Ordinale Regression

Wissenschaft Mathematik
#21

Das kommt auf die Regressionskoeffizienten an, also im
Endeffekt ob die positiv oder negativ sind (bzw. größer oder
kleiner als 1, je nachdem was einem angezeigt wird),

-2,056, d.h. das ist gegenläufig?

Müssten da nicht mehrere stehen (ich selbst benutze R und
nicht SPSS)? Da es eine Kategorical Variable ist mit 3
Faktoren. Ich bin mir jetzt nicht sicher was SPSS da gemacht
hat…
Eigentlich sollte das Model so aussehen (wenn man ‚keine
Ahnung‘ als Referenz betrachtet)

Y ~ Bernoulli( 1 + Immer_Nachhaltig + Manchmal_Nachhaltig +
Nie_Nachhaltig )

Demzufolge müssten 3 coeffizienten raus kommen oder es wurde
nur als eine variable modelliert die im Intervall (1,3) liegt,
das wäre aber äußerst fragwürdig.
In dem Fall kommt es darauf an was 3 wäre…

Also ich habe, wie Du vorgeschlagen hast, eine binäre logistische Regression durchgeführt (Kein Holz/Holz)abhängig von Umweltverhalten (1 Sehr - 4 Keine Ahnung)als unabhängige Variable.

Wie ist es bei der multinominalen REgression, wenn hier nur
für ein Item der abhängigen Variable für nur ein Item der
unabhängigen Variable ein signifikanter Wert angegeben wird
(0,011 bei Wald 6,539)?

mhh schwer so zu sagen… aber ich würde die multinomiale in
diesem Fall soweiso nicht machen, da es ein bisschen schwer zu
interpretieren ist, meiner Meinung nach.

#22

Das kommt auf die Regressionskoeffizienten an, also im
Endeffekt ob die positiv oder negativ sind (bzw. größer oder
kleiner als 1, je nachdem was einem angezeigt wird),

-2,056, d.h. das ist gegenläufig?

Müssten da nicht mehrere stehen (ich selbst benutze R und
nicht SPSS)? Da es eine Kategorical Variable ist mit 3
Faktoren. Ich bin mir jetzt nicht sicher was SPSS da gemacht
hat…
Eigentlich sollte das Model so aussehen (wenn man ‚keine
Ahnung‘ als Referenz betrachtet)

Y ~ Bernoulli( 1 + Immer_Nachhaltig + Manchmal_Nachhaltig +
Nie_Nachhaltig )

Demzufolge müssten 3 coeffizienten raus kommen oder es wurde
nur als eine variable modelliert die im Intervall (1,3) liegt,
das wäre aber äußerst fragwürdig.
In dem Fall kommt es darauf an was 3 wäre…

Also ich habe, wie Du vorgeschlagen hast, eine binäre
logistische Regression durchgeführt (Kein Holz/Holz)abhängig
von Umweltverhalten (1 Sehr - 4 Keine Ahnung)als unabhängige
Variable.

Du kannst nicht das Umweltverhalten als eine Variable behandeln. Denn jetzt wird quasi ‚sehr Umweltbewusstes Handeln‘ als 1/4 mal so schwach wie „keine Ahnung“ modelliert, was irgendwie kein Sinn macht…
Du musst es als 3 Binäre Variablen modellieren, Sehr (JA/Nein), Manchmal (ja/nein), Schlecht (Ja/nein) und default ist (also geht mit in den intercept) ‚keine Ahnung‘.
Dann solltest du den Intercept raus bekommen sowie 3 Regressionscoeffizienten, die dir jeweils sagen ob dies einen sig. Einfluss hat oder nicht und in welche Richtung. Eine logisitc Regression ist hier schon richtig.

#23

Das kommt auf die Regressionskoeffizienten an, also im
Endeffekt ob die positiv oder negativ sind (bzw. größer oder
kleiner als 1, je nachdem was einem angezeigt wird),

-2,056, d.h. das ist gegenläufig?

