ΔR² = .06 nach den Kontrollvariablen, so liest du die hierarchische Regression in JASP mit M₀ und M₁
In einem erfundenen Datensatz mit 150 Beschäftigten sollen Stress und Schlafdauer die Erschöpfung vorhersagen, nachdem Alter und Geschlecht berücksichtigt sind. JASP zeigt dafür in der Modellübersicht zwei Zeilen mit den Namen M₀ und M₁. Wer die Koeffizienten in der SPSS-Ausgabe kennt, sucht dort zunächst vergeblich nach Modell 1 und Modell 2.
Im Beispiel steigt das R² von .10 auf .16. Der Zuwachs von ΔR² = .06 ist die eigentliche Antwort auf die Fragestellung. Damit diese Zahl stimmt, muss M₀ aber genau die Kontrollvariablen enthalten. Genau hier passiert in JASP ein häufiger Fehler.
Was eine hierarchische Regression beantwortet
Eine hierarchische Regression nimmt Prädiktoren in Blöcken auf, deren Reihenfolge du vorher festlegst. Im ersten Block stehen meist Kontrollvariablen wie Alter oder Geschlecht. Im zweiten Block folgen die Variablen, um die es in deiner Fragestellung geht. Die Frage lautet dann, ob der zweite Block über den ersten hinaus Varianz erklärt.
Davon zu unterscheiden ist die schrittweise Regression, bei der das Programm Variablen nach statistischen Kriterien auswählt. Sie gilt in vielen Fächern als problematisch, weil die Auswahl vom Zufall der Stichprobe abhängt. Bei der hierarchischen Regression entscheidest du selbst. Grundlage dafür ist eine inhaltliche Begründung.
Wie JASP M₀ und M₁ bildet
In der linearen Regression von JASP legst du im Bereich für das Modell fest, welche Prädiktoren zum Nullmodell gehören. Dafür gibt es bei jeder Variable eine Option, sie dem Nullmodell hinzuzufügen. Die genaue Bezeichnung hängt von deiner Version ab. Setzt du sie für Alter und Geschlecht, enthält M₀ diese beiden Variablen. M₁ enthält dann alle vier Prädiktoren.
Setzt du die Option nicht, besteht M₀ nur aus dem Achsenabschnitt. Dann zeigt der Vergleich nicht den Zuwachs durch Stress und Schlaf, sondern den Beitrag aller vier Prädiktoren zusammen. Im Beispiel stünde dort ΔR² = .16 statt .06. Wer das übersieht, berichtet einen zu großen Effekt für seine eigentliche Fragestellung.
Für die Änderungsstatistik aktivierst du in den Statistik-Optionen die Änderung von R². Die Tabelle 1 zeigt, wie die Modellübersicht mit erfundenen Werten aussehen kann:
Tabelle 1. Modellübersicht einer hierarchischen Regression in JASP mit erfundenen Werten
Modell | Enthaltene Prädiktoren | R² | ΔR² | F-Änderung |
M₀ | Alter, Geschlecht | .10 | .10 | F(2, 147) = 8.17, p < .001 |
M₁ | Alter, Geschlecht, Stress, Schlafdauer | .16 | .06 | F(2, 145) = 5.18, p = .007 |
Die Zeile M₀ vergleicht die Kontrollvariablen mit einem Modell ohne Prädiktoren. Die Zeile M₁ zeigt den Zuwachs durch den zweiten Block. Für deine Fragestellung ist meist nur diese zweite Zeile entscheidend. Wer beide Modelle in einer Tabelle der Arbeit zeigen will, findet im Tabellen-Kit Word-Vorlagen, die nach APA 7 aufgebaut sind.
Welche Variablen in welchen Block gehören
Die Ausgabe ist schnell gelesen. Schwieriger ist die Entscheidung davor. Gehört Bildung zu den Kontrollvariablen oder ist sie Teil deiner Fragestellung? Nimmst du einen Prädiktor auf, der mit Stress stark zusammenhängt, sinkt der Zuwachs im zweiten Block. Die Reihenfolge der Blöcke verändert also das Ergebnis. Sie muss deshalb aus Theorie und Fragestellung folgen und nicht aus der Ausgabe.
