Flashcards
Multiple Regression I
Cards in this deck (62)
- 1Was ist die Fragestellung der "klassischen multiplen Regression"?Welche Kombi von Prädiktoren sagt eine Kriteriumsvariable hinreichend gut vorraus?
- 2Was ist die Fragestellung der "hierarchischen multiplen Regression"?Welche Teilkombi von Prädiktoren hat welchen Einfluss auf das Kriterium?
- 3Was ist die Fragestellung der "Mediationsanalyse"?Ist der Zusammenhang zwischen X und Y vermittelt durch Z?
- 4Was ist die Fragestellung der "Mediationsanalyse"?Ist der Zusammenhang zwischen X und Y vermittelt durch Z?
- 5Was ist die Fragestellung der "Moderatoranalyse"?Hängt die Stärke des Zusammenhangs zwischen X und Y von der Ausprägung in Z ab?
- 6Was ist die Fragestellung der "Moderatoranalyse"?Hängt die Stärke des Zusammenhangs zwischen X und Y von der Ausprägung in Z ab?
- 7Wie lautet das Modell der mult. Regression?
- 8Wie lautet das Modell der mult. Regression?
- 9Was sind wichtige Einsichten beim Modell der mult. Regression?1. Regressionskoeffizienten sind unbekannt, müssen geschätzt werden, für alle Personen identisch
2. Regressionsresiduum unterscheiden sich zwischen Personen, haben Varianz Var(e)
3. Effekte der einzelnen Prädiktoren sind additiv, d.h. die Effekte sind unabhängig voneinander
4. Regressionskoeffizienten sind nicht notwendigerweise kausal zu interpretieren - 10Was sind wichtige Einsichten beim Modell der mult. Regression?1. Regressionskoeffizienten sind unbekannt, müssen geschätzt werden, für alle Personen identisch
2. Regressionsresiduum unterscheiden sich zwischen Personen, haben Varianz Var(e)
3. Effekte der einzelnen Prädiktoren sind additiv, d.h. die Effekte sind unabhängig voneinander
4. Regressionskoeffizienten sind nicht notwendigerweise kausal zu interpretieren - 11Nenne 4 Eigenschaften der mult. Regression.1. Y muss kontinuierlich sein
2. X muss kontinuierlich oder dichotom sein
3. Regressionsresiduen addieren sich über alle Personen zu 0, E(e)=0
4. Varianz der Regressionsresiduen ist ein Maß für die Güte der Vorhersage. Bei Var(e)=0 ist sie perfekt. - 12Nenne 4 Eigenschaften der mult. Regression.1. Y muss kontinuierlich sein
2. X muss kontinuierlich oder dichotom sein
3. Regressionsresiduen addieren sich über alle Personen zu 0, E(e)=0
4. Varianz der Regressionsresiduen ist ein Maß für die Güte der Vorhersage. Bei Var(e)=0 ist sie perfekt. - 13Nach welchem Kriterium erfolgt die Berechnung der Regressionskoeffizienten bei der mult. Regression?
- 14Nach welchem Kriterium erfolgt die Berechnung der Regressionskoeffizienten bei der mult. Regression?
- 15Wie lautet die Formel für die Regressionskoeffizienten bei der mult. Regression?
- 16Wie lautet die Formel für die Regressionskoeffizienten bei der mult. Regression?
- 17Unstandardisierte Regressionsgewichte...- werden auf der Grundlage der Metrik der Variablen berechnet, in der sie gemessen wurden
- geben an, um wie viele Einheiten sich die vorhergesagten ŷ-Werte ändern, wenn sich die unabhängige Variable um eine Einheit ändert - 18Unstandardisierte Regressionsgewichte...- werden auf der Grundlage der Metrik der Variablen berechnet, in der sie gemessen wurden
- geben an, um wie viele Einheiten sich die vorhergesagten ŷ-Werte ändern, wenn sich die unabhängige Variable um eine Einheit ändert - 19Standardisierte Regressionsgewichte…- werden auf der Grundlage standardisierter (z-transformierter) Variablen berechnet
- geben an, um wie viele Standardabweichungseinheiten sich die
vorhergesagten ŷ-Werte ändern, wenn sich die unabhängige Variable um eine Standardabweichungseinheit ändert - 20Standardisierte Regressionsgewichte…- werden auf der Grundlage standardisierter (z-transformierter) Variablen berechnet
- geben an, um wie viele Standardabweichungseinheiten sich die
vorhergesagten ŷ-Werte ändern, wenn sich die unabhängige Variable um eine Standardabweichungseinheit ändert - 21Z-transformierte Werten haben immer...Mittelwert von 0
und Standardabweichung von 1 - 22Z-transformierte Werten haben immer...Mittelwert von 0
und Standardabweichung von 1 - 23Formel für das unstand. Regressionsgewicht von X
- 24Formel für das unstand. Regressionsgewicht von X
- 25Was ist der multiple Determinationskoeffizient R²?Anteil der Varianz von Y, der durch alle Prädiktoren in der Gleichung gemeinsam aufgeklärt wird
- 26Was ist der multiple Determinationskoeffizient R²?Anteil der Varianz von Y, der durch alle Prädiktoren in der Gleichung gemeinsam aufgeklärt wird
- 27Was ist die Formel für R²?
- 28Was ist die Formel für R²?