Müssten da nicht mehrere stehen (ich selbst benutze R und
nicht SPSS)? Da es eine Kategorical Variable ist mit 3
Faktoren. Ich bin mir jetzt nicht sicher was SPSS da gemacht
hat…
Eigentlich sollte das Model so aussehen (wenn man ‚keine
Ahnung‘ als Referenz betrachtet)

Y ~ Bernoulli( 1 + Immer_Nachhaltig + Manchmal_Nachhaltig +
Nie_Nachhaltig )

Demzufolge müssten 3 coeffizienten raus kommen oder es wurde
nur als eine variable modelliert die im Intervall (1,3) liegt,
das wäre aber äußerst fragwürdig.
In dem Fall kommt es darauf an was 3 wäre…

OH, SORRY, ich hatte vergessen, UMWELT als KATEGORIALE KOVARIATE einzugeben. Ja, jetzt sind drei Koeffizienten dort.

Umweltverhalten 2 haz den höchsten Koeffizienten 3,178, hier liegt jetzt die einzige Signifikanz vor. Kann ich das Modell dann nutzen?

Wie ist es bei der multinominalen REgression, wenn hier nur
für ein Item der abhängigen Variable für nur ein Item der
unabhängigen Variable ein signifikanter Wert angegeben wird
(0,011 bei Wald 6,539)?

mhh schwer so zu sagen… aber ich würde die multinomiale in
diesem Fall soweiso nicht machen, da es ein bisschen schwer zu
interpretieren ist, meiner Meinung nach.

#24

OH, SORRY, ich hatte vergessen, UMWELT als KATEGORIALE
KOVARIATE einzugeben. Ja, jetzt sind drei Koeffizienten dort.

Umweltverhalten 2 haz den höchsten Koeffizienten 3,178, hier
liegt jetzt die einzige Signifikanz vor. Kann ich das Modell
dann nutzen?

Ob das Model „Nutzbar“ ist kommt eher darauf an wie gut es im allgemeinen eine Voraussage treffen kann (also ob der fit besser ist im Vergleich zum Null Model, also ein das z.B. nur einen Intercept hat).
Umweltverhalten 2 ist „manchmal“ oder was? (wäre natürlich ein bisschen seltsames Ergebnis)
Wie oft wurde dann relative gesehen manchmal, sehr, schlecht etc… angekreuzt?

#25

OH, SORRY, ich hatte vergessen, UMWELT als KATEGORIALE
KOVARIATE einzugeben. Ja, jetzt sind drei Koeffizienten dort.

Umweltverhalten 2 haz den höchsten Koeffizienten 3,178, hier
liegt jetzt die einzige Signifikanz vor. Kann ich das Modell
dann nutzen?

Ob das Model „Nutzbar“ ist kommt eher darauf an wie gut es im
allgemeinen eine Voraussage treffen kann (also ob der fit
besser ist im Vergleich zum Null Model, also ein das z.B. nur
einen Intercept hat).

Meinst Du mit Intercept eine Kategorie?

Umweltverhalten 2 ist „manchmal“ oder was? (wäre natürlich ein
bisschen seltsames Ergebnis)

denke ich mir auch

Wie oft wurde dann relative gesehen manchmal, sehr, schlecht
etc… angekreuzt?

sehr mit 67%, manchmal mit 13% und nie und weiss nicht mit je 10%

#26

Das kommt auf die Regressionskoeffizienten an, also im
Endeffekt ob die positiv oder negativ sind (bzw. größer oder
kleiner als 1, je nachdem was einem angezeigt wird),

-2,056, d.h. das ist gegenläufig?

