Methodenblog

SPSS Tabellen formatieren (nach APA)

Mon, 19 Jun 2023 20:22:46 GMT

Wie kannst du deine SPSS Tabellen schöner gestalten?

Wer kennt sie nicht, die wenig anschaulichen Tabellen von SPSS.....

Die meisten Universitäten erlauben nicht, dass du Tabellen 1 zu 1 aus SPSS übernimmst. Vielmehr fordern viele Institutionen, dass du dich am APA Standard für Tabellenformatierung orientierst. Da dies viele Studierende bereits vor die erste Herausforderung stellt, möchte ic h dir heute im Rahmen eines kleinen Video-Tutorials zeigen, wie du deine Tabellen mit SPSS und Excel verschönern kannst.

Balkendiagramm für mehrere Variablen mit gleicher Antwortmöglichkeit

183:804569701 (Bianca Brünig) — Thu, 14 Apr 2022 12:11:14 GMT

Wie kann ich mehrere Variablen mit gleicher Antwortmöglichkeit grafisch darstellen?

Vielleicht standest du auch schon vor der Herausforderung, wie du mehrere Variablen in einer Grafik veranschaulichen kannst, die alle das gleiche Antwortschema aufweisen. Häufig haben wir mehrere Fragen, welche mit einer Likert-Skala von 1 (stimme überhaupt nicht zu) bis 5 (stimme voll und ganz zu) beantwortet wurden. Diese möchtest du in einer Grafik darstellen, ohne für jedes Item einzeln eine grafische Darstellung zu wählen. Dies ist über das Grafikmenü schwierig. Deshalb möchte ich dir hier einen alternativen Weg vorstellen.

Schritt 1:

Wichtig für die Erstellung eines solchen Diagramms ist es, dass die Variablen, die du darstellen möchtest, alle die gleichen Antwortmöglichkeiten haben. Du gehst im SPSS Menü auf Analysieren -> Tabellen -> Benutzerdefinierte Tabellen

Schritt 2:

Es erscheint ein kleines Dialogfeld, hier klickst du auf OK.

Schritt 3:

Danach öffnet sich das eigentliche Fenster. Hier wählst du im linken Menü alle Variablen aus, die du darstellen möchtest. Entweder wählst du jede einzeln aus oder markierst alle gleichzeitig und ziehst sie im Bearbeitungsfenster auf die „Zeilen“.

Schritt 4:

Du kannst jetzt noch einige Einstellungen anpassen. Links unten kannst du unter „Auswertungsstatistik“ einstellen, ob du absolute Werte oder Prozentwerte angezeigt bekommen möchtest.

Ich habe Zeilenprozent -> Anzahl als Zeilen (%) ausgewählt. Die Auswahl Anzahl habe ich entfernt. Wenn du deine Wahl getroffen hast, klickst du auf „Der Auswahl zuweisen“.

Schritt 5:

Mittig unten bei der Auswertungsstatistik kannst du noch das Kästchen „Ausblenden“ aktivieren, das macht die Tabelle übersichtlicher. Zudem kannst du rechts unten die Kategorieposition auf „Zeilenbeschriftungen in Spalten“ setzen.

Schritt 6:

Danach klickst du auf OK und bekommst im Ausgabefenster eine Tabelle präsentiert.

Schritt 7:

Mit einem Doppelklick auf die Tabelle kannst du diese bearbeiten. Zudem erscheint oben im Menüfenster zusätzlich die Option „Pivot“. Hier wählst du Pivot -> Zeilen und Spalten transponieren.

Schritt 8:

Die Zeilen und Spalten sind nun getauscht. Wir bleiben im Bearbeitungsmodus der Tabelle und markieren alle Zahlenwerte in den Zellen. Mit einem Rechtsklick können wir weitere Bearbeitungsfunktionen aktivieren.

Schritt 9:

Hier wählst du „Diagramm erstellen“ und wählst das Balkendiagramm aus. Im Ausgabefenster erscheint nun das Balkendiagramm. Durch einen Doppelklick auf das Diagramm öffnet sich das Bearbeitungsfenster für Grafiken.

