STATISTIK-FORUM.de

[matrixboy7]

Guten Tag,

ich würde gerne für 2 unabh. Variable und 1 abh. Variable die Moderationsanalyse anwenden. Die Theorie sagt für UA1, dass je größer diese wird, desto kleiner wird AV. Nun soll mein UA2 mein Moderator sein, allerdings ist hier der Zusammenhang (Theorie) nicht bekannt. Gemäß eines Streudiagrammes habe ich festgestellt, dass keine Linearität herrscht bzw. R^2 extrem niedrig ist...
Kann ich unter diesen Umständen noch eine Moderationsanalyse durchführen? Falls nein, gibt es eine alternative Lösung?

Danke im Voraus

[Holgonaut]

Hi
ich hab in einem anderen Deiner posts bereits auf GAMs hingewiesen. Damit kann man leicht nicht-lineare Effekte und Interaktionen rechnen.

Stichworte sind factor-smooth interaction (Interaktion zwischen einer nicht-linearen Kurve und einem Faktor/kategoriale Variable) und tensor smooth (interaktion zwischen 2 nicht-linearen Variablen).

Im Fall zweier Variablen x und z, würde man das mit dem mgcv-package in R so spezifizieren

fit <- gam(y ~ s(x) + s(z) + ti(x,y),data=dataname, method="REML")

wobei der s(.) operator eine smoothing spline für die betreffende Variable schätzt, die eine Summe aus einzelnen sog. Basisfunktionen ist. Diese Summe fitted jedwelche nicht-lineare Kurve und ist polynomialen Funktionen meist überlegen. Eine penalty führt dazu, dass die Kurve dennoch recht sparsam ist und das ganze nicht overfittet. Der operator ti(.) ist die Interaktion. Sie modelliert eine 2 dimensionale nicht-lineare surface, die man sich mit R ebenfalls grafisch anschauen kann.

Neben diesem komplexeren Modell ist das lineare Modell eine Unterklasse, bei der anstelle s(x) einfach x geschrieben wird. So kann man auch unterschiedlich komplexe Modelle rechnen und mittels Test oder AIC vergleichen. Ich wende das gerade selbst im Längsschnitt an und da ist x die Zeitachse. Es ergab sich dabei ein linearer Zeittrend und eine nichtlineare Funktion für z (in dem Fall Selbstwirksamkeit). Man ist also sehr flexibel.

Dazu ist eine generalisiertes *additives* Modell wieder um eine Erweiterung des generalisierten linearen Modells,dass wieder um das allgmeine lineare Modell um alternative Fehlerverteilungen erweitert. D.h. auch dort kann man Verteilungen für count oder binäre Variablen einfach addressieren.

Grüße
Holger

[matrixboy7]

Hi
ich hab in einem anderen Deiner posts bereits auf GAMs hingewiesen. Damit kann man leicht nicht-lineare Effekte und Interaktionen rechnen.

Stichworte sind factor-smooth interaction (Interaktion zwischen einer nicht-linearen Kurve und einem Faktor/kategoriale Variable) und tensor smooth (interaktion zwischen 2 nicht-linearen Variablen).

Im Fall zweier Variablen x und z, würde man das mit dem mgcv-package in R so spezifizieren

fit <- gam(y ~ s(x) + s(z) + ti(x,y),data=dataname, method="REML")

wobei der s(.) operator eine smoothing spline für die betreffende Variable schätzt, die eine Summe aus einzelnen sog. Basisfunktionen ist. Diese Summe fitted jedwelche nicht-lineare Kurve und ist polynomialen Funktionen meist überlegen. Eine penalty führt dazu, dass die Kurve dennoch recht sparsam ist und das ganze nicht overfittet. Der operator ti(.) ist die Interaktion. Sie modelliert eine 2 dimensionale nicht-lineare surface, die man sich mit R ebenfalls grafisch anschauen kann.

Neben diesem komplexeren Modell ist das lineare Modell eine Unterklasse, bei der anstelle s(x) einfach x geschrieben wird. So kann man auch unterschiedlich komplexe Modelle rechnen und mittels Test oder AIC vergleichen. Ich wende das gerade selbst im Längsschnitt an und da ist x die Zeitachse. Es ergab sich dabei ein linearer Zeittrend und eine nichtlineare Funktion für z (in dem Fall Selbstwirksamkeit). Man ist also sehr flexibel.

Dazu ist eine generalisiertes *additives* Modell wieder um eine Erweiterung des generalisierten linearen Modells,dass wieder um das allgmeine lineare Modell um alternative Fehlerverteilungen erweitert. D.h. auch dort kann man Verteilungen für count oder binäre Variablen einfach addressieren.

Grüße
Holger

Erstmal, danke. Allerdings nutzte ich kein R, sondern SPSS... und ich meine gelesen zu haben, dass SPSS die FUnktion von GAMs nicht unterstützt :/

[matrixboy7]

Hi
ich hab in einem anderen Deiner posts bereits auf GAMs hingewiesen. Damit kann man leicht nicht-lineare Effekte und Interaktionen rechnen.

