STATISTIK-FORUM.de

[nooB4738]

Hallo liebe Community,

ich schreibe momentan meine Bachelorarbeit und muss dafür eine Moderationsanalyse rechnen.
Mir sind einige Sachen unklar. Die Moderationsanalyse an sich habe ich bereits mit R berechnet. Mein Problem ist allerdings, dass ich mir nicht sicher bin wie ich die Confounder miteinbeziehe bzw. wie ich auf mögliches Confounding teste.
Reicht es, wenn ich eine Subgruppenanalyse z.B. bezüglich Geschlecht mache?
Oder muss ich die Variable Geschlecht noch extra in meine Moderationsanalyse oder in die multiple lineare Regressionsanalyse einfügen ?
Gibt es eine einfache Möglichkeit in R Confounding zu erkennen ? Und kann ein Moderator gleichzeitig ein Confounder sein?



Über Hilfsangebote wäre ich sehr dankbar!
Vielen Dank im Voraus!
-n

[PonderStibbons]

Interessant wären vielleicht Studien-Thema, Fragestellungen, beteiligte Variablen und deren Messverfahren, Stichprobengröße,
und wieso Du von einigen weiteren Variablen (welchen sonstigen?) annimmst, dass sie Confounder (wovon?) sind.

Mit freundlichen Grüßen

PonderStibbons

[bele]

Hallo nooB4738,

ich bin ganz bei PonderStibbons, die Erfahrung hat gezeigt, dass sich so etwas im Forum besser konkret am Beispiel als allgemein besprechen lässt.

Konzeptionell bin ich da sicher kein Fachmann, aber soviel lässt sich sagen. Wenn Du den Zusammenhang zwischen Größe X und Größe Y betrachtest, dann ist ein Confounder etwas, was Auswirkungen auf X und auf Y hat. Ein Mediator hat gemeinsam mit X Auswirkungen auf Y. Wenn man das Pfeildiagramm ("causal diagram") zeichnet, dann zeigt ein Pfeil vom Confounder auf das X, in der Reinform aber kein Pfeil vom Mediator auf das X. Dementsprechend würde man dann auch eine Korrelation zwischen dem Confounder und dem X erwarten, die es bei der Moderator-Beziehung nicht braucht.

LG,
Bernhard

[nooB4738]

Zum Thema:
Die Arbeit untersucht den Zusammenhang zwischen Angst und Schlaf, und ob die Variablen Alter und Geschlecht diese Beziehung moderieren.
Der Datensatz besteht aus N=300 und beinhaltet mehrere Variablen. Für meine Fragestellung relevanten Variablen sind UV= Angst, AV = Schlaf und Moderatoren = Geschlecht, Alter. Da im Datensatz weitere Variablen, wie gewisse Erkrankungen, Medikation, BMI, etc. vorhanden sind und z.B. Medikamente auch einen Einfluss auf meine UV und AV haben könnten, würde ich gern wissen, wie ich das am besten teste bzw. ausfindig mache, welche von denen Variablen Confounder sein könnten.

[bele]

Hallo,

so ist das doch gleich verständlicher. Darf ich noch fragen, warum Dich diese Confounder interessieren? Willst Du Confounder bewusst in das Modell aufnehmen oder willst Du sie bewusst weglassen? Beides könnte man sich vorstellen.

Nun, es gibt keine R Funktion, die das für Dich übernehmen kann. Nehmen wir als Beispiel Medikation Ich kann mir Vorstellen, dass Medikation auf Angst wirkt aber ich kann mir viel leichter vorstellen, dass Angst auf Medikation wirkt. Die Daten werden Dir das nicht verraten, aber nur in einem der beiden Fälle kommt Medikation als Confounder in Betracht. Mithin musst Du das entscheiden, nicht R.

Vielleicht meinst Du aber was anderes. Vielleicht willst Du wissen, welche Variablen Du mit ins Modell nehmen solltest, um ein möglichst gut fittendes Modell zu finden. Dazu gibt es eine Reihe von Verfahren von schrittweisen Regression über LASSO bis zu allem, was Du bei Google unter "feature selection" findest.

All diesen Verfahren ist gemeinsam, dass sie sich zu sehr den Details Deines Datensatzes anpassen und wenn Du nochmal 300 neue Beobachtungen sammelst, dann finden die vielleicht ein ganz anderes feature set. Wenn Du dennoch diese Richtung gehen willst: LASSO Regression kann man u.a. mit dem Paket glmnet machen. Alle denkbaren Prädiktorkombinationen ausprobieren mit olsrr.

Viele Grüße, Bernhard

[Holgonaut]

Hi,

wie bele sagte, hat ein confounder einen Effekt auf X als auch auf Y. Diese nicht-kausale Beziehung (aus Sicht des X->Y Effekts) führt zu einer Korrelation zwischen X und Y die eben nichts mit dem X-Effekt zu tun hat und so diesen verzerrt. Das kann man einfach durch statistische Kontrolle lösen. Das Problem ist, dass keine Daten der Welt dir sagen, was ein confounder ist. Dieser ist Teil Deiner theoretischen Annahmen. Du musst also überlegen, welche der Daten im Datensatz eine plausible confounder-Rolle haben sollte.

Ich hab einen neuen Artikel, der das alles explizit diskutiert. Der Artikel ist eigentlich über meta-analytische Strukturgleichungsmodelle, aber ich hab als Teil des editorial boards mal die Gelegenheit genutzt, das zu thematisieren. Relevant hier sind die Abschnitte 2.1, 2.3 und 2.4:
https://link.springer.com/content/pdf/1 ... 0293-6.pdf

Ist sogar ein flowchart, wie du abcheckst (theoretisch!), ob eine Variable kontrolliert werden kann oder muss oder nicht kontrolliert werden sollte.

Das was bele über die Korrelation eines confounders mit X oder Y sagt (nämlich dass die da sein sollte), stimmt, aber Vorsicht: Die bezieht sich auf die Population und kann durchaus in einem sample nicht-signifikant sein. Dennoch hat auch dann die Kontrolle des confounders seinen Sinn.

Wie gesagt: Ohne Annahmen läuft hier nix

Grüße
Holger
P.S. hab nach Absenden gesehen, dass Bele noch einen post geschrieben hat. 100% agreement. Nur wenn du sowas sie LASSO anwendet, gehst du voll in den "prediction mode", und kannst die Koeffizienten nicht mehr (jenseits ihres "prediction"-Gehaltes) interpretieren. Gerade wenn du Mediatoren blind mit in das LASSO wirfst, kann das je nach Vollständigkeit der Mediation den X-Effekt eliminieren.