1 und UV2. Lösche ich eine Variable, kann ich keine Moderation mehr messen (Hinweis: Ich weiß, dass es noch andere, möglicherweise bessere Verfahren zu Moderatorregressionen gibt, ich habe dieses Verfahren jedoch bewusst gewählt und mit meiner Dozentin abgesprochen).
Wegen der hohen Multikollinearität habe ich außerdem versucht, eine Hauptkomponentenanalyse (PCA) zu rechnen, doch das Kaiser-Mayer-Olkin-Kriterium ist hier zu niedrig.
Natürlich kann ich auch in meiner Masterarbeit schreiben, dass die Ergebnisse nur mit starken Limitationen angenommen werden können. Aber vielleicht gibt es ja vergleichsweise einfache Verfahren, wie ich diese "Datenprobleme" lösen kann.
Vielen Dank für alle Antwortenden!
Liebe Grüße
Agent_Summer