Multiplikative interaktion statistik psychologie

American Journal of Sociology 83 5 : Literatur [ Bearbeiten Quelltext bearbeiten ] G. Box: Do interactions matter? In: Quality Engineering , Band 2, , Seiten — James Jaccard, Robert Turrisi, Choi K. Wan: Interaction Effects in Multiple Regression. In: Sage University Paper Series on Quantitative Applications in the Social Sciences , Nr.

Southwood: Substantive Theory and Statistical Interaction: Five Models. Zum Beispiel könntest Du in einer experimentellen Studie herausfinden, dass ein unsicheres Bindungsmuster eines Partners in einer romantischen Beziehung dazu führt, dass er sich aggressiver in Konflikten verhält. Dieser Zusammenhang könnte dadurch mediiert sein, dass der Partner aufgrund seiner unsicheren Bindung und damit einhergehenden Verlassensängsten den Konflikt als Bedrohung wahrnimmt.

Verliert der direkte Effekt, der in der Graphik durch eine gestrichelte Linie dargestellt ist, unter Berücksichtigung der Mediation die Signifikanz, spricht man von einer vollständigen Mediation. Das bedeutet, dass der gesamte Einfluss der unabhängigen auf die abhängige Variable mithilfe des Mediatoreffekts erklärt werden kann.

Bleibt hingegen auch nach Kontrolle um den indirekten Mediationseffekt ein statistisch signifikanter direkter Effekt bestehen, handelt es sich um eine teilweise oder unvollständige Mediation: Ein Teil des Einflusses der unabhängigen Variablen auf die abhängige lässt sich mithilfe der Mediation erklären, aber es gibt noch einen darüber hinausgehenden, direkten Einfluss.

Im Gegensatz zur Mediatorvariable beeinflusst eine Moderatorvariable nicht die abhängige Variable unmittelbar, sondern wirkt sich auf die Art oder die Stärke des Zusammenhanges aus. Angenommen, man findet einen positiven Zusammenhang zwischen zwei Variablen, kann dieser aber für unterschiedliche Ausprägungen der unabhängigen Variable unterschiedlich geartet sein.

Eine Moderation ist mathematisch und konzeptuell das gleiche wie ein Interaktionseffekt. Es beeinflussen also die unabhängigen Variablen die abhängige Variable nicht nur einzeln, sondern deren Zusammenwirken ist für den Zusammenhang entscheidend. Der Zusammenhang zwischen zwei Variablen hängt von einer dritten Variable, der Moderatorvariable ab.

Im Durchschnitt kann sich dieser Effekt ausmitteln, sodass sich insgesamt ein nicht signifikanter Haupteffekt ergibt. Haupteffekte sind Effekte über alle Variablen hinweg, und deuten auf Niveauunterschiede hin, Nehmen wir das Bespiel, dass an einer Universität Studierende verschiedene Kurse, Seminare und Vorlesungen bewerten.

Du wertest die Daten aus und möchtest untersuchen, ob anspruchsvollere Kurse im Durchschnitt besser bewertet werden als Veranstaltungen mit niedrigerem Niveau. Das Ergebnis ist nicht signifikant. Ablehnungswahrscheinlichkeiten entsprechen denjenigen in Abbildung 1 und 2, die wir für den Mittelwert der am Mindestalter zentrierten Altersvariablen berechnet haben.

Die Befragten Inländer sollte ihm zu stimmen oder es ablehnen Türken haben Arbeitsplätze, die den Deutschen zuständen EMNID , S. Wenn Sie einmal vergleichen: Ist es Deutschen wie Ihnen in den vergangenen 5 Jahren in wirtschaftlicher Hinsicht besser oder schlechter gegangen als den hier lebenden Türken? Würden Sie sagen viel besser, besser, etwa gleich, schlechter oder viel schlechter?

EMNID LIMDEP-Befehle für die Schätzung des Haupt- und Interaktionseffektmodell der logischen Regression:? Wolfgang Langer - Verallgemeinerte lineare Modelle - SoSe Wir zentrierten die Links-Rechts-Selbsteinstufung an ihrem eigenen Minimum von 1. Die Linken der Referenzgruppe lehnen das Item mehrheitlich ab, wie die logistische Regressionskonstante von -1,02 belegt.

Ihr entspricht eine Zustimmungswahrscheinlichkeit von rd. Nehmen sich diese Linken aber als wirtschaftlich benachteiligt war, so steigt ihr geschätztes Logit um rd. Ihre Wahrscheinlichkeit, dem Item zu zustimmen, beträgt dann rd. Der Logitschätzer des Interaktionsterms von -0,56 erweist sich als statistisch signifikant, wie der zugehörige T-Test belegt.

