Wir k\u00f6nnen das folgende allgemeine Format verwenden, um die Ergebnisse eines einfachen linearen Regressionsmodells<\/a> zu melden:<\/span><\/p>\n Mithilfe einer einfachen linearen Regression wurde getestet, ob [Pr\u00e4diktorvariable] [Antwortvariable] signifikant vorhersagte.<\/span><\/p>\n Das angepasste Regressionsmodell war: [angepasste Regressionsgleichung]<\/span><\/p>\n Die Gesamtregression war statistisch signifikant (R 2<\/sup> = [R 2<\/sup> -Wert], F (Regressions-df, Rest-df) = [F-Wert], p = [p-Wert]).<\/span><\/p>\n Es wurde festgestellt, dass [Pr\u00e4diktorvariable] [Antwortvariable] signifikant vorhersagt (\u03b2 = [\u03b2-Wert], p = [p-Wert]).<\/span><\/p>\n<\/blockquote>\n Und wir k\u00f6nnen das folgende Format verwenden, um die Ergebnisse eines multiplen linearen Regressionsmodells<\/a> zu melden:<\/span><\/p>\n Mithilfe der multiplen linearen Regression wurde getestet, ob [Pr\u00e4diktorvariable 1], [Pr\u00e4diktorvariable 2], \u2026 [Antwortvariable] signifikant vorhersagte.<\/span><\/p>\n Das angepasste Regressionsmodell war: [angepasste Regressionsgleichung]<\/span><\/p>\n Die Gesamtregression war statistisch signifikant (R 2<\/sup> = [R 2<\/sup> -Wert], F (Regressions-df, Rest-df) = [F-Wert], p = [p-Wert]).<\/span><\/p>\n Es wurde festgestellt, dass [Pr\u00e4diktorvariable 1] [Antwortvariable] signifikant vorhersagt (\u03b2 = [\u03b2-Wert], p = [p-Wert]).<\/span><\/p>\n Es wurde festgestellt, dass [Pr\u00e4diktorvariable 2] [Antwortvariable] nicht signifikant vorhersagt (\u03b2 = [\u03b2-Wert], p = [p-Wert]).<\/span><\/p>\n<\/blockquote>\n Die folgenden Beispiele zeigen, wie Regressionsergebnisse f\u00fcr ein einfaches lineares Regressionsmodell und ein multiples lineares Regressionsmodell gemeldet werden.<\/span><\/p>\n Angenommen, ein Professor m\u00f6chte die Anzahl der gelernten Stunden nutzen, um die Note vorherzusagen, die die Studierenden bei einer bestimmten Pr\u00fcfung erhalten werden. Es sammelt Daten von 20 Studenten und passt ein einfaches lineares Regressionsmodell an.<\/span><\/p>\n Der folgende Screenshot zeigt das Ergebnis des Regressionsmodells:<\/span> <\/p>\n So melden Sie Modellergebnisse:<\/span><\/p>\n Mithilfe einer einfachen linearen Regression wurde getestet, ob die untersuchten Stunden einen signifikanten Einfluss auf die Pr\u00fcfungsergebnisse hatten.<\/span><\/p>\n Das angepasste Regressionsmodell war: Pr\u00fcfungsergebnis = 67,1617 + 5,2503* (untersuchte Stunden).<\/span><\/p>\n Die Gesamtregression war statistisch signifikant (R 2<\/sup> = 0,73, F(1, 18) = 47,99, p < 0,000).<\/span><\/p>\n Es wurde festgestellt, dass die untersuchten Stunden einen signifikanten Einfluss auf die Pr\u00fcfungsleistung haben (\u03b2 = 5,2503, p < 0,000).<\/span><\/p>\n<\/blockquote>\n Angenommen, ein Professor m\u00f6chte die Anzahl der Lernstunden und die Anzahl der abgelegten \u00dcbungspr\u00fcfungen nutzen, um die Note vorherzusagen, die die Studierenden bei einer bestimmten Pr\u00fcfung erhalten werden. Es sammelt Daten von 20 Studenten und passt ein multiples lineares Regressionsmodell an.<\/span><\/p>\n Der folgende Screenshot zeigt das Ergebnis des Regressionsmodells:<\/span> <\/p>\n So melden Sie Modellergebnisse:<\/span><\/p>\n Mithilfe der multiplen linearen Regression wurde getestet, ob die Studienstunden und die Vorbereitungspr\u00fcfungen signifikant zu den vorhergesagten Pr\u00fcfungsergebnissen f\u00fchrten.<\/span><\/p>\n Das angepasste Regressionsmodell war: Pr\u00fcfungsergebnis = 67,67 + 5,56*(studierte Stunden) \u2013 0,60*(abgelegte Vorbereitungspr\u00fcfungen)<\/span><\/p>\n Die Gesamtregression war statistisch signifikant (R 2<\/sup> = 0,73, F(2, 17) = 23,46, p = < 0,000).<\/span><\/p>\n Es wurde festgestellt, dass die untersuchten Stunden einen signifikanten Einfluss auf die Pr\u00fcfungsleistung hatten (\u03b2 = 5,56, p = < 0,000).<\/span><\/p>\n Es wurde festgestellt, dass die Teilnahme an Vorbereitungspr\u00fcfungen keinen signifikanten Einfluss auf das Pr\u00fcfungsergebnis hatte (\u03b2 = -0,60, p = 0,52).<\/span><\/p>\n<\/blockquote>\n So lesen und interpretieren Sie eine Regressionstabelle<\/a> In der Statistik werden lineare Regressionsmodelle verwendet, um die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen zu quantifizieren. Wir k\u00f6nnen das folgende allgemeine Format verwenden, um die Ergebnisse eines einfachen linearen Regressionsmodells zu melden: Mithilfe einer einfachen linearen Regression wurde getestet, ob [Pr\u00e4diktorvariable] [Antwortvariable] signifikant vorhersagte. Das angepasste Regressionsmodell war: [angepasste Regressionsgleichung] Die […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
Beispiel: Berichten der Ergebnisse einer einfachen linearen Regression<\/strong><\/span><\/h3>\n
![\"Einfache](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregressionexcel5.png\")
<\/p>\n\n
Beispiel: Berichten der Ergebnisse einer multiplen linearen Regression<\/strong><\/span><\/h3>\n
![\"Ausgabe](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Die Nullhypothese f\u00fcr die lineare Regression verstehen<\/a>
Den F-Test f\u00fcr Gesamtsignifikanz in der Regression verstehen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"