Seitenhistorie

Jede empirische Arbeit wird mehrere statistische Modelle prüfen. Daher wird man von einfachen Standardmodellen zu immer komplexeren Modellen wechseln. Doch wo hört man auf? Welches Modell passt noch zu meinen Daten? Die Beantwortung dieser Frage ist oft entscheidend für den Ausgang der Arbeit , und der/die Forscher/-in sollte in der Lage sein, hierauf eine eigene Antwort zu finden. Die Bestimmung eines geeigneten Modells ist keine leichte Aufgabe. Sie steht unter dem Verdikt: ''All models are wrong! But some are more useful than others.''

In diesem Kapitel werden Methoden vorgestellt, die helfen, die Güte des Models Modells festzustellen bzw. ein passendes Model Modell auszuwählen. Vorraussetzung Voraussetzung hierfür ist ein statistisches Model, das wie im Kapitel Standardauswertungen erklärt erstellt worden ist.

Wahl der Modellklasse:

lineare Regression, Logit

Modell etc.

Modellselektion AIC/BIC

Residuenplots

Die (multiple) Regression basiert auf einigen Annahmen, deren Einhaltung geprüft werden

sollte:

• Linearität
• Unabhängigkeit
• Homoskedastizität
• Residuen normalverteilt
• Nicht-Kollinearität

Zunächst sollte untersucht werden, ob zwischen den metrischen unabhängigen Variablen und der abhängigen Variable überhaupt ein linearer Zusammenhang besteht. Dies lässt
sich graphisch anhand von Streudiagrammen überprüfen. Sollte der Zusammenhang nicht linear sein, so können eventuell die vorgestellten Transformationen genutzt werden, um den Zusammenhang zu linearisieren. Weiterhin wird vorausgesetzt, dass die Residuen unabhängig sind und eine konstante Varianz aufweisen. Dies kann überprüft werden, indem die geschätzten Werte der abhängigen Variablen in einem Streudiagramm gegen die Residuen gezeichnet werden (sog. Residuen- plot)

Bestimmheitsmaß R^2 

Residuenplots

Bestimmheitsmaß R²

Modellselektion (AIC, BIC, Pseudo R² , ...)

(Nur mit FU-Login. Ohne Login besuchen Sie bitte die Seite unseres Kooperationspartners INWT-Statistics GmbH, auf der der Wikiartikel basiert.)