Schritt 10:

Im Grunde hast du hier schon ein schönes Diagramm zur Darstellung deiner Antworten. Wenn du statt dieser Darstellung lieber ein gestapeltes Balkendiagramm haben möchtest, dann mache einen Doppelklick auf einen der Balken. Es öffnet sich ein neues Bearbeitungsfenster. Hier gehst du auf „Variablen“ und wählst bei „Statistik“ den „Stapel“ aus.

Schritt 11:

Zuletzt klickst du auf „Anwenden“ und schließt alle Bearbeitungsfenster. Dein Diagramm im Ausgabefenster ist nun zu einem Stapeldiagramm geworden.

Möchtest du die Farben oder Beschriftung noch anpassen, kannst du dies im Bearbeitungsfenster für Grafiken tun (= Doppelklick auf die Grafik im Ausgabefenster).

R- bzw. Python Erweiterungen & Makros für SPSS

183:804569701 (Bianca Brünig) — Thu, 31 Mar 2022 13:00:35 GMT

Vielleicht ist dir auch schon aufgefallen, dass SPSS bei einigen komplexeren Analysen leicht an seine Grenzen kommt. Wenn du trotzdem gern mit dem Programm arbeitest und nicht zu beispielsweise R oder Stata wechseln möchtest, dann könnten Erweiterungen oder Makros eine Option sein.
Eines der bekanntesten SPSS Makros ist PROCESS von Hayes. Mit diesem Makro kannst du Mediations- und Moderationsmodelle testen. Dabei bietet PROCESS den Vorteil, dass du nicht mehrere Gleichungen schätzen musst, sondern alles in einem Modell berechnen kannst.

Über externe R oder Python Codes lässt sich die Funktionalität von SPSS zusätzlich erweitern. Auch wenn der Rahmen hier nicht ausreicht, um alle möglichen Funktionen vorzustellen, möchte ich dir an dieser Stelle zumindest eine kleine Übersicht bieten, welche Funktionen sich in Form von Erweiterungsbundles in das SPSS Klickmenü integrieren lassen. Integrieren lassen sich diese erweiterten Funktionen ab SPSS Version 24 über Erweiterungen -> Erweiterungshub. Hier wird dir eine Liste mit allen verfügbaren Funktionen angezeigt, eine kurze Beschreibung sowie, ob dein System die Voraussetzungen zur Installation erfüllt. Im folgenden Bild kannst du beispielsweise sehen, dass die Voraussetzungen zur Installation der KRR Erweiterung nicht gegeben sind, PLS aber problemlos integriert werden könnte.

Doch welche Funktionen genau, bieten diese Erweiterungshubs?

PLS: Dies ist ein Add-on von Python, welches eine partielle Regression der kleinsten Quadrate berechnet. Dieses Verfahren empfiehlt sich, wenn die Prädiktoren stark korrelieren oder die Fallzahl im Vergleich zur Anzahl der Prädiktoren gering ist. Zu finden ist die Funktion unter Analysieren -> Regression -> Partielle kleinste Quadrate, sobald du sie installiert hast.

SPSSINC HECTOR: Diese Funktion kann Korrelationen zwischen nominalen, ordinalen und metrischen Variablen berechnen. Es können somit Variablen beliebigen Skalenniveaus aufgenommen werden und SPSS berechnet die jeweils passende Korrelation. Für zwei metrische Variablen wird die Pearson Korrelation verwendet, für eine metrische und eine ordinale die polyseriale Korrelation und für ordinale Variablen die polychorische Korrelation. Die Funktion ist unter Analysieren -> Korrelation -> Heterogene Korrelation zu finden.

STATS ROBUST REGR: Dieses Add-on eignet sich zur Berechnung von robusten Regressionsmodellen. Diese kommen vor allem zum Einsatz, wenn die Voraussetzungen für eine normale Regression nicht gegeben sind. Über Analysieren -> Regression -> Robuste Regression findest du die Erweiterung nach der Installation.