- 29Je größer R²......desto besser die Vorhersage, weil mehr Varianz aufgeklärt wurde
- 30Je größer R²......desto besser die Vorhersage, weil mehr Varianz aufgeklärt wurde
- 31Was versteht man unter Inkrement ?= zusätzliche Varianz, die durch Hinzunahme eines neuen Prädiktors aufgeklärt werden kann
= auch Semipartialdetermination - 32Was versteht man unter Inkrement ?= zusätzliche Varianz, die durch Hinzunahme eines neuen Prädiktors aufgeklärt werden kann
= auch Semipartialdetermination - 33Was versteht man unter Nützlichkeit ?= Varianz, die ein Prädiktor zusätzlich zu allen anderen Prädiktoren in der Gleichung aufklärt
- 34Was versteht man unter Nützlichkeit ?= Varianz, die ein Prädiktor zusätzlich zu allen anderen Prädiktoren in der Gleichung aufklärt
- 35Spielt die Reihenfolge der Aufnahme der Prädiktoren für die Gesamtdetermination eine Rolle?Nein
- 36Spielt die Reihenfolge der Aufnahme der Prädiktoren für die Gesamtdetermination eine Rolle?Nein
- 37Was ist der Auslöser von Multikollinearität?hohe Interkorrelation der Prädiktoren
- 38Was ist der Auslöser von Multikollinearität?hohe Interkorrelation der Prädiktoren
- 39Was sind Konsequenzen von Multikollinearität?-kleine Regressionsgewichte von X aber hohe bivariate Korrelationen mit Y
-Schätzung der Regressionsgewichte ungenau, Erhöhung der Standardfehler von b
- Einschränkung der aufgeklärten Varianz - 40Was sind Konsequenzen von Multikollinearität?-kleine Regressionsgewichte von X aber hohe bivariate Korrelationen mit Y
-Schätzung der Regressionsgewichte ungenau, Erhöhung der Standardfehler von b
- Einschränkung der aufgeklärten Varianz - 41Welche Lösungsvorschläge gibt es für die Probleme durch Multikollinearität?Ausschluss einzelner Prädiktoren
Zusammenfassen von Prädiktoren zu Faktoren (Hauptkomponenten) - 42Welche Lösungsvorschläge gibt es für die Probleme durch Multikollinearität?Ausschluss einzelner Prädiktoren
Zusammenfassen von Prädiktoren zu Faktoren (Hauptkomponenten) - 43Wie diagnostiziert man Multikollinearität?mit TOL und VIF
- 44Wie diagnostiziert man Multikollinearität?mit TOL und VIF
- 45Was bedeutet TOL?Toleranz
1-R² - 46Was bedeutet TOL?Toleranz
1-R² - 47Was bedeutet VIF?Varianz-Inflations-Faktor
1/(1-R²) - 48Was bedeutet VIF?Varianz-Inflations-Faktor
1/(1-R²) - 49Ab welchem Wert von TOL und VIF gilt Multikollinearität?TOL <.10
VIF > 10 - 50Ab welchem Wert von TOL und VIF gilt Multikollinearität?TOL <.10
VIF > 10 - 51Was versteht man unter Suppression?= eine Suppressorvariable erhöht das Regressionsgewicht einer anderen Variablen, indem sie irrelevante Varianzanteile in dieser Variablen unterdrückt
- 52Was versteht man unter Suppression?= eine Suppressorvariable erhöht das Regressionsgewicht einer anderen Variablen, indem sie irrelevante Varianzanteile in dieser Variablen unterdrückt
- 53Was passiert durch den Einschluss einer Suppressorvariable in das Regressionsmodell?Prädiktor, der mit Kriterium schwach bivariat korreliert ist, erhält in der mult. Regression ein hohes Regressionsgewicht
- 54Was passiert durch den Einschluss einer Suppressorvariable in das Regressionsmodell?Prädiktor, der mit Kriterium schwach bivariat korreliert ist, erhält in der mult. Regression ein hohes Regressionsgewicht
- 55Was versteht man unter negativer Suppression?Suppressionseffekt führt dazu, dass das Regressionsgewicht eines Prädiktors ein anderes Vorzeichen hat als die Korrelation dieses Prädiktors mit dem Kriterium
- 56Was versteht man unter negativer Suppression?Suppressionseffekt führt dazu, dass das Regressionsgewicht eines Prädiktors ein anderes Vorzeichen hat als die Korrelation dieses Prädiktors mit dem Kriterium
- 57Was versteht man unter reziproker Suppression?Zwei Prädiktoren können wechselseitigen Suppressionseffekt erzeugen.
- 58Was versteht man unter reziproker Suppression?Zwei Prädiktoren können wechselseitigen Suppressionseffekt erzeugen.
- 59Warum muss man vorsichtig sein beim auspartialisieren von Störvariablen?Welchen Einfluss hat X auf Y, wenn für die Effekte einer Störvariablen kontrolliert wird?
Bsp. Wenn man bei bspw. Depressionen Ängstlichkeit auspartialisiert, wäre die Prädiktorvariable kein valider Indikator mehr. - 60Warum muss man vorsichtig sein beim auspartialisieren von Störvariablen?Welchen Einfluss hat X auf Y, wenn für die Effekte einer Störvariablen kontrolliert wird?
Bsp. Wenn man bei bspw. Depressionen Ängstlichkeit auspartialisiert, wäre die Prädiktorvariable kein valider Indikator mehr. - 61Wie beeinflussen die Korrelationen der Prädiktoren untereinander die Regressionsgewichte ?Je größer die Korrelation unter den Pr., desto geringer der eigenständige Vorhersagewert der Pr.
- 62Wie beeinflussen die Korrelationen der Prädiktoren untereinander die Regressionsgewichte ?Je größer die Korrelation unter den Pr., desto geringer der eigenständige Vorhersagewert der Pr.