Wenn ein t-test signifikant ist, ist der Betrag des zugehörigen Regressionskoeffizienten so groß, dass wir annehmen, dass es nicht einfach Zufall sein kann.
Multiple R-squared: 0.00 Adjusted R-squared: 0.00 Modell entspricht dem Nullmodell
Annahmen/Voraussetzungen
Homoskedastizität/Unabhängigkeit der Residuen
plot(fitted(ergebnis),residuals(ergebnis))
Normalverteilung (der Residuen)
hist(residuals(ergebnis))
Shapiro-Wilk normality test
data: residuals(ergebnis)
W = 0.98, p-value = 0.101
shapiro.test(residuals(ergebnis))
Modellvergleiche (verschachtelte Modelle, Beispiel geschätztes Modell mit vollständigem Modell)
signifikant -> komplexeres Modell (erklärt signifikant mehr Varianz)
nicht signifikant -> sparsameres Modell (Unterschiede in erklärter Varianz sind vernachlässigbar)
b0: Achsenabschnitt. Ist der Mittelwert (in der Töpferleistung) für alle Personen, die bei allen unabhängigen Variablen den Wert 0 aufweisen.
Sind keine UVs im Modell enthalten, ist b0 der Gesamtmittelwert. Sind alle UVs zentriert (hier nicht der Fall für Alter) ebenfalls.
b1/2/3: Sind die Effekte der unabhängigen Variablen auf die Töpferleistung.
Existiert im Modell keine signifikante Interaktion für eine UV, ist der Effekt dieser UV auf die Töpferleistung unabhängig von den anderen UVs.
Der Regressionskoeffizient gibt dann an, um wie viel sich die Töpferleistung einer Person verändert, wenn sich der Wert der UV um eins erhöht.
Existiert im Modell mindestens eine signifikante Interaktion für eine bestimmte UV, beschreibt der Regressionskoeffizient, den Effekt dieser UV auf die Töpferleistung,
für Personen, die in den anderen (an einer signifikanten Interaktion mit der ersten UV beteiligten) UVs den Wert 0 haben.
b4/5/6: Regressionskoeffizienten der Zweifach-Interaktionen, beschreiben den moderierenden Einfluss einer UV auf den Effekt einer anderen UV auf die Töpferleistung. Mit anderen Worten,
wie verändert sich der Zusammenhang zwischen einer UV und der AV aufgrund einer Zunahme der anderen UV um eine Einheit (Veränderung des Anstiegs).
b7: Regressionskoeffizient der Dreifach-Interaktion. Interpretation so ähnlich wie bei der Zweifach-Interaktion jedoch mit einer zusätzlichen Variablen.
Überlegen Sie sich was mit dem Effekt der dritten Variable passiert, wenn sich die anderen beiden verändern(in dieselbe Richtung oder in unterschiedliche).
Bei den Interaktionen können wir anhand des Modells nicht sagen, welche der zwei (drei) Variablen der Moderator ist. Meist ordnet man diese Bezeichnung nach inhaltlich-theoretischen Aspekten zu.
Man sollte ein Modell nur interpretieren, wenn die Vorraussetzungen erfüllt sind / die Annahmen zutreffen. Grundsätzlich ist es auch immer sinnvoll die aufgeklärte Varianz zu diskutieren.