STATISTIK-FORUM.de

[fic-88@hotmail.com]

Ich gehe davon aus, dass die Korrelationen zwischen den einzelnen unabhängigen Variablen relativ hoch sein könnten. Deshalb habe ich vor, so einen Test auf Multikollinearität durchzuführen, damit ich die Ergebnisse der Regressionsanalyse nicht falsch interpretiere.

Aber was meinst du mit einfachen Regressionen zwischen den einzelnen Merkmalen?

Und gehe ich richtig in der Annahme, dass die Regressionskoeffizienten und die Beta-Koeffizienten in meinem Modell gleich sein sollten, da ich sowohl die abhängige(n) Variable(n) als auch die unabhängigen über eine Intervallskala von 1-5 ermittle, die gleich große Unterschiede unterstellt?

[PonderStibbons]

Aber was meinst du mit einfachen Regressionen zwischen den einzelnen Merkmalen?

Es gibt einfache Regression (ein Prädiktor) und multiple Regression (mehrere Prädiktoren).

Und gehe ich richtig in der Annahme, dass die Regressionskoeffizienten und die Beta-Koeffizienten in meinem Modell gleich sein sollten, da ich sowohl die abhängige(n) Variable(n) als auch die unabhängigen über eine Intervallskala von 1-5 ermittle, die gleich große Unterschiede unterstellt?

Du hast keine Intervallskala, sondern eine Skala mit
5 diskreten Stufen. Die Annahme zu Regressions- und
beta-Koeffizienten habe ich leider nicht verstanden,
mir scheint aber, dass diese Überlegungen für Deine
Auswertungen und Interpretation irrelevant sind.

Mit freundlichen Grüßen

P.

[fic-88@hotmail.com]

Ok, kurz zum Verständnis: Mit einfachen Regressionen meinst du, dass ich eine Regression durchführe, bei der die abhängige Variable weiterhin der Lernerfolg ist (kognitiv, sozial und affektiv), aber ich jeweils nur EINE unabhängige Variable berücksichtige? Ich habe also letztlich 3 multiple Regressionsanalysen (3 Arten von Lernerfolg mit allen 10 Merkmalen guten Unterrichts) und 30 einfache Regressionen (3 Arten von Lernerfolg mit jeweils einem Merkmal guten Unterrichts). Eine Korrelationsmatrix macht ja deshalb Sinn, da es sein kann, dass die multiple Regressionsanalyse (aufgrund der hohen Korrelation zweier Merkmale) einem Merkmal einen zu hohen und dem anderen Merkmal einen zu geringen Erklärungsanteil (beta-Wert?) zuschreibt. Aber was nutzen mir in diesem Zusammenhang einfache Regressionsanalysen?

Warum habe ich keine Intervall-Skala? Indem ich trifft vollkommen zu (100%), trifft überwiegend zu (75%), trifft teilweise zu (50%), trifft kaum zu (25%) und trifft gar nicht zu (0%) mit 1-5 codiere, wobei 1 für trifft vollkommen zu und 5 für trifft gar nicht zu steht, nehme ich doch ein Intervallskalenniveau an?

Und warum sind Beta-Koeffizient und Regressionskoeffizient für mich irrelevant? Den Beta-Koeffizient benötige ich doch, um überhaupt eine Aussage darüber treffen zu können, welche unabhängigen Variablen stärkeren Einfluss auf die abhängige Variable nehmen und welche schwächeren?

Welche Größe gibt mir eigentlich Auskunft darüber, welchen Teil der Varianz eine ganz bestimmte unabhängige Variable erklären kann? Weil das Beta sagt mir ja nur wie stark der Einfluss ist.

Ich hoffe, ich nerv nicht, aber das ist alles ziemlich schwierig für mich und ich möchte nicht über etwas schreiben, wovon ich keine Ahnung habe. Danke auf jeden Fall schon mal für deine Bemühungen!

[PonderStibbons]

Aber was nutzen mir in diesem Zusammenhang einfache Regressionsanalysen?

Wenn Du ohnehin eine 13*13-Matrix der Korrelationskoeffizienten
erstellst, kannst Du es auch dabei belassen.

nehme ich doch ein Intervallskalenniveau an?

Eben, Du nimmst an, aber es ist nicht. Du hast keine Zwischenwerte.
Jemand, dessen Wert auf dem gemessenen Konstrukt in "Wahrheit"
zwischen 3 und 4 liegt, wird auf 3 oder auf 4 festgelegt. Die
Werte springen von Stufe zu Stufe.

Und warum sind Beta-Koeffizient und Regressionskoeffizient für mich irrelevant?

Ich schrieb, die Annahme, dass die gleich sein sollten, habe ich
nicht verstanden, sie schien mir aber irrelevant. Nicht die Koeffizienten,
sondern die Annahme.

