STATISTIK-FORUM.de

[lohmax]

Hallo,

im Rahmen meiner Master-Arbeit befrage ich 2 Gruppen nach ihren Meinungen und Absichten gegenüber 2 großen Marken. Das unterliegende Modell misst dabei 5 IVs und 4 DVs. Mithilfe der Multiplen Regressionsanalyse will ich nun die Effekte untersuchen, besser gesagt die Effektgröße zwischen den 2 Gruppen vergleichen. Dabei sehe ich vor, die DVs einzeln von den 5 IVs hervorsagen zu lassen (also 4 Regressionsanalysen).

Vorab kann ich die Mittelwerte ja mit dem normalen T-Test vergleichen, mir geht es aber um die Stärke der Wirkung. Ich möchte also die beta-koeffizienten zwischen den 2 Gruppen vergleichen.

Weiß hier jemand welcher Test/welche Prozedur dafür geeignet ist?


Vielen Dank im Voraus!

[mango]

Hallo! Du hast die Prozedur ja im Grunde schon selbst beschrieben. Möchtest du die Signifikanz des Gruppenunterschiedes berechnen, musst du eine Regression über beide Gruppen machen und die Gruppenvariable und die Produkte zwischen Gruppenvariable und deinen unabhängigen Variablen ins Modell einfügen. Die Interaktionsterme zeigen dir dann an, welchen Effekt die Gruppenzugehörigkeit auf den Einfluss der UVs hat.

[lohmax]

Super, danke für deine schnelle Antwort. So habe ich das auch in etwa verstanden. Also eine Dummy Variable, die die Gruppenangehörigkeit angibt (1 o. 2) erstellen und dann den Effekt dieser auf die beta-koeffizienten messen.

Vielleicht hast du auch noch einen Tipp zu einem weiteren Problem. Meine beiden Gruppen sind leider ungleich groß. Gruppe 1 misst 223 Teilnehmer, Gruppe 2 misst 111 Teilnehmer. Also ca. 100% Unterschied. Des Weiteren habe ich 75%-80% weibliche Teilnehmer. Das aber in beiden Gruppen.

Gibt es dafür statistische Methoden, die Unterschiede auszugleichen/zu kontrollieren? Oder glaubst du generell dass das ein großes Problem darstellt? Man könnte ja vielleicht nochmal den Interaktionseffekt im Bezug auf das Geschlecht miteinbeziehen?

Vielen Dank und Liebe Grüße

[mango]

Die Regressionsanalyse erfordert keine gleichen Gruppengrößen. Wenn du einen Effekt des Geschlechts vermutest, nimm das einfach als zusätzliche UV mit ins Modell rein und du bekommst den Geschlechtseffekt aus dem Gruppeneffekt rauspartialisiert. Wobei das kein Problem ist, wenn beide Gruppen eh die gleichen Geschlechteranteile aufweisen. Ein Interaktionseffekt zwischen Gruppe und Geschlecht würde dir wiederum messen, ob der Gruppeneffekt bei einem Geschlecht mehr auftritt als beim anderen (oder andersherum: der Geschlechtseffekt mehr bei einer Gruppe als bei der anderen, das ist ja nicht unterscheidbar).

[lohmax]

Also ich bin nun vor einigen Tagen mit der Analyse gestartet. Leider verwirren mich die Ergebnisse etwas. Ich habe nun insgesamt 608 Teilnehmer (219 in Gruppe 1, 389 in Gruppe 2). Ohne zunächst auf den Gruppen Effekt einzugehen, möchte ich ja erstmal testen ob mein Modell auch in beiden Gruppen funktioniert. Leider ist das etwas problematisch.

Wenn ich die Regression auf das komplette Sample anwende, sind nur 4 von 5 Beziehungen signifikant. Die nicht signifikante ist schwach positiv.

In Gruppe 1 bleibt die nicht-signifikante Beziehung nicht signifikant, wird jetzt jedoch schwach negativ.

In Gruppe 2 wird die nicht-signifikante Beziehung signifikant, wird jetzt aber moderat positiv (?). Außerdem zeigt sich bei 2 anderen Beziehungen, die im totalen Sample signifikant waren, jetzt eine nicht-signifikanz.


Das Problem ist, dass das Modell ja erstmal in beiden Gruppen funktionieren muss (und zwar annähernd gleich), damit ich vergleichen kann. Also müssen zumindest alle Beziehungen signifikant sein, richtig? Ich weiß grad echt nicht weiter... Habe auch schon auf Ausreißer, Normalität, und Linearität geprüft (in sowohl dem gesamten Sample als auch in den 2 Gruppen). Neben 4 Ausreißern war hier jedoch nichts besonders auffällig.

Ich stehe gerade echt auf dem Schlauch...wie würdet Ihr in dieser Situation weiter vorgehen?

Schon mal tausend Dank für jede Hilfe!

[PonderStibbons]

Wenn ich die Regression auf das komplette Sample anwende, sind nur 4 von 5 Beziehungen signifikant. Die nicht signifikante ist schwach positiv.

Da solltest Du für alle Ergebnisse mal die Koeffizienten mit Standardfehlern und die genauen p-Werte angeben,
sonst ist das kaum informativ.

In Gruppe 2 wird die nicht-signifikante Beziehung signifikant, wird jetzt aber moderat positiv (?).

Was soll das konkret heißen?

Außerdem zeigt sich bei 2 anderen Beziehungen, die im totalen Sample signifikant waren, jetzt eine nicht-signifikanz.

Was soll das konkret heißen? p=0,050? p=0,99?

