Multivariate Statistik und Datenanalyse: Einfache Lineare Regression
PHB WS18/19
PHB WS18/19
Kartei Details
Karten | 20 |
---|---|
Lernende | 12 |
Sprache | Deutsch |
Kategorie | Psychologie |
Stufe | Universität |
Erstellt / Aktualisiert | 18.01.2019 / 25.02.2021 |
Lizenzierung | Keine Angabe |
Weblink |
https://card2brain.ch/box/20190118_multivariate_statistik_und_datenanalyse_lineare_regression
|
Einbinden |
<iframe src="https://card2brain.ch/box/20190118_multivariate_statistik_und_datenanalyse_lineare_regression/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Welche Ziele verfolgt die einfache linieare Regression?
- Prädiktion von Merkmalsausprägungen
- Erklärung von Merkmalsunterschieden
Voraussetzungen für die einfache lineare Regression
- eine UV (Prädiktor) und eine metrische AV (Kriterium)
- linearer Zusammenhang zwischen UV und AV (bei nicht-linearem Zusammenhang siehe polynomische Regression)
- Normalverteilung der Residuen
- Unabhängigkeit der Residuen (gefährdet durch Klumpenstichprobe und Reihenfolgeeffekte
- Homoskedastizität (bedingte Varianz der Residuen in der Population für jede Ausprägung der UV gleich)
Was ist der Determinationskoeffizient und wie lässt er sich bestimmen?
- standardisiertes Maß (0-1) zur Güte der Vorhersage; 1 = perfekte Vorhersage
- R² = Anteil der aufgeklärten / systematischen Varianz
- E = Fehlervarianz / Rest, der durch weitere Prädiktoren erklärt werden kann
- die Gesamtvarianz des Kriteriums (AV) lässt sich in die durch den Prädiktor (UV) erklärte Varianz (R²) und die Fehlervarianz (E) zerlegen
--> bei einfacher linearer Regression: multiples R²
--> ab multipler Regression: adjustiertes (korrigiertes) R²
Welche 4 Eigenschaften haben Fehlerwerte ( = Residuen) bei der einfachen linearen Regression?
Was unterscheidet unstandardisierte von standardisierten Koeffizienten und wann werden sie verwendet?
- Form der Verteilung bleibt identisch, aber die Skalierung der x-Achse verändert sich (sodass bei z-Transformierung: M = 0 und SD = 1 werden)
- unstandardisiert: intuitive oder gut etablierte Maßeinheiten (z.B. Geld, IQ, Zeit)
- standardisiert: Vergleich von Studien mit unterschiedlichen Messinstrumenten (z.B. Metaanalysen)