STATISTIK-FORUM.de

[AnRo]

Guten Tag,


ich schreibe gerade an meiner Bachelorarbeit und habe dafür eine multiple lineare Regressionsanalyse ( N= 97, UV = 4) verwendet. Die Voraussetzung für
die Analyse und alle damit einhergehenden Überprüfung habe ich schon abgeschlossen und sind auch gegeben. In meinem Modell
habe ich allerdings einen Prädiktor, der auf zwei andere Prädiktoren einen Suppressionseffekt ausübt. Die Voraussetzungen für eine
Suppressionsvariable (korreliert kaum/gar nicht mit dem Kriterium; weist hohe Korrelation mit anderen Prädiktoren auf) sind alle gegeben
und auch rechnerisch konnte dies nachgewiesen werden. Die Supressorvariable korreliert nicht mit dem Kriterium und ist
auch nicht signifikant, wird aber in der Regressionsgleichung signifikant, also im Zusammenwirken mit den anderen Variablen.

Ich habe dann zwei Regressionen mit SPSS durchgeführt (einmal mit Suppressor; einmal ohne). Auffällig ist, dass ein Prädiktor ohne die
Einbeziehung der Suppressorvariable nicht signifikant ist, wenn man die Koeffiziententabelle von SPSS betrachtet . Durch Hinzufügen des Suppressors, wird
er auch in der Koeffiziententabelle signifikant.

Nun ist meine Frage, wie ich das grundsätzlich bewerte, wenn ich in der Regressionsgleichung einen Suppressor habe. Dieser sorgt ja dafür, dass die
Vorhersagegüte von anderen Prädiktoren sich erhöht (was auch der Fall ist), aber wie genau kann ich seinen Einfluss dann bewerten? Die Literatur hat da
keine genaue Antwort drauf oder ich habe nicht gründlich genug geschaut
Und kann ich den Prädiktor, der durch das Hinzufügen des Suppressors erst signifikant wird, so interpretieren wie er ist oder muss ich
ihn im Zusammenhang mit dem Suppressor interpretieren?

Das ist mein erster Beitrag, also wenn noch relevante Daten vonnöten sind, dann reiche ich die gerne nach. Ansonsten schonmal vielen Dank im Voraus!

Mit freundlichen Grüßen

AnRo

[AnRo]

Hat hier keiner Erfahrung mit solchen Phänomen oder weiß keiner was zu tun ist?

[PonderStibbons]

Was mich betrifft, mir waren da zu viele Fragen offen.

ich schreibe gerade an meiner Bachelorarbeit

Zu welchem Thema?

und habe dafür eine multiple lineare Regressionsanalyse

Mit welcher Fragestellung?

( N= 97, UV = 4) verwendet.

Was ist das für eine Stichprobe, wie war das Erhebungsdesign, was sind konkret diese 4 Variablen?

Die Voraussetzung für die Analyse und alle damit einhergehenden Überprüfung habe ich schon abgeschlossen und sind auch gegeben.

Was meinst Du konkret damit?

Die Voraussetzungen für eine
Suppressionsvariable (korreliert kaum/gar nicht mit dem Kriterium; weist hohe Korrelation mit anderen Prädiktoren auf) sind alle gegeben

Wie hoch sind diese Korrelationen?

und auch rechnerisch konnte dies nachgewiesen werden.

Was meinst Du mit "rechnerisch nachgewiesen"?

Ich habe dann zwei Regressionen mit SPSS durchgeführt (einmal mit Suppressor; einmal ohne). Auffällig ist, dass ein Prädiktor ohne die
Einbeziehung der Suppressorvariable nicht signifikant ist,

Das ist uninformativ. Wie sind die Regressionsgewichte, Standardfehler und p-Werte?

Durch Hinzufügen des Suppressors, wird er auch in der Koeffiziententabelle signifikant.

Das ist uninformativ. Wie sind die Regressionsgewichte, Standardfehler und p-Werte?

Nun ist meine Frage, wie ich das grundsätzlich bewerte, wenn ich in der Regressionsgleichung einen Suppressor habe.

Wieso grundsätzlich, es geht doch um Deine konkrete Studie Dein konkretes Modell?

