STATISTIK-FORUM.de

[inasue]

Liebe Statistik-Profis,
ich stehe vor folgendem Problem: Ich habe eine Experiment durchgeführt, um zu testen, welche Begründungen dafür, dass eine Zeitung eine paywall eingeführt hat, die Einstellungen der Nutzer gegenüber dieser Paywall beeinflussen. Ich habe in SPSS eine hierarchische Regression durchgeführt (insg. 6 Schritte bzw. Modelle), in der ich nacheinander diverse Kontrollvariablen (z.B. Alter, Interesse an Nachrichten...) eingefügt habe und im letzten Schritt/Modell meine eigentlich interessierenden Faktoren (die verschiedenen Begründungen, jeweils 0/1 kodiert). Nun ist dieses 6. Modell im Ganzen signifikant (R-Quadrat = 0,145, p < .005) und auch einer der Faktoren ist signifikant. Aus der Modellzusammenfassung kann ich aber entnehmen, dass die Verbesserung von R-Quadrat von Modell 5 auf Modell 6 nicht signifikant ist. Ich verstehe das so, dass mein Modell 6 mit den interessierenden Faktoren den Erklärungsbeitrag von Modell 5 zwar nicht signifikant verbessert hat, aber dennoch die Koeffizienten interpretiert werden können, da das Modell ja signifikant ist. Ist das richtig?

[strukturmarionette]

Hi,

Ich verstehe das so, dass mein Modell 6 mit den interessierenden Faktoren den Erklärungsbeitrag von Modell 5 zwar nicht signifikant verbessert hat, aber dennoch die Koeffizienten interpretiert werden können, da das Modell ja signifikant ist. Ist das richtig?

- M.E. Ja. Wenn das ganze auch fachlich Sinn macht.
- Grundsätzlich können aber immer alle Koeffizienten und Gesamtmodelle statistisch interpretiert werden -unabhängig von 'Signifikanzen' oder 'Nichtsignifikanzen'.

Gruß
S.

[bele]

Hallo inasue,

dass die Verbesserung von R-Quadrat von Modell 5 auf Modell 6 nicht signifikant ist. Ich verstehe das so, dass mein Modell 6 mit den interessierenden Faktoren den Erklärungsbeitrag von Modell 5 zwar nicht signifikant verbessert hat

Signifikanz bedeutet ja nur, dass die beobachtete Verbesserung nicht nur für die Stichprobe gilt, sondern auch für die Grundgesamtheit angenommen werden kann. Wenn Du aus theoretischen Gründen annehmen kannst, dass der zusätzliche Prädiktor in der Grundgesamtheit eine Rolle spielt, dann kannst Du Dich dafür entscheiden, das als ausreichende Rechtfertigung zu nehmen. Dagegen ist erstmal nichts zu sagen.
Gegenfrage: Wenn Du aus theoretischen Gründen schon vorher weist, welche Prädiktoren Du ins Modell nehmen wirst, warum machst Du dann vorher den Tanz, die Modelle 1 bis 5 zu rechnen und deren R² Entwicklung zu beobachten? Nur aus Neugierde gefragt.

..., aber dennoch die Koeffizienten interpretiert werden können, da das Modell ja signifikant ist. Ist das richtig?

Interpretieren darfst Du die Koeffizienten aber immer nur mit Blick auf deren Standardfehler/deren Bestimmungsungenauigkeit. Wenn der einzelne Koeffizient nicht signifikant wird, weißt Du nichtmal, ob er in der Grundgesamtheit positiv oder negativ ist.

LG,
Bernhard

[inasue]

Hallo, vielen Dank euch beiden!

Ich würde das so interpretieren, dass die Einstellung zu paywalls überwiegend von persönlichen Faktoren abhängt (auch in der Grundgesamtheit), die ich als KVs eingefügt habe und die den Erklärungsbeitrag der Modelle signifikant verbessern. Begründungen für eine paywall (meine UVs) scheinen dagegen kaum eine Rolle zu spielen (keine signifikante Verbesserung des Erkläungsbeitrags). Dennoch sehe ich in meinem letzten Modell, dass eine der UVs (also eine Art von Begründung) signifikant ist mit positivem Beta. Ich würde daraus schließen, dass sie unter Kontrolle der persönlichen Eigenschaften einen positven Einfluss auf die Einstellung hat. Kann ich das so interpretieren? Fachlich würde es durchaus Sinn machen.

Zu deiner Gegenfrage, Bernhard: Ich kann von meinen KVs zwar aus der Theorie annehmen, dass sie die AV beeinflussen (deshalb habe ich sie aufgenommen), möchte aber gerne etwas mehr zu deren Einfluss wissen. z.B. habe ich in Modell 1 nur soziodemografische Variablen aufgenommen, die keinen signifikanten Erklärungsbeitrag leisten. In Modell 2 sind dann z.B. Einstellungen zu Nachrichten hinzugekommen, die den Erklärungsbeitrag signifikant erhöht haben. Meine Überlegung war, dass ich so etwas mehr zur Relevanz der verschiedenen Variablen sagen kann. Aber vielleicht ist das auch Quatsch und es würde reichen zwei Modelle zu rechnen (1 mit den KVs und 2 mit Hinzunahme der UVs)?

LG, Ina

[inasue]

Ah, ich bin nun noch auf ein weiteres Problem gestoßen: Ich habe festgestellt, dass in meinem Modell 6 eine der UVs ausgeschlossen wurde. Ich hatte als Verfahren in allen Schritten Einschluss gewählt, deshalb verwirrt es mich, weil ich dachte, dann werden alle Variablen ins Modell "gezwungen"? Warum wurde diese dann ausgeschlossen? In der Tabelle zu den ausgeschlossenen Variablen stehen in den Zellen neben dieser UV außerdem nur Punkte. Kann mir das jemand erklären? Was bedeuten die Punkte?
Falls der Grund ist, dass die Variable nichts zum Modell beiträgt, wie darf ich das dann im Gegensatz zu den Variablen verstehen, die zwar aufgenommen wurden, aber nicht signifikant sind?

Danke!

[PonderStibbons]

Womöglich ist es eine lineare Kombination aus anderen Prädiktoren im Modell oder sogar eine Doublette.
Gab es keine Fehlermeldung oder Warnung?

Mit freundlichen Grüßen

PonderStibbons