STATISTIK-FORUM.de

[Tom81]

Es wäre nett, wenn mir jemand meine Fragen beantworten würde!

1. Wieso muss man immer zuerst eine univariate Analyse durchführen, bevor man die multivariate Analyse macht? Eigentlich ist die multivariate Analyse doch viel aussagekräftiger, wenn man doch den Einfluss einzelner Variablen untersuchen möchte.

2. Wie ist es möglich, dass in der univariaten Analyse kein signifikanter Zusammenhang einer UV1 mit der AV besteht, obwohl in der multivariaten Analyse, in der für die anderen UVs adjustiert wurde, ein signifikanter Zusammenhang dieser UV1 mit der AV nachweisbar ist?

Vielen Dank!
Tom

[PonderStibbons]

1. Wieso muss man immer zuerst eine univariate Analyse durchführen, bevor man die multivariate Analyse macht?

Nun, wer sagt das denn? Und wer ist "man", auf welche Umstände soll sich das beziehen?
Und vor allem: meinst Du tatsächlich univariate versus multivariate Regression, oder
vielleicht einfache versus multiple Regression?

Eigentlich ist die multivariate Analyse doch viel aussagekräftiger, wenn man doch den Einfluss einzelner Variablen untersuchen möchte.

Also vermutlich tatsächlich multiple, nicht multivariate Regression? Welche Analyse
aussagekräftiger ist, kommt vor allem auf die Fragestellung an.

Mit freundlichen Grüßen

P.

[Tom81]

Danke für die schnelle Antwort!
Ich möchte den Einfluss von Risikofaktoren auf ein bestimmtes Outcome untersuchen. Um den einzelnen Einfluss dieser Variablen festzustellen, benutze ich eine multiple Regressionsanalyse (da hab ich vorhin wohl in der Tat den falschen Begriff verwendet). Mein Chef wollte allerdings das ich zuerst eine univariate Analyse durchführe. Ich frage mich aber nach dem Sinn derer. Ist die Aussage der univariaten Analyse dann lediglich wie der Einfluss unter realen Bedingungen ist, wenn die anderen Faktoren mitwirken? Sie sagt mir ja schließlich nichts über den Einzeleffekt aus.
Viele Grüße!

[PonderStibbons]

Die einfache Regression zeigt wie die Prädiktor-Variable mit der abhängigen Variable assoziiert ist. Die multiple Regression zeigt, wie die Prädiktor-Variable mit der abhängige Variable assoziiert ist, während gleichzeitig der Einfluss anderer Variablen berücksichtigt wird. Zwecke einer Regressionsanalyse können u.a. sein die möglichst genaue Vorhersage einer abhängigen Größe ("pragmatisch") oder die Aufklärung von (komplexen) Beziehungen zwischen Prädiktoren und abhängigen Größen ("theorieorientiert"). In beiden Fällen kann es interessant sein einfache mit multiplen Modellen zu vergleichen. Aber was Dein Auftraggeber tatsächlich im Sinn hat, lässt sich aus der Ferne nicht ersehen.

Mit freundlichen Grüßen

P.

[madheavenjeff]

Hallo,
ich hoffe, es ist kein Problem, wenn ich mich in diesen Thread einklinke!? Wollte keinen eigenen eröffnen, da mich die zweite Frage interessiert:
Kann es sein, dass eine UV in einer Einfach-Regression keinen signifikanten Zusammenhang mit der AV zeigt, aber in einer multiplen Regression, wenn ich für weitere UV kontrolliere?

[Holgonaut]

Hi,

ja, das ist sehr gut möglich, wenn die Korrelationen des Prädiktors mit anderen negativ und deren Effekte positiv sind oder andersrum.

Grüße
Holger

[planlos]

Hallo,

ich finde die Frage auch sehr interessant:

"Kann es sein, dass eine UV in einer Einfach-Regression keinen signifikanten Zusammenhang mit der AV zeigt, aber in einer multiplen Regression, wenn ich für weitere UV kontrolliere?".

Nur verstehe ich die Antwort im Moment nicht: "ja, das ist sehr gut möglich, wenn die Korrelationen des Prädiktors mit anderen negativ und deren Effekte positiv sind oder andersrum."

Könnten Sie mir das anderst definieren?

Meine zweite Frage:

Können Sie mir ein Beispiel geben wo zwei Variablen in der univariaten nicht signifikant sind aber in der multiplen Regression wiederum doch signifikant sind. Was bedeutet genau "der gleichzeitige Einfluss anderer Variablen". Ich will das unbedingt verstehen.




Vielen Dank.

[Holgonaut]

Hi Planlos,

Stell dir eine Regression mit zwei Prädiktoren X1 und X2 vor und eine abhängige Variable Y.
Der Regressionseffekt von X1 ist b1 und der von X2 b2. Beide korrelieren mit r21

Die Korrelation zwischen X1 und Y ist: Kor(X1,Y) = b1 + r21*b2

Daraus lassen sich alle möglichen Kombinationen leicht simulieren, die je nach b1, b2 und r21 alle möglichen Korrelationen zwischen X1 und Y erzeugen.

Auch zeigt sie, warum eine multiple Regression so wichtig ist und einfache Regressionen / Korrelationen jenseits der simplen Darstellung eines Zusammenhangs
wissenschaftlich absolut aussagelos sind.

Grüße
Holger