Welche Größe gibt mir eigentlich Auskunft darüber, welchen Teil der Varianz eine ganz bestimmte unabhängige Variable erklären kann? Weil das Beta sagt mir ja nur wie stark der Einfluss ist.

Da gibt es keine eindeutigen Lösungen. Da das Unterfangen, dies
genau berechnen zu wollen, ohnedies zum Scheitern verurteilt ist
(wegen der Interkorrelation der Prädiktoren), befasse ich mich
zugegebenermaßen aber selten damit. Man kann natürlich für jeden
Prädiktor berechnen, wieviel Varianz er aufklärt, der nicht von den
anderen 9 bereits aufgeklärt wurde, aber das ist viel Arbeit
mit begrenztem Ertrag.

Mit freundlichen Grüßen

P.

[fic-88@hotmail.com]

Ok wunderbar, sehe schön langsam Licht am Ende des Tunnels Einige Fragen habe ich jedoch noch:

Das heißt also, dass ich gar nicht (zumindest nicht exakt) ermitteln kann, wie viel Prozent der Varianz das Merkmal "Positive Verstärkung" aufklärt? Ich kann lediglich sagen, ob es sich im Vergleich zu den anderen 9 Merkmalen stark oder weniger stark auf den jeweiligen Lernerfolg auswirkt? Dadurch kann ich meine Forschungsfrage nach dem "Anteil" nur unzureichend beantworten, oder nicht?

Ist es sinnvoll, dass ich bereits im Vorfeld jeweils 3 Items zu 1 Merkmal zusammenfasse und dann mit 10 Merkmalen als unabhängige Variable rechne? Mir geht es ja im Prinzip nur darum, dass ich 3 Items auf jeden Fall zu 1 Merkmal zusammenfassen muss, da ich für dieses (Positive Verstärkung) ein eigenes Ergebnis brauche. Wäre es besser, die restlichen 27 Items mit Hilfe einer Faktorenanalyse sinnvoll zusammenzufassen (bzw. geht das überhaupt)? Das erschwert mir das ganze natürlich, da ich Oberbegriffe für die Items finden muss und es sein kann, dass mir die Analyse Items zu Faktoren zusammenfasst, die rein inhaltlich nicht zusammenpassen.

Oder denkst du, dass es in meinem Fall besser ist, vorzugeben, welche 3 Items jeweils zu einem Merkmal zusammengefasst gehören und mit 10 UVs zu arbeiten? Hier könnte ich alternativ die interne Konsistenz und Trennschärfe beachten, um zu sehen, ob es denn wirklich Sinn macht, die Merkmale zusammenzufassen.

[PonderStibbons]

Ich kann lediglich sagen, ob es sich im Vergleich zu den anderen 9 Merkmalen stark oder weniger stark auf den jeweiligen Lernerfolg auswirkt?

Da stellt sich doch dasselbe Problemn wie vorher, jedes Regressionsgewicht
wird immer unter Berücksichtigung aller anderen vorhandenen Prädiktoren
ermittelt. Und Tests, welche Variablen denn nun tatsächlich einen höheren
Zusammenhang mit dem Kriterium aufweisen als andere, sind meines Wissens
nach sehr kompliziert. Das einzig Einfache ist, die bivariaten Korrelationen
zu betrachten.

Ist es sinnvoll, dass ich bereits im Vorfeld jeweils 3 Items zu 1 Merkmal zusammenfasse und dann mit 10 Merkmalen als unabhängige Variable rechne?

Ich weiß nicht, woher Deine Messinstrumente stammen. Ich war immer
davon ausgegangen, dass Du jeweils mehrere Items summierst, um den
Messwert eines Konstrukts zu ermitteln, und dass es dafür eine ausreichende
Begründung gibt.

Mit freundlichen Grüßen

P.

[fic-88@hotmail.com]

Da stellt sich doch dasselbe Problemn wie vorher, jedes Regressionsgewicht
wird immer unter Berücksichtigung aller anderen vorhandenen Prädiktoren
ermittelt. Und Tests, welche Variablen denn nun tatsächlich einen höheren
Zusammenhang mit dem Kriterium aufweisen als andere, sind meines Wissens
nach sehr kompliziert. Das einzig Einfache ist, die bivariaten Korrelationen
zu betrachten.

Das versteh ich jetzt wieder nicht. Mit welchem Instrument und welchen Werten kann ich dann ermitteln, wie hoch der Anteil der positiven Verstärkung am Lernerfolg ist? Ich denke nicht, dass meiner Betreuerin die Interpretation einfacher bivariater Korrelationen reichen wird, sondern dass diese zumindest eine Regressionsanalyse voraussetzt.