Müssten da nicht mehrere stehen (ich selbst benutze R und
nicht SPSS)? Da es eine Kategorical Variable ist mit 3
Faktoren. Ich bin mir jetzt nicht sicher was SPSS da gemacht
hat…
Eigentlich sollte das Model so aussehen (wenn man ‚keine
Ahnung‘ als Referenz betrachtet)

Y ~ Bernoulli( 1 + Immer_Nachhaltig + Manchmal_Nachhaltig +
Nie_Nachhaltig )

Demzufolge müssten 3 coeffizienten raus kommen oder es wurde
nur als eine variable modelliert die im Intervall (1,3) liegt,
das wäre aber äußerst fragwürdig.
In dem Fall kommt es darauf an was 3 wäre…

Also ich habe, wie Du vorgeschlagen hast, eine binäre
logistische Regression durchgeführt (Kein Holz/Holz)abhängig
von Umweltverhalten (1 Sehr - 4 Keine Ahnung)als unabhängige
Variable.

Du kannst nicht das Umweltverhalten als eine Variable
behandeln. Denn jetzt wird quasi ‚sehr Umweltbewusstes
Handeln‘ als 1/4 mal so schwach wie „keine Ahnung“ modelliert,
was irgendwie kein Sinn macht…
Du musst es als 3 Binäre Variablen modellieren, Sehr
(JA/Nein), Manchmal (ja/nein), Schlecht (Ja/nein) und default
ist (also geht mit in den intercept) ‚keine Ahnung‘.

wie soll ich das genau machen, ich habe bei den Familien, die keien Ahnung haben die 4 vergeben. ODer muss ich in diese Zellen 999 eintragen?

Dann solltest du den Intercept raus bekommen sowie 3
Regressionscoeffizienten, die dir jeweils sagen ob dies einen
sig. Einfluss hat oder nicht und in welche Richtung. Eine
logisitc Regression ist hier schon richtig.

#27

OH, SORRY, ich hatte vergessen, UMWELT als KATEGORIALE
KOVARIATE einzugeben. Ja, jetzt sind drei Koeffizienten dort.

Umweltverhalten 2 haz den höchsten Koeffizienten 3,178, hier
liegt jetzt die einzige Signifikanz vor. Kann ich das Modell
dann nutzen?

Ob das Model „Nutzbar“ ist kommt eher darauf an wie gut es im
allgemeinen eine Voraussage treffen kann (also ob der fit
besser ist im Vergleich zum Null Model, also ein das z.B. nur
einen Intercept hat).

Meinst Du mit Intercept eine Kategorie?

Der Intercept ist eine Variable die normalerweise standardmäßig in eine Regression eingeführt wird und eine Art Mittelwert darstellt.

Umweltverhalten 2 ist „manchmal“ oder was? (wäre natürlich ein
bisschen seltsames Ergebnis)

denke ich mir auch

Wie oft wurde dann relative gesehen manchmal, sehr, schlecht
etc… angekreuzt?

sehr mit 67%, manchmal mit 13% und nie und weiss nicht mit je
10%

Da siehst du das Problem, wie schon gesagt, du leidest extrem an einer Tendenz zur Mitte, die durch ein nicht optimales Design deiner Fragen zustande kam.
Dh, mit diesen Daten kannst du nicht viel Anfangen…

1 Like
#28

Finde ich Klasse, wie Du Dich für andere einsetzt!!!
Vielen Dank dafür!

Könnte ich Dir den mal die SPSS Ausgabe zeigen, daß wir das an dem Beispiel durchgehen, worauf ich achten muss? Ich bin zwar knapp bei Kasse, aber ich würde dafür auch bezahlen! Es ist wichtig, daß ich saubere Ergebnisse habe!

Gruß Klaus

#29

Finde ich Klasse, wie Du Dich für andere einsetzt!!!
Vielen Dank dafür!

Könnte ich Dir den mal die SPSS Ausgabe zeigen, daß wir das an
dem Beispiel durchgehen, worauf ich achten muss?

klar, aber du brauchst mir dafür nix zahlen, dafür sind diese Foren doch da

#30

Vielen Dank, soll ich direkt an Deine email senden?

#31

Wie kann ich Dir denn die Bilder übermitteln?

