Multiple Regression der richtige Weg?

[Snug]

Schönen Tag auch! (oder Nacht)!

Endlich habe ich die letzten Fragebögen für meine Diplomarbeit zusammen und will so richtig loslegen.
Aber ich bin mir inzwischen total unsicher welches der vielen spannenden Verfahren ich hier zur Anwendung bringen soll.

Ein bisschen liegt es auch an meinen mangelnden SPSS Kenntnissen, aber da ich nun ein paar Tage rumprobiert ohne mir wirklich sicher zu sein ob ich auf dem richtigen Weg bin, brauche ich jetzt einfach Starthilfe.

ALSO:
Ich habe natürlich ziemlich viele Variablen erfasst, aber zur Überprüfung meiner Hypothesen habe ich 3 "Hauptfragebögen" (jeweils 10-12 Items mit Likert-Skalierung). Aus den Antworten habe ich dann für jeden Probanden den Summenscore gebildet und habe nun meine 3 Variablen mit denen ich arbeiten möchte (eine detaillierte Item "Inspection" werde ich wohl auch noch vornehmen, jedoch sind die Scalen alle recht reliabel mit Cronbach's alpha über .80)

Ich denke bis hierhin hab ich noch nichts falsch gemacht.
Nun zu meinem Problem:
Ich weiß aus bisherigen Forschungsergebnissen, dass eine der Variablen ein recht guter Prädiktor für die andere ist.
Doch gibt es immer noch einen kleinere Anzahl von Fällen, in denen dieser Prädiktor "versagt".
Daher habe ich die Hypothese, dass meine dritte Variable hier als ein weiterer Prädiktor fungieren kann (bzw. sogar die Funktion eines Moderators oder Mediators einnimmt)

ERGO: 2 UV's eine AV = multiple Regression, oder?!

zu beachten ist mein kleines n = 32 und dass alle Daten ordinalskaliert sind und dass die beiden UV (zumindest nach meiner Hypothese) nicht voneinander unabhängig sind.

Ausserdem habe ich noch etliche Fragen zu SPSS, aber ich warte erstmal was hierzu kommt, vielleicht lösen die anderen Fragen sich ja in der Zwischenzeit...

Ach ja, der Abgabetermin für meine Diplomarbeit ist in 4 Wochen. Dachte die Auswertung wurde schneller gehen (hätte mal doch mehr Vorarbeit leisten müssen).

Ein herzliches Dankeschön an den der sich meiner erbarmt!

Snug

[KarinJ]

hallo,

bei der hypothese eines moderatoreffekts ist das ergo eine moderatoranalyse. im netz gibt es dazu anleitungen zu finden.

[Snug]

Hallo Karin,
danke für deine schnelle Antwort.

Habe grade ein bisschen im Netz recherchiert und bin auch fündig geworden. Trotzdem noch eine Frage:

Meine Variablen sind ja ordinalskaliert. Die Items sind Likertskalen( mit den Extremkategorien: ich stimme zu .... ich stimme nicht zu). Erfasst wurde jeweils die Zustimmung zu Aussagen bzgl. wahrgenommener Diskriminierung und negativer Stereotypen sowie Aussagen zur Behandlungscompliance.

In einem Threat hier habe ich gelesen, dass man ordinalskalierte Variablen bei Einstellungsmessungen durchaus als metrische Variablen behandlen darf. Jedoch sind die Kategorien bei meinen Items zwischen den Extremkategorien unbeschriftet und es werden ja nicht im strengen Sinne Einstellungen erfasst.

Darf ich dennoch die Variablen als metrische Variablen behandelen?

Vielen Dank im Voraus und noch einen schönen Sonntag!
Snug

[KarinJ]

die beschriftung (labels) hat mit der analyse nichts zu tun, sondern dient nur der orientierung für den bediener. d.h. es kommt immer das gleiche raus, ob beschriftet, unbeschriftet oder unsinnig beschriftet.

ich bin auch der meinung, dass die ordinal-daten wie intervallskaliert "verbraucht" werden dürfen. es sollten mindestens 4, besser 5 oder mehr antwortkategorien gewesen sein. man sieht das sehr oft, dass solche rangdaten wie intervallskaliert verwendet werden. man muss sich auch fragen, was man für eine alternative hat. in diesem fall ist mir keine bekannt.

[Snug]

Für alle, die ihre ordinalskalierten Daten metrisch "verbrauchen" (weil es halt so gemacht wird) und dies in ihre Diplomarbeit oder so begründen müssen--> hier ein Zitat mit Literaturangabe... (ich habe da eifrig nach gesucht...):
"Most numerical rating scales (e.g. Likert scales, bipolar ratings, and semantic differential scales) are not, strictly speaking, interval scales. It is routine to treat them as interval scales in statistical analyses, however, and no harm seems to have resulted from that practice.

Grimm, L.G. & Yarnold, P.R. (Editors) (2002). Reading and understanding more multivariate statistics. American psychological association: Washington.

[Alexander_1]

Hallo,

zu dem Thema ordinalskalierte AV in multiplen Regression benutzen habe ich auch noch ne Frage.

ich bin auch der meinung, dass die ordinal-daten wie intervallskaliert "verbraucht" werden dürfen. es sollten mindestens 4, besser 5 oder mehr antwortkategorien gewesen sein. man sieht das sehr oft, dass solche rangdaten wie intervallskaliert verwendet werden. man muss sich auch fragen, was man für eine alternative hat. in diesem fall ist mir keine bekannt.

Meine AV hat 5 Antwortkategorien, die messen ob eine Maßnahme zum Schutz geistigen Eigentums von Unternehmen jetzt als effektiver oder nicht effektiver angesehen werden als bei einer vorherigen (gleichen) Befragung. Also misst die AV im Prinzip der Veränderung von der 1. zur 2. Erhebung der Einschätzung der befragten Unternehmen.

AV-Kategorien
-2 = viel weniger effektiv als vorher
-1 = weniger effektiv als vorher
0 = keine Veränderung
1 = effektiver als vorher
2 = viel effektiver als vorher

Habe insgesamt 6 UV`s indentifiziert.
Einer dieser UV`s (Die Branche hat komplexe Porzesse: ja=1 / Nein=0) hat einen negativen signifikanten Einfluss auf die AV. Wie interpretiere ich das im Ergebnis?

Ich tue mich da schwer, da es ja eine Veränderung ins positive und negative geben kann.

Würde ja gerne so etwas sagen können wie:
Ist die Branche komplex, desto weniger effektiv werden die Maßnahmen zum Schutz geistigen Eigentums im Gegensatz zur vorherigen Befragung angesehen???

Ist das korrekt??
Oder sollte man doch eine andere Kodierung nehmen?

Hatte auch versucht 1/0 Codierung (für positive Veränderung oder nicht) zu machen und dann eine binäre logistische Regression zu fahren.
Allerdings gehen dann von meinen N=117 nur 30 Fälle in die Analyse ein. Was ja bei 6 UV`s etwas wenig sind...

Please Help!

Gruß
alex