STATISTIK-FORUM.de

[Sassi03]

Hallo alle zusammen,
und zwar habe ich für meine Masterarbeit eine multiple Regressionsanalyse durchgeführt und folgendes Problem. Hoffentlich könnt ihr mir helfen
Insgesamt geht es um die Bewertung der Work-Life-Orientierung von Arbeitgebern und ob diese durch die Work-Life-Balance von Personen vorhergesagt werden können.

Und zwar ist der F-Wert nicht statistisch signifikant (F2,248) = 2,387 p = 0,094
Das bedeutet ja, dass ich die Nullhypothese ablehne und davon ausgehe, dass kein Zusammenhang besteht und in der Grundgesamtheit die Prädiktoren alle gleich null sind. Das habe ich soweit auch verstanden.

meine Frage bezieht sich mehr auf die Prädiktoren. und zwar habe ich zwei Prädiktoren aufgenommen. Bereicherung und Konflikte. Während Konflikte nicht signifikant sind (t =1,004, p = ,316) ist die Bereicherung mit t= 2,164 und p = 0,031 signifikant.

Wie kann ich jetzt das signifikante Ergebnis von Bereicherung interpretieren? Nur gültig für die Stichprobe, jedoch nicht für die Grundgesamtheit?
Tut mir Leid, wenn die Frage vielleicht etwas doof ist, stehe aber total auf dem Schlauch.

Liebe Grüße und vielen Dank im Voraus für die Hilfe!!

[strukturmarionette]

Hi,

- das ist alles 'Kraut und Rüben'
- zunächst könntest du H0 und H1 korrigieren ((fachlich nachlesen)

Gruß
S.

[Sassi03]

Hallo,
danke für die Schnelle Antwort.

Was genau meinst du mit Kraut und Rüben?

Und fachlich nachlesen bringt mir nicht viel, da es hierzu keine anderen Studien gibt, die diese Zusammenhänge untersuchen..

Deswegen frage ich ja was es bedeutet und wie man es interpretieren kann, wenn das Modell nicht signifikant ist, aber einzelne Prädiktoren.

tendenziell hab ich ja die Hypothesen getestet und musste feststellen, dass es keine Zusammenhänge gibt und die Prädiktoren die Variablen nicht beeinflussen. Was bedeutet, dass die Faktoren nicht zur Vorhersage der AV geeignet sind und Folgestudien mit anderen Variablen durchgeführt werden müssten, welche möglicherweise mit der AV zusammenhängen und diese beeinflussen.
Die aufgenommenen Variablen erklären halt nichts, sind aber auch nicht aus der Literatur, sondern ich habe beide Variablen erhoben (Work-Life-Balance und Bewertung der Work-Life-Orientierung) und mir wurde gesagt, ich könne auch die Zusammenhänge der Variablen untersuchen. Dazu gibt es halt in der Fachliteratur nichts, weswegen ich da auch nicht weiter nachlesen könnte..

Oder was genau meinst du mit fachlich nachlesen?

LG,
S

[bele]

Hallo Sassi,

Was genau meinst du mit Kraut und Rüben?

Na zum Beispiel das hier:

p = 0,094
Das bedeutet ja, dass ich die Nullhypothese ablehne und davon ausgehe, dass kein Zusammenhang besteht und in der Grundgesamtheit die Prädiktoren alle gleich null sind. Das habe ich soweit auch verstanden.

• Dieser p-Wert bedeutet nicht, dass Du die Nullhypothese ablehnst.
• Bloß weil p> 0,05 ist bedeutet das noch nicht, dass kein Zusammenhang besteht.
• Die Prädiktoren sind sicher nicht alle gleich Null sondern höchstens die Koeffizienten und auch das kannst Du weder bei Ablehnung der Nullhypothese noch bei Nichtablehnung der Nullhypothese annehmen und
• deshalb muss man annehmen, dass Du das eben nicht verstanden hast.

Vier falsche Aussagen in zwei Sätzen machen diesen Absatz zu Kraut und Rüben. Da muss man nochmal nachfragen dürfen.

Wie kann ich jetzt das signifikante Ergebnis von Bereicherung interpretieren? Nur gültig für die Stichprobe, jedoch nicht für die Grundgesamtheit?

Signifikanz sagt nichts über die Stichprobe aus? Signifikanz bezieht sich immer auf die Grundgesamtheit, auch wenn sie anhand von Stichproben bestimmt wird.

und zwar habe ich zwei Prädiktoren aufgenommen. Bereicherung und Konflikte. Während Konflikte nicht signifikant sind (t =1,004, p = ,316) ist die Bereicherung mit t= 2,164 und p = 0,031 signifikant.

Das ist sicher keine doofe Frage, sondern eine, die hier immer wieder auftaucht und deren Beantwortung oft unbefriedigend bleibt, weil sie nur mit äußerster Exaktheit gelingt.

Es handelt sich um zwei verschiedene Tests zu zwei verschiedenen Fragestellungen: Du hast einmal einen Signifikanztest, der untersucht, ob das Modell besser im Varianzaufklären ist als wenn man einfach nur den Mittelwert für alle Vorhersagen annehmen würde. Den hat Dein Modell gerissen. Das kann ein Betafehler sein, aber in der Mehrzahl der Anwendungsfälle ist damit die weitere Analyse des Modells vom Tisch.

