STATISTIK-FORUM.de

[MarieSpss]

Hallo Liebe Statistiker,

Im Rahmen meiner BA werte ich einen Fragebogen aus und stehe gerade vor einem Problem, wo ich nicht weiß wie ich weiter vorgehen soll.
Meine Nullhypothese: Es lässt sich kein Zusammenhang zwischen der Motivation von Spielern und ihrer Spielpraxis feststellen.

Motivation = AV = Summenscore (Index) einer Likert-Skala = metrisch
Spielpraxis = UV = 2 metrische Variablen (Level& Spielstunden) und eine ordinale (Spielfrequenz, 5-stufig)

Mit Kendalls Tau B habe ich bereits signifikante Zusammenhänge nachweisen können, nun wollte ich noch eine Regressionsanalyse durchführen, um Kausalzusammenhänge bestimmen zu können.

Level: r=-0,102, p=0,023, n=257
Spielstunden: r=0,144, p=0,001, n=247
Spielfrequenz: r=0,217, p=0,000, n=253

Leider sind die Variablen alle nicht normalverteilt (nach Kolmogorov-Smirnov und Shapiro-Wilk), weshalb ich keine lineare Regression durchführen kann. Ich habe von einer ordinalen Regression gelesen, die setzt jedoch voraus, dass die AV ebenfalls ordinal ist (?), was bei mir leider auch nicht der Fall ist.

Kennt jemand von euch vielleicht eine Methode die ich benutzen könnte? Ich bin gerade echt am verzweifeln und meine Deadline hängt mir im Nacken, ich bin über jeden Vorschlag dankbar! ^^

Vielen Dank und Liebe Grüße, Marie

[PonderStibbons]

Hallo Liebe Statistiker,

Von der Sorte treibt sich leider keiner hier rum, aber wir geben unser Bestes.

nun wollte ich noch eine Regressionsanalyse durchführen, um Kausalzusammenhänge bestimmen zu können.

Das klingt nachvollziehbar, nur ist der Nachweis von Kausalzusammenhängen keine Frage
des verwendeten statistischen Verfahrens, sondern des Designs. Die Regressionsanalyse
zaubert diese nicht mit einem Mal her.

Leider sind die Variablen alle nicht normalverteilt (nach Kolmogorov-Smirnov und Shapiro-Wilk), weshalb ich keine lineare Regression durchführen kann.

Wer hat Dir denn den Unfug erzählt? Erstens müssen die UV sowieso keine Verteilungseigenschaften
erfüllen, zweitens soll auch die AV nicht normalverteilt sein, sondern die Vorhersagefehler (Residuen)
des Modells, drittens ist es nebenbei unmöglich, dass eine ordinale Variable "normalverteilt" sein
kann, solche Fragen betreffen dieses Skalenniveau gar nicht, viertens ist auch die Annahme von
normalverteilten Residuen zu ignorieren, wenn die Stichprobe ausreichend groß ist. Eine dreistellige
Stichprobengröße ist da allemal ausreichend.

Ich habe von einer ordinalen Regression gelesen, die setzt jedoch voraus, dass die AV ebenfalls ordinal ist (?), was bei mir leider auch nicht der Fall ist.

Man kann jedes "höhere" Skalenniveau in ein niedrigeres transformieren, das wäre auch hier möglich
(außerdem hast Du das implizit schon bei der Verwendung von Tau für die Analyse von Zusammenhängen
zwischen intervallskalierten Variablen gemacht; wobei Pearson's r eigentlich Methode der Wahl
gewesen wäre). Nur würde nur keines Deiner Probleme lösen. Du kannst (s.o.), soweit aus Deinen
Angaben zu erschließen, eine lineare Regressionsanalyse durchführen. Ein ordinalskalierter
Prädiktor mit k Stufen kann als k-1 dummy-Variablen einbezogen werden (eine Stufe bleibt
als "Referenzstufe" ohne eigenen dummy).

Mit freundlichen Grüßen

PonderStibbons

[MarieSpss]

Vielen Dank für deine ausführliche Antwort! ^^

Dass die Daten nicht normalverteilt sein müssen sind super Neuigkeiten, vielleicht habe ich Normalität mit Normalverteilung verwechselt...
Ich glaube ich weiß jetzt wieder wo ich stehe und welche Dinge ich nochmal nachschlagen muss, Dankeschön das du dir Zeit genommen hast mir zu helfen.

Liebe Grüße, Marie