STATISTIK-FORUM.de

[frontschwein]

Hallo zusammen,

Ich möchte prüfen, ob es eine Korrelation zwischen 2 Variablen aus meiner Fragebogen gibt.

UV: Importance
AV: Behaviour

Beide Variablen wurden mit Rating-Items abgefragt:

UV: Wie wichtig findest du das? (1: Unwichtig; 2: Eher Unwichtig; 3: Eher Wichtig; 4: Wichtig)
AV: XXX ist dein Verhalten (1: Trifft nicht zu; 2: Trifft eher nicht zu; 3: Trifft eher zu; 4: Trifft zu)

Es gab 98 Teilnehmer*innen (als n=98). Da ich aber jeweils 3 Items à n=98 zu einem Item zusammenfasse, da sie das selbe "Konstrukt" behandeln, komme ich auf N=294 pro Item.

Ich habe in einem anderem Beitrag erfahren, dass man die UV somit als intervallskaliert annehmen kann. (post47357.html#p47357)

Die Items sind streng genommen als ordinalskaliert anzusehen [...] Wenn Du mehrere Items zusammenfasst, kann man vertreten, die so entstandene Skala als intervallskaliert
zu behandeln...

Frage 1: Gilt das auch bei der AV?


Mir wurde von einem Freund eine lineare Regression empfohlen.

Frage 2: Denkt ihr auch, dass die lineare Regression in meinem Fall passt?

Mein Problem dabei: Das R² ist sehr klein....also nur so 3-7%. Somit kann ja die Varianz der AV nur zu einem sehr kleinen Teil durch die UV erklärt werden...

Dennoch ist sind alle Lineraen regressionen signifikant (p<0,001).

Frage 3: Ich vermute mal, dass allerderings das R² zu klein ist, um eine starke Wirkung zu erklären oder?

Meine Vermutung ist, dass die Varianzen von AV und UV sich derartig Unterscheiden, aufgrund der Art und Weise, wie die Variablen skaliert sind...Die Antwortmöglichkeiten sind ja nur 1,2,3 oder 4. Normalerweise (glaube ich) ist ja zumindest die AV sowas wie Körpergröße in Cm oderso...sodass man dort ein viel größere Auswahl an Antwortmöglichkeiten hat.

Frage 4: Sollte ich besser einen anderen Test nehmen? Wenn ja, welchen denn?

Vielen Lieben Dank!!!!!!


Anmerkung:

Ich habe ja eig 3 Variablen, zwischen welchen ich Zusammenhänge/Abhängikeiten testen möchte

A: Importance
B: Awareness
C: Behaviour

A --> B: T-test
A --> C: T-test
B --> C: Das erfrage ich hier in dem obigen Beitrag...

Ich habe hier einen Entscheidungsbaum von statistischen Verfahren gesehen: https://statistik-dresden.de/archives/6026
Aber der Baum der statistik-dresden Website bringt mich da echt nicht weiter, sondern verwirrt mich nur noch mehr. Nach diesem Baum würde es ja nicht so Sinn machen einerseits den t-test und andererseits eine Lineare regression zu machen oder? Der t-test testet laut dem Baum Unterschiede, und eine lineare Regression Zusammenhänge? uff

[bele]

Hallo frontschwein,

Es gab 98 Teilnehmer*innen (als n=98). Da ich aber jeweils 3 Items à n=98 zu einem Item zusammenfasse, da sie das selbe "Konstrukt" behandeln, komme ich auf N=294 pro Item.

Normalerweise wird man die 3 Items, die das gleiche Kontrukt instrumentallisieren durch Summen- oder Mittelwertsbildung zusammenfassen. Eine Korrelation mit N = 294 zu rechnen wenn Du nur 98 Teilnehmer befragt hast ist irreführend.

Ich habe in einem anderem Beitrag erfahren, dass man die UV somit als intervallskaliert annehmen kann. (post47357.html#p47357)

Das kann man sicher so sehen, wahrscheinlich ist das auch eine Mehrheitsmeinung, dass man das so sieht. Es geht aber mehr in Richtung Schule als in "Mathematische Wahrheit". Vielleicht machst Du diesen Thread auch noch lesen: nutzung-des-forums-f44/likertskalen-und-anderes-t9192.html

Frage 1: Gilt das auch bei der AV?

Ist auch ein wenig Frage der Glaubensrichtung. Wenn das nur ein Item mit 4 Ankreuzmöglichkeiten ist würde ich das als ordinal klassifizieren.

Mir wurde von einem Freund eine lineare Regression empfohlen.

Man kann die einfache lineare Regression als Durchführungsvariante einer Pearson-Korrelation und die lineare Regression auf Rangdaten angewendet als Durchführungsvariante der Spearman-Korrelation durchführen. Das ist erstmal nachrangig wichtig. Zunächst musst Du Dich für das Skalenniveau Deiner beiden Variablen entscheiden und danach bleiben Dir diese beiden Optionen. Kommt ein wenig darauf an, ob Du es möglichst einfach haben oder möglichst viel Information herausholen möchtest.

Frage 2: Denkt ihr auch, dass die lineare Regression in meinem Fall passt?

Wenn Du Dich entscheiden solltest, beide Variablen als intervallskaliert zu betrachten und einen linearen Zusammenhang vermutest, dann ja. Wenn eine von beiden Variablen ordinalskaliert ist, könntest Du eine lineare Regression nach Rangtransformation durchführen, die dann aber auch nicht viel mehr bringt als eine einfache Pearson-Korrelation.

