Tabelle mit der Zusammenfassung des Modells für Modell mit gemischten Effekten anpassen

Hier finden Sie Definitionen und Anleitungen zur Interpretation für alle Statistiken in der Tabelle mit der Zusammenfassung des Modells.

S

S ist die geschätzte Standardabweichung des Fehlerterms. Je kleiner der Wert von S, desto besser beschreibt die angepasste Gleichung der bedingten Werte die Antwortvariable bei den ausgewählten Faktoreinstellungen. Mit einem S-Wert allein kann die Adäquatheit des Modells jedoch nicht umfassend beschrieben werden. Untersuchen Sie daher die wichtigsten Ergebnisse aus anderen Tabellen und die Residuendiagramme.

R-Qd

R2 gibt den Prozentsatz der Streuung der Antwortvariablen an, der durch das Modell erklärt wird. Der Wert wird wie folgt berechnet: 1 minus das Verhältnis zwischen der Summe der quadrierten Fehler (Streuung, die durch das Modell nicht erklärt wird) zur Gesamtsumme der Quadrate (Gesamtstreuung im Modell).

Interpretation

Verwenden Sie das R2, um zu ermitteln, wie gut das Modell an die Daten angepasst ist. Je höher der R2-Wert, desto mehr Streuung in den Werten der Antwortvariablen wird durch das Modell erklärt. Das R2 liegt immer zwischen 0 % und 100 %.

Beachten Sie beim Interpretieren des R2-Werts Folgendes:
  • Angenommen, die Modelle weisen die gleiche Kovarianzstruktur auf; in diesem Fall vergrößert sich R2, wenn Sie weitere feste Faktoren oder Kovariaten hinzufügen. Daher ist R2 am nützlichsten, wenn Sie Modelle derselben Größe vergleichen.

  • Kleine Stichproben ermöglichen keinen genauen Schätzwert für die Stärke der Beziehung zwischen der Antwortvariablen und den Prädiktoren. Wenn R2 genauer sein muss, sollten Sie einen größeren Stichprobenumfang (im Allgemeinen 40 oder mehr) wählen.

  • R2 ist nur eines der Maß für die Güte der Anpassung des Modells an die Daten. Selbst wenn ein Modell ein hohes R2 aufweist, sollten Sie die Residuendiagramme untersuchen, um sich zu vergewissern, dass das Modell die Modellannahmen erfüllt.

R-Qd(kor)

Verwenden Sie das korrigierte R2, wenn Sie Modelle vergleichen möchten, die zwar die gleiche Kovarianzstruktur, jedoch eine unterschiedliche Anzahl von festen Faktoren und Kovariaten aufweisen. Angenommen, die Modelle weisen die gleiche Kovarianzstruktur auf; in diesem Fall vergrößert sich R2, wenn Sie weitere feste Faktoren oder Kovariaten hinzufügen. Der Wert des korrigierten R2 berücksichtigt die Anzahl der festen Faktoren und Kovariaten im Modell, so dass Ihnen das Auswählen des richtigen Modells erleichtert wird.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien