STATISTIK-FORUM.de

[bele]

Hallo John Wayne,

ich habe mich vertippt. Ich wollte nicht nachfragen, wieviele Items Du hast, sondern wieviele Fragebögen/wieviele Fälle. R^2 kommt keine Signifikanz zu. Vielleicht ist es aber das geschickteste, wenn Du die Ausgabe Deines Programms kopierst, irgendwo hochlädst und hier verlinkst, damit wir uns ein wenig mehr der Informationen nach denen DHA3000 gefragt hat anschauen können.

Liegt die Korrelation zwischen Gesamtscore und Reaktionszeit in der Größenordnung um ? Wenn nein, gib bitte auch die Höhe der Korrelation und des p-Wertes dazu an.

Noch ein Ding: Reaktionszeiten sind in einer linearen Regression häufiger in Form des Logarithmus der Reaktionszeit aufgehoben. Hast Du das schon mal versucht?

LG,
Bernhard

[John Wayne]

Nein, das habe ich noch nicht versucht... wie macht man das denn?

Ja, die Korrelation liegt bei -.586 (P = .007)

N = 17

[bele]

Du versuchst gerade, aus 17 Datensätze präzise Schätzungen für 6 verschiedene Koeffizienten zu errechnen. Fünf für Deine Items und einen für den Intercept. Du hast also nicht einmal 3 Datensätze pro Koeffizient. Da bleibt sehr viel Spielraum für jeden Koeffizienten und mithin ist das Konfidenzintervall für jeden Koeffizienten sehr breit. Da rutscht dann auch die Null schnell mit in das Konfidenzintervall und schwupps ist nichts mehr signifikant.

Du hast einfach zu wenige Datensätze für eine lineare Regression mit 5 UV. Du kannst ja spaßeshalber Deine Daten zehn mal untereinander copypasten und mit diesen scheinbar 170 Datensätzen nochmal die Regression rechnen .Nur so aus Spaß, natürlich nicht als ernsthaften Lösungsansatz.

Das was Du möchtest - aus 17 Datensätzen die Wertigkeit von 5 verschiedenen Items herausziehen, wird wohl nicht funktionieren. Sorry. n ist durch nichts zu ersetzen als durch ein größeres n.

LG,
Bernhard


PS: Wahrscheinlich benutzt Du kein R, wenn doch, illustriert das hier die Situation:

Code: Alles auswählen

set.seed(4711)

a <- rnorm(20)
b <- rnorm(20) +rnorm(20)
c <- rnorm(20) +rnorm(20)

a1 <- rep(a, times=100)
b1 <- rep(b, times=100)
c1 <- rep(c, times=100)


print(summary(lm(a ~ b+c)))
print(summary(lm(a1 ~ b1+c1)))

[John Wayne]

Ok super, deine Antwort hilft mir sehr, mein Ergebnis zu verstehen, vielen Dank!

Wenn ich die Items jeweils einzeln mit den Reaktionszeiten korrelieren würde, wäre es ja aber das gleiche Problem in grün, oder? Also es wäre auch nicht unbedingt sinnvoller weil mein N so oder so zu klein ist, um vernünftige Zusammenhänge zu finden, richtig?

[bele]

Du musst entscheiden, ob eine deskriptive Betrachtung der einzelnen Korrelationen interessant ist. Die Korrelationskoeffizienten und deren Konfidenzintervalle anschauen ohne daraus Entscheidungen über größer und kleiner zu treffen kann auch interessant und angesichts der Stichprobengröße angemessener sein.

LG,
Bernhard