STATISTIK-FORUM.de

[Otja]

Liebes Team vom Statistik Forum,
lieber PonderStibbons (toller Name, ich mag Terry Pratchett^^),
ich würde mich über Rückmeldung zu meinen Überlegungen freuen.

Es geht um meine Masterthesis.
Mein Dozent kann leider keine Email-Betreuung anbieten und
wegen externen Umständen kann ich leider nur sehr eingeschränkt zum Thesis-Kurs gehen.
Es würde mich sehr freuen, wenn jemand so lieb wäre mir weiter zu helfen.

Ich verfüge über einen großen Datensatz einer Langzeitstudie mit etwa 330 Fällen in den Jahrgängen, die für mich Relevant sind.
Das Ziel ist ein Effektgrößen Vergleich zwischen zwei Thesen.
Konkret: Arbeitslosigkeit (Alo) und Gesundheit (G). Kausalitäts- oder Selektionshypothese welcher Effekt zeigt sich stärker?

Kausalitätshypothese: Alo macht krank.
Selektionshypothese: Kranke werden vermehrt Alo.

Mir stehen dafür folgende (relevante) Variablen zur Verfügung:
Für G - 3 Testverfahren, welche über einen intervalskalierten Gesamtscore Verfügen sowie ein ordinal skaliertes Item
Die Merkmale sind in allen Fällen in der Population nicht Normalverteilt (mehr Gesunde als Kranke).
Es besteht eine hohe Korrelation zwischen den Scores (z.B. Angst und Depression).

Für Alo - je nachdem wie ich die vorhandenen Daten nutze, kann ich es unterschiedlich skaliert schreiben:
Binär (z.B. war bisher Alo; war in diesem Jahr Alo; zum Testzeitpunkt Alo)
Ordinal (bisher nicht Alo/war schon einmal Alo/war mehrfach Alo)
oder in gewissen Weise Intervallskaliert "Wie viele Wochen Alo im Jahr y" (vorhandene Werte 0 bis 12)

-----Nun zum eigentlichen-----

Ich habe folgendes gefunden:

Kausalität sollte gut mit MANOVA zu rechnen sein.
UV – Alo; in Form von „War im Jahr x Alo ja/nein“ - dies war meine beste Lösung um noch ausreichende Gruppengrößen zu erhalten (über 25); dies was sonst ein Problem.
AV - G intervallskaliert (ohne das Item)

Selektion könnte so mit ANOVA gehen:
UV - G muss hier Nominal oder Ordnial werden. Ich könnte hier künstlich Gruppen bilden, um so die Skalierung von der Intervallskalierung zu reduzieren.
AV - Alo muss hier Intervallskaliert sein. Ich nutze dann die genannten "Wie viele Wochen im Jahr y"

Ich muss so ja doch etwas mehr herummodeln (Skalierung ändern) - wäre der Aufbau, wie hier vorgeschlagen, ok?
Sind die Effekte dann - nach all dem - vergleichbar?
Oder sollte ich z.B. für die Kausalität eine andere Methode wählen? Wenn ja, welche?

Ich hatte schon überlegt für die Kausalität vielleicht eine multiple oder logistische Regression zu wählen,
das geht aber nicht, da in G die Interkorrelation so hoch ist...

Vielen Dank alleine fürs Lesen bis hierher.

Ganz liebe Grüße,
Otja.

[PonderStibbons]

Ich verfüge über einen großen Datensatz einer Langzeitstudie mit etwa 330 Fällen in den Jahrgängen, die für mich Relevant sind.

Das sagt mir leider eher wenig. 330 Fälle, die mehrere Jahre beobachtet wurden? Über wie viele Jahre? Irgendwo ist später von Gruppen mit n=25 die Rede, das passt aber nicht dazu?

