STATISTIK-FORUM.de

[Rebecca_12]

Hallo zusammen,

ich habe ein dringendes Anliegen: zur Überprüfung von Zusammenhängen in meinen Daten habe ich eine Pearson Korrelation zwischen mehreren unabhängigen und abhängigen Variablen berechnet. Welche Analysemethode bietet sich nur an, um in einer nächsten Analyse auf den Faktor Geschlecht zu kontrollieren?

Hier habe ich zunächst an eine lineare Regression gedacht. Hierfür ist die Voraussetzung der Linearität in meinen Daten allerdings nicht gegeben (auch nach Transformation). Gibt es eine andere passende Methode?

Vielen Dank und Liebe Grüße!

[PonderStibbons]

Alle Beziehungen sind nicht-linear (wie wurde das festgestellt?) und es gibt nie eine passende Transformation?

Beschreibe doch mal die Studie, also Thema, Fragestellung, Stichprobengröße, Variablen und deren Messung.

Mit freundlichen Grüßen

PonderStibbons

[Rebecca_12]

Danke für die rasche Antwort!

Alle Beziehungen sind nicht-linear (wie wurde das festgestellt?) und es gibt nie eine passende Transformation?

Auf die Linearität habe ich grafisch mit Streudiagrammen untersucht. Meine Daten hatte ich bereits für die vorherige Durchführung einer ANOVA logarithmiert und würde am liebsten ein Verfahren verwenden, mit dem ich die Daten so beibehalten kann. Das erscheint mir übersichtlicher als verschiedene Transformationen zu verwenden.

Beschreibe doch mal die Studie, also Thema, Fragestellung, Stichprobengröße, Variablen und deren Messung.

Meine Stichprobe besteht aus 40 Personen. Das Thema ist der Zusammenhang von Persönlichkeit und der Stressverarbeitung. Ich habe bereits den Zusammenhang von drei Persönlichkeitsfaktoren (unabhängige Variablen) und zwei Stressvariablen (abhängige Variablen) berechnet. Alle variablen sind metrisch. Die Untersuchung dieses Zusammenhangs war der zentrale Teil meiner Fragestellung. In den vorbereitenden Analysen zeigte sich in einer zweifaktoriellen ANOVA mit Messwiederholung bereits, dass es einen Einfluss von Geschlecht auf Stress gibt. Daher möchte ich nun explorativ Geschlecht als Kontrollvariable einfließen lassen, da ich mir gut vorstellen kann dass dieser Faktor einen Einfluss auf die Korrelationen hatte.

Freundliche Grüße

Rebecca

[PonderStibbons]

Auf die Linearität habe ich grafisch mit Streudiagrammen untersucht.

Wie sieht es denn aus, z.B. J-förmig? U-förmig?

Und wenn Du nicht-lineare Beziehungen hast, sind auch Pearson-Korrelationen nicht sonderlich sinnvoll.

Meine Daten hatte ich bereits für die vorherige Durchführung einer ANOVA logarithmiert

Deine im weiteren beschriebenen Variablen sind eigentlich keine, bei denen Logarithmieren unmittelbar
inhaltlichen Sinn zu ergeben scheint. Warum wurde das gemacht? Rein für die Durchführung von statistischen
Tests sollte man sowas nicht machen.

Vielleicht sind die nicht-logarithmierten Variablen linear verknüpft mit den UVs?

Daher möchte ich nun explorativ Geschlecht als Kontrollvariable einfließen lassen, da ich mir gut vorstellen kann dass dieser Faktor einen Einfluss auf die Korrelationen hatte.

Im Sinne einer konfundierten Variable, oder im Sinne eines Moderators?

Mit freundlichen Grüßen

PonderStibbons

[Rebecca_12]

Wie sieht es denn aus, z.B. J-förmig? U-förmig?

Es sieht eher aus wie eine längliche Punktewolke.

Und wenn Du nicht-lineare Beziehungen hast, sind auch Pearson-Korrelationen nicht sonderlich sinnvoll.

Ach Mist, danke! Dann werde ich dort wohl auf eine Spearman-Korrelation umsteigen müssen.

Deine im weiteren beschriebenen Variablen sind eigentlich keine, bei denen Logarithmieren unmittelbar
inhaltlichen Sinn zu ergeben scheint. Warum wurde das gemacht? Rein für die Durchführung von statistischen
Tests sollte man sowas nicht machen.

Das ist bereits abgesprochen, das kann ich im Rahmen meiner Hausarbeit ohne Probleme so machen. Die nicht logarithmierten Daten sind auch nicht linear verknüpft.

Im Sinne einer konfundierten Variable, oder im Sinne eines Moderators?

Eher im Sinne eines Moderators. Ich möchte quasi generell erstmal schauen, ob das Geschlecht überhaupt einen Einfluss auf die Korrelationen hatte.

Freundliche Grüße

Rebecca

[PonderStibbons]

Es sieht eher aus wie eine längliche Punktewolke.

Das hört sich nicht nach nichtlinear an, sondern lediglich nach einem niedrigen r bzw. R².

Das ist bereits abgesprochen, das kann ich im Rahmen meiner Hausarbeit ohne Probleme so machen. Die nicht logarithmierten Daten sind auch nicht linear verknüpft.

Im Zweifel sollte man sowas aber eher lassen. Logarithmierte Daten haben eine andere Bedeutung als die
Ausgangsdaten. Oder wie ist die Beziehung zwischen einem logarithmierten Persönlichkeitsmerkmal
und einem logarithmierten Stressempfinden zu interpretieren, gibt es dazu Referenzen und Begründungen?
Rein um irgendwelche Voraussetzungen zu erfüllen, ist das Transformieren nicht sinnvoll, wie gesagt
(und auch fast immer unnötig).

Eher im Sinne eines Moderators. Ich möchte quasi generell erstmal schauen, ob das Geschlecht überhaupt einen Einfluss auf die Korrelationen hatte.

Der zweite Teil des Satzes widerspricht ein wenig dem ersten. Falls Du aber tatsächlich einen Moderatoreffekt
annimmst, muss die Wechselwirkung UV*Geschlecht ins Modell. Es sei denn, es geht eben nur um die Frage,
ob Geschlecht gleichzeitig das Stressempfinden und die UV beeinflusst und damit Scheinkorrelationen hervorruft.

Mit freundlichen Grüßen

PonderStibbons

[Rebecca_12]

Es sei denn, es geht eben nur um die Frage,
ob Geschlecht gleichzeitig das Stressempfinden und die UV beeinflusst und damit Scheinkorrelationen hervorruft.

Im Prinzip fasst du mit dem Satz mein Anliegen zusammen Welche Analyse würde man hierzu durchführen?

Freundliche Grüße

Rebecca

[PonderStibbons]

Ja, was sonst als Aufnahme in die Regressionsgleichung. Wenn also doch kein Moderatoreffekt
angenommen wird, dann ist auch die Wechselwirkung nicht erforderlich.