Hallo, ich bin ganz neu in der Statistikanalyse und habe eine wahrscheinlich sehr grundlegende Frage.
Ich habe Probleme, die Ergebnisse einer logistischen Regressionsanalyse zu interpretieren, die ich mit einigen einfachen Daten durchgeführt habe.
Ich habe einen Datensatz von Eichen in zwei verschiedenen Waldtypen und frage, wie Größe und Waldtyp das Schicksal (unbeschädigt vs. beschädigt) nach einem Hurrikanereignis beeinflussen.
Also, Y = Schicksal, X = Größe (kontinuierliche Variable) und Waldtyp (zwei Kategorien, junger Wald vs. alter Wald).
Wenn ich die Regression mit beiden eingeschlossenen Variablen durchführe, ist keine von beiden signifikant. Ich habe es auch mit einer Interaktionsvariablen (Größe * Waldtyp) ausgeführt, und wieder ist nichts signifikant.
Dies war etwas überraschend, da ich aufgrund der Daten erwartet hatte, dass beide Variablen signifikant (oder nahe beieinander) sind.
Also habe ich eine logistische Regression mit einer Variablen nach der anderen durchgeführt, nur um zu sehen, was passiert ist. Die Größe war nicht signifikant. Mit nur dem Waldtyp als Variable war dies jedoch signifikant, da Bäume, die beschädigt sind, eher in reifen Wäldern stehen.
Ich habe Probleme, mir klar zu machen, was das bedeutet. Größe und Waldtyp sind korreliert (die Größe ist in reifen Wäldern deutlich größer) und es gibt ökologische Gründe, dass beide das Schicksal stark beeinflussen würden. Ich verstehe nicht, warum nur der Waldtyp signifikant ist, es sei denn, es gibt Unterschiede zwischen den Waldtypen (außer der Größe), die hier sehr wichtig sind - was sehr gut der Fall sein könnte -, aber warum ist der Waldtyp dann immer noch signifikant, wenn er hinzugefügt wird in das Modell mit Größe?
Ist es so, dass die Größe das Schicksal beeinflusst, einfach nicht genug, um statistisch signifikant zu sein, und wenn sie einbezogen wird, erklärt sie einen Teil der Variation, und dies wäscht das Signal des Waldtyps irgendwie aus?
Ich verstehe offensichtlich nicht genug von der internen Funktionsweise von LR-Modellen ... jeder Rat ist willkommen!
Die Korrelation zwischen Größe und Waldtyp bedeutet, dass die Standardfehler ihrer Parameterschätzungen überhöht sind. Diese Inflation reduziert die Kraft des T -Tests, die zur Bewertung der Schätzungen verwendet werden, wodurch es weniger wahrscheinlich ist, dass sie signifikant sind, wenn sie zusammen im Modell enthalten sind, als wenn sie getrennt modelliert werden. Können Sie die Korrelation zwischen diesen beiden Prädiktoren teilen?
Sie können auch in Betracht ziehen, die Daten nicht durch Genius zu trennen. Ihre Tests werden leistungsfähiger. Fügen Sie einfach Genius als weiteren Effekt (Term) im Modell hinzu. Sie können Modellinteraktionseffekten Kreuzbegriffe hinzufügen, wenn Sie der Meinung sind, dass der Effekt von Größe oder Waldtyp vom Genius abhängt.
