Output Einfaches lineares Modell

Regressionsmodelle aller Art mit R.

Output Einfaches lineares Modell

Beitragvon kleinersven » Mo 30. Sep 2019, 20:58

Hallo,
das ist der Output eines einfachen linearen Modells:

>Coefficients:
> Estimate Std. Error t value Pr(>|t|)
>(Intercept) 1.829e-01 8.929e-02 2.048 0.0494 *
>Questionnaire1 1.178e-01 6.363e-02 1.852 0.0739 .
>Questionnaire2 3.181e-02 1.776e-02 1.791 0.0834 .
>Questionnaire3 -9.665e-05 1.315e-03 -0.073 0.9419
>Questionnaire4 -3.702e-02 1.751e-02 -2.114 0.0429 *
>---
>Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

>Residual standard error: 0.03497 on 30 degrees of freedom
>(66 observations deleted due to missingness)
>Multiple R-squared: 0.1653, Adjusted R-squared: 0.05396
>F-statistic: 1.485 on 4 and 30 DF, p-value: 0.2316

Wie wichtig ist die Signifikanz des gesamten linearen Modells (p=0.2316)? Kann ich auch die Signifikanz der einzelnen Variablen verwenden um zu sagen, dass sie einen signifikanten Einfluss auf die abhängige Variable haben?
kleinersven
 
Beiträge: 4
Registriert: Di 12. Mär 2019, 18:14
Danke gegeben: 0
Danke bekommen: 0 mal in 0 Post

Re: Output Einfaches lineares Modell

Beitragvon databraineo » Do 3. Okt 2019, 11:43

Hallo kleinersven,

also die letzte Zeile des Outputs ist das Ergebnis eines F-Tests mit der Nullhypothese, dass alle Koeffizienten außer der Konstante gleich 0 sind. D.h., dass Dein Modell keine Erklärung bietet.
Dein p-Wert von 0.23 sagt also, dass diese Nullhypothese nicht abgelehnt werden kann. Es kann also nicht ausgeschlossen werden, dass das Modell keinerlei Erklärung bietet.

Ein weiteres Indiz dafür ist dein adjusted R² von 0.05 in der Zeile drüber. Das Bestimmtheitsmaß R² gibt an, wie viel Streuung in den Daten durch ein vorliegendes lineares Regressionsmodell „erklärt“ werden kann. Problem bei R² ist, dass es immer größer wird, je mehr Prediktoren (also erklärende Variablen) Du in das Modell aufnimmt. Deshalb gibt es das adjusted R², welches die Hinzunahme von Prediktoren bestraft.

Die zweite und dritte Spalte im Output (t-Wert=test-Statistik und Pr(>|t|)=p-Wert) führt einen t-Test durch mit der Nullhypothese, dass der Koeffizient gleich 0 ist. In deinem Fall kannst Du also sagen, dass die Nullhypothese für die Variable Questionnaire4 für ein alpha von 5% abgelehnt werden kann. D.h. es ist ein gewisser Einfluß da.
Jetzt schau dir aber den Koeffizienten an, der ist nur -0,037. Das erscheint mir ziemlich klein, aber das hängt natürlich auch von den Skalierungen der Variablen ab.

Aber wenn man sich das alles in allem so anschaut, hast Du mit den vier Fragebögen-Ergebnissen faktisch keine Erklärkraft auf deine zu erklärende Variable.

Hoffe, das konnte Dir helfen.

Viele Grüße,
Holger
Lasst uns helfen, dass Menschen mittels Datenanalyse intelligente Entscheidungen treffen

Website: http://www.databraineo.de
Twitter: @databraineo, https://twitter.com/databraineo
Facebook-Gruppe: https://www.facebook.com/groups/datascience.de/
databraineo
 
Beiträge: 5
Registriert: Fr 10. Mai 2019, 12:41
Wohnort: Bonn
Danke gegeben: 0
Danke bekommen: 0 mal in 0 Post


Zurück zu Regressionsmodelle

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 0 Gäste

cron