STATISTIK-FORUM.de

[Lou589]

Hallo zusammen,

Ich bin ganz neu hier, vielleicht kann mir ja jemand etwas auf die Sprünge helfen.

Aktuell arbeite ich an der statistischen Auswertung meiner Masterarbeit. Dabei nutze ich das Statistik-Programm SPSS.

In einem ersten Schritt habe ich die erhobenen Daten von fünf verschiedenen abhängigen Variablen (Herzfrequenz usw.) auf Normalverteilung und Varianzhomogenität getestet (mittels Shapiro-Wilk/Kolmogorov-Smirnov-Test und Levene-Test). Dabei testete ich für meine beiden Gruppen (Kontroll- und Interventionsgruppe) separat. Eine Normalverteilung der Daten konnte in beiden Gruppen bei allen abhängigen Variablen angenommen werden. Varianzhomogenität war auch bezüglich allen Variablen gegeben. Darauf folgten dann die fünf t-Tests für unabhängige Stichproben.

In einem weiteren Schritt würde ich gerne hinsichtlich meinen fünf abhängigen Variablen und der unabhängigen Variable (Gruppe) den Einfluss von drei weiteren Variablen untersuchen beziehungsweise nach ihnen korrigieren. Die Variablen "Geschlecht" und "Besitz eines Hochschulabschlusses" sind dabei kategorial, das "Alter" ist metrisch skaliert.

Ich habe Schwierigkeiten einen geeigneten statistischen Test beziehungsweise das richtige Modell für das besagte Vorhaben in SPSS zu finden. Gerne kann die Untersuchung für jede der fünf abhängigen Variablen getrennt erfolgen. Kann mir dabei jemand weiter helfen?

Vielen Dank für eure Mühe,
Louisa

[bele]

Hallo Louisa,

erfreulicherweise ist das kein Problem - die gesuchte Erweiterung des t-Tests auf mehrere Einflussvariablen kann(*) die lineare Regression sein. Dabei werden Geschlecht und Hochschulabschluss in 0 und 1 codiert und dann stellt man eine Rechnung folgender Art auf:

Herzfrequenz = ß0 + ß1*Gruppe + ß2*Geschlecht + ß3*Abschluss + ß4*Alter + e

Dabei ist e der Messfehler der für alles aufkommt, was Du nicht messen konntest und deshalb nicht bestimmen kannst. SPSS hat irgendwo eine Funktion für lineare Regressionen und kann Dir die Werte für ß0, ß1, ß2, ß3 und ß4 so bestimmen, dass e(**) möglichst klein wird. Außerdem gibt es Dir einen p-Wert ("Sig.") aus und wenn der kleiner als 0,05 ist darfst Du davon ausgehen, dass das entsprechende ß "in Wahrheit" nicht Null sein kann.

Je nachdem, wieviele Beobachtungen Du zur Verfügung hast kann man sich sicher noch überlegen, so ein Modell etwas komplizierter zu machen, aber das wäre ein vernünftiger Anfang.

Das hier könnte helfen: https://www.youtube.com/watch?v=voWXyw6xX9o
(Zur Vertiefung danach vielleicht noch https://www.youtube.com/watch?v=NQfLoHNirzk )

LG,
Bernhard


(*) Alternativ zur linearen Regression kommt eine Kovarianzanalyse (AnCoVa) infrage, die bringt aber keinen Mehrwert. Rechne eines von beiden.
(**) Streng genommen wird die Summe aller e² möglichst klein gemacht.

[Lou589]

Lieber Bernhard,

vielen Dank für deine schnelle und ausführliche Antwort und auch für die Links zu den Videos, die ich mir nachher noch anschauen werde.

Viele Grüße
Louisa

[moonn54]

Seien Sie bereit für den nächsten Schritt. Eine Möglichkeit wäre, eine ANCOVA (Analyse der Kovarianz) zu nutzen, um den Einfluss der relevanten Variablen auf Ihre abhängigen Variablen genauer zu untersuchen. Mit den richtigen Parametern und Anpassungen lassen sich verborgene Muster aufdecken – ähnlich wie bei der Optimierung einer Webseite im SEO-Kontext, wo kleine Anpassungen den großen Unterschied machen können.

[strukturmarionette]

n1? n2? und jeweiliges Zustandekommen?

[PonderStibbons]

Ist nur ein Arschloch-Bot, das ein paar scheinbar sinnhafte Posts absetzt (in z.T. jahrealten threads!), um dann als Schein-Regular hier Werbung abzukippen.
Der inzwischen nachgefolgte Werbe-Beitrag wurde gelöscht und das Arschloch gesperrt.