STATISTIK-FORUM.de

[meistermeister]

Hallo liebe Forumsmitglieder,
ich habe folgende Problemstellung die ich mit Hilfe einer Multiplen logistischen regression bearbeiten möchte:

a) unabhängige Variablen sind metrische Tests also 20m-Sprint, 5m-Sprint, Standsprung, Hochsprung,..., (metrisch)

b) abhängige Variable ist die Leistungsklasse 1,2,3,4 (kategorial)

-> Fragestellung: mit welcher Wahrscheinlichkeit ist ein Proband mit einer bestimmten Merkmalskombination einer Leistungsklasse zuzuordnen?

Soweit so gut...

Nun zu meiner Frage, die Tests wurden in unterschiedlichen Altersklassen durchgeführt und es sollten auch unterschiedliche Ergebnisse für Jungs und Mädels rauskommen.

Ist es zulässig:
einfach vorher beispielsweise Altersklasse U12 männlich auszuwählen und dann meine Multiple Logistische Regression zu rechnen und mache dies für jede Altersklasse und Geschlecht oder muss ich die Altersklasse und das Geschlecht in meinem Model mit unterbingen, wenn ja wo???

Herzlichen Dank für Eure Hilfe!

[daniel]

a) unabhängige Variablen sind metrische Tests also 20m-Sprint, 5m-Sprint, Standsprung, Hochsprung,..., (metrisch)

Was wurde da gemessen? Zeiten, Höhe, Weite, etc., nehme ich.

b) abhängige Variable ist die Leistungsklasse 1,2,3,4 (kategorial)

-> Fragestellung: mit welcher Wahrscheinlichkeit ist ein Proband mit einer bestimmten Merkmalskombination einer Leistungsklasse zuzuordnen?

Nach welchen Kriterien werden die Probanden denn den Leistungsklassen zugeorednet? Hoffentlich nicht auf Grundlage der Merkmalskombinationen?

Nun zu meiner Frage, die Tests wurden in unterschiedlichen Altersklassen durchgeführt und es sollten auch unterschiedliche Ergebnisse für Jungs und Mädels rauskommen.

Ist es zulässig:
einfach vorher beispielsweise Altersklasse U12 männlich auszuwählen und dann meine Multiple Logistische Regression zu rechnen und mache dies für jede Altersklasse und Geschlecht oder muss ich die Altersklasse und das Geschlecht in meinem Model mit unterbingen, wenn ja wo???

Wenn Du keinen Grund zur Annahme hast, dass die Prädikatoren für verschiedene Geschlechter und Alterklassen unterschiedliche Effekte habe, dann würde ich ein Modell spezifizieren und für die unterschiedlichen W' einfach die jeweiligen Werte einsetzen.

Willst Du das als orderd oder multinominal Modell schätzen?
Wie hoch ist(sind) die Fallzahlen?

[meistermeister]

Vielen Dank für die Antwort,

- Tests wurden in Höhen Weiten etc. gemessen.
- Leistungsklassen wurden extern ermittelt je nachdem welches Spiellevel die Spieler erreicht haben

Ich nehme natürlich an dass Alter und Geschlecht einen Einfluss haben
ein 12 Jahre alter Spieler wird schlechter sein als ein 15 Jahre alter von daher will ich nur die Daten eines Jahrgangs vergleichen und Jungs sollten leistungsstärker als Mädels sein von daher auch Unterscheidung in Geschlecht nötig. (Diese Separation in Altersklassen und Geschlecht macht auch aufgrund des Wettkampfbetriebes Sinn)

Frage ist: darf ich das vorher separieren und für jede Klasse eine Regression rechnen oder muss ich die Faktoren Altersklasse und Geschlecht mit einbauen, wenn ja wo???

Fallzahlen sollten auch wenn ich vorher separiere 50-100 pro Klasse betragen

[daniel]

Ich nehme natürlich an dass Alter und Geschlecht einen Einfluss haben
ein 12 Jahre alter Spieler wird schlechter sein als ein 15 Jahre alter von daher will ich nur die Daten eines Jahrgangs vergleichen und Jungs sollten leistungsstärker als Mädels sein von daher auch Unterscheidung in Geschlecht nötig. (Diese Separation in Altersklassen und Geschlecht macht auch aufgrund des Wettkampfbetriebes Sinn)

Die Frage war nicht, ob die Variablen eine Effekt haben, sondern ob dieser Effekt für unterschiedliche Gruppen unterschiedlich wirkt. Der Einfachheit halber nehme ich an, dass dem nicht so ist.

