STATA-FORUM.DE

Hallo Zusammen,

ich habe gerade die bivariate Analyse meiner Forschung abgeschlossen und beschäftige mich jetzt mit der Regressionsanalyse.

In der bivariaten Analyse habe ich bereits folgendes gerechnet "pwcorr AV UV", sig und erhielt dabei das Ergebnis -0.0198 und den p-Wert von 0.8508. Das sagt mir ja eigentlich dass keine Linearität zwischen den Variablen besteht...

jetzt wollte ich diese Variablen aber auch in einer linearen Regression einbauen und habe zunächst folgendes gerechnet.

regress AV UV
und dann "ovtest"
Dabei bekam ich einen Wert von 0.5381 also höher 0.05 und demnach ja eigentlich signifikant und linear...

wo liegt jetzt der Fehler? ich habe gelesen, dass der ovtest nicht mit robusten Standardfehlern gerechnet werden kann... Was nutze ich dann?
Ein Streudiagramm sagt mir leider auch nicht sehr viel aus, da ich lediglich 5 Ausprägungen bei beiden Variablen habe.

Ich freue mich über Hilfe

Zunächst sollte man die Linearität am besten grafisch testen, etwa mit binscatter

Code: Alles auswählen

ssc install binscatter, replace
binscatter AV UV

ovtest ist der Ramsey Reset Test auf omitted variables. Mit Lineratität hat das nur am Rande etwas zu tun. Und ein hoher p-Wert besagt, dass der Test nicht anschlägt, also alles in Ordnung ist.

Vielen lieben Dank für die schnelle Antwort.

Diese Befehl und die resultierende Grafik kannte ich noch gar nicht. So wird es etwas anschaulicher

demnach sieht die Kombination agiles Mindset x transaktional nicht linear aus...

Da ich dafür allerdings eine Hypothese aufgestellt habe und diese prüfen möchte, muss ich die Regressionsanalyse durchführen...

Wie gehe ich da jetzt weiter vor, wenn die Linearität nicht gegeben ist?

vielen Dank für die Hilfe

Wenn die UV nur einige wenige diskrete Werte hat kann man sie als Kategorien betrachten, etwa mit:

Code: Alles auswählen

reg AV i.UV

perfekt vielen Dank so mach ich es.

Ich habe die UV mit einer 5-stufigen-Likert-Skala abgefragt. In Kombination regress AV i.UV gibt es auch nur Ergebnisse bezüglich 3,4 und 5.

So erhalte ich dann auch bei der "hettest"-Prüfung ein nicht signifikantes Ergebnis und muss nicht mit robusten Standardfehlern rechnen.

Vielen Dank für die Hilfe

Code: Alles auswählen

reg AV i.UV, base

Damit du weißt, was deine Referenzkategorie ist.

Staxa hat geschrieben:

Code: Alles auswählen

reg AV i.UV, base

Damit du weißt, was deine Referenzkategorie ist.

dieses Ergebnis erhalte ich.. demnach wäre "2" die Referenzkategorie. Wie habe ich das zu interpretieren?


. regress agilesmindset_ i.transaktional, base

Source | SS df MS Number of obs = 93
-------------+---------------------------------- F(3, 89) = 0.43
Model | .652420068 3 .217473356 Prob > F = 0.7335
Residual | 45.2400531 89 .508315203 R-squared = 0.0142
-------------+---------------------------------- Adj R-squared = -0.0190
Total | 45.8924731 92 .49883123 Root MSE = .71296

-------------------------------------------------------------------------------
agilesminds~_ | Coefficient Std. err. t P>|t| [95% conf. interval]
--------------+----------------------------------------------------------------
transaktional |
2 | 0 (base)
3 | -.2241379 .2852727 -0.79 0.434 -.7909687 .3426928
4 | -.1153846 .3035903 -0.38 0.705 -.718612 .4878428
5 | -.5 .5716415 -0.87 0.384 -1.63584 .6358396
|
_cons | 4 .2694744 14.84 0.000 3.46456 4.53544
-------------------------------------------------------------------------------

Der Wert der AV bei Leuten, die Stufe 4 haben, ist um 0.115 Punkte geringer als bei Leuten, die Stufe 2 haben. Man sieht aber an deinen p-Werte, dass diese Unterschiede statistisch nicht signifikant sind. Grafisch kann man sich auch die Mittelwerte der Gruppen dann anzeigen lassen mittels

Code: Alles auswählen

reg...
margins UV
marginsplot