Das Problem ist, dass das Modell ja erstmal in beiden Gruppen funktionieren muss (und zwar annähernd gleich), damit ich vergleichen kann.

Was heißt "funktionieren"? Die Herumfuhrwerkerei mit signifkant/nichtsignifikant-Aussagen
bringt einen da nicht weiter, wie Du bereits bemerkt hast. Ob das Modell für beide Subgruppen
bei denselben Prädiktoren artig p > 0,05 versus p < 0,05 angibt, ist doch wenig von Belang.

Deine Fragestellung wird nicht recht klar. Wenn Dich tatsächlich strukturelle Unterschiede interessieren,
kannst Du Wechselwirkungen Gruppe*Prädiktoren in das Modell aufnehmen. Oder willst Du vorhersagen,
ob das Modell insgesamt in der einen Gruppe besser vorhersagt als in der anderen? Dafür brauchst Du
nicht die einzelnen Prädktoren zu betrachten. Bzw. was heißt konkret

Mithilfe der Multiplen Regressionsanalyse will ich nun die Effekte untersuchen, besser gesagt die Effektgröße zwischen den 2 Gruppen vergleichen.

oder

Vorab kann ich die Mittelwerte ja mit dem normalen T-Test vergleichen, mir geht es aber um die Stärke der Wirkung

Mit freundlichen Grüßen

P.

[lohmax]

Hallo P.,

Vielen Dank für deine rasche Antwort. Dann starte ich mal mit meiner Fragestellung, um das zu verdeutlichen.

Ich untersuche ein Modell, in dem das Ansehen eines Unternehmens mithilfe von 5 Prädikatoren vorausgesagt wird (Kundenorientierung, Guter Arbeitgeber, Produktqualität, Nachhaltigkeit, Finanzielle Stärke). Als abhängige Variable dient im Regressionsmodell die Variable "Ansehen", gemessen mit 4 Items. (Im 2. Schritt werden dann die 5 Prädikatoren mit weiteren abhängigen Variablen wie "Kaufabsicht", "Vertrauen", etc. in Zusammenhang gesetzt, das ist hier aber erstmal nicht von Belang.)

Nun wende ich das Modell auf 2 verschiedene Unternehmen an, die sich grundsätzlich unterscheiden. Die Frage ist, welche der 5 Prädikatoren bei den Unternehmen am stärksten mit der abhängigen Variablen "Ansehen" zusammenhängen. Also bei Unternehmen 1 ist z.B. "Nachhaltigkeit" sehr wichtig, wobei bei Unternehmen 2 z.B. "Kundenorientierung" sehr wichtig, bzw. wichtiger ist.

Um die Beta-Koeffizienten zu vergleichen, kann ich im 2. Schritt ja die Wechselwirkung Gruppe*Prädikatoren mit aufnehmen. Aber vorab muss ich ja sicherstellen, dass alle Prädikatoren einen signifikanten Zusammenhang mit dem "Ansehen" haben, richtig?

Also hier mal die Ergebnisse:

1. Beide Gruppen

Std. Error= ,038; Std. Beta= ,026; T= 0,665; p=,506
Std. Error= ,036; Std. Beta= ,313; T= 8,030; p= ,000
Std. Error= ,039; Std. Beta= ,241; T= 5,670; p= ,000
Std. Error= ,033; Std. Beta= ,100; T= 2,609; P= ,009
Std. Error= ,042; Std. Beta= ,132; T= 3,524, p= ,000

2. Gruppe A (n=389)

Std. Error= ,048; Std. Beta= -,035, T= -,688; p= ,492
Std. Error= ,049; Std. Beta= ,251, T= 4,766; p= ,000
Std. Error= ,055; Std. Beta= ,259, T= 4,625, p= ,000
Std. Error= ,043; Std. Beta= ,118, T= 2,276, p= ,023
Std. Error= ,052; Std. Beta= ,125, T= 2,710, p= ,007

3. Gruppe B (n=219)

Std. Error= ,062; Std. Beta= ,150, T= 2,595, p= ,010
Std. Error= ,054; Std. Beta= ,438, T= 7,084, p= ,000
Std. Error= ,069; Std. Beta= ,121; T= 1,855; p= ,065
Std. Error= ,053; Std. Beta= ,071; T= 1,190; p= ,236
Std. Error= ,071; Std. Beta= ,169; T= 2,873; p= ,004

[PonderStibbons]

Um die Beta-Koeffizienten zu vergleichen, kann ich im 2. Schritt ja die Wechselwirkung Gruppe*Prädikatoren mit aufnehmen.

Nein, das ist kein Vergleich von Beta-Koeffizienten. Wechselwirkung
ist Wechselwirkung. Eine Schlussfolgerung aus einer bestehenden
Wechselwirkung wäre, dass die Stärke des Zusammenhangs (immer
unter Berücksichtigung der anderen Prädiktoren im Modell) zwischen
dem Prädiktor und dem Kriterium je nach Gruppe unterschiedlich ist.

Aber vorab muss ich ja sicherstellen, dass alle Prädikatoren einen signifikanten Zusammenhang mit dem "Ansehen" haben, richtig?

Nicht dass ich wüsste. Zumindest sehe ich nichts in Deiner Fragestellung,
was das erfordern würde.

Was die Vergleiche der Regressionsgewichte angeht, würde ich mal
von der p-Wert-Huberei weggehen und mir einfach die Koeffizienten
ansehen. Das Ergebnismuster für beide Modelle ist ähnlich.

Mit freundlichen Grüßen

P.