Wenn man denn unabhängig davon trotzdem ein lineares Modell aufstellen will, dann wird man am Prädiktor Konflikte nicht vorbeikommen, aber erstens spricht bisher nichts dafür, dass das lineare Modell was kann und zweitens könnte das einfach ein Alphafehler sein.

HTH,
Bernhard

[Sassi03]

Hallo Bernhard,

vielen Dank für die Antwort.

Wie du siehst, stehe ich echt auf dem Schlauch. Das mit Nullhypothese und Grundgesamtheit habe ich sogar in einer Vorlesung gelernt und es steht auch so auf den Vorlesungsfolien. Da bin ich natürlich von ausgegangen, dass das was uns in den Vorlesungen beigebracht wird auch stimmt. Scheinbar ist es nicht so, also vielen Dank für die Hilfe.

ich bin bereits viel Literatur und auch Beiträge in Foren durchgegangen nur leider wird einem nicht erklärt wie man es interpretiert und wie man vorzugehen hat, wenn die ANOVA bei einer Regression nicht signifikant wird. Es wird immer nur die Interpretation und das Vorgehen beschrieben, bei einer signifikanten ANOVA. Und das scheinbar nicht mal besonders gut.

Also es ist jetzt so. Die ANOVA testet die Nullhypothese, dass die Prädiktoren keine Varianz in der abhängigen Variablen erklären, anstatt wenn man einfach nur den Mittelwert verwendet? Es wird demnach also getestet, ob die Prädiktoren, die ich aufgenommen habe, signifikant das Kriterium vorhersagen oder nicht. Was bei der vorliegenden Signifikanz, dem F-Wert und einem korrigierten R² von 0,011 nicht angenommen werden kann. Die aufgenommenen Variablen erklären lediglich 1,1 % der Varianz, woraus doch geschlossen werden kann, dass das Modell einfach nicht gut ist und ein kleines R bedeutet doch auch, dass zwischen den Variablen ein schwacher Zusammenhang besteht, richtig? Das Modell ist dann doch einfach nicht zur Vorhersage der Werte geeignet.. So habe ich das jedenfalls verstanden.

Ich habe unten einmal das Modell mit eingefügt, mit den Werten für die Koeffizienten.

Work-Life-Orientierung
Prädiktor B SE B ß R2 Korrigiertes R2
Work-Life-Balance ,019 ,011
Bereicherung zwischen Privatleben und Studium ,167 ,077 ,144*(p=,031)
Konflikte zwischen Privatleben und Studium ,074 ,074 ,067(p=,316)


Also sollte ich jetzt einfach schreiben, dass das Modell nicht gut geeignet ist? Und eine weitere Analyse der Prädiktoren einfach weg lassen, demnach auch nicht schreiben, dass Bereicherung signifikant und Konflikte nicht signifikant sind.

Oder schreibe ich beispielsweise, dass ein nicht statistisch signifikantes Modell verwendet wurde und interpretiere dann die Prädiktoren? Was meiner Meinung nach aber nicht viel Sinn zu machen scheint, wenn das Modell nicht signifikant ist und nur einen geringen Teil der Varianz erklärt - die ja scheinbar durch die Bereicherung erklärt wird, wenn die koeffizienten signifikant sind).
Es ist doch schließlich auch ein Ergebnis wenn die aufgestellte Hypothese nicht bestätigt wird und ich schreibe, dass die aufgenommenen unabhängigen Variablen nur sehr wenig Varianz erklären und sie demnach nicht geeignet sind, um Varianz der abhängigen Variable zu erklären. Und dass möglicherweise weitere Forschungen durchgeführt werden müssen, um zu untersuchen, welche Prädiktoren Varianz in der AV erklären. Oder nicht?


Entschuldigt die ganzen Fragen, aber so langsam bin ich echt am Verzweifeln. Wir haben nie wirklich gelernt was man macht, wenn das Modell nicht signifikant ist und wie man dann vorgeht und das Ganze interpretiert. Und beim Durchsuchen des Internets habe ich leider auch überhaupt nichts gefunden, was mir hilft. Weswegen ich mich auch aus rapide zunehmender Verzweiflung an dieses Forum gewendet habe, da meine Abgabe auch immer näher rückt.

Viele Grüße und vielen lieben Dank für die Hilfe,
Sassi

[bele]

Hallo Sassi,

Wie du siehst, stehe ich echt auf dem Schlauch. Das mit Nullhypothese und Grundgesamtheit habe ich sogar in einer Vorlesung gelernt und es steht auch so auf den Vorlesungsfolien. Da bin ich natürlich von ausgegangen, dass das was uns in den Vorlesungen beigebracht wird auch stimmt. Scheinbar ist es nicht so, also vielen Dank für die Hilfe.

