Deutsches R-Forum

guten tag alle miteinander.
Ich brauche wirklich dringend (!) Hilfe bei der Lösung meines Problems zur linearen Regression.
Ich habe hier meine lineare regression zur Forschungsfrage und speise diese ein

FF1 <- lm(ds$MittelwertFE ~ ds$TA01_01, data = ds)

als nächstes gebe ich die summaryfunktion ein und erhalte folgenden Output

summary(FF1)
Call:
lm(formula = ds$MittelwertFE ~ ds$TA01_01, data = ds)

Residuals:
Min 1Q Median 3Q Max
-1.91865 -0.73556 0.06444 0.67571 2.85881
attr(,"1")
[1] "Ich stimme überhaupt nicht zu"
attr(,"5")
[1] "Ich stimme voll und ganz zu"
attr(,"class")
[1] "avector" "numeric"

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.1130 0.1638 19.004 < 2e-16 ***
ds$TA01_01 -0.1944 0.0548 -3.547 0.000443 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.982 on 350 degrees of freedom
Multiple R-squared: 0.03469, Adjusted R-squared: 0.03193
F-statistic: 12.58 on 1 and 350 DF, p-value: 0.0004433

Die ganzen Begrifflichkeiten derBetafehler irritieren mich schon sehr, ich weiss nicht wo ich hier die = Beta-Werte der Prädiktoren, den Standardfehler der Beta-Werte und den Standardisierte Beta-Fehler fehler finde..
Durchforsten der Foren half mir nicht weiter und die zeit rennt davon..

Ist der standartisierte beta Fehler denn Std.Error?

Bitte hilft mir, ich bin stark am Verzweifeln!

Um die Prädikatoren zu berechnen, muss ich F(12.58)= 0,034, sehe ich das richtig so?

Bitte helft mir so schnell es geht, bin mir so unsicher..

Erklärung des R-Outputs: http://www.uni-regensburg.de/wirtschaft ... output.pdf

Den standardisierten Regressionskoeffizienten habe ich mit einer modifizierten summary-Funktion selbst berechnet, aber da hätte es sicherlich auch eine fertige Lösung gegeben, die hier sicher auch jemand kennt.

Morgen Abgabetermin?

Da du nur eine erklärende Variable berücksichtigst ist das was du berechnest im Prinzip eine Korrelation nach Bravais-Pearson.
Plotte mal die Daten und du wirst sehen, da ist nicht unbedingt ein Zusammenhang (dein R² ist ziemlich niedrig).

Die Koeffizienten stehen im Output unter Estimate.
Deren Standardfehler daneben als Std.Error.

BG ruppy

Vielen Dank soweit schonmal!

So weit habe ich das vertsanden. Der Korrelationskoeffizient r ist -.19.
Doch was bedeuten die Beta-Werte der Prädiktoren? Wo kann ich diese ablesen?
ist denn der Korrelationskoeffizient der Beta Wert *facepalm* ?? o.O

Demnach wäre dann logisch, dass der Standarterror der Standartfehler des Beta Werts ist..

Soweit nun bis hierhin geklärt, wenn mir niemand wiederspricht..
Ist dann der Standardisierte Beta-Fehler einfach 1-Pr(>|t|) ?

Liebe grüße
der hilfeseeker

@Hufeisen:

Auf die seite bin ich auch schon vor einiger zeit gestoßen, aber ich wurde nicht aus den Erklärungen schlau. Ich fokussiere mich glaube ich zu sehr auf Begrifflichkeiten :/

Liebe Grüße

Die Beta-Werte stehen im Output unter Estimate.
Für deine Variable: -0.1944

Unter dem Link von hufeisen findet sich folgende Textpassage:

Mit Hilfe der KQ-Methode werden nun die Koeffizienten geschätzt (Estimate), deren empirische Standardabweichung (Std. Error) wird angegeben, die Teststatistik (t-value) zum Test mit H0 : βi = 0 vs. H1 :
βi 6= 0 (Interpretation: xi hat keinen Einfluss vs. xi hat Einfluss) berechnet und der zur Teststatistik gehörende
p−Wert (Pr(>|t|)) notiert (Interpretation siehe unten). Die Sterne (z. B. ***) deuten dabei auf das Signifikanzniveau (mit Legende Signif. codes) hin.

BG rupy

Also:
Vorliegend habe ich der Reihe nach den

Beta-Werte der Prädiktoren (Estimates) dann den Standardfehler der Beta-Werte (Std Error), die t-value und den p-Wert.

Ich bin nun auf der Suche nach dem Standartisierten beta Fehler. Wie kann ich ihn mir errechnen?


Liebe Grüße

Begrifflich sollte man beachten, dass der Regressionskoeffizient gerne mit dem griechischen Buchstaben beta bezeichnet wird und es noch den standardisierten Regressionskoeffizienten gibt, der auch Beta-Wert genannt wird. Letzterer ist recht einfach zu berechnen: https://de.wikipedia.org/wiki/Regressio ... ffizienten Die nötigen Größen liegen in den Objekten des linearen Modells und dem Objekt mit dem Output von summary().

Vielen Dank! Das hat soweit meine Frage beantwortet. Du hast dir riesen Karmapunkte verdient