Hallo
ich muss für meine Abschlussarbeit einen Datensatz mit SPSS auswerten. Dabei geht es um die Analyse zwischen einer abhängigen, und einer ganzen Reihe von unabhängigen und Kontroll Variablen.
Die abhängige Variable ist eine Punktzahl für jährliche Geschäftsberichte, die sich aus mehreren Faktoren zusammensetzt. Ich ermittel also die Punktzahlen der bestimmten Kriterien, standardisiere sie und bilde daraus dann die Gesamtpunktzahl (zwischen 0 und 1).
Die unabhängigen Variablen lassen sich in 3 Gruppen gliedern, und jede dieser Gruppen besteht aus 3 Variablen. 1 Variable prüft, ob ein bestimmter Sachverhalt vorhanden ist (1 wenn ja, 0 wenn nein), und die anderen gehen dann auf die Eigenschaften dieser Variablen ein (werden ebenfalls mit 0 und 1 gemessen).
Kontrollvariablen sind größtenteils metrisch, aber auch nominal skaliert.
Folgende Probleme:
- Allgemein gesagt will ich 2 Hypothesen testen, einmal die einzelnen unabhängigen Variablen in Verbindung mit der abhängigen Variable, und einmal die Interaktionseffekte von allen unabhängigen Variablen zusammen. Dafür habe ich mir überlegt die Regressionsanalyse anzuwenden, nun die Frage: Kann ich alles in 1 Modell zusammenfassen, oder sind mehrere Modelle erforderlich? Ich frage, da ich ebenfalls die Vorbedingungen für eine Regressionsanalyse testen möchte (normalverteilt, linear, vollständig, etc.). Also reicht es, wenn ich die ganzen Bedingungen einmal teste, und dann aus einem Modell alle Antworten auslese?
- Wie bereits geschrieben, wird die abhängige Variable durch mehrere Faktoren zusammengesetzt. Ich würde gerne zusätzlich den Zusammenhang zwischen den unabhängigen Variablen und den einzelnen Faktoren ermitteln, kann ich diese ebenfalls in das Modell packen oder muss dafür ein neues Modell her?
Ich hatte bisher nur einen Kurs in SPSS, deshalb bin ich ziemlicher Anfäger.
Danke für Eure Hilfe!
Edit: Hier mal ein statistisches Modell, um es vieleicht ein bisschen verständlicher auszudrücken:
Hypothesis 1:
1) QFR = β0 + β1 ACIND + β2 EAIND + β3 IAIND + Kontrollvariablen + εt
Interaction measurement
2) QFR = β0 + β1 AC + β2 EA + β3 IA + β4 ACIND* EAIND * IAIND + Kontrollvariablen + εt
Hypothesis 2:
1) QFR = β0 + β1 ACEXP + β2 EAEXP + β3 IAEXP + Kontrollvariablen + εt
Interaction measurement
2) QFR = β0 + β1 AC + β2 EA + β3 IA + β4 ACEXP* EAEXP * IAEXP + Kontrollvariablen + εt
QFR = abhängige Variable
AC, EA, IA sind Prüfvariablen, ob bestimmte Strukturen überhaupt vorhanden sind
ACEXP, ACIND, und die anderen sind Variablen, die dann die einzelnen Aspekte der Prüfvariablen prüfen, sofern diese vorhanden sind.