Kausalität sollte gut mit MANOVA zu rechnen sein.
UV – Alo; in Form von „War im Jahr x Alo ja/nein“ - dies war meine beste Lösung um noch ausreichende Gruppengrößen zu erhalten (über 25); dies was sonst ein Problem.
AV - G intervallskaliert (ohne das Item)

Selektion könnte so mit ANOVA gehen:
UV - G muss hier Nominal oder Ordnial werden. Ich könnte hier künstlich Gruppen bilden, um so die Skalierung von der Intervallskalierung zu reduzieren.
AV - Alo muss hier Intervallskaliert sein. Ich nutze dann die genannten "Wie viele Wochen im Jahr y"

Ich verstehe nicht, wie man damit Kausalität oder Selektion nachweisen könnte. Welches ist die jeweilige Idee dahinter? Das ist dann jeweils eine korrelative Querschnittsbetrachtung, einmal mit G vorhergesagt durch Alo, einmal Alo vorhergesagt durch G, das ist nicht grundsätzlich ein Unterschied, und wie soll das Kausalität/Selektion etablieren?
Nebenbei, man muss nie künstlich Gruppen bilden, man nutzt besser die intervallskalierte Variable als Prädiktor in einer Kovarianzanalyse bzw. multiplen Regression.

Mit freundlichen Grüßen

PonderStibbons

[Otja]

Lieber PonderStibbons,

vielen Dank für deine schnelle Antwort.

Ich verfüge über einen großen Datensatz einer Langzeitstudie mit etwa 330 Fällen in den Jahrgängen, die für mich Relevant sind.

Das sagt mir leider eher wenig. 330 Fälle, die mehrere Jahre beobachtet wurden? Über wie viele Jahre? Irgendwo ist später von Gruppen mit n=25 die Rede, das passt aber nicht dazu?

Oh, da war ich Betriebsblind. Tut mir leid, dass war nicht ersichtlich.

Datengrundlage ist eine große Längsschnittstudie, welche seit vor der Wende läuft.
Über meinen Dozenten darf ich die vorhandenen Daten im Rahmen meiner Thesis nutzen.
Folglich ist der Datensatz enorm und ich picke mir die Jahrgänge raus, welche für mich relevant sind.
Leider wurden die Fragebögen zu G nicht jedes Jahr erhoben, sondern nur 2002; 2004; 2006; 2009 und 2012
In den Jahren komme ich jeweils auf ~330 Personen.

mit dem n=25 meinte ich folgendes:
Die Merkmale sind nicht Normalverteilt. Ich hatte gelesen, dass diese Bedingung für die MANOVA nicht so wichtig ist,
wenn ich in der UV in jeder Gruppe (also Gruppe "nicht Alo" und "Alo") mindestens 25 Personen habe.
Bei den 330 Probanden ist der Anteil an Arbeitslosen recht gering,
ich hatte da Probleme meine UV so zu wählen, dass ich in jedem Jahrgang mindestens 25 Arbeitslose habe.

Ich verstehe nicht, wie man damit Kausalität oder Selektion nachweisen könnte. Welches ist die jeweilige Idee dahinter? Das ist dann jeweils eine korrelative Querschnittsbetrachtung, einmal mit G vorhergesagt durch Alo, einmal Alo vorhergesagt durch G, das ist nicht grundsätzlich ein Unterschied, und wie soll das Kausalität/Selektion etablieren?

...ist das kein Unterschied?
Wer zu Zeitpunkt 1 - T1 schlechte G hat und zu Zeitpunkt 2 - T2 dann Alo ist, der ist ja potentiell wegen der Krankheit Alo geworden (Selektion).
Deshalb bilde ich hier Gruppen nach G als Prädiktor für Alo und mache den Gruppenvergleich.
Der Gruppenvergleich sagt mir dann ob die in der Gruppe für G gering (krank) häufiger/mehr Alo sind als die Gesunden.

Wer zu T1 Alo ist und zu T2 eine schlechte Gesundheit hat, der hat das potentiell wegen der Alo (Kausalität).
Gruppenbildung nach Alo Ja/Nein mit der Erwartung das in der Gruppe "Alo Ja" G schlechter ist.
...mal davon abgesehen, dass Alo ganz viele andere Faktoren beeinflusst, welche wiederum G beeinflussen.

...oder hab ich hier einen Denkfehler drin?

Nebenbei, man muss nie künstlich Gruppen bilden, man nutzt besser die intervallskalierte Variable als Prädiktor in einer Kovarianzanalyse bzw. multiplen Regression.

Eine multiple Regression hat, soweit ich weiß, die Bedingung, dass die UVs nicht
stark mit einander korrelieren dürfen, dies ist aber innerhalb von G,
welches ich über 3 Testverfahren erhebe, der Fall.
Ich habe bei G z.B. einen Score für Angst und einen für Depression (Test - HADS),
da gibt es immer eine hohe korrelation, weil das von der Erhebung her schwer zu trennen ist.
Dazu habe ich einen Test der Psychische Belastung allgemein erfasst und einen für körperliche Beschwerden (Ja 3 Tests; 4 Skalen, da der HADS 2 erzeugt).
Auch da gibt es korrelationen in den Ergebnissen.
Personen mit hoher körperlicher Belastung sind häufig auch psychisch Belastet.

Vielen Dank.

Liebe Grüße, Otja.

[PonderStibbons]

Leider wurden die Fragebögen zu G nicht jedes Jahr erhoben, sondern nur 2002; 2004; 2006; 2009 und 2012
In den Jahren komme ich jeweils auf ~330 Personen.

Da es eine Längsschnittstudie ist, sind es demnach immer dieselben Personen, über 5 Messzeitpunkte betrachtet?

Die Merkmale sind nicht Normalverteilt. Ich hatte gelesen, dass diese Bedingung für die MANOVA nicht so wichtig ist,
wenn ich in der UV in jeder Gruppe (also Gruppe "nicht Alo" und "Alo") mindestens 25 Personen habe.

Ob Merkmale normalverteilt sind, das ist für das ALM egal. Relevant sind unter Umständen die Verteilungen innerhalb von Gruppen oder noch einfacher: die Verteilung der Residuen. Ab n(gesamt) > 30 gelten varianzanalytische Verfahren aber als robust gegenüber dem Normalverteilungsgedöns. Aber vielleicht verstehe ich auch falsch, worauf Du hinauswillst bzw. worauf der Gedanke beruht. "Ich hatte gelesen" verträgt durchaus einen nachvollziehbaren Quellenhinweis.

...oder hab ich hier einen Denkfehler drin?

Kann ich nicht beurteilen, ich verstehe das Analysemodell und daher den Gedankengang leider nicht. Ist aber auch eher an Deinen Betreuer zu richten.

Eine multiple Regression hat, soweit ich weiß, die Bedingung, dass die UVs nicht
stark mit einander korrelieren dürfen, dies ist aber innerhalb von G,
welches ich über 3 Testverfahren erhebe, der Fall.

Das ist keine Bedingung sine qua non. Kommt auf den Analysezweck an. Keine Ahnung, was Du in dem Zusammenhang mit "stark" meinst, ohne konkrete Angaben. Intervallskalierte Variablen zu kategorisieren, ist jedenfalls ein absolutes no-go.

Mit freundichen Grüßen

PomderStibbons

[Otja]

Hallo PonderStibbons,

Leider wurden die Fragebögen zu G nicht jedes Jahr erhoben, sondern nur 2002; 2004; 2006; 2009 und 2012
In den Jahren komme ich jeweils auf ~330 Personen.

Da es eine Längsschnittstudie ist, sind es demnach immer dieselben Personen, über 5 Messzeitpunkte betrachtet?

Genau.

