Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG

Transkript

1 Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG

2 Inhalt Vorworte V 1 Korrelation Einführung Erste Voraussetzung: Das Skalenniveau Weitere Voraussetzungen: Linearität, Homoskedastizität und Kontinuität Exkurs: Grafische Tests auf Linearität Prozedur GRAPH, Scatterplot Option SPSS Prozedur CURVEFIT Statistik und Interpretation des Korrelationskoeffizienten Statistik des Korrelationskoeffizienten Interpretation des Korrelationskoeffizienten Berechnung mit SPSS (Beispiel) Fallstricke: Linearität, Scheinkorrelation und Alphafehler-Kumulation Scheinkorrelation und partielle Korrelation Das Problem der Alphafehler-Kumulierung Spezielle Anwendungen Vergleich von Korrelationskoeffizienten Vergleich von Korrelationen auf Gleichheit Kanonische Korrelation Voraussetzungen für die Berechnung des Pearson-Korrelationskoeffizienten 32 2 Lineare und nichtlineare Regression Lineare Regression: Zusammenhang mit Kausalrichtung Bivariate lineare Regression: Einführung in die Regressionsanalyse mit REGRESSION Beispiel und Syntax für eine bivariate lineare Regression - Durchgang 1: Überprüfung der Linearität und Identifikation von Ausreißern anhand von Hebel werten und Residuen Output und Erläuterungen 49

3 XIV Inhalt Durchgang 2: Der Effekt des Ausschlusses von Ausreißern - Ausgewählter Output Exkurs: Grafik mit eingezeichneter Regressionsgerade (GGRAPH) Nichtlineare einfache Regression Eine lineare Funktion wird mittels einer linearen Regressionsanalyse untersucht Eine nichtlineare Funktion wird mittels einer linearen Regressionsanalyse untersucht Eine nichtlineare Funktion wird linearisiert und mittels einer linearen Regression untersucht Eine nichtlineare Funktion wird mittels einer nichtlinearen Regression untersucht: Nichtlineare Regression Etwas Anspruchsvolleres: Eine nichtlineare Regression mit zwei Prädiktoren Die Prozeduren NLR und CNLR für die nichtlineare Regression Annahmen der nichtlinearen Regression Übersicht: Modelle für die nichtlineare Regression Multiple lineare Regression: Multikollinearität und andere Fallstricke Besonderheiten der Multiplen Regression Ein erstes Beispiel: Die Interpretation der speziellen Statistiken der multiplen Regression Zweites Beispiel: Identifizieren und Beheben von Multikollinearität Voraussetzungen für die Berechnung einer linearen Regression Logistische und ordinale Regression Einführung: Kausalmodell und Messniveau der abhängigen Variable Binäre logistische Regression Das Verfahren und Vergleich zu anderen Verfahren Beispiel, Maus und Syntax: Schrittweise Methode (BSTEP) Output und Interpretation Beispiel und Syntax: Direkte Methode ENTER Output und Interpretation Exkurs: Theorietest vs. Diagnostik bei der logistischen Regression: Modellgüte (goodness of fit) vs. Prädikative Effizienz (predictive efficiency) Voraussetzungen für eine binäre logistische Regression Ordinale Regression Das Verfahren und Vergleich mit anderen Verfahren Beispiel 1, Maus und Syntax: Intervallskalierte Prädiktoren (WITH-Option) Output und Interpretation Beispiel 2 und Syntax: Kategoriale Prädiktoren (BY-Option) Output und Interpretation Voraussetzungen für eine ordinale Regression Multinomiale logistische Regression Beispiel, Maus und Syntax: Haupteffekt-Modell (dichotome AV) 204

4 Inhalt XV Output und Interpretation Exkurs: Schrittweise Berechnung eines Modells mit einer dichotomen AV: Vergleich der NOMREG- und LOG1STIC REGRESSION-Ausgaben Spezialfall: Gematchte Fall-Kontrollstudie (1:1) mit metrischen Prädiktoren- Beispiel, Syntax, Output und Interpretation Exkurs: LOGISTIC REGRESSION vs. NOMREG (Unterschiede) Voraussetzungen für eine multinomiale logistische Regression Vergleich der vorgestellten Regressionsansätze Survivalanalysen Einfuhrung in die Überlebenszeitanalyse Das Grundprinzip der Survivalanalyse Die Überlebens fünktion S(t) Die Bestimmung der Überlebensfunktion S(t) Weitere Funktionen Zensierte Daten Unerwartete Ereignisse oder nicht eintretende Zielereignisse Drei Gründe, zensierte Daten anders als nichtzensierte Daten zu behandeln Umgehen mit ausfallenden Daten bzw. Zensierungen (drei Ansätze) Verfahren zur Schätzung der Überlebenszeit S(t) Versicherungsmathematische Methode bzw. Sterbetafel-Methode Schätzung von S(t) mit der Kaplan-Meier-Methode Beispiele ohne und mit Zensierungen (Ansatz: Kaplan-Meier) Tests für den Vergleich mehrerer Gruppen Überlebenszeitanalyse mit SPSS Beispiel: Kaplan-Meier-Verfahren ohne Faktor Beispiel: Kaplan-Meier-Verfahren mit Faktor Vergleiche mittels mit Faktor- und Schichtvariablen (Kaplan-Meier) Konfidenzintervalle für Kaplan-Meier Analysen Beispiel einer Sterbetafel-Berechnung ohne Faktor Beispiel einer Sterbetafel-Berechnung mit Faktor Erste Voraussetzungen für die Berechnung einer Survivalanalyse Regression nach Cox Einführung und Hintergrund des Cox-Modells Cox-Regression mit einer metrischen Kovariaten Cox-Regression mit einer dichotomen Kovariaten (k=2) Cox-Regression mit einer kategorialen Kovariaten (k>2) Cox-Regressionen für Interaktionen Überprüfung der Voraussetzungen einer Cox-Regression Cox-Regression mit zeitabhängigen, metrischen Kovariaten Spezielle Voraussetzungen der Cox-Regression Anhang: Kontraste 347

5 XVI Inhalt 5 Weitere Anwendungsbeispiele der Regressionsanalyse Partial-Regression Berechnung mit der Prozedur PLS (Python Extension) Berechnung mit der Prozedur REGRESSION Individuelle Wachstumskurven (individual growth modeling) Ansatz 1: Modell zufälliger Intercepts Ansatz 2: Modell zufälliger Steigungen Ansatz 3: Modell zufälliger Intercepts und zufälliger Steigungen Ridge-Regression (SPSS Makro) Visualisierung von Multikollinearität mittels Ridge-Trace Berechnung einer Ridge-Regression Das SPSS Makro Ridge-Regression" Weitere Ansätze und Modelle (Ausblick) Weitere Regressionsansätze über SPSS Menüs Weitere Regressionsvarianten über Syntax Anhang: Formeln Literatur Ihre Meinung zu diesem Buch Autor 435 Syntaxverzeichnis 437 Sachverzeichnis 443