Interpretieren der wichtigsten Ergebnisse für Matrixplot

Führen Sie die folgenden Schritte aus, um ein Matrixplot zu interpretieren.

Schritt 1: Suchen nach Modellbeziehungen und Auswerten von deren Stärke

Suchen Sie nach Modellbeziehungen zwischen Variablenpaaren. Ermitteln Sie, welche Modellbeziehung für Ihre Daten am besten geeignet ist, und werten Sie die Stärke der Beziehung aus. Wenn ein Modell gut angepasst ist, können Sie die Daten mit der Regressionsgleichung für das betreffende Modell beschreiben.

Tipp

Um festzustellen, wie gut ein bestimmtes Modell an Ihre Daten angepasst ist, fügen Sie eine angepasste Regressionslinie hinzu. Doppelklicken Sie auf die Grafik. Wenn sich die Grafik im Bearbeitungsmodus befindet, klicken Sie mit der rechten Maustaste auf die Grafik, und wählen Sie anschließend Hinzufügen > Regressionsanpassung aus. Sie können mit dem Mauszeiger auf die angepasste Regressionslinie zeigen, um die Regressionsgleichung einzublenden.

Typ der Beziehung

In den folgenden Beispielen werden unterschiedliche Typen von Beziehungen veranschaulicht, die mit einer Regressionsanpassungslinie modelliert werden können.
Linear: positiv
Linear: negativ
Gekrümmt: quadratisch
Gekrümmt: kubisch
Keine Beziehung

Wenn ein Modell passend für Ihre Daten erscheint, können Sie die Beziehung mit einer Regressionsanalyse untersuchen.

Stärke der Beziehung

Bewerten Sie, wie gut die Daten zum Modell passen, um die Stärke der Beziehung zwischen X und Y abzuschätzen. Wenn die Beziehung stark ist, modelliert die Regressionsgleichung die Daten genau. Wenn Sie über eine angepasste Regressionslinie verfügen, zeigen Sie mit dem Mauszeiger darauf, um die Regressionsgleichung und den R-Quadrat-Wert anzuzeigen. Je höher der R-Quadrat-Wert, desto genauer werden die Daten von der Regressionsgleichung modelliert.
Schwächere Beziehung
Stärkere Beziehung

Um die Stärke einer linearen (geraden) Beziehung zu quantifizieren, führen Sie eine Korrelationsanalyse aus.

Schritt 3: Suchen nach anderen Mustern

Ausreißer können auf ungewöhnliche Bedingungen in den Daten hinweisen. Zeitbasierte Trends können auf sich ändernde Datenbedingungen hindeuten.

Ausreißer

Ausreißer, d. h. Datenwerte, die weit entfernt von den anderen Datenwerten liegen, können sich stark auf Ihre Ergebnisse auswirken.

In einem Streudiagramm weisen isolierte Punkte auf Ausreißer hin.

Versuchen Sie, die Ursache von Ausreißern zu ermitteln. Korrigieren Sie sämtliche Dateneingabe- oder Messfehler. Erwägen Sie, Datenwerte zu entfernen, die auf ungewöhnliche, einmalige Ereignisse (Ausnahmebedingungen) zurückzuführen sind. Wiederholen Sie anschließend die Analyse.