Hallo!!
Ich habe eine Regressionsanalyse gerechnet, bei der die Residuen nicht normalverteilt sind. .. also, sie sehen schon normalverteilt aus, wenn ich sie plotte, aber wenn ich den Shapiro-Wilk-Test dazu mache (Goodness-of-fit), dann ist der signifikant <0,001, was doch soviel bedeutet, dass meine Residuen nicht normalverteilt sind, oder? Damit wäre ja auch die Voraussetzung für die Gültigkeit meines Regressionsmodell dahin.... wie genau muss das denn "passen"? Reicht es, wenn die Residuen die Glockenform aufweisen (was sie ja auch tun), oder muss wirklich ein der Test auf NV nicht signifikant sein?
Vielen vielen Dank,
Senta
Nicht normalverteile Residuen bei Regressionsanalyse?
-
sendoo
- Beiträge: 3
- Registriert: 17.11.2006, 13:40
-
Diplomand
- Beiträge: 16
- Registriert: 18.09.2007, 09:50
Habe ein ähnliches Problem. Meine Verteilung ist nicht normalverteilt, aber es gibt weder links- noch rechtsschiefe o.ä. Keine Transformation (log, exp, quadrieren, Wurzen ziehen) führt zu einer signifikanten Verbesserung der Verteilung, das Kolmogorov-Smirnoff-Z ist nicht unter 1,96 zu bekommen.
Was muss man denn hier machen um eine Regression zu rechnen? Oder gleicht die hohe Fallzahl von fast 1000 die fehlende Normalverteilung aus, wie manche Methodenforscher meinen?
Was muss man denn hier machen um eine Regression zu rechnen? Oder gleicht die hohe Fallzahl von fast 1000 die fehlende Normalverteilung aus, wie manche Methodenforscher meinen?
-
Jack Crow
- Beiträge: 146
- Registriert: 14.12.2006, 18:41
Aufgund der speziellen Berechnungsweisen von statistischen Tests kann es immer mla vorkommend daß ein Test was anderes aussagen als tatsächlich der Fall ist - deswegen soll man sich ja auch nciht nur auf einen Test verlassen. Wenn das Histogramm und der Boxplot eine annährende Normalverteilung anzeigen, dann sind die Daten auch so verteilt, und es ist ziemlich wahrscheinlich daß der Test aus irgendwelchen spezifischen Gründen ein falsches Ergebnis liefert.
"Life is 10% effort and 90% lucky timing"
Scott Adams
Scott Adams
-
Diplomand
- Beiträge: 16
- Registriert: 18.09.2007, 09:50
@Jack Crow
Danke für das Feedback. Also ich habe nun auch gelesen, dass gerade das Kolmogorov-Smirnoff-Verfahren bei einem großen N dazu neigt, schon kleinere Abweichung von der Normalverteilung streng zu ahnden. Unglücklicherweise sind aber auch alle anderen Normalverteilungstests hochsignifikant und weisen jede Normalverteilung kategorisch ab.
Was kann man denn dagegen tun? Es wird oft empfohlen (Backhaus et al. 2003), ein anderes Schätzverfahren wie ULS, SLS und ADF (was auch immer das sein soll) zu verwenden. Wie kann man das denn mit SPSS tun?
Beste Grüße,
Der Diplomand
Danke für das Feedback. Also ich habe nun auch gelesen, dass gerade das Kolmogorov-Smirnoff-Verfahren bei einem großen N dazu neigt, schon kleinere Abweichung von der Normalverteilung streng zu ahnden. Unglücklicherweise sind aber auch alle anderen Normalverteilungstests hochsignifikant und weisen jede Normalverteilung kategorisch ab.
Was kann man denn dagegen tun? Es wird oft empfohlen (Backhaus et al. 2003), ein anderes Schätzverfahren wie ULS, SLS und ADF (was auch immer das sein soll) zu verwenden. Wie kann man das denn mit SPSS tun?
Beste Grüße,
Der Diplomand
-
Jack Crow
- Beiträge: 146
- Registriert: 14.12.2006, 18:41
Diese Buchstabenkombinationen sagen mir leider auch nichts... Logistische Regressionen (und ich glaub auch Probit) arbeiten ohne Normalverteilungsannahme, da sie den Maximum-Likelihood-Schätzer verwenden (MLM 
). Ich bin mir allerdings nicht ganz sicher ob man da auch metrische als abhängige Variablen nehmen kann. Am besten schaust du mal in der SPSS-Hilfe/Dokumentation nach, die ist eigentlich für sowas nicht schlecht.
). Ich bin mir allerdings nicht ganz sicher ob man da auch metrische als abhängige Variablen nehmen kann. Am besten schaust du mal in der SPSS-Hilfe/Dokumentation nach, die ist eigentlich für sowas nicht schlecht."Life is 10% effort and 90% lucky timing"
Scott Adams
Scott Adams