Stichworte sind factor-smooth interaction (Interaktion zwischen einer nicht-linearen Kurve und einem Faktor/kategoriale Variable) und tensor smooth (interaktion zwischen 2 nicht-linearen Variablen).

Im Fall zweier Variablen x und z, würde man das mit dem mgcv-package in R so spezifizieren

fit <- gam(y ~ s(x) + s(z) + ti(x,y),data=dataname, method="REML")

wobei der s(.) operator eine smoothing spline für die betreffende Variable schätzt, die eine Summe aus einzelnen sog. Basisfunktionen ist. Diese Summe fitted jedwelche nicht-lineare Kurve und ist polynomialen Funktionen meist überlegen. Eine penalty führt dazu, dass die Kurve dennoch recht sparsam ist und das ganze nicht overfittet. Der operator ti(.) ist die Interaktion. Sie modelliert eine 2 dimensionale nicht-lineare surface, die man sich mit R ebenfalls grafisch anschauen kann.

Neben diesem komplexeren Modell ist das lineare Modell eine Unterklasse, bei der anstelle s(x) einfach x geschrieben wird. So kann man auch unterschiedlich komplexe Modelle rechnen und mittels Test oder AIC vergleichen. Ich wende das gerade selbst im Längsschnitt an und da ist x die Zeitachse. Es ergab sich dabei ein linearer Zeittrend und eine nichtlineare Funktion für z (in dem Fall Selbstwirksamkeit). Man ist also sehr flexibel.

Dazu ist eine generalisiertes *additives* Modell wieder um eine Erweiterung des generalisierten linearen Modells,dass wieder um das allgmeine lineare Modell um alternative Fehlerverteilungen erweitert. D.h. auch dort kann man Verteilungen für count oder binäre Variablen einfach addressieren.

Grüße
Holger

Irgendwie komme ich mit deiner Hilfe nicht so voran, wahrscheinlich weil SPSS sowas nicht kann

[bele]

Na so ganz scheint das nicht zu stimmen, dass SPSS das gar nicht kann: https://www.ibm.com/support/pages/does- ... odels-gams

Ich glaube, dass Du mit Holgers Hilfe nicht vorankommst, weil Du falsch fragst.Du fragst abstrakt und bekommst abstrakte Antworten. Du bräuchtest aber Antworten, die Dich ganz konkret an die Hand nehmen.

Dass Du besser ganz konkret beschreiben solltest, worum es geht und was Du lösen willst hat PonderStibbons Dir ja deutlich genug geschrieben. Der könnte auch mit SPSS-Wissen antworten,. Wird er aber vermutlich ohne konkretere Problembeschreibung nicht mehr tun.

Gruß,
Bernhard

[Holgonaut]

Hi Leute,

über Bele's Antwort hinaus wäre es vielleicht eine Überlegung, die software zu wechseln. Es ist m.E. kein gutes Argument zu sagen, ich kann eine theoretisch/statistisch adäquate Methode nicht nutzen, weil sie in meiner Lieblingssoftware nicht verfügbar ist.

Grüße
Holger

[bele]

Hallo Holger,

Das kommt immer auf den Kontext an. Für einen Forscher würde ich Dir Recht geben. Ein Student, der seine Skalenniveaus noch nicht sicher beherrscht, sollte sich nicht durch verschiedene Softwareoptionen ablenken lassen und lieber ein Mal zuviel ein lineares Modell rechnen.

Andererseits gibt IBM Dir Recht, wenn sie in SPSS eine Verbindung zu Python und eine zu R einbauen. Ich weiß nicht, wie einfach so eine Schnittstelle die Interoperabilität macht, aber der Umstieg zwischen solchen Systemen ist schon teuer.

Ich habe dieses Wochenende für diese Einführung in GAM genutzt und bin davon ziemlich begeistert: https://youtu.be/sgw4cu8hrZM

JMTC,
Bernhard

[matrixboy7]

Na so ganz scheint das nicht zu stimmen, dass SPSS das gar nicht kann: https://www.ibm.com/support/pages/does- ... odels-gams

Ich glaube, dass Du mit Holgers Hilfe nicht vorankommst, weil Du falsch fragst.Du fragst abstrakt und bekommst abstrakte Antworten. Du bräuchtest aber Antworten, die Dich ganz konkret an die Hand nehmen.

Dass Du besser ganz konkret beschreiben solltest, worum es geht und was Du lösen willst hat PonderStibbons Dir ja deutlich genug geschrieben. Der könnte auch mit SPSS-Wissen antworten,. Wird er aber vermutlich ohne konkretere Problembeschreibung nicht mehr tun.

