STATISTIK-FORUM.de

[Kevok_4]

Hallo Zusammen,
ich bin gerade an meiner Thesis und habe schon mehrere Bücher durchgeschaut und Videos durchforstet, aber leider nicht schlau daraus werden können.

Ich habe folgende Daten aus R erhalten:

Estimate Std. Error t value Pr(>|t|)
(Intercept) 10.507503 1.406865 7.469 2.69e-13 ***
SWE -0.156387 0.046573 -3.358 0.000832 ***
C -0.188160 0.047607 -3.952 8.61e-05 ***
SWE:C 0.003565 0.001558 2.288 0.022444 *

Ich weiß nur nicht so recht wie ich das interpretieren soll.

Als Info für euch:
y = Prokrastination
x1 = Selbstwirksamkeit
x2 = Gewissenhaftigkeit
x1+x2 = Interaktion Selbstwirksamkeit und Gewissenhaftigkeit

Wenn ich das richtig verstehe, entnehme ich dem Screenshot:
Je höher x1 und x2, desto geringer ist y. (Was auch logisch ist, denn je höher die Selbstwirksamkeit und Gewissenhaftigkeit, desto geringer die Prokrastination)
Jedoch weiß ich nicht wie ich ß3 interpretieren soll für die Interaktion. Wie kann ich das logisch erklären was die Interaktion, in diesem Fall von 0.003 aussagt?

Kann mir bitte jemand helfen?

Danke
Kevok_4

[bele]

Hallo Kevok,

mit code-Tags wird das gleich viel lesbarer:

Code: Alles auswählen

              Estimate Std. Error t value Pr(>|t|)   
(Intercept) 10.507503   1.406865   7.469 2.69e-13 ***
SWE         -0.156387   0.046573  -3.358 0.000832 ***
C           -0.188160   0.047607  -3.952 8.61e-05 ***
SWE:C        0.003565   0.001558   2.288 0.022444 * 


Selbstwirksamkeit und Gewissenhaftigkeit wirken sich je für sich negativ auf die Vorhesage aus aber wenn sie gemeinsam auftreten wirken sie gemeinsam nicht so stark negativ wie jedes für sich - weil der Interaktionseffekt dann wieder etwas positives zur Vorhersage beisteuert.

LG,
Bernhard

[Kevok_4]

Danke Bernhard, für den Tipp mit dem Code Tag und ein großes Danke für deine Antwort.
Wäre es also richtig formuliert, wenn ich sage, dass unter einzelner Betrachtung des SWE oder C der Wert um jeweils 0.003 sich positiv auf Prokrastination auswirkt, auch wenn die beiden UVs eigentlich eine negative Auswirkung haben?
LG
Kevok

[bele]

Hallo Kevok,

ich bin nicht sicher, ob ich das richtig verstanden habe, glaube aber, dass die Aussage falsch ist. Wenn SWE sich um 1 erhöht, dann passieren zwei Dinge: Der Term zieht von der vorhergesagten Prokrastination erstmal den Wert 1,56 ab. Andererseits wird auch etwas hinzuaddiert, nämlich . Insgesamt sinkt der Wert der vorhergsagten Prokrastination also um weniger als 1,56. Um wieviel weniger hängt davon ab, wie hoch der Wert von C ist. Das ist ja gerade der springende Punkt der Interaktion, dass der genaue Einfluss einer Veränderung der SWE um 1 nicht mehr unabhängig von C ist, sondern damit interagiert.

HTH,
Bernhard

[Kevok_4]

Lieber Bernhard,

entschuldige bitte, wenn ich dich nochmal stören muss zu dem Thema.
Wie kann es möglich sein, dass ich mit R eine multiple Regressionsanalyse durchführe und der p-Wert der Interaktion SWE:C nicht signifikant ist
jedoch bei der darauf anschließenden Step-Up-Down Prozedur direction= "both" nicht rausgeschmissen wird sondern erhalten bleibt in der Regressionsgleichung?

Vielen lieben Dank im Voraus.
Kevok

[bele]

Hallo Kevok,

drei Dinge:
1. In dem Beispiel oben ist SWE:C signifikant. Nur damit es da keine Missverständnisse gibt.
2. An dieser Stelle muss ich eine schöne Tradition dieses Forum wahren und erstmal darauf hinweisen, dass schrittweise Regressionsreihen höchst problematisch sind und mindestens zu heftigem Overfitting führen können. Dieses Forum rät von solchen Verfahren ab, wenn es irgend eine andere Möglichkeit gibt. Aber selbst wenn man sich dafür entscheidet, schmeißt man ja nicht gleich alle unsignifikante heraus sondern macht das schrittweise, weil jedes Mal Koeffizienten und p-Werte neu und anders entstehen. Vielleicht wird bei einem früheren Schritt etwas herausgeworfen, was mit dem Interaktionsterm korrelliert war und das macht ihn signifikanter?
3. Du hast nicht geschrieben, mit welcher Funktion Du die schrittweise Regression machst. Ich unterstelle mal, dass Du das mit step() machst. step() orientiert sich gar nicht am p-Wert des Koeffizienten sondern am AIC des Modells, wie Du mit

Code: Alles auswählen

help(step)

leicht nachlesen kannst.

LG,
Bernhard