STATISTIK-FORUM.de

[Labeille]

Hallo liebe Leute,

ich vergleiche zwei Gruppen hinsichtlich mehrerer Merkmale. Mein t-Test ergab, dass sie sich hinsichtlich der Merkmale nicht unterscheiden. Meine logistische Regression ergab aber, dass diese Merkmale die Gruppenzugehörigkeit sign. vorhersagen. Wie kann das sein? Bzw. wie interpretiere ich das?
Ich muss die Diskussion für meine Masterarbeit in den nächsten Tagen fertigkriegen und hab noch keine Lösung dafür. Ich würde mich sehr über eine Antwort freuen!

[PonderStibbons]

ich vergleiche zwei Gruppen

Welcher Größe?

hinsichtlich mehrerer Merkmale.

Was für Merkmale, wie gemessen?

Mein t-Test ergab,

Vermutlich ist gemeint, die t-Tests?
Waren die Voraussetzungen für diesen Test erfüllt?

dass sie sich hinsichtlich der Merkmale nicht unterscheiden.

Falls es hier um die p-Werte geht, in welchen Bereichen lagen diese?

Meine logistische Regression ergab aber, dass diese Merkmale die Gruppenzugehörigkeit sign. vorhersagen.

Für jedes merkmal eine einfache logistische Regression?
Oder war es 1 multiple logistische Regression? Und was
heißt "sign", wie lauten konkret die Ergebnisse, zumindest
die p-Werte?

Bzw. wie interpretiere ich das?

Das hängt unter anderem davon ab, wieso das einmal so und
einmal so berechnet wurde.

Mit freundlichen Grüßen

P.

[Labeille]

Oha! Also:
2 Gruppen (Gruppe 1 "Rückfall" n = ca. 200, Gruppe 2 "kein Rückfall" n = ca. 390).
Merkmal 1: Anzahl Vorbehandlungen, Merkmal 2: Konsumtage vor Behandlungsbeginn.
Voraussetzungen für t-Test war für die Konsumtage erfüllt. Für die Anzahl der Vorbehandlungen war Vatrianzhomogenität nicht gegeben, habe deshalb entspr. Freiheitsgrade korrigiert.
Da ich (in der Tat) mehrere t-Tests gerechnet habe, habe ich Alpha nach Bonferoni korrigiert (Alpha = .01).
Das waren die Werte für die t-Tests:
Konsumtage t = 1.03, df = 478, p = .303
Vorbehandlungen t = 2.28, df = 323 (korrigiert), p = .023 (wird nach Bonferoni-Korrektur nicht signifikant).

In der log. Regression:
Konsumtage B = 0.02 p = .033 Standardfehler = .01 R² = .12
Vorbehandlungen B = 0.05, p = .001 Standardfehler = .14, R² = .08

Also das mit den Vorbehandlungen kann natürlich wegen der Bonferoni-Korrektur sein. Weil die Regression da robuster ist? Oder wie sag ich das?
Aber die Konsumtage kann ich mir nicht recht erklären...

[Labeille]

Achso "Was für Merkmale, wie gemessen?" --> Anzahl, also metrische Merkmale (über Selbstauskunft)
Und ich habe eine binäre logistische Regression kategorialer Merkmale und metrischer Merkmale (unter anderem die beiden oben genannten) auf das Ereignis Rückfall/kein Rückfall gerechnet.

[daniel]

Spontan würde ich sagen, die t-Tests testen andere Gruppen, als die Regression. In der einen multiplen Regression wird bei Betrachtung eines Merkmals, das jeweils andere konstant gehalten/adjustiert. Das ist beim t-Test nicht der Fall.

[Labeille]

Spontan würde ich sagen, die t-Tests testen andere Gruppen, als die Regression. In der einen multiplen Regression wird bei Betrachtung eines Merkmals, das jeweils andere konstant gehalten/adjustiert. Das ist beim t-Test nicht der Fall.

... hm ... Weiß grad nicht, wie ich das auf meinen Fall übertragen kann...
Bei den t-Tests habe ich die Gruppen Rückfall und kein Rückfall hinsichtlich Merkmalen miteinander verglichen. In der (multiplen?? weiß ich nicht) logistischen Regression habe ich geschaut, wie diese Merkmale die Gruppenzugehörigkeit Rückfall/kein Rückfall vorhersagen. Also hatte dann am Ende eine Gleichung wie
Wahrscheinlichkeit Rückfall = Konstante + xMerkmal1 + yMerkmal2 usw.

