SPSS-FORUM.DE

[asil1]

Danke für den Link. Meine uV korrelieren tatsächlich miteinander

Im Internet habe ich folgende Lösungen gefunden:

Variablen entfernen.
-> würde ich lieber nicht machen, da besonders Expertise und Vertrauenswürdigkeit, zwei wichtige Faktoren, korrelieren.

PLS-Regression

Alternative Regressionsverfahren. Besonders wenn Variablen untereinander hoch korrelieren, zeigen Verfahren wie Ridge-Regression, LASSO-Regression und Elastic Net Regression ihre Stärken.

-> von den anderen Varianten habe ich noch nie etwas gehört.

Hättest du eine Empfehlung, welches für mich die beste Lösung wäre?
Oder vielleicht doch einfach Variablen umcodieren in zwei Ausprägungen und eine Varianzanalyse rechenen? Ich kenne die Nachteile, aber das ist das einzige statistische Verfahren das mir noch etwas sagt.

Habe gerade etwas zu Visual Binning gelesen, das würde vielleicht für die Varianzanalyse sprechen:

"Since the collected data was measured through Likert scales (very basic ordinal data) and not as factors as ANCOVA is demanding, the most appropriate way to manage the data was to use Visual Binning based on the frequency in the data, see Appendix C. The majority of the respondents had answered equal to three (3) or below (neutral, disagree, or strongly disagree) and because of the unequal distribution the variables were divided with cut-off points. Since the outcome variable (purchase intention) is continuous, Visual Binning was not made on that variable. For the variable usefulness, quality, and similarities, one (1) cut-point was used, and for the rest of the factors, two (2) cut-points were used. This to make it more true to the distribution in the data."

[ponderstibbons]

Lösung wofür? Zu welchem Zweck? Ich sehe ein vollgültiges Ergebnis einer multiplen Regressionsanalyse.

Mit freundlichen Grüßen

PonderStibbons

[asil1]

Meine uV korrelieren stark miteinander -> Multikollinearität
Vorrausetzung für die Regressionanalyse ist doch: Keine Multikollinearität: Die unabhängigen Variablen korrelieren nicht zu stark miteinander

Expertise und Vertrauenswürdigkeit bei r= 7,28

Da sie bei mir aber korrelieren, brauche ich doch ein anderes Verfahren oder sehe ich das falsch?

Hier der SPSS-Outpit
https://ibb.co/sR1YqvC

[ponderstibbons]

Ob Multikollinearität vorliegt, weiß ich nicht. Sind Standardfehler der
Regressionskoeffzienten aufgebläht? Falls MK vorliegt, hängt es von der
Fragestellung bzw. dem Analyseziel ab, ob es ein Problem ist und man was
tun muss. Die Vorhersagequalität des Gesamtmodells wird z.B. nicht
beeinträchtigt.

Mit freundlichen Grüßen

PonderStibbons

[asil1]

Also ich glaube, die sind tatsächlich nicht aufgebläht. Die VFI-Koeffizenten sind nicht sehr hoch.

Hierzu der Spss Output:
https://ibb.co/p0tMyy5

Aber laut diesem Ouput wäre lediglich die Expertise signifkant während alle anderen Variablen keinen Einfluss haben oder? (Variableneinschluss habe ich "Einschluss gewählt). Dabei ist das ja nur der Fall weil Expertise und Vertrauenswürdigkeit sich so stark überlappen. Deshalb schließt Spss ja diese Variable aus, so wie ich das verstanden habe.

Wenn ich den Schrittweisen Variableneinschluss wähle komme ich übrigens zu folgendem Ergebnis:
https://ibb.co/MkDF4px

-> Für meine Hypothesen besser.

Welches Verfahren ist nun angemessen? Mit Schrittweise und Einschluss, komme ich auf ganz unterschiedlich Ergebnisse. Ist eins davon dann falsch oder sollte ich einfach eine einfache Regression rechnen? Hier waren ja alle Variablen signifikant

[ponderstibbons]

Man kann die bivariaten Beziehungen beschreiben und danach
ein entsprechend der Fragestellung aufgestelltes multiples
Regressionsmodell rechnen und die Ergebnisse interpretieren.
Mechanisch durch die Software exekutierte schrittweise
Variablenselektion führt zu überangepassten Modellen mit
irreführenden p-Werten, weswegen das für mich keine Option
darstellt.

Mit freundlichen Grüßen

PonderStibbons

[asil1]

Vielen Dank für die ausführlichen Antworten.

Dementsprechend wäre die Methode des Variableneinschlusses einfach "Einschluss" oder?
Wie verhält es sich mit einer nicht signifikanten Konstanten im Modell? Die Konstante ist ja der Erwartungswert von Y bei X=0 und in diesem Fällen uninteressant oder?