STATS TOBIT REGR: Die Erweiterungsfunktion für die Tobit Regression befindet sich nach Integration in SPSS ebenfalls unter Analysieren -> Regression -> Tobit-Regression. Eine Tobit Regression schätzt eine lineare Regression, bei welcher die abhängige Variable auf einen Wertebereich begrenzt wird. Dies kann in manchen Situationen in einer konsistenteren Schätzung resultieren.

STATS PADJUST: Mit dieser Funktion kannst du deine p-Werte für mehrfaches Testen korrigieren. Dabei kannst du zwischen sechs verschiedenen Korrekturverfahren wählen: Benjamini-Hochberg FDR, Holm, Hochberg, Hommel, Benjamini-Yekutieli und Bonferroni. Die integrierte Funktion findest du über Analysieren -> Deskriptive Statistiken -> angepasste p-Werte berechnen.

Dies ist natürlich nur ein kleiner Teil der verfügbaren Ergänzungen, eine vollständige Übersicht bietet dir beispielsweise dein SPSS Programm.

Aufbau des Methodenkapitels

183:804569701 (Bianca Brünig) — Sun, 13 Mar 2022 17:59:00 GMT

Wie baue ich mein Methodenkapitel am besten auf?

Bevor ihr in eurer Arbeit die Auswertung schreibt, solltet ihr euer methodisches Vorgehen im Rahmen eines Methodenkapitels vorstellen. Häufig gibt es hier Unsicherheiten, wie dieses aufgebaut werden kann und welche Inhalte in dieses Kapitel gehören. An dieser Stelle möchte ich meine Erfahrungen mit euch teilen. Generell sei aber angemerkt, dass es von Uni zu Uni und von Betreuer/in zu Betreuer/in durchaus unterschiedliche Vorstellungen gibt. Insofern wäre meine erste Empfehlung, an eurer Uni nach Vorlagen zu suchen oder euren Betreuer/in anzusprechen. Solltet ihr keine Hilfestellung erhalten, empfehle ich wie folgt vorzugehen.

1.    Beschreibung der Datenerhebung
Der erste Schritt sollte darin bestehen, aufzuzeigen, wie ihr eure Daten sammelt bzw. gesammelt habt. Dieses Unterkapitel kann von einer Diskussion (1) des quantitativen versus qualitativen Ansatzes reichen über (2) eine Diskussion über die genaue Erhebungsmethodik (online versus persönlich versus telefonisch…) bis hin zum (3) genauen Vorgehen. Während ihr für Punkt 1 und 2 auf Literatur und Referenzen zurückgreifen könnt, stellt das genaue Vorgehen meist eine individuelle Beschreibung dar. Bei dieser könnt ihr folgende Gesichtspunkte beschreiben:
-    Welches ist die Grundgesamtheit?
-    Wie habt ihr Kontakt zu den Teilnehmer/innen aufgenommen?
-    In welchem Zeitraum wurde die Studie durchgeführt?
-    Gab es einen Pretest?
-    Ggf. wie viele Personen wurden kontaktiert?
-    Wie war der Fragebogen aufgebaut?
-    Gab es ein Anschreiben oder weitere Informationen?
-    Bei Experimenten: Wie war der Versuchsaufbau?
-    Wie lange haben die Teilnehmer/innen im Durchschnitt für die Bearbeitung benötigt?

Je nachdem, wie lang eure Arbeit wird, könnt ihr diese Themenbereiche ausführlicher oder kürzer diskutieren. Auch bietet es sich bei längeren Arbeiten an, die Datenerhebung in mehrere Unterkapitel zu unterteilen.

