STATISTIK-FORUM.de

[Maryyy]

Hallo,
ich muss für meine Arbeit Hypothesen testen und meine Dozentin riet mir eine Regressionsanalyse zu machen. Es geht um eine Zusammenhangshypothese.

Leider sind gewisse Voraussetzungen nicht erfüllt.
1. Die Beziehung zwischen UV und AV ist nicht linear. Ich habe schon versucht zu transformieren (in SPSS die Transformationen: ln und exp. Beide nicht funktioniert). Weiß noch jemand ne Transformation die ich noch probieren könnte?
2. Normalverteilung der Resiuden: der KS-Test und der Saphiro-Wilk sagen beide, dass die Residuen NICHT normalverteilt sind. Die Normalverteilung sieht nur ein bisschen "normal" aus.

Kann ich jetzt trotzdem ne Regression berechnen (mit Einschränkungen?)? Was würde das heißen? Vielleicht, dass die Ergebnisse nicht generalisiert werden dürfen?

Was kann ich statt einer Regression rechnen um einen Zusammenhang festzustellen (außer normale Korrelationen?) ?

Ich danke euch vielmals für eure Hilfe

Viele Grüße

Marie

[PonderStibbons]

Es geht um eine Zusammenhangshypothese.

Worum geht es denn konkret?

1. Die Beziehung zwischen UV und AV ist nicht linear.

Was heißt das konkret?

2. Normalverteilung der Resiuden: der KS-Test und der Saphiro-Wilk sagen beide, dass die Residuen NICHT normalverteilt sind. Die Normalverteilung sieht nur ein bisschen "normal" aus. Kann ich jetzt trotzdem ne Regression berechnen

Das kommt auf die Stichprobengröße an, die ist leider nicht genannt.

Mit freundlichen Grüßen

P.

[Maryyy]

Moin!

Danke für deine Antwort.

Ich möchte herausfinden ob Burnout bzw. Engagement von Ehemann auf Ehefrau übertragen wird und wollte schauen ob die Burnout-Ausprägungen signifikant zusammen hängen (darf ich dann eine gerichtete Korrelation rechnen?).

Ich habe Burnout Ehemann (UV) mit Burnout Ehefrau (AV) geplottet aber die Punkte sind völlig verstreut und gar nicht linear (die Steigung der Geraden y=0,94+0,15*x). Transformationen haben das Ganze verschlimmert. Dasselbe bei Engagement, alledings war die Punktewolke etwas gedrückter (y=2,12+0,29*x). Nach Transformation (y=0,64+0,36*x).

Die Stichprobengröße beläuft sich auf ca. 180 Personen.

Danke und einen schönen, sonnigen Tag wünsche ich

[PonderStibbons]

ob Burnout bzw. Engagement von Ehemann auf Ehefrau übertragen wird und wollte schauen ob die Burnout-Ausprägungen signifikant zusammen hängen (darf ich dann eine gerichtete Korrelation rechnen?).

Ich empfehle, sich nicht mit der Frage gerichtet/ungerichtet zu belasten,
sondern einfach einen zweiseitigen Hypothesentest zu rechnen.

Ich habe Burnout Ehemann (UV) mit Burnout Ehefrau (AV) geplottet aber die Punkte sind völlig verstreut und gar nicht linear (die Steigung der Geraden y=0,94+0,15*x).

Du hast einen niedrigen Zusammenhang, deswegen liegen die
Punkte verstreut. Das hat mit Linearität erstmal nichts zu tun.
Und was würdest Du mit der Aussage anfangen "der logarithmierte Wert für
die Ehefrau korreliert mit dem logarithmierten Wert für den Mann zu
r=0,25"?

Die Stichprobengröße beläuft sich auf ca. 180 Personen.

Dann brauchst Du Dir zumindest um Normalverteilung der Residuen
keine Gedanken zu machen, bei solchen Stichprobengrößen ist
die lineare Regression ausreichend robust.

Mit freundlichen Grüßen

P.

[Maryyy]

Hello,

danke

Ich freue mich dass ich mir wegen der Normalverteilung keine Sorgen machen muss.

Aber wie gehe ich mit der Linearität weiter vor? Wie genau kann ich sie denn prüfen? Ich bin leider noch nicht sehr geübt in Statistik und SPSS. Ab wann ist ein Zusammenhang linear?

Wie kann man die Homoskedastizität und die unkorreliertheit der Residuen testen?

Was heißt das für mich wenn gewisse Voraussetzungen nicht erfüllt werden die erfüllt sein müssen?

Fragen über Fragen....

Liebe Grüße

[PonderStibbons]

Aber wie gehe ich mit der Linearität weiter vor? Wie genau kann ich sie denn prüfen? Ich bin leider noch nicht sehr geübt in Statistik und SPSS. Ab wann ist ein Zusammenhang linear?

http://tinyurl.com/l9yb58j

Wenn Du nichtlineare Zusammenhänge annimmst, kannst
Du ja ein Modell y = b0 + b1(x) + b2(x²)= rechnen.

Mit freundlichen Grüßen

P.