VARIANZ UND REGRESSION


 Gemeinsamkeiten

zunächst betrachten wir jedoch die Gemeinsamkeiten von Varianz- und Regressionsanalyse: 
  • Beiden Methoden analysieren gerichtete Effekte, d.h. es gibt bei beiden eine abhängige Variable und eine (oder mehrere) unabhängige Variablen
  • Es wird davon ausgegangen, dass die unabhängigen Variablen einen Einfluss auf die abhängige Variablen haben, und nicht umgekehrt.
  • Die abhängige Variable muss metrisch sein, die unabhängigen Variablen dürfen metrisch, ordinal oder nominal (auch bekannt als kategoriell oder qualitativ) sein.
Varianz oder Regression?
 Die Entscheidung, ob Sie eine Varianzanalyse oder eine Regressionsanalyse rechnen sollten, hängt im Wesentlichen vom Messniveau der unabhängigen Variable ab:
  • Wenn Sie vorrangig am Effekt einer nominalen unabhängigen Variable interessiert sind, dann ist die Varianzanalyse angemessener
  • Dies gilt insbesondere dann, wenn alle Ihre unabhängige Variablen nominal sind
  • Wenn Sie vorrangig am Effekt einer metrischen unabhängigen Variable interessiert sind, dann ist die Regressionsanalyse angemessener
  • Auch das gilt insbesondere dann, wenn alle Ihre unabhängigen Variablen metrisch sind.
 
Regression: 
  • Ursachen-Wirkungs-Zusammenhänge, Bestimmtheitsmaß als Modellgüte, zwischen 0 und 1
  • t / F Test = Signifikanz der UV
  • p Wert= Direkte Signifikanz der UV auf die AV
 Varianz:
  • Hier wird die Gesamtvarianz in die erklärte Varianz und Fehlervarianz unterteilt
  • Effektstärke ist die Modllgüte, zwischen 0 und 1 , je höher die Effektstärke, desto höher erklärte varianz
  • mit F wird auf Signifikanz getestet
  • mit p kann die Signifikanz direkt abgelesen werden 
  •  Bei der mehrfaktoriellen ANOVA werden 2 oder mehrere Faktoren untersucht. Hier kann man Haupteffekte und Interaktionseffekte unterscheiden.
 

Kommentare