Überlegungen zu Daten für Regression der partiellen kleinsten Quadrate

Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.

Die Prädiktoren müssen nicht fest sein
Für PLS wird nicht von festen Prädiktoren ausgegangen, d. h., die Prädiktoren können mit Fehlern gemessen werden. Wenn die Prädiktoren fest sind und keine wesentlichen Messfehler enthalten, verwenden Sie Regressionsmodell anpassen.
Die Daten können über mehr Terme als Beobachtungen verfügen, oder die Prädiktoren können stark kollinear sein.
Wenn die Prädiktoren nicht stark kollinear sind und die Daten mehr Beobachtungen als die Anzahl an Prädiktoren enthalten, verwenden Sie Regressionsmodell anpassen.
Die Prädiktoren können stetig oder kategorial sein.

Eine stetige Variable kann gemessen und geordnet werden, und sie kann zwischen zwei beliebigen Werten eine unendliche Anzahl von Werten annehmen. Die Durchmesser einer Stichprobe von Reifen sind beispielsweise eine stetige Variable.

Kategoriale Variablen umfassen eine endliche, zählbare Anzahl von Kategorien oder eindeutigen Gruppen. Kategoriale Daten müssen nicht zwangsläufig eine logische Reihenfolge aufweisen. Zu den kategorialen Prädiktoren zählen beispielsweise Geschlecht, Materialtyp und Zahlungsmethode.

Wenn Sie über eine diskrete Variable verfügen, können Sie entscheiden, ob diese als stetiger oder als kategorialer Prädiktor behandelt werden soll. Ein diskrete Variable kann gemessen und geordnet werden, kann jedoch nur eine zählbare Anzahl von Werten annehmen. Die Anzahl der zu einem Haushalt zählenden Personen ist beispielsweise eine diskrete Variable. Die Entscheidung, eine diskrete Variable als stetig oder als kategorial zu behandeln, hängt von der Anzahl der Stufen sowie vom Zweck der Analyse ab. Weitere Informationen finden Sie unter Was sind kategoriale, diskrete und stetige Variablen?.

Die Antwortvariablen müssen stetig sein.

Wenn Sie die Analyse mit korrelierten Antwortvariablen durchführen, kann PLS multivariate Antwortmuster und schwächere Beziehungen erkennen, als dies bei einer separaten Analyse für jede Antwortvariable möglich wäre.

Wenn die Antwortvariable kategorial ist, besteht eine geringere Wahrscheinlichkeit, dass das Modell die Annahmen der Analyse erfüllt, die vorliegenden Daten genau beschreibt oder eine Grundlage für nützliche Prognosen darstellt.

Wenn die Prädiktoren nicht stark korrelieren und nicht mehr Prädiktoren als Beobachtungen vorliegen, können Sie die folgenden Alternativanalysen erwägen.

  • Wenn die Antwortvariable zwei Kategorien enthält, z. B. „Bestanden“ und „Nicht bestanden“, verwenden Sie Binäres logistisches Modell anpassen.
  • Wenn die Antwortvariable drei oder mehr Kategorien mit einer natürlichen Rangfolge aufweist, z. B. „Starke Ablehnung“, „Ablehnung“, „Neutral“, „Zustimmung“ und „Starke Zustimmung“, verwenden Sie Ordinale logistische Regression.
  • Wenn die Antwortvariable drei oder mehr Kategorien ohne natürliche Rangfolge aufweist, z. B. Kratzer, Delle und Riss, verwenden Sie Nominale logistische Regression.
  • Wenn mit der Antwortvariablen Ereignishäufigkeiten gezählt werden, z. B. die Anzahl der Fehler, verwenden Sie Poisson-Modell anpassen.
Orientieren Sie sich bei der Datenerfassung an optimalen Vorgehensweisen
Befolgen Sie die folgenden Richtlinien, um sicherzustellen, dass Sie gültige Ergebnisse erhalten:
  • Vergewissern Sie sich, dass die Daten repräsentativ für die Grundgesamtheit von Interesse sind.
  • Erfassen Sie eine ausreichende Datenmenge, um die notwendige Präzision zu erzielen.
  • Messen Sie Variablen so genau und präzise wie möglich.
  • Zeichnen Sie die Daten in der Reihenfolge auf, in der sie erfasst werden.
Das Modell sollte gut an die Daten angepasst sein

Wenn das Modell nicht gut an die Daten angepasst ist, können die Ergebnisse irreführend sein. Bestimmen Sie anhand der Residuendiagramme, der Statistiken für Modellauswahl und -validierung sowie des Antwortdiagramms in der Ausgabe, wie gut das Modell an die Daten angepasst ist.

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