STATISTIK-FORUM.de

[dbukki]

Hallo Leute,

im Rahmen meiner Bachelorarbeit soll ich eine Korrelation zwischen 4 AV und 2 UV mit SPSS berechnen.
Zu meiner Stichprobe:

getestet wurden 27 Schwimmer auf Maximalkraft in Kniebeuge und Bankdrücken. Daraufhin wurden ihre Schwimmzeiten (50m, 100m, Zwischenzeiten 50 und 100m der 100m Gesamtzeit) eines Wettkampfes entnommen.
Ich möchte eine Korrelation untersuchen von Kniebeuge und Bankdrücken auf die Schwimmzeit. Nicht alle Schwimmer sind alle Strecken geschwommen und konnten Bankdrücken und Kniebeugen Werte liefern. Somit ist die Stichprobengrößen:

Kniebeugen: n= 21
Bankdrücken: n= 25
50m-Gesamtzeit: n= 22
100m-Gesamtzeit: n=18
100m-Zwischenzeit-50m: n= 17
100m-Zwischenzeit-100m: n= 17

UV: Schwimmzeiten auf 50m , 100m , 50m (Teilzeit der 100m), 100m (Teilzeit 100m)
AV: Maximalkraftwerte Bankdrücken, Maximalkraftwerte Kniebeuge

Das Mittel der Wahl wäre somit eine multiple lineare Regressionsanalyse für jede abhängige Variable, welche ich der Ansicht meines Profs nur nehmen soll falls die Daten normalverteilt sind. Jedoch sind die Variablen Bankdrücken, 50m-Zeit, 100m-Gesamtzeit, 100m-Zwischenzeit nach dem Shapiro Wilk Test nicht normalverteilt.

Somit sollte ich die Daten Z-Verteilen und danach eine Korrelationsanalyse durchführen. Kann mir jemand erklären wie man die Daten z-verteilt? Weshalb sollte ich dies machen, ich finde zu z-Werten nur, dass sie verschiedene Skalenniveaus vergleichbar machen? Wie behandle ich fehlende Werte? Reicht SPSS zu sagen, dass die Werte als fehlend betrachtet werden sollen, oder sollen die Werte imputiert werden?

Vielen Dank für jegliche Hilfe

[strukturmarionette]

Hi,

Bankdrücken, 50m-Zeit, 100m-Gesamtzeit, 100m-Zwischenzeit nach dem Shapiro Wilk Test nicht normalverteilt.

- Du musst die Modellresiduen auf NV prüfen.

Gruß
S.

[PonderStibbons]

Das Mittel der Wahl wäre somit eine multiple lineare Regressionsanalyse für jede abhängige Variable, welche ich der Ansicht meines Profs nur nehmen soll falls die Daten normalverteilt sind.

Die Verteilung der abhängigen Variablen ist schnurzegal bei der linearen Regression.
Vielmehr sollten die Vorhersagefehler (Residuen) der Regression aus einer normalverteilten
Grundgesamtheit stammen, um bei kleinen Stichproben (n < 30) einen zuverlässigen
statistischen Signifikanztest zu gewährleisten. Und bei größeren Stichproben hält die
lineare Regression auch nicht-normalverteilte Residuen aus.

Das eigentliche Problem hier scheit mir zu sein, dass Du eine zu kleine Stichprobe
für die durchführung einer mutliplen linearen Regression mit 4 Prädiktoren hat. Du
kannst nur Probanden mit vollständigen Daten verwenden, damit wäre die Analysestichprobe
bei n=17 (oder sogar noch kleiner?). Nach gängigen Faustregeln bräuchtest Du
was im Bereich über n=30.

Eine robuste (von Verteilungsannahmen unabhängige) Vorgehensweise wäre es,
den Spearman-Rangkorrelationskoeffizienten rho für die Berechnung des
Zusammenhangs von jeweils 2 Variablen zu verwenden.

Mit freundlichen Grüßen

PonderStibbons