Welche Variablen in deinen ersten Block gehören und ob die Reihenfolge zu deiner Fragestellung passt, klären wir mit dir bei der Auswertung in JASP.
Was du neben ΔR² prüfst
Die Voraussetzungen gelten für das volle Modell. Linearität, Homoskedastizität und die Verteilung der Residuen prüfst du an M₁. Wie das geht, zeigt der Artikel zu den Voraussetzungen der linearen Regression, der sich auf JASP übertragen lässt.
Multikollinearität kann den Zuwachs verdecken. Hängen Stress und Schlafdauer stark zusammen, werden ihre einzelnen Koeffizienten unsicher. JASP zeigt dazu auf Wunsch Toleranz und VIF.
Die Koeffizienten stehen für beide Modelle in der Tabelle. JASP listet sie getrennt für M₀ und M₁. Im Ergebnisteil interpretierst du in der Regel die Koeffizienten aus M₁.
Hast du die Analyse mit der neuen Assistenzfunktion von JASP angestoßen, lohnt ein zweiter Blick auf genau diese Einstellungen. Welche Punkte dabei wichtig sind, beschreibt der Beitrag JASP rechnet auf Zuruf.
So kann der Bericht aussehen
Im Ergebnisteil berichtest du zuerst das Modell mit den Kontrollvariablen und danach den Zuwachs durch den zweiten Block. Mit den erfundenen Werten aus der Tabelle könnte das so aussehen:
Nach Kontrolle von Alter und Geschlecht erklärten Stress und Schlafdauer zusätzlich 6.00 % der Varianz der Erschöpfung, ΔR² = .06, F(2, 145) = 5.18, p = .007.
Danach folgen die einzelnen Koeffizienten aus M₁ mit Konfidenzintervallen. Wie du sie vollständig berichtest, zeigt der Artikel Regression nach APA 7 berichten. Wer dieselbe Analyse in R rechnet, findet die passenden Werte in der Ausgabe von summary(lm()).
Was du über die hierarchische Regression in JASP wissen solltest
Ist die hierarchische Regression dasselbe wie die schrittweise Regression?
Nein. Bei der hierarchischen Regression legst du die Blöcke vorher inhaltlich fest. Bei der schrittweisen Regression wählt das Programm die Variablen nach statistischen Kriterien aus. Für Abschlussarbeiten ist die hierarchische Variante in den meisten Fächern die besser begründbare Wahl.
Kann ich in JASP mehr als zwei Blöcke rechnen?
Die Modellübersicht in JASP vergleicht das Nullmodell mit dem vollständigen Modell. Für drei Blöcke rechnen viele zwei Analysen nacheinander und verschieben dabei die Grenze des Nullmodells. Prüfe in deiner Version, welche Optionen es dafür gibt.
Lohnt sich eine Prüfung, wenn meine Regression schon fertig ist?
Gerade bei hierarchischen Modellen kommt es vor, dass M₀ nicht das enthält, was im Text steht. Beim Auswertungs-Check sehen wir uns Ausgabe und Ergebnisteil gemeinsam an. Wie sich der Aufwand zusammensetzt, steht auf der Seite zu Preisen und Ablauf.
Muss ich die Kontrollvariablen im Ergebnisteil interpretieren?
Du nennst ihre Koeffizienten, eine ausführliche Deutung ist aber meist nicht nötig. Der Schwerpunkt liegt auf dem Block, der deine Fragestellung beantwortet. Fällt eine Kontrollvariable auffällig aus, gehört ein kurzer Satz dazu in die Diskussion.
Welche anderen Verfahren gibt es zu JASP im Blog?
Zum Beispiel einen Artikel zur Frage, wann du in JASP Wilcoxon oder Mann-Whitney rechnest. Weitere Beiträge zu JASP findest du über die Suche im Blog.
Wenn M₀ in deiner Ausgabe nicht das enthält, was du erwartest ist das kein Grund zur Sorge, sondern ein Grund zum Nachrechnen. Bei der Auswertung in JASP legen wir die Blöcke mit dir fest und liefern dir die Tabellen fertig für den Ergebnisteil. Wenn du die Analyse selbst rechnen willst, gehen wir die Ausgabe mit dir im 1:1-Coaching durch.


