Jannis

Question 1

Ablesen von ANOVA Tests

Answer 1

1. ) Globaler Test –> Signifikanzzeile H0 muss hier abgelehnt werden (p-Wert< Alpha), da sonst kein signifikanter Unterschied zwischen den Gruppen vorliegt
2. ) Einzelne Test–> Signifikanzzeile H0 ablehnen=signifikanter Einfluss H0 nicht ablehnen= kein signifikanter Einfluss –> Sind die Haupteffekte/Interaktionseffekte signifikant?

Question 2

Lineare Regression (allgemeine Infos)

Answer 2

-Zeigt, ob unabhängige Variablen eine signifikante Beziehung zu der abhängigen Variable haben und dabei die relative Stärke dieser Beziehung, lässt Vorhersagen zu (Extrapolationen / Szenarios)

1.) Unabhängige Variable= metrisch (oder binär -> “Dummy-Variablen”); abhängige Variable= metrisch
Bsp.: Anzahl Tore pro Saison -> Gehalt eines Fussballspielers

2.) H₀: β(i)=0 —> Alle Regressionskoeffizienten haben keinen Einfluss
H₁: Mindestens einer ist unterschiedlich von 0

Anwendungsgebiete:

• Ursachenanalyse (wie stark unterscheiden sich die Wirkungen der UVs auf die AV?)
• Wirkungsprognose (Welchen Wert erhält AV bei Änderung der UVs?)
• Zeitreihenanalyse (Wie verändert sich AV im Zeitablauf, wenn UV = Zeit)

Question 3

Ablesen von Linearer Regression: Überprüfen des Gesamtmodells

Answer 3

1. ) Globaler Test Signifikanzzeile –> H0 muss wieder abgelehnt werden, da sonst keiner der Beta’s einen Einfluss besitzt
2. ) Der zweite Blick geht immer auf das R (Quadrat) bzw. bei vielen Variablen in der Aufgabe auf das adjustierte R (Quadrat)–> hoher Wert bedeutet hohe Erklärungskraft des Models (gut)
3. ) Einzelne Test Signifikanzzeile –> H0 ablehnen –> signifikanter Effekt wenn der Effekt signifikant, dann muss auf die Beta Zeile geschaut werden –> hohe Wert=hoher Einfluss der Variable

Question 4

Mediator

Answer 4

Der Mediator eines Models beschreibt einen “Umweg” einer unabhängigen Variable auf eine abhängige Variable. Die Beziehung zwischen UV/AV wird durch den Mediator erst erklärt

Question 5

Quotenauswahl

Answer 5

• nicht zufällige Stichprobenziehung
• Auswahl der Stichprobe erfolgt anhand einer Quote und einer bestimmten Merkmalsausprägung, z.B. 40% Männer und 60% Frauen
• Stichprobenfehler kann nicht berechnet werden

Question 6

Matched Control Group Design

Answer 6

• Pre Experimental Design
• keine Randomisierung der Stichprobe sondern Verteilung per Matchingverfahren
• 1 Versuchs- und Kontrollgruppe

Problem: Verzerrung durch Drittvariablen nicht ausschließbar; es gibt keine perfekte Lösung

Question 7

mehrstufige Zufallsauswahl

Answer 7

• zufällige Stichprobenziehung -
  1. ) erst werden die Primäreinheiten gezogen -
  2. ) wird aus den einzelnen Primäreinheiten eine zufällige Stichprobe gezogen -

Problem: es können sehr homogene Gruppen entstehen (z.B. Geschlechterverteilung); vergleichsweise großer Stichprobenfehler

Question 8

Moderator

Answer 8

Moderator wirkt auf die:

1. ) Stärke der Beziehung zwischen UV/AV
2. ) Richtung der Beziehung zwischen UV/AV

Question 9

Experiment (allgemein)

Answer 9

• Untersucht kausalen Zusammenhang zwischen UV/AV
• Die UV wird manipuliert
• Der Einfluss von Drittvariablen/Störfaktoren soll konstant bleiben
• Überprüfung oftmals durch Varianzanalyse

Question 10

Solomon Four Group Design

Answer 10

• True Experimental Design
• 2 Versuchs- und Kontrollgruppen (Randomisierung)
• 1 Versuchs- und Kontrollgruppe wird vor der Manipulation bereits befragt, anderen beiden Gruppen nicht
• Sehr gutes Design, da Ermüdungs- und Testeffekte ausgeschlossen werden können
• Problem: TEUER!!!

Question 11

Two Group Before-After Design

Answer 11

• True Experimental Design
• 1 Versuchs- und Kontrollgruppe (Randomisierung)

Messung vor und nach der Manipulation–> Änderung kann beobachtet werden

Problem: Test und Ermüdungseffekte

Question 12

Evaluation den goodness-of-fit eines Regressionsmodells

Answer 12

1. F-Test: testet die Signifikanz des gesamten Modells, also ob ein β sich signifikant von 0 unterscheidet
2. R²: Wie “gut” ist das Modell insgesamt -> wie viel % der Varianz erklärt mein Modell [größer als 0,5: Modell ist nutzbar, größer als 0,75: sehr gut, um eine einzelne Hypothese zu testen kann aber ggf. auch ein R² deutlich kleiner als 0,5 akzeptiert werden]
3. PS: Großer Unterschied zwischen R² und adjustiertem R² zeigt, dass viele überflüssige Variablen im Modell sind!
4. T-Test, Koeffizeiten-Vorzeichen und Größen: Bei signifikanten Variablen auf das Vorzeichen von β achten: negatives Vorzeichen: inverse Wirkung auf abhängige Variable
   Größe: unstandardisiertes β: wenn ich β um eine Einheit erhöhe, um wie viele Einheiten erhöht sich die abhängige Variable; standardisiertes β: relative Effektstärke im Vergleich zu den anderen Variablen

Question 13

Ansprüche an das Sample für Regression

Answer 13

1. Sample hat die notwendige Größe:
   - n ≥ 50 + 8 * m für F-Test (m=Anzahl der unabhängigen Variablen)
   - n ≥ 104 + m um Effekte der einzelnen Effekte der Parameter β zu testen
2. ​Sample ist repräsentativ für die Grundgesamtheit
3. Abhängige Variable ist intervall- oder ratio-skaliert (falls das nicht gegeben ist: binary logistic regression anwenden)

Question 14

Regressionsmodell validieren

Answer 14

Stabilität überprüfen:

• Resultate sind stabil im Zeitverlauf
• … unterscheiden sich nicht über verschiedene Situationen hinweg
• … hängen nicht zu stark von den Spezifikationen des Modells ab

1. Split-sample Validität: Daten in zwei Hälften splitten und Modell nochmals laufen lassen
2. Cross-validation: Ergebnisse auf zweiten neuen Datensatz cross-validieren (dieser Datensatz könnte schwer herzustellen sein)
3. Mehr Variablen im Modell: Anzahl der Variablen erhöhen, die vorher noch nicht Teil des Modells waren

Question 15

Ablesen von Linearer Regression: Überprüfen der einzelnen Koeffizienten

Answer 15

Question 16

Vorgehensweise bei Varianzanalyse

Answer 16

Question 17

Grundidee der Regressionsanalyse

Answer 17