Signifikanz sagt uns, ob ein Ergebnis statistisch auffällig ist.

Effektstärke sagt uns, wie groß ein Effekt ist.

Das ist ein entscheidender Unterschied.

Heute geht es um den Beta-Fehler.

Wir übersehen einen Effekt, obwohl er tatsächlich existiert.

Ein signifikantes Ergebnis wird oft so gelesen, als sei es wichtig.

Aber das ist ein Missverständnis.

Heute geht es um Stratifizierung.

Stratifizierung bedeutet:

Eine Stichprobe besteht aus unterschiedlichen Schichten oder Gruppen.

Das erinnert an ein Kamel und ein Dromedar.

Von vorne sehen beide vielleicht ähnlich aus.

Aber von der Seite erkennt man:

Das eine Tier hat einen Höcker.Das andere zwei.

Residuen sind die Teile des Kriteriums, die vom Modell nicht erklärt werden.

Der erste Blick gilt R-Quadrat.

Wie viel Varianz des Kriteriums erklärt das Modell?

Dann folgt die Modellsignifikanz.

Leistet das Modell insgesamt einen statistisch bedeutsamen Erklärungsbeitrag?

Lineare Regression ist kein automatisches Analysewerkzeug.

Sie verlangt eine passende abhängige Variable, sinnvolle Prädiktoren, ausreichende Daten und ein theoretisch begründetes Modell.

Manchmal liefern unterschiedliche Programme oder Verfahren sehr ähnliche Regressionskoeffizienten.

Aber die p-Werte unterscheiden sich.

Ein gutes Modell erklärt nicht nur viel.

Es erklärt ausreichend viel mit angemessener Komplexität.