Hi!
Ich frage mich, wie ich die Werte der unten im Modell in einem Text berichten kann (in der Form r = x, p < y oder β = x, p < y)
Gelb: autoregressive Pfade (Wirkung auf sich selbst, Stabilität) --> "Einheit"? β?
Blau: Korrelationen zwischen z.B. "Positive teacher-student relationship" (W1) und "Behavioral engagement" (W1) --> (r = .27, p < .001)?
Grün: Cross-Lagged-Effekte z.B. "Positive teacher-student relationship" (W1) und "Behavioral engagement" (W2) --> (β = -.11, p < .001)?
Lila: Korrelationen der Fehlerterme? --> Woran erkennt man, ob ein Doppelpfeil eine Korrelation der Fehlerterme oder zwischen Variablen darstellt?
Interessiert bin ich nur an den Wirkungen von "Positive teacher-student relationship" --> "Behavioral engagement" und müsste wissen, wie ich darüber berichten kann. Über die Stabilität (gelbe Pfade) kann ich auch noch berichten, wäre aber nur nebensächlich. Wenn das alles mit r bzw. β, wie oben beschrieben, ginge, wäre mir das am liebsten. Somit wären für mich nur die blauen Pfade (Korrelationen, "r?") und grünen Pfade (standardisierte Regressionsgewichte, "β?") interessant.
Die Autoren schreiben für das analog aufgebaute Modell für die Negative teacher-student relationship: "Above and beyond the stability paths and within-time associations, negative teacher–student relationships predicted relative decreases in behavioral engagement over time". Das ist allerdings für meine Zwecke zu allgemein und enthält leider keine Kennwerte.
Modell: https://ibb.co/nLYgzJH
Quelle: https://link.springer.com/article/10.10 ... 016-0414-5
Vielen Dank!
Interpretation CLPM
-
dutchie
- Beiträge: 2739
- Registriert: 01.02.2018, 10:45
Re: Interpretation CLPM
Hallo,
der Zahl kann man nicht ansehen, ob sie standardisiert ist (β) oder nicht (b)
insofern ist die Abbildung bzw die Legende nicht vollständig.
(scheint sich um Pädagogik zu handeln!)
Das könnte noch in Text stehen, wenn ich raten müsste sind das β
(aber raten gibts nicht! wäre besser, wenn es klar ist! schreib das rein, dass es aus
dem Artikel nicht hervorgeht, wenn dem so ist!
die p-Werte liegen gar nicht vor, insofern kannst du nur
p < .05 p < .01 p < .001 schreiben.
Die Doppelpfeile sind Korrelationen zwischen den Variablen, KoKos zwischen
Fehlern gibts nur bei SEM. Dort sind dann auch die Fehler verbunden (Kreise)
nicht die Variablen (Rechtecke).
Gerichtete Pfeile sind Regressionskoeffizienten.
Man bräuchte noch die R2 sämtlicher multipeln Regressionen, du hast zwar signifikante
Pfade, aber kein Maß dafür wie groß der Effekt ist (R2), isofern
ist das alles nur aufgrund der Abbildung nicht zu bewerten.
Die Maße sind nicht sehr stabil!! kommt aber drauf an wie weit die "waves" entfernt sind.
komplett müsste das Modell so ausschauen:
https://yifengedms.github.io/simPM/arti ... Model.html
gruß
dutchie
der Zahl kann man nicht ansehen, ob sie standardisiert ist (β) oder nicht (b)
insofern ist die Abbildung bzw die Legende nicht vollständig.
(scheint sich um Pädagogik zu handeln!)
Das könnte noch in Text stehen, wenn ich raten müsste sind das β
(aber raten gibts nicht! wäre besser, wenn es klar ist! schreib das rein, dass es aus
dem Artikel nicht hervorgeht, wenn dem so ist!
die p-Werte liegen gar nicht vor, insofern kannst du nur
p < .05 p < .01 p < .001 schreiben.
Die Doppelpfeile sind Korrelationen zwischen den Variablen, KoKos zwischen
Fehlern gibts nur bei SEM. Dort sind dann auch die Fehler verbunden (Kreise)
nicht die Variablen (Rechtecke).
Gerichtete Pfeile sind Regressionskoeffizienten.
Man bräuchte noch die R2 sämtlicher multipeln Regressionen, du hast zwar signifikante
Pfade, aber kein Maß dafür wie groß der Effekt ist (R2), isofern
ist das alles nur aufgrund der Abbildung nicht zu bewerten.
Die Maße sind nicht sehr stabil!! kommt aber drauf an wie weit die "waves" entfernt sind.
komplett müsste das Modell so ausschauen:
https://yifengedms.github.io/simPM/arti ... Model.html
gruß
dutchie
-
Hanswurstquadrat
- Beiträge: 3
- Registriert: 09.02.2024, 12:06
Re: Interpretation CLPM
Hi,
erst mal danke für die ausführliche Antwort!
Die gerichteten Pfeile sind aber alle Regressionskoeffizienten, nur es ist nicht klar, ob es sich um β oder b handelt? Die Autoren schreiben nur, dass sie die entsprechenden Variablen nach der Erhebung standardisiert haben, aber nicht wie es bei den Pfadwerte aussieht. Das erfrage ich dort mal.
Wegen der p-Werte bin ich nun irritiert. Die stehen doch an den Pfaden dran mit den Sternchen und sind in der Legende angegeben.
Wir haben leider nur einen kurzen Crashkurs in Statistik bekommen (Regressionen und Korrelationen). Besteht denn ein Unterschied zwischen einer (multiplen) Regression und einem CLPM bezüglich der Bedeutung der Regressionskoeffizienten? Wir haben immer nur die b/β bei den (multiplen) Regressionen angesehen und wenn diese signifikant waren, gesagt, dass ein Zusammenhang "Einfluss" (nicht kausal) besteht.
Kann ich denn Aussagen treffen wie z.B.: "Die 'Student-teacher relationship' sagt in der erste Welle das 'Behavioral engagement' in der zweiten Welle sehr signifikant voraus (β = .11, p < .001)?" (angenommen es sind β und nicht b)?
PS: In der Diskussion im Zusammenhang mit dem Modell fällt einmal folgende Aussage: "The indirect effect from negative teacher–student relationship on behavioral engagement through perceived popularity was not significant (β = -0.002, p = .17)."
Viele Grüße!
erst mal danke für die ausführliche Antwort!
Die gerichteten Pfeile sind aber alle Regressionskoeffizienten, nur es ist nicht klar, ob es sich um β oder b handelt? Die Autoren schreiben nur, dass sie die entsprechenden Variablen nach der Erhebung standardisiert haben, aber nicht wie es bei den Pfadwerte aussieht. Das erfrage ich dort mal.
Wegen der p-Werte bin ich nun irritiert. Die stehen doch an den Pfaden dran mit den Sternchen und sind in der Legende angegeben.
Wir haben leider nur einen kurzen Crashkurs in Statistik bekommen (Regressionen und Korrelationen). Besteht denn ein Unterschied zwischen einer (multiplen) Regression und einem CLPM bezüglich der Bedeutung der Regressionskoeffizienten? Wir haben immer nur die b/β bei den (multiplen) Regressionen angesehen und wenn diese signifikant waren, gesagt, dass ein Zusammenhang "Einfluss" (nicht kausal) besteht.
Kann ich denn Aussagen treffen wie z.B.: "Die 'Student-teacher relationship' sagt in der erste Welle das 'Behavioral engagement' in der zweiten Welle sehr signifikant voraus (β = .11, p < .001)?" (angenommen es sind β und nicht b)?
PS: In der Diskussion im Zusammenhang mit dem Modell fällt einmal folgende Aussage: "The indirect effect from negative teacher–student relationship on behavioral engagement through perceived popularity was not significant (β = -0.002, p = .17)."
Viele Grüße!
