Fragen und Diskussionen rund um die Arbeit mit SPSS. Für allgemeine Statistik-Themen, die nicht mit SPSS zusammenhängen, bitte das Statistik-Forum nutzen.
Ich habe eine kleine SPSS-Frage:
Kurz zu meinem Vorgehen grundsätzlich: ich habe eine quantitative Inhaltsanalyse von Nachrichtenbeiträge verschiedener Sender (insgesamt 9 Stück) gemacht und hierfür u.a. die angegebenen Informationsquellen pro Beitrag gezählt. Eigentlich möchte ich jetzt schlicht vergleichen, auf welchem Kanal die meisten Quellen pro Beitrag angegeben werden und habe hierfür Mittelwerte berechnet, eine einfaktorielle Varianzanalyse durchgeführt und mir als Effektstärkemaß eta-quadrat ausgeben lassen.
Soweit so gut. Ich habe aber die Vermutung, dass neben den unterschiedlichen Sendern vor allem die Länge eines Beitrags einen starken Einfluss auf die Anzahl der gegebenen Quellen pro Beitrag hat. Um das prüfen, würde ich gerne eine multiple lineare Regression durchführen, in der die Sender der Beiträge (dummycodiert) und die Länge des Beitrags in Sekunden als unabhängige Variable und die Anzahl der Quellen als abhängige Variable auftreten. Meine Frage: ist das überhaupt möglich? Kann ich in einer Regressionsanalyse die dummycodierten Sender und die Beiträgslänge in Sekunden aufnehmen und sinnvoll interpretieren? Oder gibt es vielleicht andere Möglichkeiten den Effekt der Beitragslänge mit dem der Senderausprägung zu vergleichen?
Über Hilfe wäre ich sehr dankbar!
Viele Grüße!
AV: metrisch, Anzahl der Quellen.
UV1: nominal, Sender
UV2: metrisch, Länge des Beitrags
Das macht Sinn und ist in der Regression kein Problem.
nur 1: Eventuell ist das eine Poisson Regression, wegen der AV als Zählvariable.
Hängt auch davon ab, wie "gut" die AV normalverteilt ist, oder ob die Verteilung eher schief ist.
Müsste man überlegen....
nur 2: Wenn du eine nominale und eine metrischen UV hast bist du in Kontext einer Kovarianzanalyse,
da treten neue Vorraussetzungen hinzu und die gilt es zu beachten.
nur 3: Du solltest das ganze hierarchisch aufbauen und einen Interaktionsterm hinzufügen.
Auch um Probleme mit "nur 2" zu vermeiden.
also:
Modell 1 : AV = a + b* UV1 (da ist deine normale Varianzanalyse)
Modell 2 : AV = a + b* UV2 (lin Regression)
Modell 3 : AV = a + b* UV1 + c * UV2
Modell 4 : AV = a + b* UV2 + c * UV2 + d * UV1 * UV2
nur 4:
Wie berechnen, über lineare Regression oder über allgemeines lineares Modell?
Das ist zweimal dasselbe! Aber unterscheidlich "komfortabel"
Mach zur Übung beides und schau dir die Optionen an, wichtig wäre unter lin. Reg.
Kollinearitätsanalyse und Änderung in R.
..und googl mal im Zusammenhang Regression nach Venn Diagramm...
