Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Statistik-Tutorat SS 2009 Christina Dienstags, 14-16 Uhr SR B 12.05.2009.

Ähnliche Präsentationen


Präsentation zum Thema: "Statistik-Tutorat SS 2009 Christina Dienstags, 14-16 Uhr SR B 12.05.2009."—  Präsentation transkript:

1 Statistik-Tutorat SS 2009 Christina Dienstags, Uhr SR B

2 Multiple Korrelation Die Multiple Korrelation befasst sich mit dem Zusammenhang mehrere Variablen untereinander. Sie ist die Vorraussetzung für die ………………………... Inhalt: Partialkorrelation Semipartialkorrelation Multiple Korrelation Inkrementelle Validität Beispiele für multiple Korrelationen Multiple Korrelation - 2

3 Wdh.: Aufgeklärte Varianz Multiple Korrelation - 3 Varianz von XVarianz von Y Gemeinsame Varianz Venn – Diagramm: Die gemeinsame oder aufgeklärte Varianz entspricht r². nicht-erklärbare Varianz Aufgeklärte Varianz r²1-r²

4 Aufgaben 1) Erarbeitet die Unterschiede der Partial- und der Semipartialkorrelation 2) Was ist inkrementelle Validität? 3) Besitzt z i.V.? 4) Wie kann man den Suppressoreffekt belegen? xy z x1.7.3 y1 z1

5 Multiple Korrelation - 5 y x z y.z x.z Partialkorrelation r xy.z

6 Multiple Korrelation - 6 Definition: Die Partialkorrelation r xy.z beschreibt den linearen Zusammenhang von zwei Variablen, … y.z x.z Partialkorrelation r xy.z … aus dem der Einfluss einer dritten Variable eliminiert wurde. Korrelation der Variablen x und y, nachdem eine Variable z aus x und y herauspartialisiert wurde

7 Multiple Korrelation - 7 Definition: -Semipartialkorrelation ist die Korrelation der Variablen x mit y, nachdem z nur aus y herauspartialisiert wurde. Semipartialkorrelation r x(y.z) x y.z

8 Multiple Korrelation - 8 y x z x y.z Die quadrierte Semipartialkorrelation r² x(y.z) ist der Anteil der Varianz von x, den die Variable y zusätzlich zu z erklärt. Semipartialkorrelation r x(y.z)

9 Multiple Korrelation - 9 Zusammenfassung Partialkorrelation r xy.z Herauspartialisieren eines dritten Merkmals aus beiden Variablen Semipartialkorrelation r x(y.z) Herauspartialisieren eines dritten Merkmals aus nur einer Variable y.z x.z x y.z

10 Multiple Korrelation - 10 Definition: Der Multiple Korrelationskoeffizient (R) erfasst den Zusammenhang zwischen mehreren Prädiktorvariablen und einem Kriterium. (Dies entspricht der Korrelation zwischen einem durch mehrere Prädiktoren vorhergesagtem Kriterium und dem tatsächlichem Kriteriumswert.) Für zwei Prädiktoren gilt: Multiple Korrelation R y.xz

11 Multiple Korrelation - 11 r yx = r xy (Einfache Korrelation) R y.xz (multiple Korrelation) y x z y x z Multiple Korrelation R y.xz

12 Multiple Korrelation - 12 R vereinigter Zusammenhang aller Prädiktoren mit Kriterium R² Anteil der durch alle Prädiktoren aufgeklärten Varianz = Maß für die Effektstärke bei der multiplen Regression Multiple Korrelation R y.xz

13 Multiple Korrelation - 13 y x y x z z y x z =+ y Multiple Korrelation R y.xz

14 Multiple Korrelation - 14 y y x x zz … … y x y x z z y x z =+ y Multiple Korrelation: Mehrere Prädiktoren

15 Multiple Korrelation - 15 Inkrementelle Validität Definition: Eine Variable besitzt inkrementelle Validität, wenn ihre Aufnahme als zusätzlicher Prädiktor den Anteil der aufgeklärten Varianz (R²) am Kriterium erhöht. (=die Vorhersage verbessert) y x z Beleg: - Vergleich der Korrelationen R²y.x1x2 (Berechnung der Multiplen Korrelation) und r²yx1 (Tabelle)

16 Inkrementelle Validität Wenn gilt: R²y.x1x2 > r²yx1

17 Multiple Korrelation - 17 Spezialfälle für multiple Korrelationen Nullkorrelation Ein Prädiktor korreliert Inkrementelle Validität Keine inkrementelle Validität Suppressor-Effekt

18 Multiple Korrelation - 18 x1y x2 Beispiel: Nullkorrelation YX1X2 Y X X21.0 R = 0 R² = 0 Kein geeigneter Prädiktor Keine inkrementelle Validität

19 Multiple Korrelation - 19 Beispiel: Ein Prädiktor YX1X2 Y X X21.0 X1 korreliert mit y; X2 korreliert nicht mit y; Besitzt X2 inkrementelle Validität? Die gemeinsame Vorhersage ist genauso gut, wie die Vorhersage durch X1 alleine X2 besitzt keine inkrementelle Validität. x2 x1 y

20 Multiple Korrelation - 20 Beispiel: Supressor-Effekt y x1 x2 Beim Suppressor-Effekt gilt: Ein Prädiktor korreliert nicht mit Kriterium Beide Prädiktoren korrelieren miteinander Vergleich der MK mit der einfachen rYX1 s. inkrementelle Validität

21 Multiple Korrelation - 21 y x1 x2 Suppressor-Effekt Erklärung: => x2 unterdrückt nicht relevante Varianz x => durch die Aufnahme von x2 wird Varianz von x1 an x2 gebunden, so dass das Verhältnis zwischen gemeinsamer Varianz von y und x1 zur ursprünglichen Varianz von x1 ansteigt

22 Multiple Korrelation: Zusammenfassung Partialkorrelation Herauspartialisieren eines dritten Merkmals aus allen Prädiktoren. Semipartialkorrelation Herauspartialisieren eines dritten Merkmals aus einem Prädiktor Multiple Korrelation Varianzaufklärung mit mehreren Prädiktoren Inkrementelle Validität: durch einen Prädiktor zusätzlich erklärte Varianz Suppressor-Effekt: Ein Prädiktor verbessert die multiple Korrelation ohne dass er mit dem Kriterium korreliert. Multiple Korrelation - 22

23 Gegeben seien die Korrelationen der in einem Fragebogen erhobenen Variablen x, y und z, wie unten dargestellt. Um welche Determinations-Koeffizienten handelt es sich jeweils bei den grau markierten Flächen?

24 Skizziere die Korrelationen zwischen den Variablen in Venn-Diagrammen (Kreisdiagrammen) ! 1) XYZ X10,830,67 Y0,831,23 Z0,67,231 xyz x1-0,61 -0,30 y-0,6110 z -0, )

25 Ordne die Tabellen den Venn-Diagrammen zu: a) b) c) xyz x100 y010 z001 xyz x10,80 y 10 z001 xyz x10,270 y 10 z


Herunterladen ppt "Statistik-Tutorat SS 2009 Christina Dienstags, 14-16 Uhr SR B 12.05.2009."

Ähnliche Präsentationen


Google-Anzeigen