Standardisiertes Regressionsgewicht
Siehe Regressionsgewicht
Unabhängigkeit der Residuen
Voraussetzung für die lineare Regression. Die Unabhängigkeit der Residuen wird durch den Durbin-Watson Test geprüft. Dabei sollte die Autokorrelation nahe 0, die D-W Statistik zwischen 1 und 3 (im Idealfall 2) und der p-Wert > .05 sein. Ist dies nicht gegeben, ist es wichtig sein Studiendesign nochmal genau zu prüfen: Gibt es Anhaltspunkte dafür, dass Beobachtungen nicht voneinander unabhängig sind? Das ist zum Beispiel bei Messwiederholung der Fall, also wenn du eine Person mehrfach gemessen hast, die Mehrfachmessung nun aber nicht richtig in deinem Modell berücksichtigst. In diesem Fall würde die lineare Regression falsche Ergebnisse liefern. Besser geeignet wären hierarchische Modelle, in dem die Messwiederholung korrekt adressiert wird.
Unstandardisiertes Regressionsgewicht
Siehe Regressionsgewicht
Varianzinflationsfaktor (VIF)
Kann in der Regression mit zwei oder mehr Prädiktoren für jeden Prädiktor berechnet werden. Je höher ein Prädiktor mit anderen Prädiktoren korreliert ist, desto höher ist sein Varianzinflationsfaktor (VIF). Ist ein VIF > 10 deutet dies auf hohe Multikollinearität (hohe Korrelation der Prädiktoren untereinander) hin. Das ist ein Problem, denn bei Multikollinearität ist sowohl auf die Akkuratheit der b-Gewichte als auch auf die Signifikanztests dieser kein echter Verlass mehr! Merke dir: Bei Multikollinearität solltest du hoch miteinander korrelierte Prädiktoren trennen, indem du einen aus dem Modell entfernst. Ist dies aus praktischen oder theoretischen Gründen unmöglich, solltest du die Ergebnisse zumindest mit Vorsicht interpretieren.
Vorwärtsselektion
Die Vorwärtsselektion ist ein Algorithmus der Prädiktorenselektion innerhalb der multiplen Regression, mit dem das beste Modell mit x Prädiktor schrittweise identifiziert wird (daher heißt die Methode auch oft „schrittweise vorwärts“). Bei der Vorwärtsselektion starten R oder SPSS mit 0 Prädiktoren. Schritt für Schritt wird jeweils ein weiterer Prädiktor hinzugenommen, und zwar immer der, der den „größten Gewinn“ für das Modell darstellt. Weitere Algorithmen zur Modellselektion sind die Rückwärtsselektion, kombinierte Rückwärts- und Vorwärtsselektion, sowie die Best-Subset Selektion.