#32

Hi,

nein, das ist nominal, - in diesem Fall kannman zwar eine Ordnung anlegen, die jedem verständlich ist (zumindest zwischen den ersten drei), aber der „Abstand“ zwischen ihnen ist nicht eindeutig.
Du kannst ihnen also zwar Werte wie etwa 0,1,2 und 3 zuordnen und damit eine ordinalität erzeugen, aber dennoch ist dann fraglich ob 2=machnal genauso weit entfernt wahrgenommen wird von 1=immer wie von 3=Nie.
Von daher würde ich erstmal auf nominale Auswertungen zurückgreifen

Grüße,
JPL

#33

Danke, JPL. Wenn die Varibale als erklärende Variable in einer ordinalen Regression dient, wird sie automatisch in SPSS Dummy-kodiert und als nominal behandelt?

Wenn ich jetzt nur die Haushalte untersuchen möchte, die immer ein gutes Umweltverhalten an den Tag legen, darf ich doch Dichotomisieren 1=gut 0=übrige ?

#34

schieß los!

www.MaSta-Support.de

#35

Hi,

Wenn die Varibale als erklärende Variable in einer
ordinalen Regression dient, wird sie automatisch in SPSS
Dummy-kodiert und als nominal behandelt?

Ach so, das ist was anderes, ob sie als erklärende oder zielvariable verwendet wird. Als erklärende Variable kann sie ruhig nominal sein, als zielvariable in einer ordinalen REgression muss sie numerisch sein und eine ordnung haben

Wenn ich jetzt nur die Haushalte untersuchen möchte, die immer
ein gutes Umweltverhalten an den Tag legen, darf ich doch
Dichotomisieren 1=gut 0=übrige ?

Ja, kannst du machen, aber du müsstest eigentlich nicht umkodieren, da Umweltbewusstsein die erklärende Variable ist.
Vorsicht beim dichotomisieren ist dann geboten wenn du gut/übrige aus einer metrischen Variable ableitest, dann verlierst du nämlich power.
Wenn das aber aus einer anderen nominalen Variable abgeleitet wird, ist das okay. Dann musst du nur begründen können, warum diese Zusammenfassung einen Sinn ergibt.

Grüße,
JPL

#36

Hi,

Danke JPL!

Wenn die Varibale als erklärende Variable in einer
ordinalen Regression dient, wird sie automatisch in SPSS
Dummy-kodiert und als nominal behandelt?

Ach so, das ist was anderes, ob sie als erklärende oder
zielvariable verwendet wird. Als erklärende Variable kann sie
ruhig nominal sein, als zielvariable in einer ordinalen
REgression muss sie numerisch sein und eine ordnung haben

Wenn ich jetzt nur die Haushalte untersuchen möchte, die immer
ein gutes Umweltverhalten an den Tag legen, darf ich doch
Dichotomisieren 1=gut 0=übrige ?

Ja, kannst du machen, aber du müsstest eigentlich nicht
umkodieren, da Umweltbewusstsein die erklärende Variable ist.

Bei anderen Untersuchungen soll es die Zielvariable sein. Es ist sehr wichtig, die 4er Kategorie „Weiß nicht“ nicht auszuschließen.

Vorsicht beim dichotomisieren ist dann geboten wenn du
gut/übrige aus einer metrischen Variable ableitest, dann
verlierst du nämlich power.

ok, werde ich berücksichtigen.

Wenn das aber aus einer anderen nominalen Variable abgeleitet
wird, ist das okay. Dann musst du nur begründen können, warum
diese Zusammenfassung einen Sinn ergibt.

Ich will es mit einer besseren Trennschärfe machen, ich habe festgestellt, daß für die Fragestellung diese vielen Abstufungen (sehr viel, viel, mittel, wenig, sehr wenig) ins Chaos führen :smile:

Grüße,
JPL

LG, Klaus

#37

Ich verstehe die (vorhandene?) Frage nicht!
Gruss

Richtige Anordnung der Kategorien für die ordinale Regression.
Wer kann kurz helfen?