Professional Documents
Culture Documents
9
Allgemeines lineares Modell
Die Mittelwerte einer metrischen abhngigen Variable werden als Funktion einer oder
mehrerer kategorialer unabhngiger Variablen analysiert
Eine metrische abhngige Variable wird als Funktion einer oder mehrerer metrischer
unabhngiger Variablen analysiert
Sowohl in der ANOVA als auch in der Regressionsanalyse geht es um die Modellierung
einer abhngigen Variable als Funktion einer oder mehrerer unabhngiger Variablen
Der Erwartungswert der abhngigen Variable (Kriterium) wird als lineare Funktion der
Ausprgungen der unabhngigen Variablen (Prdiktoren) modelliert
Eine kategoriale Variable mit J Kategorien kann als Menge von J-1 metrischen binren
Variablen (Indikatoren) aufgefasst werden
Mathematische quivalenzen
ANOVA
Regressionsanalyse
yij = + j + ij
J
SS treat = n ( y j y )
j
2
MStreat = streat
=
MS err =
SS reg
SS y
SS treat
SS res = ( yi y i ) 2 ; (1 R 2 ) =
i
df treat ( = J 1)
SS res
SS y
SS reg
SS err
Fp ; N p 1 =
df err ( = N J )
FJ 1; N J =
SS reg = ( y i y ) 2 ; R 2 =
MStreat SStreat ( N J )
=
MS error
SS err ( J 1)
SS reg ( N p 1)
p
=
SS res
SS res p
N p 1
R 2 ( N p 1)
(1 R 2 ) p
n: Beobachtungen pro Bedingung; N: Gre der Gesamtstichprobe; J: Anzahl Bedingungen; p: Anzahl Prdiktoren
Hans-Rdiger Pfister, Gerd Meier
Die Designmatrix
Codierung kategorialer Variablen als binre Indikatoren:
Eine Beobachtung (Person) kann hinsichtlich einer Kategorie j einer kategorialen Variable (eines
Faktors) codiert werden als:
1 = gehrt zu dieser Kategorie, oder
0 = gehrt nicht zu dieser Kategorie
Der Ordinatenabschnitt (Intercept, Grand Mean ) wird fr alle Beobachtungen mit 1 codiert.
Kriterium
Intercept
B1
B2
5
6
.
.
7
8
.
.
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
0
0
0
1
0
0
1
1
0
0
0
Eine kategoriale Variable mit J Kategorien kann durch J-1 Indikatorvariablen kodiert werden; dadurch
wird eindeutig die Gruppenzugehrigkeit angegeben (eine Kategorie ist immer redundant, vgl.
Freiheitsgrade).
Die Matrix der so codierten Indikatorvariablen nennt man Designmatrix.
Kodierungsarten fr Indikatorvariablen
Response: y
8 1
9 1
x1
3 45.667
15.222
7 1
Residuals
8 27.333
3.417
5 2
7 2
3 2
3 3
4 3
1 3
6 4
4 4
9 4
Pr(>F)
4.4553 0.04045 *
0.8333
Beispiel 1 ...
(b) Regression (Effekt(Effekt-Codierung):
Coefficients:
Estimate Std. Error t value
(Intercept)
Pr(>|t|)
10
-1
-1
-1
5.5000
0.5336
x11
2.5000
0.9242
2.705
0.0269 *
11
-1
-1
-1
x12
-0.5000
0.9242
-0.541
0.6032
12
-1
-1
-1
x13
-2.8333
0.9242
-3.066
0.0154 *
--Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
p-value: 0.04045
Beispiel 1 ...
(b) Regression (Dummy(Dummy-Codierung):
> summary(lm(y ~ x1))
Coefficients:
Estimate Std. Error t value
(Intercept)
x12
8.000
-3.000
1.067
Pr(>|t|)
1.509
-1.988
0.08206 .
x13
-5.333
1.509
-3.534
0.00769 **
x14
-1.667
1.509
-1.104
0.30156
10
11
12
--Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
p-value: 0.04045
B(4)
A(2)
5
7
9
8
2
5
7
3
8
11
12
14
11
15
16
10
7
9
10
9
3
8
9
11
9
12
14
8
11
14
10
12
Abhngige Variable: y
15
Gesamt
BLEVELS
1,
1,
2,
3,
4,
2,
1,00
7,2500
1,70783
2,00
4,2500
2,21736
3,00
11,2500
2,50000
4,00
13,0000
2,94392
Gesamt
8,9375
4,12260
16
1,00
8,7500
1,25831
2,00
7,7500
3,40343
3,00
10,7500
2,75379
4,00
11,7500
1,70783
Gesamt
9,7500
2,72029
16
1,00
8,0000
1,60357
2,00
6,0000
3,25137
3,00
11,0000
2,44949
4,00
12,3750
2,32609
9,3438
3,46046
32
1,00
2,00
Standardab
weichung
blevels
20
10
Mittelwert
alevels
Gesamt
ALEVELS
Hans-Rdiger Pfister, Gerd Meier
Beispiel 2 ...