Gruß,
Bernhard

Mag sein, dass die Antworten für mich wohl zu abstrakt und kompliziert erscheinen aufgrund meiner Formulierung... aber für eine Hausarbeit wirkt mir die Thematik "GAM" zu komplex :/ Was ich herausfinden wollte: Ein Messwert (UA) hängt allgemein von der Zeit ab. Dieser Wert gibt den Zustand eines Dielektrikums an. Je älter das Dielektrikum, desto schlechter ist der Wert (Theorie). Nun besteht die Annahme, dass die Länge des Dielektrikums ebenfalls einen Einfluss auf den Messwert hat. (Annahme: Je länger,desto schlechter der Messwert). Demnach bildet die Länge wohl den Moderator. Nun habe ich anhand eines Streudiagramms festgestellt, dass die Daten keine Linearität aufweisen. Selbst mit Transformationen (log, ^2 etc.) der Variablen kam ich zu keine Linearität. Und nun suche ich halt verzweifelt nach eine "nicht-lineare" Alternative zur Moderationsanalyse, die ich in SPSS durchführen kann... :/

[bele]

Hey, das ist doch ein guter Anfang für eine Problembeschreibung. Natürlich müsste man mindestens noch wissen, ob Du eine Querschnittsuntersuchung durchführst, bei der eine Reihe von verschieden alten Dielektrika untersucht wird oder eine Längsschnittuntersuchung, bei der immer die gleichen Dielektrika untersucht werden. Ob alle möglichen Altersstufen vorkommen oder immer bestimmte Altersstufen. Ob es zwei verschiedene Längen von Dielektrika gibt oder mehrere oder viele. Wie groß überhaupt die Zahl der beobachteten Einheiten ist. Ob Du den Schluss der Nichtlinearität aus Grafiken ziehst und wenn ja, wie die aussehen. Wenn wir im R Forum wären würde ich vorschlagen, mal einen repräsentativen Anteil der Daten zu posten, sodass andere sich das auch anschauen können, aber hier kann man keine Grafiken direkt posten (nur verlinken). Geht es um den Nachweis der Verschlechterung (da ist linear für monotone Funktionen erstmal eine Annäherung) oder geht es um Quantifizierung (da ist linear für nicht-lineares fragwürdig)?
Vielleicht finden die SPSS-kundigeren mit diesen und ggf mehr Spezifizierungen ja auch etwas, was in SPSS leicht zu machen ist.

aber für eine Hausarbeit wirkt mir die Thematik "GAM" zu komplex

Das ist eine viel ehrlichere Antwort als "weil SPSS das nicht kann". Was für Dich angemessen komplex und was zu komplex ist, ist für uns Außenstehende auch schwer beurteilbar. Da musst Du schonmal mit Antworten rechnen, die nicht darunter fallen.

LG,
Bernhard

[matrixboy7]

Hey, das ist doch ein guter Anfang für eine Problembeschreibung. Natürlich müsste man mindestens noch wissen, ob Du eine Querschnittsuntersuchung durchführst, bei der eine Reihe von verschieden alten Dielektrika untersucht wird oder eine Längsschnittuntersuchung, bei der immer die gleichen Dielektrika untersucht werden. Ob alle möglichen Altersstufen vorkommen oder immer bestimmte Altersstufen. Ob es zwei verschiedene Längen von Dielektrika gibt oder mehrere oder viele. Wie groß überhaupt die Zahl der beobachteten Einheiten ist. Ob Du den Schluss der Nichtlinearität aus Grafiken ziehst und wenn ja, wie die aussehen. Wenn wir im R Forum wären würde ich vorschlagen, mal einen repräsentativen Anteil der Daten zu posten, sodass andere sich das auch anschauen können, aber hier kann man keine Grafiken direkt posten (nur verlinken). Geht es um den Nachweis der Verschlechterung (da ist linear für monotone Funktionen erstmal eine Annäherung) oder geht es um Quantifizierung (da ist linear für nicht-lineares fragwürdig)?
Vielleicht finden die SPSS-kundigeren mit diesen und ggf mehr Spezifizierungen ja auch etwas, was in SPSS leicht zu machen ist.

aber für eine Hausarbeit wirkt mir die Thematik "GAM" zu komplex

Das ist eine viel ehrlichere Antwort als "weil SPSS das nicht kann". Was für Dich angemessen komplex und was zu komplex ist, ist für uns Außenstehende auch schwer beurteilbar. Da musst Du schonmal mit Antworten rechnen, die nicht darunter fallen.

LG,
Bernhard

Also ich habe quasi drei Datensätze: Alter, Länge des Dielektrikumabschnittes [in m], und der ermittelte Wert [abh. Variable]. Die Theorie besagt, dass der Wert schlechter wird, wenn das Dielektrikum älter ist. Nun nehme ich zusätzlich an, dass die Länge eine Rolle bei diesem Zusammenhang spielen könnte. Daher dachte ich an der Moderatoranalyse. Nun habe ich anhand des Streudiagramms und R^2 festgemacht, dass keine Linearität zwischen den jeweiligen unabhängigen Variablen und der abhängige Variable besteht. Auch als Residuen-Streudiagramm ergab keine Linearität. Danach habe ich mich mit Transformieren ausprobiert (log, e, quadratisch etc.), aber immer noch keine Linearität der Daten erreicht. Daher habe ich beschlossen, eine nicht-lineare Lösung zu finden. Es handelt sich um das selbe Dielektrikum(typ) und einige Abschnitte können das selbe Alter haben, ansonsten können alle Alterstufen vorkommen... Stichprobeumfang = > 800