Die Merkmale sind nicht Normalverteilt. Ich hatte gelesen, dass diese Bedingung für die MANOVA nicht so wichtig ist,
wenn ich in der UV in jeder Gruppe (also Gruppe "nicht Alo" und "Alo") mindestens 25 Personen habe.

Ob Merkmale normalverteilt sind, das ist für das ALM egal. Relevant sind unter Umständen die Verteilungen innerhalb von Gruppen oder noch einfacher: die Verteilung der Residuen. Ab n(gesamt) > 30 gelten varianzanalytische Verfahren aber als robust gegenüber dem Normalverteilungsgedöns. Aber vielleicht verstehe ich auch falsch, worauf Du hinauswillst bzw. worauf der Gedanke beruht. "Ich hatte gelesen" verträgt durchaus einen nachvollziehbaren Quellenhinweis.

Ja, genau ich meine die Verteilung in den Gruppen.
...gut dass du mich wegen der Quelle nochmal angestoßen hast.
Ich hatte diese Seite genutzt: http://www.methodenberatung.uzh.ch/de/d ... .html#K3_3
aber tatsächlich (wahrscheinlich aus Wunschdenken) überlesen, dass die MANOVA so wie sie dort steht,
für Untersuchungen ohne Messwiederholung gedacht ist.

Wenn ich jedoch mit T1 und T2 rechne, dann ist das ja eine Messwiederholung (bei verbundenen Stichproben).
So wie ich dich verstanden habe sollte ich noch einmal schauen ob die multiple Regression für mich passt. Richtig?

>>Änderung: die multiple Regression scheint keine Rechnung für mehrere AV zu ermöglichen.
Bei der einen These wo G die AV bildet habe ich aber mehrere. Ich fürchte deshalb könnte ich es wenn dann
nur für eine der beiden Thesen verwenden, was wiederum die Vergleichbarkeit der Daten schmälern würde - oder?<<

...oder hab ich hier einen Denkfehler drin?

Kann ich nicht beurteilen, ich verstehe das Analysemodell und daher den Gedankengang leider nicht. Ist aber auch eher an Deinen Betreuer zu richten.

*hmh* Aber gerade der Teil sollte ja schlüssig aufgestellt sein.
Schließlich ist das die Basis.
Mir erschien das inhaltlich bisher selbsterklärend. Das verunsichert mich, dass du es nicht bestätigst.

Eine multiple Regression hat, soweit ich weiß, die Bedingung, dass die UVs nicht
stark mit einander korrelieren dürfen, dies ist aber innerhalb von G,
welches ich über 3 Testverfahren erhebe, der Fall.

Das ist keine Bedingung sine qua non. Kommt auf den Analysezweck an. Keine Ahnung, was Du in dem Zusammenhang mit "stark" meinst, ohne konkrete Angaben. Intervallskalierte Variablen zu kategorisieren, ist jedenfalls ein absolutes no-go.

Ok, gut zu wissen.

Ich dachte meine Aufstellung wäre praktisch Fertig und ich muss es nurnoch ausrechnen und interpretieren.
Zurück ans Zeichenbrett.
Aber besser so, als Murks.

...ich würde mich als nächstes zu "Hierarchische lineare Modelle" belesen.
Denkst du das könnte mich darin weiterbringen ein Verfahren zu finden,
mit dem ich beide These berechnen kann?

Danke für die Hilfe bisher.

Liebe Grüße,
Karola.

[PonderStibbons]

die multiple Regression scheint keine Rechnung für mehrere AV zu ermöglichen.

Man kann eine MANOVA mit intervallskalierten Prädiktoren rechnen, wenn es erforderlich sein sollte.

Mir erschien das inhaltlich bisher selbsterklärend. Das verunsichert mich, dass du es nicht bestätigst.

