STATISTIK-FORUM.de

[hanna:bue]

Liebe Forummitglieder,

ich bin noch nicht sehr erfahren im Bereich Statistik und rechne aktuell für meine Masterarbeit.
Es geht mir darum herauszufinden, in welchem Ausmaß die Einstellung zum Studium die Studienabbruchintention vorhersagt.
Unter Einstellung fällt die (1) Einstellung zum Studium, die (2) subjektive Norm und die (3) wahrgenommene Verhaltenskontrolle.
Wenn ich diese drei Faktoren einzeln in einer linearen Regression berechne kommt zum Beispiel bei (1) "Einstellung zum Studium" ein schwacher aber signifikanter Effekt heraus (Interpretation: Studienanfängerinnen, die ihr Studium wählen, weil sie es für nützlich halten, tendieren dazu abzubrechen.?).
Wenn ich dann eine multiple Regression rechne mit allen drei oben genannten Prädiktoren (+ der Kontrollvariable Studienzufriedenheit, die den höchsten Anteil an Varianz aufklärt), dann ist der vorhin gefundene Effekt überhaupt nicht mehr signifikant (p=.982). Auch die anderen Prädiktoren ändern sich in ihrem beta und in ihrer Signifikanz..
Woran liegt das, wie lässt sich das erklären?

Liebe Grüße!
H

[strukturmarionette]

Hi,

- zunächst alle relevante Befundzahlen konkret mitteilen.
- N?

Gruß
S.

[PonderStibbons]

https://psychologie.uni-graz.at/de/biol ... -list/faq/
FAQ Nummer 7.

Mit freundlichen Grüßen

PonderStibbons

[hanna:bue]

Hallo,
also N=199, es gab zwei Messzeitpunkte. Zu T1 wurden Einstellung = (aff_komp_T1 + kog_komp_T1), Subjektive Norm (sub_norm_T1) und wahrgenommene Verhaltenskontrolle (wahr_vk_T1) erhoben, zu T2 die Studienzufriedenheit und Studienabbruchintention.

Ergebnis Regression Studienabbruchintention ~ Affektive Komponente (der Einstellung):

Call:
lm(formula = daten_abbruch$Abbr_ges_T2 ~ daten_abbruch$aff_komp_T1)

Residuals:
Min 1Q Median 3Q Max
-2.8660 -0.8628 -0.2892 0.4578 4.5814

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.0780 0.8327 8.500 7.08e-15 ***
daten_abbruch$aff_komp_T1 -0.7766 0.1364 -5.692 5.02e-08 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.259 on 180 degrees of freedom
(17 observations deleted due to missingness)
Multiple R-squared: 0.1525, Adjusted R-squared: 0.1478
F-statistic: 32.4 on 1 and 180 DF, p-value: 5.023e-08


Ergebnis der multiplen Regression:

Call:
lm(formula = Abbr_ges_T2 ~ SZuf_ges_T2 + aff_komp_T1 + kog_komp_T1 +
sub_norm_T1 + wahr_vk_T1, data = daten_abbruch)

Residuals:
Min 1Q Median 3Q Max
-2.3008 -0.6238 -0.1589 0.5593 3.2643

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.61476 0.78836 10.927 < 2e-16 ***
SZuf_ges_T2 -0.65458 0.09352 -7.000 6.05e-11 ***
aff_komp_T1 -0.23739 0.14814 -1.603 0.1109
kog_komp_T1 -0.01989 0.09370 -0.212 0.8321
sub_norm_T1 -0.07653 0.06132 -1.248 0.2137
wahr_vk_T1 -0.30857 0.12366 -2.495 0.0136 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.069 on 166 degrees of freedom
(27 observations deleted due to missingness)
Multiple R-squared: 0.4018, Adjusted R-squared: 0.3838
F-statistic: 22.3 on 5 and 166 DF, p-value: < 2.2e-16

[hanna:bue]

@PonderStibbons: Das heißt, dass die 14% Varianz der affektiven Komponente und der signifikante Effekt irgendwo in den anderen Konstrukten steckt und deshalb verschwindet, sobald man andere Konstrukte dazu nimmt?