Multivariate Analyse

Siehe auch: Forschungsmethoden

Unsere Seiten Einfache statistische Analyse , Hypothesen entwickeln und testen und Signifikanz- und Konfidenzintervalle Erklären Sie einige der einfacheren Techniken für die statistische Analyse. Auf dieser Seite werden einige der fortgeschritteneren Techniken erläutert, die mehrere Variablen und nicht nur eine oder zwei umfassen.

Im realen Leben werden Sie im Gegensatz zur Laborforschung wahrscheinlich feststellen, dass Ihre Daten von vielen anderen Dingen als der Variablen beeinflusst werden, die Sie testen möchten. Es gibt Korrelationen zwischen Elementen, die Sie nie in Betracht gezogen haben, und die Welt ist komplex.

Der Zweck der erweiterten statistischen Analyse besteht darin, einige der Beziehungen zu vereinfachen und gleichzeitig ein effektiveres Modell für das zu erstellen, was Sie sehen.




Es gibt vier Möglichkeiten, die Analyse zu vereinfachen

  • Design
  • Unterproben verwenden
  • Verwenden statistischer Kontrollen
  • Multivariate Analyse

1. Design



Sie können Ihre Forschung so gestalten, dass kausale Faktoren unabhängig voneinander gemacht werden. Wenn Sie beispielsweise der Meinung sind, dass möglicherweise ein Zusammenhang zwischen Alter und Gehalt besteht, besteht bei einer zufälligen Stichprobe von Mitarbeitern die Gefahr, dass die Auswirkungen beider kombiniert werden. Wenn Sie jedoch die Bevölkerung nach Alter in Gruppen einteilen und dann zufällig gleiche Zahlen aus jeder Gruppe auswählen, haben Sie Alter und Gehalt unabhängig gemacht.

2. Unterproben verwenden

Hier wählen Sie Ihre Stichprobe so aus, dass sie hinsichtlich potenziell verwirrender Faktoren gleich ist. Beispielsweise kann sich die Art des Jobs auf die Bezahlung auswirken. Wenn Sie also die Auswirkungen eines anderen Faktors auf die Bezahlung untersuchen möchten, können Sie nur Personen auswählen, die denselben Job ausführen.

3. Verwenden statistischer Kontrollen

Wenn Sie den Verdacht haben, dass drei Variablen verknüpft sind, können Sie dies tun Steuerung für einen, um auf Korrelationen zwischen den beiden anderen zu testen. Tatsächlich passen Sie den statistischen Wert des Steuerelements so an, dass er konstant ist, und testen, ob zwischen den beiden anderen Variablen noch eine Beziehung besteht. Möglicherweise stellen Sie fest, dass die beobachtete Beziehung hoch bleibt (sie ist real) oder sich erheblich verringert (es gibt wahrscheinlich keine reale Beziehung). Es gibt einen dritten Fall: Wenn keine Beziehung besteht, bis Sie die dritte Variable steuern, bedeutet dies, dass die Steuervariable die Beziehung zwischen den beiden anderen maskiert.

4. Multivariate Analyse

Die multivariate Analyse umfasst viele statistische Methoden, mit denen Sie mehrere Variablen einbeziehen und deren Beitrag untersuchen können.

Die Faktoren, die Sie in Ihre multivariate Analyse einbeziehen, hängen weiterhin davon ab, was Sie untersuchen möchten. Einige Studien werden den Beitrag bestimmter Faktoren untersuchen wollen, und andere Studien, um diese Faktoren als (mehr oder weniger) störend zu kontrollieren.

Zwei Arten von Variablen

Bei der multivariaten Analyse muss zunächst die Rolle der Variablen entschieden werden.



Es gibt zwei Möglichkeiten:

wie wir unsere Kommunikationsfähigkeiten verbessern können
  • Die Variable Ursachen ein Effekt: Prädiktorvariable
  • Die Variable ist betroffen :: abhängige Variable

Dies ist eine Funktion Ihres Modells, nicht der Variablen selbst, und dieselbe Variable kann sich entweder in verschiedenen Studien befinden.

Die Beziehungen zwischen Variablen werden normalerweise durch ein Bild mit Pfeilen dargestellt:

Diagramm zur Darstellung der Beziehung zwischen Variablen.

Sie können Variablen auch direkt beobachten oder aus dem Geschehen ableiten. Diese sind bekannt als latente Variablen .

Ein Teil des effektiven Zuhörens besteht darin, angemessen auf das Gehörte zu reagieren.



Beispiel: Erfolg in der Schule


Es ist schwer zu messen Erfolg in der Schule ': es ist ein latente Variable .

Sie könnten das entscheiden ' Erfolg in der Schule 'besteht aus akademischem Erfolg zusammen mit einem gewissen Maß an sozialem Erfolg (vielleicht durchschnittliche Dauer von Freundschaften oder Größe der' Freundschaftsgruppe ') plus einer Anstrengung (die Sie als Wahrnehmung von Schülern oder Lehrern messen können). Dies sind Ihre beobachteten Variablen.

Das Messmodell untersucht die Beziehung zwischen den beobachteten und latenten Variablen.


Subjektive und objektive Variablen


Wann immer Sie recherchieren, sind wahrscheinlich verschiedene Arten von Daten beteiligt. Zum Beispiel gibt es hier sowohl objektive Daten (akademischer Erfolg, durchschnittliche Dauer der Freundschaft) als auch subjektive Daten (wahrgenommene Anstrengung). Die Art der Daten, die Sie auswählen, wirkt sich auf die Qualität Ihrer Forschung und auch auf die Schlussfolgerungen aus, die Sie ziehen können.

