STATISTIK-FORUM.de

[n_lee]

Liebes Forum,
ich sitze gerade an meiner Diplomarbeit in der Psychologie und habe noch 8 Tage bis zur Abgabe.
Leider kennen sich weder meine Anleiter noch die Statistik-Professoren meiner Uni mit dem Bootstrap-Verfahren aus, weswegen ihr momentan meine letzte Hoffnung seid. Ich rechne eine theoriegeleitete hierarchische moderierte Regression, in der im 1. Block meine Kontrollvariablen und im 2. Block mein Modell der Moderation (also 2 Haupteffekt- und eine Interaktionsvariable) einfließen.
Es geht mir speziell um die Interpretation meiner Ergebnisse:
Ich habe die Ergebnisse momentan in Tabellen aufgeschrieben. Hier sind erst mal alle Parameter drin, die bei der parametrischen Moderation herauskommen (Also B, Beta, R-Quadrat etc.). Die will ich lediglich zur Veranschaulichung darstellen, denn interpretieren kann ich sie ja aufgrund meiner nicht-normalverteilten Daten nicht.
Aber was genau kann ich denn überhaupt für Aussagen mit dem BS-VErfahren machen? KI's und Standardfehler werde ich nicht angeben, B ist ja das gleiche und Beta spuckt er nicht aus. Bleibt also nur noch der Signifikanztest (p) für jeden einzelnen Prädiktor, Kontrollvariablen und der Interaktionsvariable in meinem Modell. Kann ich also letztlich nur sagen: Ja, der Haupteffekt wird auch unter Bootstrap signifikant, allerdings kann ich nicht sagen, wieviel dieser Prädiktor im Kriterium aufklärt, da ich Beta nicht interpretieren darf?
Und wie sieht das mit R-Quadrat aus? Kann ich überhaupt sagen, wieviel zusätzliche Varianz mein 2. Block im Kriterium aufklärt, auch wenn das eigentlich die Statistiken der parametrischen Regression sind?

Wie ihr seht, ich bin etwas überfordert hier, finde auch leider keine Moderations-Studien oder statistische Lehrbücher, die da ausführlicher drauf eingehen geschweige denn das Thema behandeln.
Danke schon mal im Voraus für alle Ideen, HIlfen und Denkanstösse.
Liebe Grüße,
Anna-Lena

[PonderStibbons]

Die will ich lediglich zur Veranschaulichung darstellen, denn interpretieren kann ich sie ja aufgrund meiner nicht-normalverteilten Daten nicht.

Das ist eine etwas überraschende Aussage. Wieso sollte die Nichtnormalverteilung
von (welchen?) Daten an der Interpretation der Ergebnisse hindern?

Mit freundlichen Grüßen

P.

[n_lee]

Hm, also ich wende den Bootstrap ja nur an, weil ich keine normalverteilten Daten habe.
WEnn ich den B. durchlaufen lasse, spuckt SPSS mir aber auch die Ergebnisse der parametrischen Regression aus. Jetzt habe ich also bspw. ein Beta, das durch die parametrische Regression errechnet wurde, aber unter Bootstrap wird mir kein Beta angegeben. Deswegen kann ich doch die einzelnen Regressionskoeffizienten (also Betas) nicht interpretiern, oder?
Liebe Grüße

[PonderStibbons]

Hm, also ich wende den Bootstrap ja nur an, weil ich keine normalverteilten Daten habe.

Warum? "Nichtnormalität" von Daten ist in einer Regression weitgehend
uninteressant. Daraus ergibt sich keine Notwendikeit von Bootstrapping.
Allenfalls interessiert die Verteilung der Residuen. Und auch das
recht eigentlich nur bei kleineren bis mittleren Stichproben.

Mit freundlichen Grüßen

P.

[n_lee]

Ach mist, ja genau. Also es liegt keine Normalverteilung und Homoskedastizität der Residuen vor. Sorry, ich bin gerade bei der BErechnung meiner T-Test und habe das durcheinander´geworfen.
Sind R-Quadrat (mit F-Statistik) und Beta denn auch bei nicht normalverteilten und heterosk. Residuen interpretierbar?

[PonderStibbons]

Ich bin nicht sicher, ob ich Dein Problem richtig verstehe.
Die OLS-Parameterschätzungen sind auch bei Verletzung der
Annahmen Normalverteilung und Homoscedaszität der
Residuen unverzerrt.

Mit freundlichen Grüßen

P.

[n_lee]

Vielleicht mal anders ausgedrückt:
Der Bootstrap gibt mir ja genau eine Signifikanzprüfung. Wofür steht sie? R-Quadrat? Das Modell an sich? Oder für das Regressionsgewicht?
Liebe Grüße

[PonderStibbons]

Wie gesagt, ich bin nicht ganz sicher, worin Dein Problem liegt,
außerdem kann ich jetzt höchstens raten, wie der SPSS-output
für Regression mit bootstrap aussieht.

Die Parameterschätzungen sind mit und ohne bootstrap dieselben.
Bei Heteroscedaszität sind die Standardfehler dieser Koeffizienten
aber nicht korrekt. Durch bootstrap wird versucht, korrektere
Standardfehler zu schätzen und damit korrektere Tests der Koeffizienten
durchzuführen. Warum bei mehreren Koeffizienten SPSS nur
für einen einen Signifkanztest durchführt, weiß ich nicht.

In den letzten Jahren ist bei Vorliegen von Heteroscedaszität eigentlich
das SPSS-Macro für "robuste Regression" von Hayes gebräuchlich. Vielleicht
rechnest Du das besser einmal damit.

Mit freundlichen Grüßen

P.

[n_lee]

In Ordnung, das werde ich versuchen.
Ich danke dir für deine Hilfe und wünsche noch einen schönen Tag.
Liebe Grüße