Mein Problem dabei: Das R² ist sehr klein....also nur so 3-7%. Somit kann ja die Varianz der AV nur zu einem sehr kleinen Teil durch die UV erklärt werden...

Daten tun uns nicht immer den Gefallen, unseren Wünschen zu entsprechen. Hast Du Dir die Verteilung der Daten mal als Grafik angeschaut und hast Du dort den Eindruck, dass sich ein klar erkennbarer Zusammenhang zeigt, oder eher nicht?

Dennoch ist sind alle Lineraen regressionen signifikant (p<0,001).

Bei großen Fallzahlen werden auch lockere Zusammenhänge signifikant.

Frage 3: Ich vermute mal, dass allerderings das R² zu klein ist, um eine starke Wirkung zu erklären oder?

R² ist ohnehin nicht geeignet, etwas zu erklären. Ein kleines R² zeigt, dass man mit einem linearen Modell das Behaviour noch nicht kennt, bloß weil man Importance kennt.

Meine Vermutung ist, dass die Varianzen von AV und UV sich derartig Unterscheiden, aufgrund der Art und Weise, wie die Variablen skaliert sind...Die Antwortmöglichkeiten sind ja nur 1,2,3 oder 4. Normalerweise (glaube ich) ist ja zumindest die AV sowas wie Körpergröße in Cm oderso...sodass man dort ein viel größere Auswahl an Antwortmöglichkeiten hat.

Wenn es einen engen linearen Zusammenhang gäbe könnte man den trotzdem finden aber natürlich hast Du Recht, dass grobe Messmethoden Feinheiten oft schlecht detektieren.

Der t-test testet laut dem Baum Unterschiede, und eine lineare Regression Zusammenhänge? uff

Wenn es zwischen Gruppen unterschiede gibt, dann stehen Ziel und Gruppenvariablen auch miteinander in einem Zusammenhang. Das hilft nicht weiter. Der t-Test untersucht, ob sich die Mittelwerte zweier Gruppen unterscheiden, die lineare Regression, sucht nach "je mehr-desto mehr"-Zusammenhängen.


LG,
Bernhard

[frontschwein]

Hallo Bernhard, erstmal vielen Dank für deine Antworten! Meine Fragen dazu:

Man kann die einfache lineare Regression als Durchführungsvariante einer Pearson-Korrelation und die lineare Regression auf Rangdaten angewendet als Durchführungsvariante der Spearman-Korrelation durchführen. Das ist erstmal nachrangig wichtig. Zunächst musst Du Dich für das Skalenniveau Deiner beiden Variablen entscheiden und danach bleiben Dir diese beiden Optionen

Ok, wenn ich das richtig verstehe habe ich also 2 möglichkeiten:

1.: Ich betrachte die Items Importance und Behaviour als Ordinalskaliert (und awareness als nominal). Dann mache ich folgende Test:
Awareness [Yes/No] - Importance[Not Important/Rather not important/Rather Important/Important]: Mann Whitney U test
Awareness[Yes/No] - Behaviour[No/Rather no/Rather yes/Yes]: Mann Whitney U test
Importance[Not Important/Rather not important/Rather Important/Important] - Behaviour [No/Rather no/Rather yes/Yes]: Korellation nach Spearman

2. Ich betrachte die Items Importance und Behaviour als Intervallskaliert (und awareness als nominal). Dann mache ich folgende Tests:
Awareness [Yes/No] - Importance[Not Important/Rather not important/Rather Important/Important]: t-test
Awareness[Yes/No] - Behaviour[No/Rather no/Rather yes/Yes]: t-test
Importance[Not Important/Rather not important/Rather Important/Important] - Behaviour [No/Rather no/Rather yes/Yes]: Korellation nach Pearson

-->Falls das so stimmt, und du sagst dass Importance und Behaviour eher ordinal sind, dann würde ich mich auch für ordinal entscheiden.

Kommt ein wenig darauf an, ob Du es möglichst einfach haben oder möglichst viel Information herausholen möchtest.

Wieso? Also wenn ich ehrlich bin, würde ich es lieber einfach haben. Sitze schon zu lange hier dran und komme einfach nicht weiter.

Normalerweise wird man die 3 Items, die das gleiche Kontrukt instrumentallisieren durch Summen- oder Mittelwertsbildung zusammenfassen. Eine Korrelation mit N = 294 zu rechnen wenn Du nur 98 Teilnehmer befragt hast ist irreführend.

Das heißt, ich analysiere je konstrukt 3 mal á n=98 die importance und nehme dann den mittelwert aus alles relevanten outcomes (n; M; SE; SD; s²) um das Konstrukt zu beschreiben?
Also genau genommen habe ich ja 14 Kategorien(Konstrukute), und zu jeder Kategorie(Konstrukt) 3 Sub-Fragen (demnach insgesamt 42 fragen). Ich dachte, dass ich die 3 Sub-fragen jeweils zusammenfassen kann. Scheinbar geht das aber nicht so einfach, da z.B. bei den zusammengefassten Sub-frage die SD dann viel größer ist, als wenn ich den durchschnitt der 3 SD's nehme.

Ich glaube aber, es ist wohl besser wenn ich die Fragen doch nicht zusammenfasse, und besser 42 tests je Korellation/Mittelwertvergleich mache, anstelle von 14. (Also bspw. 42 t-tests von Awareness-Importance; anstelle von nur 14 mit den zusammengefassten Items; oder halt das gleiche auch mit den Regressionen von Importance-Behaviour)


Muchos Gracias