Hallo Annka,

du kannst hier entweder eine ANCOVA rechnen (AV ist dein Post-Wert, Kovariate ist dein Pre-Wert und Gruppenvariable ist die Gruppe). Oder du rechnest eine gemischte ANOVA mit Interaktion zwischen Zeit und Gruppe. Das geht beides. 🙂

LG Daniela

Hallo Daniela,

ich habe das gleiche Studiendesign wie Alia. Ich habe Seminare mit einer bestimmten Methode durchgeführt und Pre und Post Daten zu Kompetenzen erhoben. Gleichzeitig hat eine Kontrollgruppe ein Seminar zum gleichen Thema aber mit anderen Methoden erhalten.

Ich möchte nun herausfinden, ob es Änderungen bei den Kometenzen gibt und ob das auf die Methode zurückzuführen ist. Bis gerade dachte ich, dass ich hier eine ANCOVA rechne? War das falsch?

Viele Grüße
Annka

Hallo Susann,

ja, es kann hier leichte Unterschiede geben. Das kann unter anderem daran liegen, mit welcher Formel und wie genau gerundet deine Statistiksoftware U in z umrechnet. Ich habe es mit einem Beispiel mit SPSS und Psychometrica nochmal nachgerechnet und hatte einen Unterschied in Cohens d von 0,004. Das ist nicht wirklich relevant in diesem Bereich. Es ist also egal, welchen Wert du nimmst. Berichte einfach, was du gemacht hast. Dann ist es transparent.

LG Daniela

Hallo Maxi,
du kannst beides über das Menü der Verallgemeinerten linearen gemischten Modelle rechnen.
LG Daniela

Hallo Miri,

das kann so oder so passend sein. Es ist möglich, dass die Kovariate für beide (AV und Mediator) kontrolliert werden soll, dann machst du das bei beiden. Oder auch nur für eine der beiden. Wie du möchtest.

LG Daniela

ich berechne eine Mediationsanalyse mit Process nach Hayes. Dabei habe ich mehrere Kovariaten. In JASP muss ich die Pfade manuell eingeben. Daher meine Frage: Muss ich deren Einfluss sowohl auf den Mediator (Kovariate → Mediator) als auch auf die AV (Kovariate → AV) kontrollieren?

Vielen lieben Dank im Voraus!
LG Miri

Hallo Ju,

ja, so kannst du vorgehen. Alternativ könntest du auch erstmal mit allen bivariaten Korrelationen starten und anhand derer auswählen, ob eine Kovariate mit aufgenommen wird oder nicht.
Oder du verwendest eine schrittweise Methode, die automatisiert deine Variablen auswählt. Oder du nutzt eine Lasso- oder Ridge-Regression, um dem Overfitting entgegen zu wirken.
Du siehst, es gibt sehr viele Möglichkeiten und es hängt auch viel von der Größe deiner Stichprobe ab (wie komplex darf das Modell sein?), was deine Software kann (Lasso/Ridge?) und – falls zutreffend – was deine Betreuungsperson möchte.

LG Daniela

ich möchte den Zusammenhang zwischen körperlicher Aktivität (UV1) sowie Sitzzeit (UV2) mit Rückenschmerzen (AV1) und mit Gesundheit (AV2) untersuchen.

Klassische Confounder wären: Alter, Geschlecht, Bildung, Einkommen, Migrationshintergrund, Ost/West. Diese würde ich in die beiden Regressionen (zwei Regression, weil 2 AVs) aufnehmen.

Es gibt aber auch noch viele weitere Einflussfaktoren, welche im Zusammenhang mit der UV und AV stehen, zum Teil aber auch auf dem Pfad zwischen UV und AV liegen könnten, wie z.B. Body-Mass-Index usw. Kann ich diese Kovariaten ebenfalls in die zwei Regressionsmodelle einfach aufnehmen, sodass ich insgesamt zwei große Regression habe ? In diesen beiden Regressionen würde ich dann auch die UVs gegenseitig adjustieren, hätte Confounder, potenzielle Mediatoren usw., also kurz gesagt alle möglichen Kovariaten reingeworfen. Bei dem Vorgehen könnte es zur Überadjustierung kommen.

Ich hätte deshalb pro UV zusätzlich eine eigene Regression gerechnet, wo der totale Effekte sichtbar wird, dabei würde ich nur strenge Confounder (Alter, Geschlecht, Bildung, usw., welche zeitlich vor der Exposition liegen) einbeziehen, um das Problem der Überadjustierung einzudämmen. Ich hätte dann aber auch 6 Regressionen, was die Auswertung umfangreicher macht.

Ist der Weg mit den 6 Regressionen methodisch sauberer und ist er überhaupt interessant, weil man ja viele interessante Kovariaten weglässt?

Vielen Dank schon mal. Viele Grüße