STATISTIK-FORUM.de

[kira1]

Hallo in die Runde,

ich bin gerade etwas ratlos! Ich rechne eine hierarchische Regression und habe dabei drei Variablen-Blöcke, die ich in mein Modell einfließen lasse. Konkret geht es darum, das Aufkommen der Emotionen Ärger, Neid und Niedergeschlagenheit in Folge sozialer Vergleiche bei der Nutzung von Instagram zu erklären. Dazu rechne ich 3 Regressionsanalysen, für jede Emotion eine.
Meine AV ist die jeweilige emotionale Reaktion (wurde auf einer 5-stufigen Skala gemessen), meine UVs sind diese:

1. Soziodemographische Variablen (Alter, Geschlecht, Bildung)
2. Persönlichkeitsvariablen (Selbstwertgefühl, Social Comparison Orientation & Bedürfnis nach Anerkennung und Leistung)
3. Situationsbezogene Variablen (fremder Vergleichsstandard & lifestylebezogene Vergleichsdimensionen)

Nun ist folgendes Problem aufgetreten. Bei der Rechnung in Bezug auf die Emotion Neid waren im ersten Schritt sowohl das Geschlecht als auch die Bildung signifikant. Im zweiten Schritt sind diese beiden Variablen nicht mehr signifikant, dafür zeigt die Social Comparison Orientation und der Selbstwert signifikante Werte. Im dritten Schritt ist die Social Comparison Orientation nach wie vor signifikant, der Selbstwert allerdings nicht mehr, die fremden Vergleichsstandard und die Vergleichsdimension sind signifikant.

Das gleiche Problem habe ich auch bei den anderen beiden Regressionen. Eigentlich sollte das ja nicht vorkommen. Zumindest habe ich nirgendwo etwas derartiges gesehen. Die Voraussetzungen für die Durchführung der Rechnung sind erfüllt (Durbin-Watson- & VIF-Werte entsprechen den gängigen Richtwerten).

Woran könnte es also noch liegen?

Und wie ist ein solches Ergebnis zu interpretieren?

Danke im Voraus für eure Bemühungen.

Kira

[PonderStibbons]

Meine AV ist die jeweilige emotionale Reaktion (wurde auf einer 5-stufigen Skala gemessen),

Damit fallen Verfahren wie Varianzanalyse oder lineare Regression schonmal weg.
Oder hast Du pro Emotion mehrere solcher Variablen, die summiert werden, was man als intervallskalierte Messung
behandeln könnte?

Nun ist folgendes Problem aufgetreten. Bei der Rechnung in Bezug auf die Emotion Neid waren im ersten Schritt

Jetzt mal ungeachtet der Tatsache, dass lineare Reression nicht zulässig ist: wieso schrittweise?
Welche Fragen soll das beantworten, welche Hypothesen prüfen?

Das gleiche Problem habe ich auch bei den anderen beiden Regressionen. Eigentlich sollte das ja nicht vorkommen.

Was genau ist aus Deiner Sicht daskonkrete Problem und was sollte nicht vorkommen?

Nebenbei fehlen Stichprobengröße (!) sowie an geeigneter Stelle Angaben von R²,
Regressionskoeffizienten mit Standardfehlern. "Signifikant" ist irgendwas von 0,049
bis 0,000000000000000001, "nicht signifikant" irgendwas 0,05 bis 1,0. Beides wenig
informativ.

Vielleicht rechnest Du einfach eine ordinale Regression in einem Schritt und interpretierst dann die
Ergebnisse für dieses Modell im Lichte Deiner Theorie und der Hypothesen. Das wäre vermutlich angemessen
und man verschwendet nicht Zeit mit Grübeleien über Wechsel zwischen artifiziellen Kategorien wie "signfikant"
zu "nicht signifikant".

Mit freundlichen Grüßen

PonderStibbons

[kira1]

Danke erst mal für die schnelle Antwort.

Damit fallen Verfahren wie Varianzanalyse oder lineare Regression schonmal weg.
Oder hast Du pro Emotion mehrere solcher Variablen, die summiert werden, was man als intervallskalierte Messung
behandlen könnte?

Ich hatte das Vorgehen mit meiner Dozentin so abgesprochen. Und die 5-stufige Skala ist, dachte ich, quasi-metrisch. Deshalb die lineare Regression.

Jetzt mal ungeachtet der Tatsache, dass lineare Reression nicht zulässig ist: wieso schrittweise?
Welche Fragen soll das beantworten, welche Hypothesen prüfen?

Ich möchte gerne wissen, welchen Varianzanteil die jeweiligen Blöcke aufklären. Bei meiner Regression erkennt man so z.B., dass die Persönlichkeitsvariablen einen relativ hohen Anteil aufklären.

Nebenbei fehlen Stichprobengröße (!) sowie an geeigneter Stelle Angaben von R²,
Regressionskoeffizienten mit Standardfehlern. "Signifikant" ist irgendwas von 0,049
bis 0,000000000000000001, "nicht signifikant" irgendwas 0,05 bis 1,0. Beides wenig
informativ.

Die Stichprobengröße liegt bei 263.
R^2 entspricht für die Emotion Neid .32

Eigentlich wollte ich nur nachvollziehen, wie dieser "Signifikanzverlust" über die verschiedenen Modelle hinweg zustande kommt und wie man das mit Blick auf die Ergebnisdarstellung interpretieren kann.

[PonderStibbons]

Ich hatte das Vorgehen mit meiner Dozentin so abgesprochen. Und die 5-stufige Skala ist, dachte ich, quasi-metrisch.

Nein, eigentlich nicht. Aber es gibt angemessene Verfahren für ordinale Variablen.
Die Crux ist, ausgerechnet die abhängige Variable ist eher schlecht operationalisiert
und gemessen (1 ordinales Item anstatt einer durchaus möglichen intervallskalierten,
validierten, reliablen Messung). Da ist es halt schade, wenn Dozent/innen auf den
ersten Fehler noch weitere satteln und nichtmal basale Dinge wie Skalenniveaus
respektieren.

Ich möchte gerne wissen, welchen Varianzanteil die jeweiligen Blöcke aufklären. Bei meiner Regression erkennt man so z.B., dass die Persönlichkeitsvariablen einen relativ hohen Anteil aufklären.

Das ist eine Frage an das Gesamtmodell oder an separate Analysen. Insofern ist mir
leider nicht klarer geworden, warum diese Spielerei mit einem schrittweisen
Variableneinschluss. Führt nur zu Interpretationsproblemen ohne Erkenntnisgewinn,
wie es aussieht. Daher wäre eben normalerweise anzuraten, darauf zu verzichten.

Eigentlich wollte ich nur nachvollziehen, wie dieser "Signifikanzverlust" über die verschiedenen Modelle hinweg zustande kommt und wie man das mit Blick auf die Ergebnisdarstellung interpretieren kann.

Kann ich leider nicht kommentieren, da die angeforderten relevanten Angaben
fehlen. Allgemein gesprochen, können bei komplexen Vorhersagemodellen
verschiedene Effekte potenziell wirksam werden:
- Sind Prädiktoren sind miteinander korreliert, müssen sich zwangsläufig
Regressionsgewichte verändern, wenn Prädiktoren hinzugenommen werden.
vgl. z.B. https://psychologie.uni-graz.at/de/biol ... -list/faq/ FAQ #7
- Sind Prädiktoren nicht korreliert, aber klären beide Varianz in der AV auf, dann wird das Fehlerrauschen kleiner.
- Ferner gibt es möglicherweise -> Mediator- und -> Suppressoreffekte.

Mit freundlichen Grüßen

PonderStibbons