Multiple Regression

Question 1

Multiple Regression

Answer 1

Die multiple Regression gibt Aufschluss über den Einfluss mehrerer Variablen (Prädiktoren) auf ein Kriterium (abhängige Variable
> es wird eine gerichtete Linearkombination berechnet

Question 2

Vorgehensweise Multiple Regression

Answer 2

1. Modell Formulieren
2. Berechnung der Regressionsfunktion & der Regressions Parameter
3. Prüfung der Güte der Regession

Question 3

Beta- gewichte

Answer 3

• standardisierten Regressionsgewichte

- Einfluss der unterschiedlichen Maßeinheiten wird Eliminiert

Question 4

Wertebereich von beta

Answer 4

-1 und 1

Question 5

Interpretation Beta

Answer 5

Ändert sich xj um eine Standardabweichungseinheit, dann ändert sich um βj Standardabweichungseinheiten

Question 6

Multiple Korrelation

Answer 6

wie stark die tatsächlichen Kriteriumsware mit den vorhergesagten korrelieren

Je höher desto genauer können die Kriteriumswerte durch die Prädiktoren vorhergesagt werden

Question 7

Determinationskoeffizient

Answer 7

• gibt den Anteil der aufgeklärten Varianz an der Gesamtvarianz wieder
• gibt an, wie gut die Regressionsgerade zu den empirischen Daten passt

Question 8

Determinationskoeffizient kleine Effektstärke

Answer 8

R2 > 0,0196

R2

Question 9

Determinationskoeffizient mittlere Effektstärke

Answer 9

R2 > 0.1300

R2

Question 10

Determinationskoeffizient große Effektstärke

Answer 10

R2> 0.2600

Question 11

Multikollinarität

Answer 11

• bezeichnet die Korrelation zwischen den Prädiktoren
• Der Vorhersagebeitrag der einen Prädiktors wird bereits durch den anderen Prädiktor geleistet (Korrelieren untereinander)

Question 12

Supressionseffekte

Answer 12

Ein Suppressionseffekt liegt vor, wenn ein Prädiktor dadurch ein hohes β-Gewicht erlangt, dass er unerwünschte Varianzanteile von anderen, für die Vorhersage bedeutenden Prädiktoren unterdrückt.

Prädiktor erhält signifikantes beta geeicht obwohl er nicht mit dem Kriterium korelliert

Question 13

Modellierung

Answer 13

Prädiktoren finden , die hoch mit dem Kriterium aber nur gering untereinander korrelieren > hoher Anteil spezifischer Varianz mit dem Kriterium
Modelle ohne Suspressor&raquo_space; !!

Question 14

Prädiktorselektionsverfahren

Answer 14

• Bei jedem Prädiktor wird beurteilt, inwieweit sich durch seine Hinzunahme oder seinen Ausschluss r2 ändert
• Überprüfung mit F-Test

Question 15

Schrittweise Prädiktorentfernung Rückwärts-Verfahren

Answer 15

1. vollständigen Satz an Prädiktoren.
2. Prädiktor mit dem geringsten Vorhersagebeitrag (geringstes nicht-signifikantes β-Gewicht) wird entfernt.
3. Wenn sich der Determinationskoeffizient (R2) durch Weglassen des Prädiktors nicht signifikant ändert, wird dieser Prädiktor aus dem Modell entfernt und das Verfahren weiter fortgesetzt.
4. Das Verfahren bricht ab, wenn sich durch die Entfernung des nächsten Prädiktors der Determinationskoeffizient (R2) signifikant verringern würde.

Question 16

Schrittweise multiple Regression Vorwärts-Verfahren

Answer 16

1. Der Prädiktor mit der höchster Korrelation mit dem Kriterium wird als Erster ausgewählt
2. Wenn der Determinationskoeffizient (R2) signifikant ist, wird der Prädiktor ausgewählt, der zusammen mit dem bereits vorhandenen zur höchsten Anstieg des Determinationskoeffizienten führt
3. Dann wird der Prädiktor in das Modell einbezogen, der zusammen mit den bereits vorhandenen Prädiktor am meisten zur Vorhersage des Kriteriums beiträgt, usw.
4. Wenn ein bereits aufgenommener Prädiktor durch Hinzunahme eines weiteren Prädiktors nicht mehr signifikant ist, wird er im nächsten Schritt entfernt.
5. Das Verfahren wird beendet, wenn ein neu hinzugekommener Prädiktor nicht mehr signifikant zur Verbesserung der Varianzaufklärung beiträgt.

Question 17

Welche Methode (vorwärts & rückwärts)

Answer 17

• beide Nachteile
• von Stichprobeneigenschaften abhängig (große N)
  > Ergebnisse Kreuzvalidiren (neue , vergleichbare Stichprobe)