Frage ist: darf ich das vorher separieren und für jede Klasse eine Regression rechnen oder muss ich die Faktoren Altersklasse und Geschlecht mit einbauen, wenn ja wo???

Klar kannst Du das machen, die Frage ist wozu? Wieso spezifizierst Du das Modell nicht einfach als

Leistungsklasse = b0 + b1*Sprint + b2*Sprung + ... + bj * Alter + bk* Geschlecht

Fallzahlen sollten auch wenn ich vorher separiere 50-100 pro Klasse betragen

Also 50 ist schon recht knapp für nicht-lineare Modelle. ML funktioniert i.d.R. assymptotisch und ob 50 oder 100 nun n -> unendlich nahe kommt sei mal dahingestellt.

[meistermeister]

Spezifizieren würde heißen ich mache aus den Leistungsklassen :
die Leistungsklassen: u12männlich1, u13männlich1, u12männlich 2, u13 männlich 3
und habe somit wieder nur eine abhängige Variable??

Super vielen dank

[meistermeister]

zum Thema Effekt, ich gehe davon aus dass in der u12 der Unterschied geringer ausfallen wird als in einem älteren Jahrgang von daher kann der Effekt sich schon verschieben...

[daniel]

Kann es sein, dass Du (noch) nicht so richtig weißt wie Du an das Problem grundlegend rangehst?

Spezifizieren würde heißen ich mache aus den Leistungsklassen :
die Leistungsklassen: u12männlich1, u13männlich1, u12männlich 2, u13 männlich 3
und habe somit wieder nur eine abhängige Variable??

Ich denke Geschlecht und Alter sind Prädikatoren, keine outcomes (i.e. abhängige Variablen)? Du hast immer nur eine abhängige Variable: Leistungsklasse. Ich verstehe Dein Problem einfach nicht wirklich.

Spezifizieren heißt einfach ein Modell aufstellen. Das Modell lautet (wie bereits geschrieben z.B.)

Leistungsklasse = b0 + b1*Sprint + b2*Sprung + ... + bj * Alter + bk* Geschlecht

Wie Du das Modell dann statistisch schätzt musst Du Dir eben überlegen. Daher die Frage zu Beginn, ob Du ein orderd Modell oder ein multinomisches Modell schätzen willst. Oder gar eine Reihe binärer Regressionen?

[daniel]

zum Thema Effekt, ich gehe davon aus dass in der u12 der Unterschied geringer ausfallen wird als in einem älteren Jahrgang von daher kann der Effekt sich schon verschieben...

Welcher Unterschied denn?

[meistermeister]

Also
die Fragestellung ist:

ich habe Testwerte von elfjährigen Jungen und möchte wissen mit welcher Wahrscheinlichkeit er
in Leistungsklasse 1,2,3 einzuordnen sein wird. es könnte z.B. sein, dass Sprint ein guter Prädiktor ist Sprung ein schlechter.

Bei 15 jährigen Jungs könnte dies anders aussehen.

Genauso wird bei den Mädels ggf. ein anderer Einfluss (Testwert/Testwertkombination) aussagekräftig sein, ggf. mit Unterschieden in den Altersklassen.

Wenn ich dich Recht verstehe ist es dann zulässig und notwendig vorher Alter und Geschlecht zu separieren, weil ich ja genau die Veränderung der Testwerte/Testwertkombinationen als Prädiktoren sehen möchte oder habe ich noch einen Knoten im Gehirn.

Vielen Dank

[daniel]

Wenn ich dich Recht verstehe ist es dann zulässig und notwendig vorher Alter und Geschlecht zu separieren, weil ich ja genau die Veränderung der Testwerte/Testwertkombinationen als Prädiktoren sehen möchte oder habe ich noch einen Knoten im Gehirn.

Notwendig nicht, Du kannst auch Interaktionseffekte schätzen. Du kannst aber auch das gleiche Modell auf unterscheidliche samples anwenden.

Leider kannst Du die Ergebnisse nicht unter/zwischen den samples vergleichen, aber darum geht es Dir ja auch nicht, wenn ich das richtig verstehe. Du willst ledglich (vorhergesagte) Wahrscheinlichkeiten schätzen, keine Effekte vergleichen.