STATISTIK-FORUM.de

[Kornblume]

Hallo!

Ich habe eine Korrelation zwischen zwei Konstrukten gerechnet, einmal geschlechtsübergreifend und einmal einzeln für Männer und Frauen.
Nun ist es so, dass sich geschlechtsübergreifend, also beide Gruppen zusammen, ein signifikanter Zusammenhang zeigt.
Einzeln betrachtet zeigt sich aber weder bei den Frauen, noch bei den Männern ein signifikanter Zusammenhang.
Wie würde man das interpretieren, gibt es irgendeinen "Effekt", der das Phänomen beschreibt?
Ich bin mir gerade unschlüssig, welche Folgerungen ich daraus ziehen kann.

Und noch eine andere Frage:
Es geht um die Korrelation zwischen Depressivität und Drogenkonsum. Es zeigt sich ein signifikanter Zusammenhang, wenn ich alle Personen anschaue (kein Konsum bis häufiger Konsum). Wenn ich allerdings Personen ausschließe, die nie konsumieren, verschwindet der Zusammenhang.
Wie kann man das interpretieren? Bedeutet das, dass in der Stichprobe sehr viele Personen nicht konsumieren und nicht depressiv sind, sodass eine Signifikanz besteht, obwohl die Konstrukte eigentlich nicht linear zusammenhängen?

Ich bin ganz dankbar für die Hilfe, die man hier als Statistik-Neuling bekommt, auch wenn man kein Wissen zurückgegeben kann!
Ich freue mich über jede Hilfe!

Kornblume

[bele]

Vielleicht https://de.m.wikipedia.org/wiki/Simpson-Paradoxon
https://pubmed.ncbi.nlm.nih.gov/11747681/

[PonderStibbons]

Nun ist es so, dass sich geschlechtsübergreifend, also beide Gruppen zusammen, ein signifikanter Zusammenhang zeigt.

p = 0,000001? p=0,0499?

Einzeln betrachtet zeigt sich aber weder bei den Frauen, noch bei den Männern ein signifikanter Zusammenhang.

p=0,99? p=0,050?

Es wäre sinnvoll, die Stichprobengrößen für Männer und Frauen,
die 3 Korrelationskoeffizienten und die 3 p-Werte anzugeben.

Es geht um die Korrelation zwischen Depressivität und Drogenkonsum. Es zeigt sich ein signifikanter Zusammenhang, wenn ich alle Personen anschaue (kein Konsum bis häufiger Konsum).

Die Drogenkonsum-Variable ist demnach ordinal und der Spearman-Koeffizient rho
angebracht, nicht Pearson's r. Hast Du Spearman benutzt?

Wenn ich allerdings Personen ausschließe, die nie konsumieren, verschwindet der Zusammenhang.

Aus z.B. rho=0,3 wurde demnach rho=0,000?

Wie kann man das interpretieren?

Dazu fehlen leider Koeffizienten, Stichprobengrößen vor/nach Einschränkung, p-Werte.

Mit freundlichen Grüßen

PonderStibbons

[Kornblume]

Danke schonmal für die Anmerkungen! Gerne liefere ich noch die Infos nach:

Hier habe ich die Pearson Korrelation verwendet, weil es sich um zwei Summenscores handelt (Depressivität & Abhängigkeitsscreening):

r(gesamt)= - 0,112; p= 0,019
r(Männer)= -0,113; p= 0,267
r(Frauen)= -0,066; p= 0,225

Auch hier zeigte sich nach Ausschluss komplett Abstinenter kein sig. Zusammenhang mehr in der Gesamtstichprobe (r= -0,030, p = 0,578)
Die Stichprobengrößen sind tatsächlich recht unterschiedlich:
n (Männer) = 110
n (Frauen) = 350

_________________

Bei der Korrelation Depressivität und Konsumhäufigkeit (nie bis sehr häufig) habe ich die Spearman Korrelation verwendet, ja.

rho (alle) = -0,118; p = 0,013 (auch hier einzeln nach Geschlecht keine Signifikanz; p's = 0,316 vs. 0,160)
rho (ohne Abstinente) = -0,065; p = 0,226

Falls das noch wichtig ist: 90 der 350 Frauen und 15 der 110 Männer sind abstinent (Alkohol ist mit als Droge einbezogen).

[PonderStibbons]

r(gesamt)= - 0,112; p= 0,019
r(Männer)= -0,113; p= 0,267
r(Frauen)= -0,066; p= 0,225

Da hast Du eine kleine Korrelation zwischen den beiden Größen, die in den Subgruppen
nicht groß variiert (um 5 Hunderstel). Dadurch, dass Du die Stichprobe verkleinert hast,
war die Evidenz gegen die Nullhypothese jeweils nicht mehr ausreichend.

rho (alle) = -0,118; p = 0,013 (auch hier einzeln nach Geschlecht keine Signifikanz; p's = 0,316 vs. 0,160)
rho (ohne Abstinente) = -0,065; p = 0,226

Das sind ebenfalls nahezu identische Koeffizienten. Eine Verringerung war zu erwarten,
weil der Range eingeschränkt wurde. Korrelationskoeffizienten basieren auf Ko-Variation. Wenn
ich Variation einschränke, werden sie kleiner. Dazu kommt noch die verkleinerte Stichprobe,
die eine Verwerfung der Nullhypothese unwahrscheinlicher macht.

Man sollte generell nicht so an den Daten herumschrauben, hier noch eine Subgruppenbetrachtung,
dort mal eben eine geänderte Stichprobendefinition, das ist am Ende doch gar nicht mehr von
Datenmanipulation zu unterscheiden, selbst wenn man keine im Sinn hatte.

Mit freundlichen Grüßen

PonderStibbons

[Kornblume]

Vielen Dank für die Erklärung, PonderStibbons!
Das hilft mir auf jeden Fall weiter.
Ich habe die Arbeit von Grund auf so aufgezogen (vor der Datenerhebung) und theoretisch begründet, dass die Ergebnisse auch geschlechtsspezifisch betrachtet werden, da sich bei den verschiedenen Merkmalen jeweils in der bisherigen Literatur Geschlechtsunterschiede zeigen. Also ist die Stichprobenbetrachtung nicht willkürlich herumprobiert, aber wäre natürlich problematisch, falls es so wäre. Danke für den Hinweis!

Freundliche Grüße

[PonderStibbons]

Ich habe die Arbeit von Grund auf so aufgezogen (vor der Datenerhebung) und theoretisch begründet, dass die Ergebnisse auch geschlechtsspezifisch betrachtet werden, da sich bei den verschiedenen Merkmalen jeweils in der bisherigen Literatur Geschlechtsunterschiede zeigen.

Mit einer Regression AV = b0 + b1*Geschlecht+b2*UV+b3*UV*Geschlecht kannst Du unter Einbezug der gesamten Stichprobe
analysieren, ob Geschlecht die Beziehung UV-AV moderiert (bzw. ob die UV den Effekt von Geschlecht auf die AV moderiert).

Mit freundlichen Grüßen

PonderStibbons