Ich sitze gerade an meiner Masterarbeit und versuche, die Ergebnisse meiner Umfrage zur Nutzung von Lernplattformen auszuwerten. Eigentlich dachte ich, eine einfache lineare Regression würde reichen, aber mein Betreuer meinte, ich solle mir mal multiple lineare Regression anschauen, weil da mehrere Einflussfaktoren gleichzeitig betrachtet werden. Ich verstehe den grundsätzlichen Unterschied, aber ich grüble jetzt die ganze Zeit, ob mein Modell überhaupt sinnvoll ist. Wie entscheidet man eigentlich, ob ein zusätzlicher Prädiktor das Modell wirklich besser macht oder ob man sich nur in Komplexität verrennt? Mir geht es vor allem darum, die Sache mit der Lernzeit und dem Vorwissen sauber auseinanderzuhalten.
Ich sitze hier und denke wie sinnvoll die multiple lineare Regression ist wenn es um Lernzeit und Vorwissen geht. Klar ist der Gedanke gut doch mehr Prädiktoren bedeuten oft nur mehr Rauschen statt Klarheit und man verliert leicht den Überblick. Worum es mir geht ist ob die neue Variable wirklich etwas erklärt oder nur das Muster des Datensatzes ausnutzt.
Aus Sicht der Statistik prüft man ob der neue Prädiktor wirklich den Modellfit verbessert und nicht nur die Zufälligkeit verlängert. Dazu vergleicht man angepasstes R Quadrat oder Informationskriterien wie AIC oder BIC und prüft einen relevanten F Test der Veränderung. Gehört der neue Prädiktor wirklich dazu oder ist es nur ein Weg das Ergebnis zu verfeinern? Gleichzeitig sollte man auf Multikollinearität achten und sich fragen ob der Effekt interpretierbar bleibt.
Vielleicht missverstehst du die Sache und glaubst es geht um eine exakte Trennung Lernzeit versus Vorwissen statt um verschachtelte Einflüsse. In der Praxis wirken sich beide Größen oft zusammen aus und Interaktionseffekte oder Nicht Linearitäten können auftreten die eine einfache Gerade schwer fassbar macht.
Vielleicht lohnt es sich den Blick neu zu definieren statt einfach mehr Prädiktoren zu addieren. Man könnte fragen welche theoretische Rolle Lernzeit wirklich spielt und ob Vorwissen als Moderator oder als Mediator zu sehen ist statt als direkter Prädiktor. Wer weiss was sich am Ende offenbart wenn man die Daten anders auswertet.