Ein höheres Beta bedeutet doch einen höheren Einfluss? Bei einer schrittweisen Regression erklärt jede der Analyse neu hinzugefügte UV nur noch jenen zusätzlichen Anteil der Varianz, den bereits vorhandene UVs noch nicht erklären. Wenn jetzt die Korrelation zwischen dem Merkmal Positive Verstärkung und einem anderen Merkmal, das bereits im Modell enthalten ist, groß ist, kann ich doch darüber begründen, warum der zusätzlich erklärte Teil der Varianz so gering ist und dass er eigentlich höher sein müsste.

Wenn ich weder etwas darüber sagen kann, wie viel Prozent der Varianz das Merkmal positive Verstärkung aufklärt, noch darüber, ob es stärkeren Einfluss hat als andere Merkmale, dann kann ich meine Forschungsfrage ja nicht mal ansatzweise beantworten? Dann kann ich lediglich sagen, wie hoch die Korrelation zwischen Positiver Verstärkung und Lernerfolg (im Vergleich zu der Korrelation zwischen anderen AVs und UVs) ist.

edit:/ Bei Durchführung einer Regressionsanalyse könnte ich aber zumindest sagen, ob Positive Verstärkung dazu beiträgt, einen Teil der Varianz zu erklären. Weil es kann ja durchaus sein, dass keine Signifikanz vorliegt und das Merkmal dadurch nicht in das Modell integriert wird?

Ich weiß nicht, woher Deine Messinstrumente stammen. Ich war immer
davon ausgegangen, dass Du jeweils mehrere Items summierst, um den
Messwert eines Konstrukts zu ermitteln, und dass es dafür eine ausreichende
Begründung gibt.

Die Items und Konstrukte habe ich großteils aus vorliegenden Untersuchungen zu "Merkmalen guten Unterrichts" übernommen. Ich habe lediglich 2 weitere Items zu positiver Verstärkung hinzugefügt, da positive Verstärkung nur durch 1 Item beschrieben wurde und dieses einem anderen Merkmal zugeordnet wurde und nicht als eigenes Merkmal "Positive Verstärkung" betrachtet wurde.

[PonderStibbons]

Das versteh ich jetzt wieder nicht. Mit welchem Instrument und welchen Werten kann ich dann ermitteln, wie hoch der Anteil der positiven Verstärkung am Lernerfolg ist?

Zweifelsfrei ermitteln wohl mit gar keinen, wie es aussieht.

Ich denke nicht, dass meiner Betreuerin die Interpretation einfacher bivariater Korrelationen reichen wird, sondern dass diese zumindest eine Regressionsanalyse voraussetzt.

Die kannst Du ja immer machen, vielleicht theoriegeleitet mit jeweils
weniger Prädiktoren bzw. um eine spezifische Hypothese zu überprüfen.

Ein höheres Beta bedeutet doch einen höheren Einfluss?

Nein, es bedeutet ein höhere Regressionsgewicht im Rahmen der
Regressionsgleichung, unter Berücksichtigung aller anderen
Prädiktoren in der Gleichung.

Bei einer schrittweisen Regression erklärt jede der Analyse neu hinzugefügte UV nur noch jenen zusätzlichen Anteil der Varianz, den bereits vorhandene UVs noch nicht erklären. Wenn jetzt die Korrelation zwischen dem Merkmal Positive Verstärkung und einem anderen Merkmal, das bereits im Modell enthalten ist, groß ist, kann ich doch darüber begründen, warum der zusätzlich erklärte Teil der Varianz so gering ist und dass er eigentlich höher sein müsste.

Ja, das ist eine Überlegung. Ob es in jedem Fall dann zutreffend
ist, kann ich nicht beurteilen.

Wenn ich weder etwas darüber sagen kann, wie viel Prozent der Varianz das Merkmal positive Verstärkung aufklärt, noch darüber, ob es stärkeren Einfluss hat als andere Merkmale, dann kann ich meine Forschungsfrage ja nicht mal ansatzweise beantworten?

Vielleicht ist die Frage falsch bzw. viel zu allgemein gestellt.
Die Problematik bei der Datenanalyse spiegelt doch nur den
Umstand wieder, dass man kaum in der Lage sein wird, verschiedene,
miteinander vielfältig verwobene Einflüsse im Rahmen eines so
komplexen Geschehens wie der Wissensvermittlung im Unterricht
fein säuberlich auseinanderdividieren zu können.

Mit freundlichen Grüßen

P.

[fic-88@hotmail.com]

Zweifelsfrei ermitteln wohl mit gar keinen, wie es aussieht.

Ok sehe schon, dass das ein schwieriges Unterfangen ist. Aber die Regressionsanalyse sollte mir dann doch zumindest ein wenig mehr Informationen liefern können als einfache Korrelationen.