Mehr dazu auf unserer Seite unter Arten von Daten .

Die Idee hinter solchen Modellen ist, dass es gibt Korrelationen zwischen den beobachteten und latenten Variablen (um mehr zu verstehen, können Sie unsere Seite weiterlesen Korrelationen ).

Es wird angenommen, dass diese Korrelationen durch verursacht werden übliche Faktoren . Je größer der Einfluss der gemeinsamen Faktoren ist (die Faktor laden ), je höher die Korrelationen zwischen den latenten und beobachteten Variablen sind. Sie müssen diese Korrelationen daher messen, um die Zuverlässigkeit zu bewerten. Dies können Sie auf verschiedene Arten tun. Eine der häufigsten ist die Verwendung eines Konstrukts namens Cronbachs Alpha (welche die meisten statistischen Softwarepakete für Sie berechnen). Hiermit wird bewertet, ob Ihre beobachtete Variable tatsächlich die interessierende latente Variable misst, dh ob die beobachtete Variable ein zuverlässiger Test für die latente Variable ist. Ein Wert von 0,70 oder mehr verleiht dem Modell ein gutes Maß an Zuverlässigkeit.



Cronbachs Alpha wird verwendet, um die Korrelationen zwischen Variablen zu messen. Ein Wert von 0,70 oder mehr verleiht dem Modell ein gutes Maß an Zuverlässigkeit.


Analysieren von Messmodellen in der multivariablen Analyse

Für solche Messmodelle gibt es verschiedene Analysemethoden. Sie beinhalten Bestätigungsfaktoranalyse und Erforschungsfaktoranalyse und werden normalerweise vom Computer ausgeführt.

Die Details zur Ausführung der einzelnen Elemente gehen über den Rahmen dieser Seite hinaus. Die Grundidee besteht jedoch darin, zu messen, wie stark die Abweichungen im Gesamtkonstrukt durch die einzelnen Faktoren verursacht werden.

Kausale Modelle

Kausalmodelle untersuchen die Art und Weise, in der Variablen zueinander in Beziehung stehen. Während es nicht möglich ist, die Kausalität zweifelsfrei nachzuweisen, können Sie anhand von Kausalmodellen sagen, ob und wie gut die vorgeschlagene Beziehung zu den Daten passt.

Die Stärke oder Schwäche eines Kausalmodells ist die Auswahl der Variablen. Wenn Sie einen wichtigen kausalen Faktor verpassen, sind Ihre Schlussfolgerungen entweder begrenzt oder falsch. Es lohnt sich daher, sich Zeit zu nehmen, um Ihr Modell so sorgfältig wie möglich zu definieren.

Es muss ein Gleichgewicht zwischen Einfachheit und der Einbeziehung weiterer Variablen hergestellt werden, um eine bessere Anpassung zu erzielen. Offensichtlich möchten Sie eine wichtige kausale Variable nicht verpassen, und wenn Sie mehr Variablen einbeziehen, erhalten Sie immer eine bessere Anpassung. Sie müssen jedoch überlegen, ob sich die zusätzliche Komplexität für den Qualitätsgewinn des Modells lohnt.


Geeignete Analysemethoden für Kausalmodelle sind in der Regel sogenannte verallgemeinerte lineare Modelle, einschließlich logistische Regressionsanalyse , multiple Regressionsanalyse , multivariate Analyse der Kovarianz (MANCOVA) und multivariate Varianzanalyse (MANOVA) .

wie man einen Brief an jemanden schreibt, den man nicht kennt

Alle diese Methoden geben Ihnen ein Maß dafür, wie stark die Variation der abhängigen Variablen durch die Prädiktoren verursacht wird und ob Ihr Modell also gut ist.

Auch hier gibt es Computerpakete, die diese Analysen für Sie durchführen können. Stellen Sie jedoch sicher, dass Sie verstehen, was Sie tun, und die Ergebnisse korrekt interpretieren.

Modellierung von Strukturgleichungen bringt Messmodelle und Kausalmodelle zusammen. Es ist eine Computermodellierungstechnik, die eine Strukturgleichung an das Modell anpasst. Diese Technik ist kompliziert, vergleicht jedoch im Wesentlichen mögliche Modelle und identifiziert das Modell, das am besten zu den Daten passt.

Ein komplexer Bereich

Die Welt ist ein komplexer Ort, und manchmal besteht die einzige Möglichkeit zu verstehen, was vor sich geht, darin, fortschrittliche statistische Techniken für die Modellierung zu verwenden.

Aber auch diese sind komplex und Sie sollten sie nicht in Angriff nehmen, ohne die Grundlagen zu verstehen. Wenn Sie dies nicht tun, ist es eine gute Idee, jemanden zu konsultieren, der dies tut, normalerweise einen Statistiker. Selbst wenn Sie die Technik bereits angewendet haben, ist es immer noch eine gute Idee, einen Statistiker zu beauftragen, sich Ihre geplanten Aktivitäten anzusehen und anschließend Ihre Ergebnisse zu überprüfen, falls offensichtliche Fehler auftreten.

Eine schlechte Analyse wird eine gute Forschung sehr schnell untergraben.

Weiter:
Probenahme und Probengestaltung
Korrelationen verstehen