Hallo,
ich bin ganz neu hier und komme seit einigen Tagen nicht weiter. Ich sitze gerade an einer Datenauswertung für meine Bachelorarbeit. Ich habe einen Datensatz von knapp 400 Patient*innen bei dene ich die BMI-Entwicklung betrachte (nachdem sie bestimmte Mediakmente genommen haben). Ich sollte nun eine Kovarianzanalyse durchführen um mögliche Störfaktoren wie Alter und Geschlecht herauszurechnen.
Über diese Befehle erhalte ich auch die Aussage ob die Faktoren einen sigifikanten Einfluss haben aber hier komm ich nicht weiter - Wie kann ich daraus meine adjustierten Mittelwerte für den BMI berechnen?
Ich bin weder der größte Statistik, noch der größte R-Profi (noch nicht) und hoffe ich habe mein Problem verständlich genug erklären können.
Ich würde mich sehr über Hilfe freuen!
Mit freundlichen Grüßen
Inga
Zuletzt geändert von jogo am Fr Okt 16, 2020 2:57 pm, insgesamt 1-mal geändert.
Grund:Formatierung verbessert. http://forum.r-statistik.de/viewtopic.php?f=20&t=29
das mit der größten R-Profi wird bestimmt noch werden, aber vielleicht erzählst Du uns noch, welche adjustierten Mittelwerte Du ausrechnen möchtest? Welches Alter und welches Geschlecht soll denn für die Ergebnisrechnung angenommen werden?
Hallo Bernhard,
die Mittelwerte will ich für den BMI, also die V5BMiLog variable berechnen.
So wie ich es verstanden hatte hätte ich das Durchschnittsalter meiner Studienpopulation angenommen welches 41 ist.
Hier sind die Ergebnisse, daraus würde ich deuten dass ich das Geschlecht sowieso ignoriere da dort kein signifikanter Einfluss ist?
Call:
lm(formula = V5_BMI_Log ~ DIAGNOSE + V0_Age + SEX, data = VEDOibd_BSc_121020_Gesamtpopulation)
Residuals:
Min 1Q Median 3Q Max
-0.18739 -0.05570 -0.01132 0.04612 0.29804
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.3520612 0.0133858 101.007 < 2e-16 ***
DIAGNOSEMC 0.0028983 0.0083564 0.347 0.728900
V0_Age 0.0010572 0.0002699 3.917 0.000106 ***
SEXm 0.0107908 0.0083026 1.300 0.194476
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.08226 on 391 degrees of freedom
Multiple R-squared: 0.04253, Adjusted R-squared: 0.03518
F-statistic: 5.789 on 3 and 391 DF, p-value: 0.0007022
Zuletzt geändert von jogo am Fr Okt 16, 2020 2:57 pm, insgesamt 1-mal geändert.
Grund:Formatierung verbessert. http://forum.r-statistik.de/viewtopic.php?f=20&t=29
Naja, auch wenn der Effekt von SexM nicht signifikant ist, so ist er doch Deine beste Schätzung dafür, wie groß der Effekt wohl wäre, wenn es ihn gibt. Und da Frauen und Männer unterschiedliche Physiologie, Statur und Essgewohnheiten haben wäre es durchaus plausibel, den Prädiktor im Spiel zu lassen. Das darfst Du selbst entscheiden.