Nein, es bedeutet ein höhere Regressionsgewischt im Rahmen der
Regressionsgleichung, unter Berücksichtigung aller anderen
Prädiktoren in der Gleichung.

Und was sagt ein höheres Regressionsgewicht aus?

Angenommen ich führe so eine schrittweise Regression mit der abhängigen Variable kognitiver Lernerfolg durch. Dabei ist das Merkmal "Positive Verstärkung" der letzte (sagen wir vierte) Prädiktor, der als Aufnahmekriterium eine auf 5%-Niveau signifikante Erhöhung der aufgeklärten Varianz erreicht.

Vor der Hinzufügung hatte ich sagen wir folgendes Ergebnis: 3 UV, adjusted r² 0,61, Betas (Merkmal 1,2,3) von 0,28; 0,18 und 0,22
Nach der Hinzufügung erhalte ich dann folgendes Ergebnis: 4 UV, adjusted r² 0,69, Betas (Merkmal 1,2,3,4) von 0,30; 0,16; 0,21 und 0,12

Wie kann ich das Ergebnis dann interpretieren? Das Hinzufügen der vierten unabhängigen Variable hat dazu geführt, dass weitere 8% der Varianz aufgeklärt werden konnten, die das bisherige Modell nicht aufklären konnte. Die Beta-Koeffizienten der vorhandenen UVs haben sich durch Hinzufügen eines weiteren UVs verändert. Ich hoffe das ist soweit richtig. Nur was sagt mir dann der Beta-Wert des Merkmals 4 von 0,12 aus?

Und eine weitere Frage zu diesem Beispiel: Angenommen r² wäre bei der alleinigen Berücksichtigung von Merkmal 1 bereits 0,50 gewesen und die Korrelation zwischen Merkmal 1 und Merkmal 4 ist hoch (zB 0,85), dann könnte man doch daraus schlussfolgern, dass Merkmal 1 in diesem Beispiel einen zu großen Teil (50%) und Merkmal 4 einen zu kleinen Teil (8%) der Varianz erklärt, als es eigentlich der Fall sein müsste.

Vielleicht ist die Frage falsch bzw. viel zu allgemein gestellt.
Die Problematik bei der Datenanalyse spiegelt doch nur den
Umstand wieder, dass man kaum in der Lage sein wird, verschiedene,
miteinander vielfältig verwobene Einflüsse im Rahmen eines so
komplexen Geschehens wie der Wissensvermittlung im Unterricht
fein säuberlich auseinanderdividieren zu können.

Reverse-Engineering: Welche Forschungsfrage wäre in meinem Fall sinnvoll(er)? Den Anteil kann ich ja wie gesagt nicht oder nur schwer errechnen. Wäre es besser, danach zu Fragen, ob der Einsatz positiver Verstärkung überhaupt zu besseren Lernleistungen (kognitiv, sozial, affektiv) führt?

[PonderStibbons]

Nur was sagt mir dann der Beta-Wert des Merkmals 4 von 0,12 aus?

Ich weiß nicht recht, was mit aussagen gemeint ist. Es ist halt Bestandteil der
Vorhersagegleichung. Das Gewicht wurde unter Berücksichtigung der übrigen
Prädiktoren ermittelt.

Und eine weitere Frage zu diesem Beispiel: Angenommen r² wäre bei der alleinigen Berücksichtigung von Merkmal 1 bereits 0,50 gewesen und die Korrelation zwischen Merkmal 1 und Merkmal 4 ist hoch (zB 0,85), dann könnte man doch daraus schlussfolgern, dass Merkmal 1 in diesem Beispiel einen zu großen Teil (50%) und Merkmal 4 einen zu kleinen Teil (8%) der Varianz erklärt, als es eigentlich der Fall sein müsste.

Auch hier weiß ich leider nicht genau, was Du meinst.
Nebenbei kann die Varianzaufklärung sogar noch weiter
steigen durch Hinzunahme eines Prädiktors 2, der mit
Prädiktor 1 hoch aber mit dem Kriterium gar nicht
korreliert ist, also eigentlich keine Vorhersagekraft für
das Kriterium hat, das nennt sich Suppressoreffekt.
Aufgrund dieser und anderer möglicher Phänomene ist
es eben sehr schwer, Varianzanteile einem Prädiktor
zuzurechnen. Wie gesagt spiegelt das aber das nur
wider, wie komplex der Forschungsgegenstand ist.

Reverse-Engineering: Welche Forschungsfrage wäre in meinem Fall sinnvoll(er)?

Mit Verlaub, aber das ist nun wirklich nicht mehr meine Baustelle.

Mit freundlichen Grüßen

P.