STATISTIK-FORUM.de

[Holgonaut]

Das sieht mir aus wie eine robuste Regression. Vorsicht: robuste Regression != Regression mit robusten Standardfehlern. Die robuste Regression hat das Ziel gute Punktschätzer bei Daten mit Ausreißern bzw, extremen Werten zu finden. Das hat zunächst mal nichts mit dem hier bestehenden Problem der heteroskedastischen Standardfehler zu tun.

Ach! Wusst ich gar nicht. Wieder was gelernt

Grüße
Holger

[Holgonaut]

Das hier könnte die Lösung sein:

http://r.789695.n4.nabble.com/Regressio ... 28414.html

Und hier ist der passende Artikel, der in der Diskussion erwähnt wird:
http://www.jstatsoft.org/v11/i10/paper

Essenz:

coeftest() im lmtest package:
coeftest(myModel, vcov=vcovHC(myModel))

wobei "myModell" das lm-Regressionsmodell ist.

Grüße
Holger

[daniel]

Der Vollständigkeit halber möchte ich noch darauf verweisen, dass manch Autor Heteroskedastizität als Zeichen eines missspezifizierten Modells deutet (z.B. Kennedy, 2008: 115).

@ Holger: Zunächst mal Grüße (das vergesse ich doch glatt immer wieder) Die Verwechselung der beiden Verfahren ist bei der unglücklichen Bezeichnung nahezu vorprogrammiert und kommt sehr häufig vor. Natürlich sind sie auch nicht völlig unabhängig voneinander. Der "sandwich-estimator" ist im Prinzip auch ein robuster Schätzer, nur eben für die Varinaz-Kovarianz Matrix, nicht für die Regerssionsgewichte.

Die links im aktuellen Post sehen gut aus. So sollte das in R machbar sein.


Kennedy, Peter (2008). A Guide to Econometrics. 6th Ed. Wiley.

[Druss]

Der Vollständigkeit halber möchte ich noch darauf verweisen, dass manch Autor Heteroskedastizität als Zeichen eines missspezifizierten Modells deutet (z.B. Kennedy, 2008: 115).

Eine ähnliche Überlegung hatte ich auch mal angestellt. Angenommen man hätte vollkommene Informationen (man sei Gott oder so ) dann müssten sich solche Probleme eigentlich in Luft auflösen.

[Druss]

Der Vollständigkeit halber möchte ich noch darauf verweisen, dass manch Autor Heteroskedastizität als Zeichen eines missspezifizierten Modells deutet (z.B. Kennedy, 2008: 115).

Eine ähnliche Überlegung hatte ich auch mal angestellt. Angenommen man hätte vollkommene Informationen (man sei Gott oder so ) dann müssten sich solche Probleme eigentlich in Luft auflösen.

PS: Die Diskussion war super habe ebenfalls noch was dazu gelernt

[Berry]

Also wenn ich richtig verstehe, ist die gewichtete Regression eine Regression mit robusten Standardfehlern und keine robuste Regression? Da mich aber momentan nicht die Ausreißer beschäftigen sondern die heteroskedastischen Fehlervarianzen, bin ich bei der gewichteten Regression richtig.

Bei der Residuenanalyse meines Modells, genauer gesagt beim Anschauen der Grafik von standardisierten Residuen gegen die gefitteten Werte, kann ich einen eindeutigen Trend beobachten. Das heißt doch, dass die Störgrößenvarianz nicht homogen ist. Nun fürhre ich den Breusch-Pagan-Test [bptest(mymdl)] für mein Modell durch. Der p-Wert von 2e-16 bestätigt mir meine Vermutung. Nur weiß ich leider nicht, welche Regressoren diese Heteroskedastizität im gesamten Modell hervorrufen. Kann man das irgendwie rausbekommen? Ist es sinnvoll, den bptest für einzene Variablen durchzuführen? Bleibt dann die Aussage über den Variableneinfluss in einzelnen Tests für das gesamte Modell erhalten?

Danach führe ich die gewichtete Regression nach Fahrmeir durch mit einer zweistufigen Schätzung von Gewichten, und zwar "manuell", d. h. nach den Formeln. Dafür muss ich für die bekommenen Residuen eine Regression mit denselben Regressoren durchführen.

Code: Alles auswählen

mymdl_ungew<-lm(Y~X1+X2+...,data=df)
res<-log((residuals(mymdl_ungew))^2)
test<-lm(res~X1+X2+...,data=df)
gew<-(1/exp(fitted(test)))
mymdl_gew<-lm(Y~X1+X2+...,data=df,weights=gew)

Nun zeigt mir die Grafik "Scale Location" [sqrt(rstandard) vs. fitted] keinen Trend mehr und ich kann zunächst davon ausgehen, dass meine Störgrößen nun homoskedastisch sind. Der bptest ist aufgrund seiner Konstruktion hier nicht mehr möglich, denn er testet nach wie vor das ursprüngliche Modell.

Ein im ungewichteten Modell signifikante Variable wird im gewichteten Modell plötzlich nicht mehr signifikant. Ist es normal? Heißt es, ich soll/kann sie aus dem Modell entfernen?

Soll man die zweite Regression der Residuen bzw. Residuen dieser Regression auch analysieren?[/b]

[Taras Bulba]

Hi !

Würde mich auch mal gerne in die Diskussion mit einer Frage einklinken.

Wie siehts denn bei Interaktionseffekt aus, wenn ich eine dichotome Variable habe und eine intervallskalierte ?

Abhängige Varible ist Wartezeit an einer Kreuzung, die beiden UV sind Anzahl der Autos, die auf der Kreuzung fahren und Unterhaltung mit dem Beifahrer ja / nein.

Ich will wissen, ob die Wartezeit nur von der Anzahl der Autos abhängt oder auch davon, ob der Fahrer durch die Unterhaltung abgelenkt ist.

In zwei einzelnen Regression ist der Effekt von Anzahl Autos auf Wartezeit signifikant p=.000, der Effekt von Unterhaltung nicht p=.163.

Wenn ich jetzt einen Interaktionsterm bilde Anzahl Autos x Unterhaltung, ist das Ergebnis signifikant p=.000.

Unterhaltung ist codiert mit ja= 0 nein = 1

Sollte ich die Variablen vorher zentrieren ?

Und wie interpretiere ich dann das Ergebnis ? Da nein mit 1 codiert ist, würde ich sagen, dass je mehr Autos auf der Kreuzung sind, desto länger die Wartezeit unabhängig davon ob sich der Fahrer unterhält oder nicht.

Wie seht ihr das ?

Danke und Grüße

[Holgonaut]

Hi,

Bei einer Interaktion mit einem dummy zentrierst du die dummy variable nicht - nur die metrische. Such mal im Forum nach "Frazier" - das ist ein guter Artikel über Moderatoreffekte.

Die Ergebnisse bedeuten (D = dummy, X = metrischer Prädiktor)

Intercept: Y-Mittelwert für die 0-Kategorie in D und mittlere X-Ausprägung
B von D: Y-Mittelwertsunterschied zwischen D=0 und D=1 bei mittlerer X-Ausprägung
B von X: Effekt von X in der D=0 Kategorie
B xon XD: Effekt-Differenz zwischen D=0 und D=1

Grüße
Holger