STATISTIK-FORUM.de

[Katinka05]

Hallo,

ich habe folgendes Problem:
Ich rechne gerade eine lineare Regression mit Dummy Variable (uV) in SPSS, wenn ich nur diese in die Regression aufnehme werden die einzelnen Werte signifikant und das gesamte Modell hat Korrigiertes R/Quadrat von 0,039. In Regression habe ich mir angesehen, ob meine Kontrollvariablen auch Einfluss auf die aV haben. Also habe ich eine neue Regression gerechnet, in der im ersten Block die Kontrollvariablen aufgenommen wurden und im zweiten Block die uVs (4 Dummies und eine uV). Bei dieser Vorgehensweise zeigt sich, dass die Kontrollvariablen keinen Einfluss haben, allerdings werden die einzelnen Koeffizienten für meine uVs im Modell auch nicht signifikant und das ganze Modell auch. Woran liegt nun sowas? und kann ich das Problem irgendwie beheben?

Danke für eine schnelle Antwort

[strukturmarionette]

Hi,

in der im ersten Block die Kontrollvariablen aufgenommen wurden

. N?
- auf welches Statistik-Programm beziehst Du Dich?

Gruß
S.

[Holgonaut]

Hi Katinka05,

ich nehme an, dein N ist nicht riesig. Es kann daher gut sein, dass die power nicht ausreicht um die Effekte der Kontrollvariablen sign. werden zu lassen. Ob Kontrollvariablen in ein Modell müssen, ist eine rein theoretische Frage: a) Wenn Dein Ziel reine Prädiktion ist (kein Test theoretischer Hypothesen), ist der Einbezug geleitet von der Frage, über welche bereits bestehenden prädiktiven Variablen du Deinen addon-value schätzen willst, b) wenn Dein Ziel Test theoretischer Hypothesen ist, sollte der Einbezug auf einem Kausalmodell beruhen, bei dem v.a. die Frage danach, wie Deine UVn mit den Kontrollvariablen in Beziehung stehen. Einfache Heuristik: Wenn es plausibel ist, dass die UV(n) einen Effekt auf eine Kontrollvariable haben, füge sie nicht ein, wenn das eher nicht plausibel ist, füge sie ein.

Das sind alles Erwägungen auf Populationsebene, also komm nicht auf die Idee, erst mal irgendwas miteinander zu korrelieren

Grüße
Holger
P.S. Hier ist noch etwas Literatur (die in der Psychologie leiter niemand kennt)

Vanderweele, T. J. (2019). Principles of confounder selection. European Journal of Epidemiology, 3, 211-219. doi:10.1007/s10654-019-00494-6

Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27-42. doi:10.1177/2515245917745629

Pearl, J., & MacKenzie, D. (2018). The book of why. New York: Basic books.

Haneuse, S. (2016). Distinguishing selection bias and confounding bias in comparative effectiveness research. Medical Care, 54(4), e23.

Vahratian, A., Siega-Riz, A. M., Savitz, D. A., & Zhang, J. (2005). Maternal pre-pregnancy overweight and obesity and the risk of cesarean delivery in nulliparous women. Annals of Epidemiology, 15(7), 467-474.