2.    Stichprobe
Nachdem ihr beschrieben habt, wie ihr zu den Daten gekommen seid, solltet ihr eure Stichprobe genauer vorstellen. Die Stichprobe bilden die Personen, die tatsächlich an eurer Umfrage teilgenommen haben. Es sind also nicht diejenigen gemeint, die ihr kontaktiert habt, denn von denen haben wahrscheinlich nicht alle tatsächlich euren Fragebogen bearbeitet.
Die Stichprobe könnt ihr beschreiben, indem ihr zuerst darauf eingeht, wie viele Personen die Umfrage (1) bearbeitet haben, (2) wie viele von diesen die Umfrage auch abgeschlossen haben und (3) wie viele die Umfrage vollständig ausgefüllt haben. Bei manchen Umfragetools werden diese Selektionskriterien direkt angewendet, so dass ihr einen Datensatz herunterladet, in welchem nur vollständig ausgefüllte Fälle enthalten sind. Bei anderen müsst ihr selbst diese Selektion durchführen.
Danach könnt ihr näher darauf eingehen, wie eure Stichprobe zusammengesetzt ist. Hierfür eignen sich in der Regel sozio-demografische Angaben wie Alter und Geschlecht. Je nach Themenbereich können aber auch weitere Kennwerte zur Beschreibung herangezogen werden. Diese Beschreibung ermöglicht es dem Leser einzuordnen, inwiefern eine ausgeglichene oder repräsentative Stichprobe vorliegt. An dieser Stelle können auch erste Grafiken oder Tabellen in die Beschreibung einfließen.

3.    Operationalisierung
Die Operationalisierung beschreibt den Prozess, wie ihr von den Konzepten eurer Hypothese(n) zu konkreten Variablen für die Auswertung gelangt. Bei manchen Variablen, wie z.B. dem Geschlecht oder dem Alter kann dies unkompliziert sein, da ihr die Daten direkt so erhoben habt, wie ihr sie für die Auswertung benötigt. Hier solltet ihr dann nur die Fragestellung und Antwortoptionen erwähnen. Häufig ist es aber ein aufwändigerer Prozess, bei welchem Umkodierungen durchgeführt werden oder Variablen zusammengefügt werden. Dies solltet ihr in diesem Unterkapitel beschreiben. Dafür könnt ihr auf (1) Umkodierungen, (2) das Zusammenfügen oder (3) Berechnen von neuen Variablen eingehen. Typischerweise wird hier für Skalen beispielsweise die Reliabilitäts- und Validitätsprüfung vorgestellt sowie der Wertebereich der neu entstandenen Skala vorgestellt. Persönlich schließe ich die Operationalisierung gern mit einer Tabelle ab, welche die Wertebereiche der benötigten Variablen inkl. Häufigkeiten oder Mittelwerten mit Standardabweichungen darstellt. Dies ist auch in vielen Publikationen eine gängige Praxis.

4.    Auswertungsmethodik
In diesem Unterkapitel könnt ihr nun vorstellen, wie ihr zur Auswertung eurer Daten vorgehen werdet (und warum). Es können also sowohl deskriptive als auch inferenzstatistische Methoden vorgestellt werden. Dabei solltet ihr nur auf Methoden eingehen, die ihr auch tatsächlich anwendet. Diese können mit zentralen Kennwerten und Schwellenwerten beschrieben werden. Ab welchem Wert liegt beispielsweise ein schwacher oder starker Zusammenhang vor? Welche Maßzahl kann zur Bewertung des Zusammenhangs herangezogen werden? In einem Satz solltet ihr zudem erwähnen, welches Signifikanzniveau ihr ansetzt und mit welchem Programm ihr die Analysen durchführt.

Mediation versus Moderation: Was ist der Unterschied?

183:804569701 (Bianca Brünig) — Tue, 01 Mar 2022 13:36:34 GMT

Mediation versus Moderation: Was ist der Unterschied?

In meinen Beratungen erlebe ich häufig, dass der Unterschied zwischen Mediations- und Moderationsanalysen nicht immer eindeutig ist. Beides sind Sonderformen der multiplen Regressionsanalyse, welche neben der unabhängigen und abhängigen Variable noch eine dritte Variable in das Modell integrieren.
Aber starten wir von vorn. Regressionsanalysen untersuchen, inwiefern eine unabhängige Variable (UV, auch Prädiktor genannt) eine abhängige Variable (AV, auch Kriterium genannt) beeinflusst. Nehmen wir ein einfaches Beispiel. Wir vermuten, dass die Zeit, welche Personen täglich vor dem Fernseher verbringen vom Alter abhängt. Die tägliche Fernsehdauer ist somit die abhängige Variable, welche wir mit Hilfe des Alters erklären wollen. Schematisch lässt sich das Ganze so darstellen:

