STATISTIK-FORUM.de

[Sasi]

Hallo,
wird aus kategorischen Daten bei der Codierung in SPSS numerische Daten? Und bedeutet das, dass ich eine ganz normale Regressionsanalyse machen kann? Ich bin gerade etwas verwirrt nach dem ich mir ein Video zu SPSS angeschaut habe und der Herr meinte das man aus Kategorien durch die Codierung (z.B. 1= Mathe, 2=Deutsch) alle normalen Verfahren anwenden kann. Ich hatte mich aufgrund der kategorischen Daten schon auf eine multinominale logistische regressionsanalyse eingestellt!

Ich hoffe ihr könnt mir helfen! Vielen Dank

[daniel]

Der Beitrag hat viel Potential zur Verwirrung beizutragen. Hier einige Vorschläge etwas Licht ins Dunkel zu bringen.

1. Ersetze "Daten" im gesamten Post durch "Variablen"

2. Statistische Verfahren sind ausnahmslos mit "numerischen" Variablen möglich. Das hat den Grund, dass man mit string (i.e. Text) Variablen nicht rechnen kann. Kategoriale (nicht: kategorische) Variablen sind numerische Variablen. Relevanter als dieser Untersched ist das Skalenniveau der Variablen. Diese können nach Auffassung Vieler grob qualitativ (nominal, ordinal) oder quantitativ (auch metrsich, i.e. intervall, Ratio) sein.

3. Was sind "normale" Verfahren oder eine "normale" Regresion? Mit letzterem meinst Du vermutlich eine lineare Regression.

4. Im Rahmen jeglicher Regressionsanalyse ist eine weitere Unterscheidung der Variablen in outcome (endogene Variable, abhängige Variable o.ä.) und Prädikator (Kovariate, unabhängige Variable o.ä.) sinnvoll. Die Art des Regressionsmodells (z.B. linear, binär logistisch, multinomisch, ordinal, poisson, negativ-binomial etc.) wird i.d.R. vom Skalenniveau des outcomes bestimmt. Als Prädikatoren können in jeder Regressionsanalyse Varialen jedes Skalenniveaus verwendet werden, wobei qualitative Variablen meist als Indiaktorvariablen (auch Dummies) umgesetzt werden.

[Sasi]

Hallo daniel,
danke erstmal das du dir ein Herz gefasst hast und trotz meiner verwirrenden Frage geantwortet hast - damit hast du mich schon ein ganzes Stück weitergebracht. Leider haben sie uns wild auf das Thema losgelassen ohne das wir noch mal eine Vorlesung dazu hatten. Dadurch das ich jetzt Fragen mit einer Ordinalskala haben aber die anhängige Variable eine Nominalskala hat habe ich mich für die multinominale logistische Regression entschieden und hoffe nun das es richtig ist.

Ich hab nur noch eine Frage. Bei der Frage mit der Nominalskala sollten die Leute aus vielen Firmen die ankreuzen wo sie der Meinung sind das diese Firma ein Event sponsert. Jedoch waren 3 der 5 Firmen keine Sponsoren. Um einen %-Satz rauszubekommen habe ich erstmal von 1-5 codiert. Wenn ich nun aber die Regression berechnen möchte muss ich es dann umcodieren in 0=trifft nicht zu, 1=trifft zu um ein richtiges Ergebnis zu erhalten oder muss ich bei der Codierung 1-5 bleiben?

Vielen Dank, Sasi

[daniel]

die anhängige Variable eine Nominalskala hat habe ich mich für die multinominale logistische Regression entschieden und hoffe nun das es richtig ist.

Das kommt darauf an, ob Du als Prädikatoren Charakteristika der Befragten, der Frimen oder beides verwenden willst. Leider ist die Terminologie hier etwas verwirred, was nicht an Dir liegt. Ich bezeiche ein Modell, dass lediglich Characteristika der Befragten als Prädikatoren verwendet als multinomiales Modell. Werden firmenspezifische Charakteristika als Prädikatoren verwendet, nenne ich das Modell konditionales logisitsches Modell. Du wirst aber häufig den Namen multinomisches Modell als Bezeichnung für eine Mischform finden.

Leider haben sie uns wild auf das Thema losgelassen ohne das wir noch mal eine Vorlesung dazu hatten.

Dann musst Du zwingend Literatur lesen. Du wirst ansonsten nicht (oder nur durch Zufall) in der Lage sein, ein geeignetes Modell für Deine Situation (i) zu wählen und (ii) in einer Software Deiner Wahl umzusetzen und (iii) die Ergebnisse korrekt zu interpretiieren. Meines Erachtens ist ein Forum nicht geeignet derart umfangreiches Grundwissen zu vermitteln. Ich würde mich an (mysteriösen) Menschen weden, die Euch "darauf losgelassen" haben.