Die Analyse ist mir nicht klar angesichts der Änderungen, Querschnitts-MANOVA, dann doch Messwiederholung, oder vielleicht auch Regression oder nicht. Und ich erkenne auch nicht aus dem, was ich nachvollziehen konnte, wie sich dadurch Selektion bzw. Kausalität nachweisen lässt. Ist nicht ausgeschlossen, aber mir eben nicht klar.

...ich würde mich als nächstes zu "Hierarchische lineare Modelle" belesen.
Denkst du das könnte mich darin weiterbringen ein Verfahren zu finden,
mit dem ich beide These berechnen kann?

Da die Messungen über die Zeit innerhalb von Personen genestet sind, klingt das nach der brauchbarsten Herangehensweise.
Grundlegend wären aus meiner Sicht Überlegungen wie "Selektion [Kausalität] wäre in meinem Längsschnittdesign daran zu
beobachten, dass... Daher analysiere ich die Daten folgendermaßen .... ".

Mit freundlichen Grüßen

PonderStibbons

[Otja]

Lieber PonderStibbons,

Mir erschien das inhaltlich bisher selbsterklärend. Das verunsichert mich, dass du es nicht bestätigst.

Die Analyse ist mir nicht klar angesichts der Änderungen, Querschnitts-MANOVA, dann doch Messwiederholung, oder vielleicht auch Regression oder nicht. Und ich erkenne auch nicht aus dem, was ich nachvollziehen konnte, wie sich dadurch Selektion bzw. Kausalität nachweisen lässt. Ist nicht ausgeschlossen, aber mir eben nicht klar.

Nachdem ich mir das etwas durch den Kopf habe gehen lassen ist mir glaube ich aufgefallen was du gemeint hast.

• Umso mehr Alo umso schlechtere G
• Umso schlechtere G umso mehr Alo

Würde man das in einem Diagramm betrachten (x ist G; und y Alo in Monaten) schaut man sich letztlich zweimal das gleiche an und
tut so als wäre es etwas anderes (von der statistischen Betrachtung her).
Richtig? Hast du das gemeint?

Mein Durcheinander hinsichtlich der Rechenverfahren kommt vor allem daher, das ich mich nicht auskenne.
Ich stelle erst beim nachforschen fest, was für Bedingungen etwas hat, ob es passt oder nicht - weil ich das leider nicht im Kopf habe.
Mein erster Post war die Aufstellung die mir schließlich als am Besten vorkam.

Ich denke von der Thesenaufstellung könnte es so besser gehen:

Kausalität:
wer zu T1 keine Arbeit hat und zu T2 weiterhin unbeschäftigt ist, hat eine größere Verschlechterung in G (Differenz aus T1 und T2) als alle anderen Gruppen (T1 keine Arbeit - T2 Arbeit; T1 Arbeit - T2 keine Arbeit; T1 Arbeit - T2 Arbeit)
Alo als Prädiktor für G

Selektion:
wer zu T1 Arbeit und eine schlechte Gesundheit hat, der hat mit höhrerer Wahrscheinlichkeit zu T2 keine Arbeit mehr, als Personen, welche bei T1 bei guter Gesundheit waren.
G als Prädiktor für Alo

Was denkst du? Ist das durchsichtiger?

[PonderStibbons]

Das ist jedenfalls nachvollziehbar.

Allerdings liegt das Problem vielleicht in der Fragestellung

Konkret: Arbeitslosigkeit (Alo) und Gesundheit (G). Kausalitäts- oder Selektionshypothese welcher Effekt zeigt sich stärker?

Das ist recht eigentlich eine seltsame Frage. Zugute zu halten ist dem, dass vernünftigerweise angenommen
wird, dass beide Effekte existieren. Nur, was soll die Frage "welcher Effekt zeigt sich stärker"? Wozu soll das
gut sein zu wissen, ob häufiger und/oder stärker G => AL als AL => G? Zumal die Drittvariablen,
die auf beides wirken (z.B. individuelle Faktoren wie Alkoholmissbrauch, situative Faktoren wie wirtschaftlicher
und sozialer Zerfall einer Gemeinde) gar nicht berücksichtigt werden.

