STATISTIK-FORUM.de

[matrixboy7]

Guten Tag,

und zwar Folgendes: Ich möchte herausfinden, inwieweit zwei unabhängige Variablen eine abhängige Variable beeinflusst. Beide UA stehen unter der Annahme, je größer UV, desto geringer AV. Bis dahin kann man ja sagen, ok hier kann der multiple lineare Regression angewendet werden.

Nun liegt der Fall vor, dass UA 1 erst die AV beeinflussen kann, wenn bereits UA2 (die Zeit) weit voran gegangen ist. Also UA1 kann an sich alleine nicht AV beeinflussen, erst in Kombination mit UA2... ich hoffe, es ist aufgrund der allgemeine Schreibweise noch zu verstehen

Meine Frage wäre, kann man hier trotzdem noch die multiple lineare Regression anwenden?

Danke im Voraus

[PonderStibbons]

Also UA1 kann an sich alleine nicht AV beeinflussen, erst in Kombination mit UA2...

Das nennt man eine Wechselwirkung, in einer multiplen Regression repräsentiert durch den
zusätzlichen Ausdruck UA1*UA2. Ob das passt, ist mangels nachvollziehbarer Beshreibung
der Studie schwer zu sagen.

ich hoffe, es ist aufgrund der allgemeine Schreibweise noch zu verstehen

Grenzwertig. Ich verstehe nicht, wieso nicht der Sachverhalt in normaler Sprache geschildert wird,
statt eine abstrakte Darstellung zu pflegen, bei der man raten muss, was wohl vorliegen könnte.

[bele]

... dass UA 1 erst die AV beeinflussen kann, wenn bereits UA2 (die Zeit) weit voran gegangen ist. [...] ich hoffe, es ist aufgrund der allgemeine Schreibweise noch zu verstehen

Was hälst Du von folgendem Spiel: Wir denken uns, wie Du es vielleicht gemeint haben könntest. PonderStibbons denkt sich, dass der gemeinsame Einfluss der UA langsam über die Zeit kontinuierlich zunimmt während ich mir denke, dass irgendwann der Zeitpunkt gekommen ist, wo der Hebel umgelegt wird und UA2 "weit genug voran gegangen" ist und wir hoffen dann alle zusammen, dass nicht nur was geeignetes dabei ist sonder wir hoffen auch alle, dass Du schon das geeignete auswählst.

Also: Du brauchst eine Dummyvariable für ob die Zeit weit genug voran gegangen ist. Dann geht das auch im linearen Modell gut.

Wir drücken die Daumen,
Bernhard