Mediation

Wir gehen davon aus, dass wir eine Beziehung gefunden haben und ältere Menschen mehr Zeit vor dem Fernseher verbringen als jüngere (Diese Annahme ist etwas simplifiziert, aber soll an dieser Stelle genügen). Nun interessieren wir uns dafür, warum Alter mit Fernsehdauer in einer Beziehung steht. Eine Vermutung ist, dass ältere Menschen nicht mehr berufstätig sind und somit mehr Zeit zur Verfügung haben, welche sie entsprechend auch häufiger vor dem Fernseher verbringen können. Diese Annahme impliziert Folgendes: Alter (UV) steht in einer Beziehung zum Berufsstatus, welcher wiederum in einer Beziehung zur Fernsehdauer steht. Der Berufsstatus ist der Beziehung zwischen Alter und Fernsehdauer also zwischengeschaltet und stellt einen Mediator dar. Ein Mediator ist eine erklärende Variable, welche eine Beziehung zu beiden Variablen (UV und AV) in deinem Modell aufweist. Mediationsanalysen werden auch als indirekte Beziehungen bezeichnet. Wir schauen uns an, was dies in unserem Modell bedeutet:

Bei der Mediationsanalyse lassen sich teilweise und vollständige Mediationen beobachten. Bei einer vollständigen Mediation verschwindet der direkte Einfluss der unabhängigen auf die abhängige Variable, sobald der Mediator in das Modell integriert wird. In unserem Beispiel würde dies bedeuten, dass Alter und Fernsehdauer keine Beziehung mehr aufweisen, sobald Berufsstatus als Mediator integriert ist. Bei einer teilweisen Mediation gibt es sowohl eine direkte Beziehung zwischen UV und AV, also auch eine indirekte Beziehung über den Mediator. Das Alter würde also direkt auf die Fernsehdauer wirken, als auch indirekt über den Berufsstatus.

Moderation

Eine Moderationsanalyse geht der Frage nach, welche Variable die Beziehung zwischen der unabhängigen und abhängigen Variable verstärkt oder abschwächt. Eine Moderatorvariable steht somit nicht in direkter Beziehung zur unabhängigen und abhängigen Variable, sondern wirkt auf die Beziehung zwischen den beiden. Das heißt, dass sich die gefundene Beziehung zwischen UV und AV ändert, wenn ein Moderator in das Modell integriert wird. Übertragen auf unser Beispiel können wir dies durch folgende Vermutung ausdrücken: Im Alter variiert die Mobilität stark, je nachdem, wie fit man ist. Wenn man nicht mehr mobil ist, kann man das Haus nicht mehr so häufig verlassen und setzt sich eher vor den Fernseher. Es kann somit vermutet werden, dass die Beziehung zwischen Alter und Fernsehdauer stärker wird, wenn zusätzlich auch die Mobilität stark eingeschränkt ist. Entsprechend wäre im Umkehrschluss zu vermuten, dass die Beziehung schwächer wird, wenn die Mobilität nicht eingeschränkt ist und somit andere, alternative Freizeitoptionen zur Verfügung stehen. Auch dies betrachten wir in unserem Modell:

Zusammenfassung

Zusammenfassend ist ein Mediator somit eine intervenierende Variable, welche mit sowohl der unabhängigen als auch der abhängigen Variable eine Beziehung aufweist. Der Moderator hingegen beeinflusst nicht die Variablen selbst, sondern lediglich die Beziehung zwischen UV und AV. Nicht immer lässt sich eindeutig herausarbeiten, ob eine Variable als Moderator oder Mediator fungiert. Teilweise lassen sich auch auf Basis theoretischer Erkenntnisse beide Versionen vermuten.

Nice to know

Du kannst mit SPSS sowohl eine Moderations- als auch eine Mediationsanalyse untersuchen. Dafür stehen dir verschiedene Möglichkeiten zur Verfügung.

Bei einer Mediation:

(1) Einzelne Regressionsanalysen berechnen und jeden Pfad einzeln testen. Dieser Ansatz beruht auf Baron & Kenny (1986).