Abhngige Variable: y
Quelle
Quadratsum
me vom Typ III
Korrigiertes Modell
231,969
Mittel der
Quadrate
df
Signifikanz
Partielles
Eta-Quadrat
33,138
5,711
,001
,625
2793,781
2793,781
481,513
,000
,953
alevels
5,281
5,281
,910
,350
,037
blevels
199,344
66,448
11,452
,000
,589
27,344
9,115
1,571
,222
,164
139,250
24
5,802
3165,000
32
371,219
31
Mittelwert
Haupteffekte
Konstanter Term
alevels * blevels
Fehler
Gesamt
Korrigierte
Gesamtvariation
Mittelwert
Haupteffekte
5
7
9
8
7,25
7
9
10
9
8,75
8
-1,34375
2
5
7
3
4,25
3
8
9
11
7,75
6
-3,34375
8
11
12
14
11,25
9
12
14
8
10,75
11
1,65625
11
15
16
10
13
11
14
10
12
11,75
12,375
3,03125
Interaktion
-0,34375
-1,34375
0,65625
1,03125
8,9375
-0,40625
9,75
9,34375
0,40625
Beispiel 2 ...
5
7
9
8
2
5
7
3
8
11
12
14
11
15
16
10
7
9
10
9
3
8
9
11
9
12
14
8
11
14
10
12
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
0
0
0
0
0
0
0
0
-1
-1
-1
-1
0
0
0
0
1
1
1
1
0
0
0
0
-1
-1
-1
-1
0
0
0
0
1
1
1
1
0
0
0
0
-1
-1
-1
-1
0
0
0
0
0
0
0
0
1
1
1
1
-1
-1
-1
-1
0
0
0
0
0
0
0
0
1
1
1
1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
0
0
0
0
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
1
1
1
1
0
0
0
0
-1
-1
-1
-1
0
0
0
0
-1
-1
-1
-1
0
0
0
0
1
1
1
1
Y = Xb
0
0
0
0
0
0
0
0
1
1
1
1
-1
-1
-1
-1
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
A1
B1
B2
B3
AB11
AB12
AB13
Beispiel 2 ...
Modellzusammenfassung
Modell
R-Quadrat
,790a
Standardf
ehler des
Schtzers
Korrigiertes
R-Quadrat
,625
,515
2,40875
ANOVAb
Quadrat
summe
Modell
1
Mittel der
Quadrate
df
Regression
231,969
33,138
Residuen
139,250
24
5,802
Gesamt
371,219
31
Signifikanz
5,711
,001a
Beispiel 2 ...
Koeffizientena
Nicht
standardisierte
Koeffizienten
Modell
1
Standardisie
rte
Koeffizienten
Standar
dfehler
B
(Konstante)
9,344
,426
A1
-,406
,426
B1
-1,344
B2
Beta
Signifikanz
21,943
,000
-,119
-,954
,350
,738
-,279
-1,822
,081
-3,344
,738
-,694
-4,534
,000
B3
1,656
,738
,344
2,246
,034
AB11
-,344
,738
-,071
-,466
,645
AB12
-1,344
,738
-,279
-1,822
,081
AB13
,656
,738
,136
,890
,382
a. Abhngige Variable: Y
Ein Model mit r Prdiktoren (r < f), die eine echte Teilmenge des vollen Modells bilden,
heit reduziertes Modell (reduced model)
Mit Hilfe eines allgemeinen F-Tests wird berprft, ob die Aufnahme zustzlicher
Prdiktoren (full model: f-r zustzliche Prdiktoren) R2 signifikant erhhrt (R2):
F f r ; N f 1 =
2
( N f 1)( R 2full Rreduced
)
( f r )(1 R
2
full
=
= Faktor B mit 3 df
= Interaktion mit 1*3 = 3 df
Faktor A n.s.
Modellzusammenfassung
nderungsstatistiken
Modell
R-Quadrat
Korrigiertes
R-Quadrat
Standardf
ehler des
Schtzers
nderung in
R-Quadrat
nderung in F
df1
df2
nderung in
Signifikanz
von F
,119a
,014
-,019
3,49255
,014
,433
30
,516
,742b
,551
,485
2,48398
,537
10,769
27
,000
,790c
,625
,515
2,40875
,074
1,571
24
,222
a. Einfluvariablen : (Konstante), A1
b. Einfluvariablen : (Konstante), A1, B3, B2, B1
Faktor B sig.
Interaktion n.s.
Hans-Rdiger Pfister, Gerd Meier