Hallo,
ich habe für meine Doktorarbeit eine Studie durchgeführt, bei der ich den EInfluss mehrerer Variablen auf eine andere (in diesem Fall den Körperfettanteil) untersuche.
Da die Daten nicht normalverteilt sind, habe ich für alle Einflussfaktoren eine Korrelationsanalyse nach Spearman durchgeführt.
Dazu ein paar Fragen, über deren Beantwortung ich wahnsinnig dankbar wäre.
1. Szenario: Eine Korrelation ist signifikant. Der Zusammenhang kann weiter durch die lineare Regression beschrieben werden - diese kann dann die Richtung des Zusammenhangs näher beschreiben - richtig?
2. Szenario: Die Spearman-Korrelation ist positiv aber nicht signifikant. Sollte noch eine lineare Regression der Beschreibung des Zusammenhangs durchgeführt werden, oder erübrigt sie sich hier, da es sowieso keine signifikante Korrelation gibt?
3. Szenario: Spearman-Korrelation ergibt keinen signifikanten Zusammenhang, die Regression ist hingegen signifikant. Entsprach die Durchführung bei nicht signifikanter Korrelation bereits einem Fehler, oder ist die Schlussfolgerung, dass der vorhandene Zusammenhang gerichtet ist, machbar?
Tausend Dank für alle Antworten, die mir weiterhelfen!
Korrelation vs. Regression
-
dutchie
- Beiträge: 2739
- Registriert: 01.02.2018, 10:45
Re: Korrelation vs. Regression
Hallo Marleen,
da geht scheinbar was durcheinander!!!
a1. Ordinalniveau versus Intervallniveau
a2. Spearman versus Pearson
b1. Korrelation versus Regression
b2. Korrelationskoeffizient versus Regressionkoeffizient
c. einfache Regression versus multiple Regression
Die lineare Regression hat als Voraussetzung Normalverteilung!!
Pearson beschreibt nur wie gut die Regression die AV aufklärt!
Also keine Regression ohne Korrelation und keine Korrelation ohne Regression.
...auf intervallniveau, wenn du eine Regression macht brauchst du Pearson, so wie so.
Also Spearman als eine Art "screening" einsetzten ist bissi merkwürdig.
Spearman beschreibt einen monotonen Zusammenhang, es muss nicht so sein,
dass das mit einem lineare Regression abbildbar ist, das ist konzeptionell was anderes.
Spearman wie Pearson haben eine Richtung (positiv wie negativ), die stimmen normal überein,
das muss aber nicht so sein!
Korrelationskoeffizient (Pearson) und Regressionskoeffizient, stimmen in der Richtung
bei einfacher lin. Reg immer überein! Bei multipler Regression muss das nicht so sein.
Es kann ja sein, dass dir inhaltlich monoton genügt,
nur nach Spearman folgt kein multiple Regression, diese hat du scheinbar gar nicht aufm Schirm?
Die Darstellung des Zusammenhangs erfolgt bei Monotonie über Streudiagramme,
da kann man dann ein Linie reinplotten, die nicht linear sein muss.
Wichtig ist auch wie die Prädiktoren zusammenhängen!
Also:
Alle bivariate Zusammenhänge aller Variablen, jeder mit jedem
Streudiagramme anschaun, beschreiben mit Pearson und Spearman
es geht ja um die Frage ist der Zusammenhang linear oder monoton!!
dann verschiedene Modelle einfache lin. Regression und multiple lin. Regression!!
Das oben ist alles deskriptiv!!!!
Die Normalverteilung wird erst wichtig, wenn es um die Signifikanz geht,
Demnach nicht Spearman, weil nicht NV, sondern Spearman,
weil man wissen will, ob der Zusammenhang monoton ist!
bei nicht NV --> bootstrap? Transformation ? Venn Diagramm?
Moderation? Mediation?
gruß
dutchie
Nein, naja,
da geht scheinbar was durcheinander!!!
a1. Ordinalniveau versus Intervallniveau
a2. Spearman versus Pearson
b1. Korrelation versus Regression
b2. Korrelationskoeffizient versus Regressionkoeffizient
c. einfache Regression versus multiple Regression
Die lineare Regression hat als Voraussetzung Normalverteilung!!
Pearson beschreibt nur wie gut die Regression die AV aufklärt!
Also keine Regression ohne Korrelation und keine Korrelation ohne Regression.
...auf intervallniveau, wenn du eine Regression macht brauchst du Pearson, so wie so.
Also Spearman als eine Art "screening" einsetzten ist bissi merkwürdig.
Spearman beschreibt einen monotonen Zusammenhang, es muss nicht so sein,
dass das mit einem lineare Regression abbildbar ist, das ist konzeptionell was anderes.
Spearman wie Pearson haben eine Richtung (positiv wie negativ), die stimmen normal überein,
das muss aber nicht so sein!
Korrelationskoeffizient (Pearson) und Regressionskoeffizient, stimmen in der Richtung
bei einfacher lin. Reg immer überein! Bei multipler Regression muss das nicht so sein.
Es kann ja sein, dass dir inhaltlich monoton genügt,
nur nach Spearman folgt kein multiple Regression, diese hat du scheinbar gar nicht aufm Schirm?
Die Darstellung des Zusammenhangs erfolgt bei Monotonie über Streudiagramme,
da kann man dann ein Linie reinplotten, die nicht linear sein muss.
Wichtig ist auch wie die Prädiktoren zusammenhängen!
Also:
Alle bivariate Zusammenhänge aller Variablen, jeder mit jedem
Streudiagramme anschaun, beschreiben mit Pearson und Spearman
es geht ja um die Frage ist der Zusammenhang linear oder monoton!!
dann verschiedene Modelle einfache lin. Regression und multiple lin. Regression!!
Das oben ist alles deskriptiv!!!!
Die Normalverteilung wird erst wichtig, wenn es um die Signifikanz geht,
Demnach nicht Spearman, weil nicht NV, sondern Spearman,
weil man wissen will, ob der Zusammenhang monoton ist!
bei nicht NV --> bootstrap? Transformation ? Venn Diagramm?
Moderation? Mediation?
gruß
dutchie