Dieser sorgt ja dafür, dass die Vorhersagegüte von anderen Prädiktoren sich erhöht (was auch der Fall ist), aber wie genau kann ich seinen Einfluss dann bewerten? Die Literatur hat da
keine genaue Antwort drauf oder ich habe nicht gründlich genug geschaut

Technisch verringert er die Fehlervarianz. Inhaltlich kann man leider nichts dazu sagen, weil dazu keine Informationen vorliegen.

Und kann ich den Prädiktor, der durch das Hinzufügen des Suppressors erst signifikant wird, so interpretieren wie er ist oder muss ich
ihn im Zusammenhang mit dem Suppressor interpretieren?

Technisch gesehen: der Effekt wurde supprimiert und nach der Hinzunahme des Suppressors wird er sichtbar(er). Inhaltlich kann man aber leider nichts dazu sagen, weil dazu keine Informationen vorliegen.

Mit freundlichen Grüßen

PonderStibbons

[AnRo]

Danke für die Antwort.

Es geht um die Einflussfaktoren von Aktienquoten, also was den Aktienanteil von Anlegern bestimmt. Es handelt sich um eine Zufallsstichprobe von Kundendaten und um ein
Querschnittsdesign. Die UVs sind Einkommen, Vermögen, Geschlecht und Alter. Die AV ist die Aktienquote (in Prozent). Das Vermögen ist mein vermeintlicher Suppressor.

Mit Voraussetzungen meine ich die Modellprämissen, die erforderlich sind um eine multiple Regression rechnen zu können. Diese habe ich bereits überprüft.

Die Korrelation von Vermögen und Einkommen ist r=0,538, p < 0,0001. Die Korrelation von Vermögen und Alter ist r= 0,463, p < 0,0001. Hatte erst den Verdacht auf Multikollinearität,
aber in der Literatur werden Werte von r= 0,7 als kritisch gesehen. Außerdem zeigen die Toleranzwerte auch keinen kritischen Wert meiner Meinung nach. Der niedrigste Wert für die Toleranz
liegt bei 0,603.

Mit rechnerisch nachweisen meine ich, dass die Nützlichkeit des Suppressors (zusätzliche Erhöhung des R-Quadrats) größer ist als seine quadrierte Korrelation mit dem Kriterium.
Zusätzliche Varianzaufklärung ist 0,169 also das U und die quadrierte Korrelation beträgt 0,000324 (Korrelation mit Kriterium 0,018).

Regression ohne Suppressor:
Einkommen β = 0,000021, Std.-Fehler: 0,000015, p = 0,154
Alter β = 0,006, Std.-Fehler: 0,022442, p < 0,0001.
Geschlecht β = -0,033, Std-Fehler: 0,022, p=0,142

Regression mit Suppressor:
Einkommen β=0,000049, Std.-Fehler: 0,000014, p < 0,0001.
Alter β = 0,008, Std.-Fehler: 0,001, p < 0,0001.
Vermögen β = -0,000004, Std.-Fehler: 6,2685E-7, p < 0,0001.
Geschlecht β = -0,031, Std.-Fehler: 0,019, p = 0,0113.

Als Hilfestellung für die Identifikation einer Suppressorvariable hat mir dieses Video geholfen, falls es dir was bringt:
https://www.youtube.com/watch?v=Ysg6-puIR1s&t=323s

Natürlich geht es um meine Studie, aber es wäre generell interessant wie man mit diesen Variablen umgeht. Aber das hängt wohl auch vom Modell und der Untersuchung ab.

Ich hoffe du hast jetzt alle Informationen.

Mit freundlichen Grüßen

AnRo

[PonderStibbons]

kann ich den Prädiktor, der durch das Hinzufügen des Suppressors erst signifikant wird, so interpretieren wie er ist oder muss ich
ihn im Zusammenhang mit dem Suppressor interpretieren?

Signifikanz ist nur eine Frage der Stichprobengröße. Im übrigen würde ich es in etwas so interpretieren, dass im Einkommen (selbstverständlich) Anteile stecken, die mit Aktienquote nicht assoziiert sind. Sondern u.a. mit der Steigerung des Vermögens. Solche anderen Anteile sind im Sinne der Vorhersage von Aktienquote erstmal Fehlerrauschen. Filtert man von dem Fehlerrauschen durch Hinzunahme von "Vermögen" etwas heraus, lässt sich der Effekt von Einkommen nunmehr besser beobachten. Wenn man es abstrakter will, Suppressoranalyse = Rauschunterdrückung.

Mit freundlichen Grüßen

PonderStibbons

[AnRo]

Super, vielen Dank!