Mit freundlichen Grüßen

Ponderstibbons

[Otja]

Hallo lieber PonderStibbons,

vielen Dank für den Austausch hier, das hat mir schon sehr weitergeholfen.

Das ist jedenfalls nachvollziehbar.

Gut, das heißt, dass ich das Prinzip jetzt richtig angewendet habe.
Es war mir zuerst echt nicht aufgefallen, dass meine erste Aufstellung Inhaltlich/rechnerisch blödsinn war.

Allerdings liegt das Problem vielleicht in der Fragestellung

Konkret: Arbeitslosigkeit (Alo) und Gesundheit (G). Kausalitäts- oder Selektionshypothese welcher Effekt zeigt sich stärker?

Ja daran glaube ich auch mittlerweile.

Nach einem weiteren Blick in die Daten muss ich sagen, dass ich die Thesen (aus meinem letzten Post) in dem Sinne leider nicht rechnen kann.
Ausführung: In meinen Daten gibt es zu wenig Leute die zum Testzeitpunkt Alo waren.
Über 11 Jahre hinweg habe ich gerade einmal 18 Fälle, welche zweimal oder öfter zum Testzeitpunkt Alo waren (ungeachtet ob es aufeinanderfolgende Jahre waren).
Da G nicht jedes Jahr erhoben wurde müssen es drei bis vier aufeinander folgende Jahre sein, damit ich zu T1 und T2 Daten zu G habe. Wenn ich niemanden übersehen habe,
dann habe ich genau eine Person, welche so in aufeinanderfolgenden Jahren Alo war, dass in der Zeit zweimal G erhoben wurde...

Eine „alternative“ Variable wäre, ob die Person in dem Jahr,
in welchem die Testung durchgeführt wurde,
Alo war oder nicht (da habe ich mehr Fälle).
Aber das… das ist nicht ansatzweise das Gleiche, finde ich.

"Wozu soll das gut sein?"
Hatte ich mich, als ich die Fragestellung bekam auch gefragt.
Sachbestand ist, viele Personen in (Langzeit-) Arbeitslosigkeit haben eine geminderte Gesundheit.
Das beide Effekte (Kausalität und Selektion) existieren ist gut belegt und das Zusammenspiel
von beiden ist für den Betreffenden sehr schlimm (Jobverlust wegen Krankheit; mehr Krankheit wegen Alo; kein Job wegen Krankheit).
Für beide Probleme existieren Projekte, welche dem entgegenwirken sollen.
Im Sinne von, man kann nicht alles auf einmal machen bzw. wo soll man Anfangen,
wäre ein deutliche Unterschied in der Effektstärke ein Argument für mehr Beachtung des einen bzw. des anderen Problems.
Aber ich gehe durchaus mit das z.B. die Frage danach, was manche trotz Alo Gesund hält, relevanter wäre.

Am 12.6. habe ich jetzt einen Termin bei meinem Erstbetreuer der Thesis,
mal sehen was da rauskommt.
Wenn er keine weiteren Daten hat werde ich wohl eine andere Fragestellung brauchen.

Es ist gut, dass ich einen Datensatz habe, aber gleichzeitig schwer eine gute, relevante These zu finden,
welche ich auch damit bearbeiten kann.

Ich wünsche dir ein schönes Wochenende.

Liebe Grüße,
Otja.

[Otja]

Hallo Lieber PonderStibbons,

ich habe in der Unterhaltung hier auf jedenfall dazu gelernt. Dankeschön, noch einmal.

Mein Dozent meint im Wesentlichen:
- keiner hat Experimente mit großen Stichproben, man muss sich behelfen.

Fazit, ich darf/soll meine Daten mit der linearen Regression auswerten (auch wenn mir das etwas Gewissensbisse macht).

Liebe Grüße,
Otja.