Mit Hilfe der partiellen Ableitung der Logits identifizieren wir erneut die genaue Wirkung des Interaktionseffektes. Alternativ hierzu stellen wir die wechselseitige Beeinflussung beider Merkmale in ihrer Wirkung auf die Zustimmungsneigung mit Hilfe der geschätzten Logits und Zustimmungswahrscheinlichkeiten dar. Bei ihnen fällt der Effekt seinem Betrag nach doppelt so hoch aus als bei den Nichtbenachteiligten.

Vice versa nimmt der geschätzte Unterschied zwischen den Deprivationsgruppen um 0, Einheiten ab, wenn sich die Befragten um jeweils eine Einheit weiter nach Rechts einordnen. LIMDEP bietet uns die Möglichkeit, die geschätzten Logits und Zustimmungswahrscheinlichkeiten des Haupteffekt- und Interaktionsmodells zu simulieren, um eine bessere graphische Darstellung zu erhalten.

Hierdurch erhalten wir anstatt von jeweils zehn geschätzten Funktionswerten pro Deprivationsgruppe jeweils eine logistische Gerade bzw. Hierfür benötigen wir die folgenden LIMDEP-Befehle:. Über die Sample-Funktion führen wir Simulationsschritte durch und füllen damit die Lücken zwischen unseren Punktwerten auf. Bei der Betrachtung sowohl der geschätzten Logits als auch der Zustimmungswahrscheinlichkeiten in Abbildung 5 und 6 zeichnet sich der negative Interaktionseffekt beider exogener Merkmale deutlich ab.

Die relative Deprivation wirkt vor allem bei denjenigen Personen zustimmungsfördernd, die sich eher links einstufen. Hingegen wirkt sie sich bei den eher rechts stehenden Personen eindeutig zustimmungshemmend aus. Wolfgang Langer - Verallgemeinerte lineare Modelle - SoSe 2. Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr.

Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. Christian Schwarz 1 2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können?

R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die. Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph. Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie Prüfung im Fach Mikroökonometrie im Sommersemester Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:.

Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische. Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen Jahre alt und der Anzahl der.

Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik Januar Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:.

Variablentypen: Statistik Wiki Ratgeber Lexikon

Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. Wenn Sie bei einer Aufgabe eine nicht-zutreffende. Institut für Soziologie Dipl. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein nicht programmierbarer Taschenrechner kann in der Klausur hilfreich sein. Warum Interaktionen? Und was kann schiefgehen?

Viele theoretische Überlegungen folgen der Form: X führt zu Y, wenn Z gegeben ist Multiplikative Interaktionen Produktterme bilden das gut ab Aber in der. Universität Ulm Ulm Germany Dipl. Universität Bielefeld 3. Mai Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes.

Die Wahrscheinlichkeitsrechnung betrachtet. Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. Samuel Butler Dr. Wolfgang Langer Institut für. Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten. Paul Böhm Dipl.

Die Interpretation von Interaktionseffekten im logistischen Regressionsmodell: PDF Free Download

Dominik Hanglberger Dipl. Mit Hilfe eines multiplen linearen Regressionsmodells soll auf. Andrew Lang Dr. Wolfgang Langer. Mainz, June 11, Statistics, Data Analysis, and Simulation SS Michael O. Distler Dr. Aufgabe 1 25 Punkte Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2.

Juni Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden. Prüfung aus Statistik 2 für SoziologInnen Fach: Prüfer: Mikroökonometrie Prof. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur.

Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse. Lineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse Achim Zeileis 1 Datenaufbereitung Wie schon im Tutorium LiMo2. Tutoriumsserie Statistik II 1.

Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten. Dezember Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung. Universität Ulm Ulm Germany Prof. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische.

Regressionsanalysen mit Stata Wiederholung: Deskriptive Analysen - Univariate deskriptive Analysen Häufigkeitsauszählungen einer Variablen - Multivariate deskriptive Analysen Untersuchung gemeinsamer. Analse von Querschnittsdaten Spezifikation der Regressionsfunktion Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? Im Vergleich mit Abb.

Interessanterweise beschreiben Mayerl und Urban , S. Es mag Situationen geben, in denen, theoretisch begründet, lediglich der Interaktionseffekt von Interesse sein kann und eine Interpretation vergleichsweise unkompliziert ist wenn bspw. Meist ist aber eine gemeinsame Betrachtung von Haupt- und Interaktionseffekten notwendig, um konditionale Zusammenhänge verstehen und die theoretischen Vorhersagen prüfen zu können.