-
dutchie
- Beiträge: 2739
- Registriert: 01.02.2018, 10:45
Re: Interpretation CLPM
hallo,
also sind das β ! ..wäre auch üblich so.
wenn ein p Wert p = .051 wäre, dann wäre er n.s. , aber durchaus erwähnenswert.
bezüglich der Interpretation, der Verwendung, wenn a und b korrelieren, weiß man nicht was ist Ursache und Wirkung,
das zu klären ist aufgabe es cross lag designs!
die Wirkung geht der Ursache vorraus,
wenn a --> b sig ist
aber b --> a nicht
muss a die Ursache sein für b! (raffiniert)
...ob das klappt, logisch ist, oder sonst was, ist strittig!!
der indirekte Effekt ist nur das Produkt der Reg Koeffizienten.
popularity wäre der Mediator, aber negativ relationship steht nicht im Modell?
gruß
dutchie
..wenn die Variablen standardisiert wurden, sind es die Koeffizienten auch!Hanswurstquadrat hat geschrieben: ↑10.02.2024, 16:06Die gerichteten Pfeile sind aber alle Regressionskoeffizienten, nur es ist nicht klar, ob es sich um β oder b handelt? Die Autoren schreiben nur, dass sie die entsprechenden Variablen nach der Erhebung standardisiert haben, aber nicht wie es bei den Pfadwerte aussieht.
also sind das β ! ..wäre auch üblich so.
was fehlt sind die genauen p Werte, also z.B. p = .02 (genau) statt p < .05 (genähert)
wenn ein p Wert p = .051 wäre, dann wäre er n.s. , aber durchaus erwähnenswert.
nein, an sich nicht, aberHanswurstquadrat hat geschrieben: ↑10.02.2024, 16:06Besteht denn ein Unterschied zwischen einer (multiplen) Regression und einem CLPM bezüglich der Bedeutung der Regressionskoeffizienten?
bezüglich der Interpretation, der Verwendung, wenn a und b korrelieren, weiß man nicht was ist Ursache und Wirkung,
das zu klären ist aufgabe es cross lag designs!
die Wirkung geht der Ursache vorraus,
wenn a --> b sig ist
aber b --> a nicht
muss a die Ursache sein für b! (raffiniert)
...ob das klappt, logisch ist, oder sonst was, ist strittig!!
ja, aber sag nicht "sehr", wenn denn dann sag "hoch"Hanswurstquadrat hat geschrieben: ↑10.02.2024, 16:06Kann ich denn Aussagen treffen wie z.B.: "Die 'Student-teacher relationship' sagt in der erste Welle das 'Behavioral engagement' in der zweiten Welle sehr signifikant voraus (β = .11, p < .001)?" (angenommen es sind β und nicht b)?
Die zweite wave mediiert (Mediation) wie die erste auf die dritte wirkt.Hanswurstquadrat hat geschrieben: ↑10.02.2024, 16:06PS: In der Diskussion im Zusammenhang mit dem Modell fällt einmal folgende Aussage: "The indirect effect from negative teacher–student relationship on behavioral engagement through perceived popularity was not significant (β = -0.002, p = .17)."
der indirekte Effekt ist nur das Produkt der Reg Koeffizienten.
popularity wäre der Mediator, aber negativ relationship steht nicht im Modell?
gruß
dutchie
-
Hanswurstquadrat
- Beiträge: 3
- Registriert: 09.02.2024, 12:06
Re: Interpretation CLPM
Hi,
danke, das hilft mir sehr weiter.
Ansonsten werden von uns keine Wunder bezüglich der statistischen Interpretation verlangt. Etwas fragwürdig, das so lax zu handhaben, aber das sind die Spielregeln.
Viele Grüße!
danke, das hilft mir sehr weiter.
Doch, es wurde sowohl positive als auch negative relationship verwendet. Die Sache mit dem Mediation und dem dort genannten β war auch nur von mir gedacht, um möglichweise herauszufinden, ob insgesamt b oder β verwendet wurden.
Ansonsten werden von uns keine Wunder bezüglich der statistischen Interpretation verlangt. Etwas fragwürdig, das so lax zu handhaben, aber das sind die Spielregeln.
Viele Grüße!