(2) Mit Hilfe des SPSS Makros Process eine Mediation berechnen. Dazu empfehle ich das Buch von Hayes (2017).

(3) Bei komplexeren Modellen solltest du auch über ein Strukturgleichungsmodell nachdenken.

Bei einer Moderation:

(1) Einzelne Regressionsanalysen berechnen und den Moderator in einem blockweisen Regressionsmodell in einem zweiten Schritt aufnehmen. Der Moderator (= Interaktion) errechnet sich dabei aus dem Produkt deiner unabhängigen Variable und deiner Moderatorvariable. Siehe hierzu auch Baron & Kenny (1986) sowie Frazier et al. (2004).

(2) Mit Hilfe des SPSS Makros Process eine Moderation berechnen. Dazu empfehle ich das Buch von Hayes (2017).

(3) Bei komplexeren Modellen solltest du auch über ein Strukturgleichungsmodell nachdenken.

Literatur

Baron, R. M. & Kenny, D. A. (1986). The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations. Journal of Personality and Social Psychology 51(6), 1173 – 1182.

Frazier, P. A., Tix, A. P. & Barron, K. E. (2004). Testing Moderator and Mediator Effects in Counseling Psychology Research. Journal of Counseling Psychology 51(1), 115 – 134.

Hayes, A. F. (2017). Introduction to Mediation, Moderation, and Conditional Process Analysis, Second Edition: A Regression-Based Approach. New York & London: Guilford Press.

Das Bestimmtheitsmaß R²

183:804569701 (Bianca Brünig) — Fri, 25 Feb 2022 17:45:21 GMT

R² einfach erklärt...

Bei der Regressionsanalyse ist unser Ziel eine Gerade zu schätzen, welche den Zusammenhang zweier Variablen (bei einer multiplen Regression auch den Zusammenhang mehrerer Variablen) möglichst gut erfassen kann. Nehmen wir mal an, wir haben aus der Theorie folgende Hypothese ableiten können: Je älter man ist, desto mehr Stress erlebt man.
Die unabhängige Variable stellt hier das Alter dar, die abhängige Variable ist der erlebte Stress. Beide Variablen sind metrisch skaliert. Die Beziehung der beiden Variablen lässt sich grafisch gut anhand einer Punktewolke darstellen:

Mit Hilfe der linearen Regression möchten wir nun die Werte des Stresses anhand der Werte des Alters vorhersagen. Hierfür wollen wir eine Gerade in die Punktewolke legen, die die Punkte (= gemeinsame Verteilung) gut erfasst. Je mehr Punkte eine Regressionsgerade erfassen kann, desto besser unsere Schätzung. Dies bedeutet, dass wir viel Streuung der Punkte anhand des Alters vorhersagen können.

In der Realität werden wir jedoch nie eine Gerade schätzen können, die alle Punkte perfekt erfasst. Stattdessen werden immer einige Punkte abweichen – manche mehr, manche weniger. Im vorliegenden Beispiel sehen wir vor allem im unteren Bereich viele Punkte, die nicht von der Gerade erfasst wurden. Die Abweichungen von der Gerade nennt man Residuen. Sie bilden einen zentralen Teil der Analyse, da viele der Voraussetzungen der linearen Regression sich auf die Verteilung der Residuen beziehen.

Den Anteil der Punkte, die unsere Gerade erfasst, können wir über das Bestimmtheitsmaß R² erfassen. Dieses gibt uns an, welchen Anteil der Varianz der abhängigen Variable wir mit unserer unabhängigen Variable erfassen. R² kann einen Wert von 0 bis 1 annehmen, wobei hohe Werte für eine hohe Varianzaufklärung stehen und kleine Werte für eine geringe Aufklärung. Idealerweise streben wir somit ein möglichst hohes R² an. Habt ihr nur eine unabhängige Variable im Modell, könnt ihr das „normale“ R² interpretieren. Habt ihr mehr als eine unabhängige Variable im Modell (z.B. durch Dummy-Kodierung oder bei einer multiplen linearen Regression), nehmt ihr besser das korrigierte R².