Es bleibt festzuhalten, dass eine isolierte oder getrennte Interpretation der Haupt- und Interaktionseffekte nicht sinnvoll ist oder, wie Brambor et al. Vorzuziehen ist eine Darstellung und Interpretation durch vorhergesagte Werte oder marginale Effekte, die alle an der Interaktion beteiligten Kovariaten einbezieht. Dies ist in Abb. Vorhergesagte Werte für y aus Modell 2 Tab.

Es sei erwähnt, dass die Berechnung marginaler Effekte oder vorhergesagter Werte auch möglich ist, wenn die Wertebereiche der beteiligten Variablen die 0 nicht umfassen und die Variablen nicht zentriert wurden, solange ein inhaltlich sinnvoller Wertebereich gewählt wird. Die Wahl eines sinnvollen Wertebereichs ist auch für die Bewertung der statistischen Bedeutsamkeit von Relevanz, da die Standardfehler und entsprechend die statistischen Irrtumswahrscheinlichkeiten der Effekte ebenfalls über den Wertebereich der Variablen variieren können wie an der unterschiedlichen Breite der Konfidenzintervalle in Abb.

Footnote 5.

Interaktionseffekt / Moderatoreffekt

Anhand von Abb. Durch die Zentrierung verändert sich nämlich die substanzielle Bedeutung des Modells nicht was auch Mayerl und Urban hervorheben, siehe bspw. Das zentrierte und unzentrierte Modell sind statistisch äquivalent ausführlicher in Aiken und West ; Dalal und Zickar Somit bleibt, unabhängig von der Zentrierung, die Implikation der konditionalen Interpretation erhalten: Haupt- und Interaktionseffekte können nicht unabhängig voneinander sinnvoll interpretiert werden.

Logit-Modelle mit Interaktionseffekten an z. Ai und Norton ; Bauer ; Long und Freese Hier ist im Unterschied zu linearen Modellen bereits im additiven Modell ohne multiplikativen Interaktionsterm aufgrund der Nichtlinearität des Modells eine Interpretation der Effekte als unkonditionale oder durchschnittliche Marginaleffekte nicht möglich Long und Freese ; Brambor et al. Entsprechend komplexer stellt sich dann die Interpretation der Effekte in nichtlinearen Regressionen dar, wenn konditionale Hypothesen im Rahmen von Interaktionsmodellen getestet werden, weshalb in der entsprechenden Literatur eine Berechnung der vorhergesagten Wahrscheinlichkeiten oder der Marginaleffekte auf die Wahrscheinlichkeiten und ihre grafische Darstellung als unumgänglich erachtet wird Bauer ; Brambor et al.

Footnote 7. King et al. In too much research, understanding even the substantive conclusions of sophisticated quantitative models can be challenging at best and impossible at worst. Für den praktischen Umgang mit Interaktionen, sowohl in linearen als auch in nichtlinearen Modellen, lassen sich daher folgende Hinweise bezüglich der Interpretation und Darstellung geben Allison ; Brambor et al.

Haupteffekte und Interaktionseffekte können nicht wie unkonditionale marginale Effekte interpretiert werden. Haupt- und Interaktionseffekte sollten gemeinsam dargestellt und interpretiert werden, bspw. Im Artikel von Nisic wird der durch die Aufnahme des Interaktionsterms hervorgerufene Vorzeichenwechsel des Haupteffekts explizit als konditionaler Effekt interpretiert. Nisic , S. Zudem werden Haupt- und Interaktionseffekt bei der Interpretation gemeinsam betrachtet, indem auf den vorhergesagten positiven Effekt für Frauen mit Abitur verwiesen wird vgl.

Empirisch entsprechen die zentrierten Haupteffekte nicht immer exakt den Effekten aus dem additiven Modell. Andere Probleme, wie bspw. Heteroskedastizität, werden im Folgenden nicht behandelt. Dies gilt insbesondere für das Standard OLS-Modell. Allerdings gibt es durchaus Anwendungsfälle, wie z.

Variablentypen

Mehrebenmodelle, in denen die Zentrierung von Variablen durchaus von methodischer Bedeutung ist. Siehe hierzu die entsprechende Fachliteratur Enders und Tofighi ; Schunck ; Schunck und Perales Dabei ist bei nicht-linearen Modellen zu beachten, dass sich AME und MEM — anders als in den hier besprochenen linearen Modellen — nicht zwingend entsprechen müssen.

Ai, Chunrong, und Edward C Norton. Interaction terms in logit and probit models. Economics letters — Article Google Scholar. Aiken, Leona S. Multiple regression: testing and interpreting interactions. Newbury Park: Sage Publications. Google Scholar. Allison, Paul D. Testing for interaction in multiple regression. American Journal of Sociology — Interaction effects in econometrics.

Empirical Economics — Bauer, Gerrit. Graphische Darstellung regressionsanalytischer Ergebnisse.