Vorlesung 3 (Semi) Partailkorrelation, Einführung MR

Question 1

Warum sollte man mehr als 2 Variablen betrachten ?

Answer 1

• Aufdeckung redundanter Zusammenhänge
• Aufdeckung von Scheinkorrelationen
• Aufdecken von maskierten Zusammenhängen

Question 2

Definition: Partialkorrelation

Answer 2

Zusammenhang zwischen zwei Variablen, nachdem der Einfluss einer dritten Variablen kontrolliert wurde

-> bivariate Korrelation zwischen zwei Residualvariablen

Question 3

Aus was kann man die Partialkorrelation berechnen ?

Answer 3

3 bivariaten Korrelationen

Question 4

Definition: Semipartialkorrelation

Answer 4

Zusammenhang zwischen zwei Variablen, nachdem der Einfluss einer dritten Variablen aus einer der beiden Prädiktoren eliminiert wurden

-> Korrelation zwischen einem Prädiktor und einem Regressionsresiduum

Question 5

Was ist die Annahme hinter einer Partialkorrelation ?

Answer 5

Dass die Drittvariable beide Variablen kausal beeinflusst

Question 6

Was ist die Annahme hinter einer Semipartialkorrelation

Answer 6

Dass die Drittvariable nur eine der beiden Variablen kausal beeinflusst

Question 7

Wie lässt sich eine Kausalbeziehung primär nachweisen ?

Answer 7

Nicht primär mithilfe statistischer Methoden, sondern in erster Linie durch versuchsplanerische Maßnahmen

Question 8

Was sind 3 Bedingungen der Kausalität?

Answer 8

• Zusammenhang zweier Variablen
• zeitliche Ordnung
• Kontrolle von Störvariablen

Question 9

Wozu dienen Partial- und Semipartialkorrelation ?

Answer 9

Um den Einfluss von Drittvariablen zu kontrollieren, unter anderem um hierdurch Scheinkorrelationen aufzudecken

Question 10

Wie viele Prädiktoren gibt es mindestens in der multiplen Regression ?

Answer 10

Mind. 2

Question 11

Was sind die Ziele der multiplen Regressionsanalyse ?

Answer 11

1. Möglichst viel Varianz im Kriterium erklären
2. Berücksichtigung von Redundanzen
3. Kontrolle von Störvariablen (z.B. von Scheinzusammenhängen)
4. Prognose und Erklärung (z.B Berufserfolg)
5. Analyse komplexer Zusammenhänge (Kurvilineare Zusammenhänge, Interaktionen)

Question 12

Sind die Prädiktoren in der multiplen Regression additiv?

Answer 12

Ja

Question 13

Nach welchem Kriterium werden die Koeffizienten der multiplen Regressionsgleichung bestimmt

Answer 13

Kriterium der kleinsten Quadrate

Question 14

Wie werden standardisierte Regressionsgewichte auch manchmal genannt ?

Answer 14

Beta-Gewichte oder Beta-Koeffizienten

Question 15

Was geben unstandardisierte Regressionsgewichte an ?

Answer 15

Um wie viele Einheiten sich vorhergesagten Kriteriumswerte verändern, wenn sich der Prädiktor um eine Einheit verändert und alle anderen Prädiktoren konstant bleiben

Question 16

Was geben standardisierte Regressionsgewichte an ?

Answer 16

Um wie viele Standardabweichungseinheiten sich die vorhergesagten Kriteriumswerte verändern, wenn sich der Prädiktor um eine Standradabweichungseinheit verändert

Question 17

Was ist die Bedeutung des Achsenabschnitts b0 in der multiplen Regression ?

Answer 17

Welchen Wert die Kriteriumsvariable annimmt, wenn alle Prädiktoren die Ausprägung 0 haben

Question 18

Was ist die Bedeutung des Regressionsgewichtes (Steigungskoeffizienten) b1 in der multiplen Regression

Answer 18

Um welchen Wert die Kriteriumsvariable steigt, wenn der Prädiktor um eine Einheiten steigt und alle anderen Prädiktoren konstant gehalten werden

Question 19

Wann entspricht das multiple Regressionsgewicht b1 dem “bedingten einfachen Regressionsgewicht”?

Answer 19

Wenn alle anderen Prädiktoren konstant gehalten werden

Question 20

Mit welcher Variable wird die Stärke des Zusammenhanges von Prädiktoren und Kriterium in der multiplen Regression angegeben ?

Answer 20

multipler Korrelationskoeffizient (R)

Question 21

Was gibt der multiple Determinationskoeffizienten in der multiplen Regression an ?

Answer 21

Anteil durch die Prädiktoren erklärter Varianz (=R^2)

Question 22

Welches Modell gilt generell als besser ? ( 2 Prinzipien)

Answer 22

• das die Daten am besten d.h. mit möglichst kleinen Fehlern beschreibt
• mit den wenigsten Modellparametern auskommt ( Sparsamkeitsprinzip)

Question 23

Was ist das “ Inkrement”?

Answer 23

Anteil der Kriteriumsvarianz, der durch Aufnahme eines zusätzlichen Prädiktors zusätzlich erklärt wird -> Nützlichkeit

(=Differenz zwischen R^2 im Modell ohne zusätzlichen Prädiktor und R^2 im Modell mit zusätzlichen Prädiktor

Question 24

Wie nennt man das Inkrement eines Prädiktors auch ?

Answer 24

Nützlichkeit eines Prädiktors