[PonderStibbons]

Merkmal 1: Anzahl Vorbehandlungen

Möglicherweise viele 0-Werte und Range im wesentlichen 0-2?
Und bei Konsumtagen, wie sehen da Mittelwerte und Standardabweichungen
in den beiden Gruppen aus?

Da ich (in der Tat) mehrere t-Tests gerechnet habe, habe ich Alpha nach Bonferoni korrigiert (Alpha = .01).

Wieso für 5 Tests? Du berichtest hier nur von zweien.

Konsumtage B = 0.02 p = .033 Standardfehler = .01 R² = .12

Was für ein R² ist das denn eigentlich?

Mit freundlichen Grüßen

P.

[Labeille]

"Möglicherweise viele 0-Werte und Range im wesentlichen 0-2?
Und bei Konsumtagen, wie sehen da Mittelwerte und Standardabweichungen
in den beiden Gruppen aus?"

--> Nein, eigentlich sind das nicht viele 0-Werte:
Für die Konsumtage ist der Range 0-30, Rückfall: M = 6.4, SD = 9.6, bzw. kein Rückfall: M = 5.5 SD = 6.4
Für die Vorbehandlungen (weiß ich Range grad nicht, auf jeden Fall gibt es nicht so wahnsinnig viele mit 0 und bis zu zweistellig) Rückfall: M = 7.2, SD = 8.2, bzw. kein Rückfall: M = 5.7 SD = 6.2

"Wieso für 5 Tests? Du berichtest hier nur von zweien."

--> Ich habe 5 t-Tests gerechnet, die anderen ergaben aber keine "problematischen" Ergebnisse, deshalb hab ich nur meine 2 Sorgenkinder berichtet

"Was für ein R² ist das denn eigentlich?"

--> Nagelkerkes R²

[Labeille]

Achso "Was für Merkmale, wie gemessen?" --> Anzahl, also metrische Merkmale (über Selbstauskunft)
Und ich habe eine binäre logistische Regression kategorialer Merkmale und metrischer Merkmale (unter anderem die beiden oben genannten) auf das Ereignis Rückfall/kein Rückfall gerechnet.

Heißt das jetzt, Dein Problem ist, dass der t-Test, der
den Zusammenhang eines Merkmals mit Gruppe analysiert,
anders ausfällt als eine multiple Regression mit beiden
Merkmalen und zusätzlich weiteren Merkmalen (welchen) ?
Aber das ist doch fast zwangsläufig der Fall, falls (!)
Konsumtage und Vorbehandlung nicht völlig unkorreliert sein
sollten. Die Informationen aus beiden Merkmalen überlappen
dann, und die zweite Variable (Konsumtage) hat kaum
mehr eine zusätzliche Vorhesageleistung über die Vorhersageleistung
der ersten Variable hinaus.

Aber müsste dann nicht eher umgekehrtes der Fall sein? Also müssten dann die t-Tests nicht eher signifikant werden als die Prädiktoren bei der Regression?

[PonderStibbons]

Aber müsste dann nicht eher umgekehrtes der Fall sein? Also müssten dann die t-Tests nicht eher signifikant werden als die Prädiktoren bei der Regression?

Ja, da hatte ich den umgekehrten Fall vor Augen.

Die logistische Regression ist mir immer noch ein Rätsel, nichtmal
ob es eine multiple oder mehrere Einzelregressionen waren, ist
zweifelsfrei, für letzteres spircht dass jeweils für eine Variable
ein R² angegeben ist, für ersteres wieder andere Aussagen.

Falls es sich um eine multiple Regression handelt, und was auch
immer sonst noch da eingeflossen sein mag, dann wäre es ganz
alltäglich, wenn sich die Beziehungen ändern. Hinsichtlich
"vorher war's nicht signifikant, jetzt isses" wäre zunächst an
einen möglichen => Suppressoreffekt zu denken, aber wie gesagt,
das Vorgehen ist mir unklar und was da noch mit eingegangen ist.

Mit freundlichen Grüßen

P.