Die multiple lineare Regression im psychotherapiewissenschaftlichen Kontext
-Empfehlungen für Anwendung und Interpretation-
DOI:
https://doi.org/10.15135/2022.10.2.132-149Abstract
In diesem Beitrag der Serie Statistik in der Psychotherapiewissenschaft wird die Anwendung von Verfahren zur Analyse linearer Beziehungen im Sinne eines Best-Practice Ansatzes vorgestellt. Neben bivariaten Korrelationen wird vor allem das Verfahren der multiplen linearen Regression vorgestellt. Es werden Empfehlungen für (1) den Umgang mit Voraussetzungen, (2) der adäquaten Interpretation der Ergebnisse sowie (3) Reportkonventionen für die Ergebnisdarstellung gegeben. Darüber hinaus wird das Thema der Kausalität und Kausalinterpretationen empirischer Sachverhalte behandelt.
Literaturhinweise
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2018). Multivariate Analysemethoden: Eine anwendungsorientierte Einführung (15. Aufl.). Wiesbaden: Springer.
Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung (3. Aufl.). Berlin, Heidelberg: Springer Gabler.
Black, T. R. (1999). Doing Quantitative Research in the Social Sciences. An Integrated Approach to Research Design, Measurement and Statistics. London: Sage.
Bortz, J. (2006). Statistik: Für Human- und Sozialwissenschaftler. Berlin, Heidelberg: Springer.
Bortz, J., & Schuster, C. (2010). Statistik: für Human- und Sozialwissenschaftler. Berlin, Heidelberg: Springer.
Bravais, A. (1846). Analyse mathématique sur les probabilités des erreurs de situation de point. Mémoires présentés par divers savants à l’Academie des Sciences de l’Institut de France, 9, 255–332.
Bühner, M., & Ziegler, M. (2009). Statistik für Psychologen und Sozialwissenschaftler. München: Pearson.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). New York: Academic Press.
Eid, M., Gollwitzer, M., & Schmitt, M. (2011). Statistik und Forschungsmethoden (2. Aufl.).Weinheim Basel: Beltz.
Field, A. (2017). Discovering Statistics Using IBM SPSS Statistics (5th ed.) London: Sage.
Haupt, H., Lösel, F., & Stemmler, M. (2014). Quantile Regression Analysis and Other Alternatives to Ordinary Least Squares Regression. Methodology, 10(3), 81–91. https://doi.org/10.1027/1614-2241/a000077
Kossakowski, J. J., Waldorp, L. J., & van der Maas, H. L. J. (2021). The search for causality: A comparison of different techniques for causal inference graphs. Psychological Methods, 26(6), 719–742. https://doi.org/10.1037/met0000390
Nübling, R, Schulz, H., Schmidt, J., Koch, U. & Wittmann, W. W. (2005). Fragebogen zurPsychotherapiemotivation (FPTM) – Testkonstruktion und Gütekriterien. In R. Nübling, F. A. Muthny & J. Bengel (Hrsg.), Reha-Motivation und Behandlungserwartung (S. 252-270). Bern: Huber.
Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys 3, 96–146. https://doi.org/10.1214/09-SS057
Pearl, J. (2010). An Introduction to Causal Inference. The International Journal of Biostatistics, 6(2). https://doi.org/10.2202/1557-4679.1203
Pearl, J., & Mackenzie, D. (2019). The Book of Why: The New Science of Cause and Effect. New York: Penguin Books.
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. New York: Houghton, Mifflin and Company.
Wentura, D., & Pospeschill, M. (2015). Multivariate Datenanalyse: Eine kompakte Einführung. Wiesbaden: Springer.
Wilmers, F., Munder, T., Leonhart, R., Herzog, T., Plassmann, R., Barth, J., & Linster, H. W. (2008). Die deutschsprachige Version des Working Alliance Inventory-short revised (WAI-SR)-Ein schulenübergreifendes, ökonomisches und empirisch validiertes Instrument zur Erfassung der therapeutischen Allianz. Klinische Diagnostik und Evaluation, 1(3), 343–358.