Im Folgenden seht ihr ein Beispiel aus einer linearen Regression mit SPSS. Ihr findet das R² ziemlich am Anfang der Ausgabe in der Tabelle „Modellzusammenfassung“. Bei uns liegt ein R² von .062 vor. Dies bedeutet, dass 6,20 Prozent der Varianz des Stresses durch das Alter erklärt werden. Gleichzeitig bedeutet dies, dass wir 93,70 Prozent unerklärte Varianz haben. Diesen Anteil der Streuung in der Punktewolke konnten wir somit noch nicht erklären.

Was ist der Unterschied zwischen R² und dem korrigierten R²?

Das Bestimmtheitsmaß R² hat die Eigenschaft, dass es mit steigender Anzahl Variablen im Modell immer größer wird. Theoretisch könnte ich mein Modell also pushen, indem ich viele Variablen (z.B. Kontrollvariablen) mit aufnehme. Um für die Anzahl der Variablen zu kontrollieren, die sich im Modell befinden, bezieht das korrigierte R² die Anzahl geschätzter Koeffizienten im Verhältnis zur Fallzahl mit in seine Berechnung ein. Das korrigierte R² ist somit i.d.R. geringer als das normale R². Nachlesen könnt ihr die Berechnung des R² auf verständliche Weise in Stoetzer (2017, S. 42). Sobald ihr also mehr als einen Prädiktor habt oder Modelle vergleichen wollt, solltet ihr das korrigierte R² berichten.

Wie berichte ich R² in meiner Arbeit?

Das R² ist ein übliches Maß zur Beurteilung des Modellfits. Ihr solltet es somit unbedingt in eurem Bericht angeben. Ihr könnt das R² im Fließtext nennen oder in Klammern angeben. Hier drei Beispiele:

(1) Das Alter trägt zur Varianzaufklärung des Stresses bei (R² = .062).

(2) Das Modell hat mit .062 eine schwache Varianzaufklärung.

(3) Das Alter erklärt 6,20 Prozent der Varianz des erlebten Stresses.

Wann habe ich ein gutes R²?

Cohen (1988, S. 412ff.) gibt folgende Richtwerte zur Interpretation der Höhe des R²-Wertes an: ab R² = .02 liegt eine schwache Varianzaufklärung vor, ab R² = .13 liegt eine mittelstarke Varianzaufklärung vor, ab R² = .26 liegt eine starke Varianzaufklärung vor.

Nice to know

Bei einer einfachen, linearen Regression ist das R² tatsächlich die bivariate Korrelation r zum Quadrat. Bei einer multiplen Regression mit mehreren unabhängigen Variablen ist dies nicht mehr der Fall.

Literatur

Cohen, Jacob (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale: Erlbaum Associates.

Stoetzer, Matthias-W. (2017). Regressionsanalyse in der empirischen Wirtschafts- und Sozialforschung Band 1: Eine nicht-mathematische Einführung mit SPSS und Stata. Berlin: Springer Gabler Verlag. DOI 10.1007/978-3-662-53824-1

Methodenblog

SPSS Tabellen formatieren (nach APA)

Wie kannst du deine SPSS Tabellen schöner gestalten?

Balkendiagramm für mehrere Variablen mit gleicher Antwortmöglichkeit

Wie kann ich mehrere Variablen mit gleicher Antwortmöglichkeit grafisch darstellen?

R- bzw. Python Erweiterungen & Makros für SPSS

Aufbau des Methodenkapitels

Wie baue ich mein Methodenkapitel am besten auf?

Mediation versus Moderation: Was ist der Unterschied?

Mediation versus Moderation: Was ist der Unterschied?

Mediation

Moderation

﻿ Zusammenfassung

Nice to know

Literatur

Das Bestimmtheitsmaß R²

R² einfach erklärt...

﻿ Was ist der Unterschied zwischen R² und dem korrigierten R²?

Wie berichte ich R² in meiner Arbeit?

﻿ Wann habe ich ein gutes R²?

Nice to know

﻿

Literatur

Zusammenfassung

Was ist der Unterschied zwischen R² und dem korrigierten R²?

Wann habe ich ein gutes R²?