Ich glaube, man müsste ganz genau schauen, was exakt da in der Vorlesung gesagt wurde bzw. was genau auf den Folien steht. Ein signifikanter Test gilt als Begründung, die Nullhypothese zu verwerfen. Ein nicht-signifikanter Test erlaubt es einem nicht, die Nullhypothese zu verwerfen. Damit ist sie aber noch nicht bewiesen. Die allermeisten zweiseitigen Nullhypothesen sind ohnehin nicht plausibel, egal wie der p-Wert aussieht.

Die ANOVA testet die Nullhypothese, dass die Prädiktoren keine Varianz in der abhängigen Variablen erklären

so kann man das sehen

Die aufgenommenen Variablen erklären lediglich 1,1 % der Varianz

Innerhalb der gezogenen Stichprobe erklären sie 1,1% der Varianz, womit nicht bewiesen ist, dass sie in der Grundgesamtheit irgendwas erklären. Damit ist aber eben auch nicht bewiesen, dass sie überhaupt gar gar garnichts erklären. Man weiß es halt nicht und man kann sich denken, dass es nicht viel sein wird, was sie in der Grundgesamtheit erklären.

..., woraus doch geschlossen werden kann, dass das Modell einfach nicht gut ist und ein kleines R bedeutet doch auch, dass zwischen den Variablen ein schwacher Zusammenhang besteht, richtig?

Der Begriff "schwach" ist mathematisch und statistisch nicht definiert, sondern ergibt sich aus dem Kontext Deiner Arbeit. Bestimmt hast Du Recht und der Zusammenhang ist bestenfalls schwach.

Das Modell ist dann doch einfach nicht zur Vorhersage der Werte geeignet.. So habe ich das jedenfalls verstanden.

So wird man das üblicherweise sehen.

Es ist doch schließlich auch ein Ergebnis wenn die aufgestellte Hypothese nicht bestätigt wird und ich schreibe, dass die aufgenommenen unabhängigen Variablen nur sehr wenig Varianz erklären und sie demnach nicht geeignet sind, um Varianz der abhängigen Variable zu erklären. Und dass möglicherweise weitere Forschungen durchgeführt werden müssen, um zu untersuchen, welche Prädiktoren Varianz in der AV erklären. Oder nicht?

Man könnte untersuchen, ob andere Prädiktoren in einem engeren Zusammenhang mit der AV stehen und man könnte auch schauen, ob es vielleicht nicht-lineare Zusammenhänge gibt, die von Deinem linearen Modell einfach nicht erfasst wurden.

Entschuldigt die ganzen Fragen, aber so langsam bin ich echt am Verzweifeln.

Vielleicht hilft es Dir zu erfahren, dass Du damit nicht allein bist [klickmich]. Es liegt in der Natur des Forums, dass die Leute hier auftauchen wenn sie bei ihren jeweiligen Abschlussarbeiten feststellen, dass das im Studium gelernte dafür nicht ausreicht und dann entweder verwirrt oder verzweifelt sind, dass sie beim Anwenden des Gelernten scheinbar auf dem Schlauch stehen. Als Trost sei vielleicht gesagt, dass nur ganz wenige sich nach ihren Abschlussarbeiten an dieses Forum wenden. Für das Leben nach der Abschlussarbeit scheint das vermittelte Statistikwissen dann wieder ausreichend zu sein.

LG,
Bernhard

[Sassi03]

Vielen Vielen vielen Dank für die ganze Hilfe. Das bringt mich ein ganzes Stück weiter!!!

Wenn man erst einmal fest steckt, ist es schwer von selbst wieder raus zu kommen. Deswegen vielen Dank für die Unterstützung.

Ich hatte auch überlegt eine nicht lineare Regression zu rechnen. Zwar ist die Beziehung zwischen den UV und der AV linear sein, aber ich wollte es trotzdem versuchen. Jedoch weiß ich leider gar nicht wie man das macht, da wird das nie gelernt haben und es mir, nachdem ich es im Internet angeschaut habe, recht kompliziert erscheint.

LG,
Sassi

[Sassi03]

Hallo,

ich habe noch eine kurze Frage. Vielleicht könnt ihr mir auch hierbei helfen!

Und zwar habe ich in meiner Masterarbeit zusätzlich die Big-Five in ihrer Kurzskala (BFI-10) aufgenommen, um sie als Kontrollvariable zu verwenden.
Gemessen werden die 5 Dimensionen anhand von je 2 Items.
Natürlich habe ich das ganze anhand Cronbachs Alpha für jede Dimension auf Reliabilität überprüft. Dabei ist für die Dimension Verträglichkeit ein Alpha von ,144 herausgekommen, was ja sehr sehr sehr schlecht und inakzeptabel ist. Ich hatte mit meiner Betreuerin darüber gesprochen und auch sie war über den Wert sehr verwundert, da Mittelwert und Standardabweichung nicht besonders groß waren oder ähnliches.

Woran kann es nun also liegen, dass dieser Alpha Wert so super klein ist? Natürlich ist mir bewusst, dass bei 2 Items keine sehr zufriedenstellenden und hohen Alpha-Werte zu erwarten sind, jedoch kann ich mir einfach nicht erklären, warum dieser Wert so gering ist.

LG,
Sassi