5  Modellannahmen

Folien

PDF-Datei

Beispielanalyse

Welche Variablen sagen politisches Wissen voraus?

Quelle

Van Erkel, P. F., & Van Aelst, P. (2021). Why don’t we learn from social media? Studying effects of and mechanisms behind social media news use on general surveillance political knowledge. Political Communication, 38(4), 407–425. https://doi.org/10.1080/10584609.2020.1784328

5.1 Pakete und Daten laden

Wir laden die üblichen Paket sowie das performance-Paket, dass viele Funktionen zur Prüfung von Modellannahmen und Modellgüte enthält. Dieses erfordert zusätzlich see für die Visualisierung der Checks. Wir verwenden denselben Datensatz wie in der letzten Übung.

library(performance)
library(see)
library(report)
library(tidyverse)
theme_set(theme_minimal())

vanerkel21 <- haven::read_sav("data/Vanerkel_Vanaelst_2021.sav") |>
  mutate(
    Education = as_factor(Education),
    Gender = as_factor(Gender)
  ) |>
  haven::zap_labels()

vanerkel21

# A tibble: 993 × 74
  StartDate_w3 EndDate_w3 Duration__in_seconds_w3 Gender Year_of_birtg   Age
  <date>       <date>                       <dbl> <fct>          <dbl> <dbl>
1 2019-04-09   2019-04-09                     440 female            29    45
2 2019-04-09   2019-04-09                     504 female            43    59
3 2019-04-06   2019-04-06                     610 female            36    52
4 2019-04-03   2019-04-03                     414 female             7    23
5 2019-04-09   2019-04-09                    1274 female             7    23
# ℹ 988 more rows
# ℹ 68 more variables: Education <fct>, News_channels_w3_1 <dbl>,
#   News_channels_w3_2 <dbl>, News_channels_w3_3 <dbl>,
#   News_channels_w3_4 <dbl>, News_channels_w3_5 <dbl>,
#   News_channels_w3_6 <dbl>, Political_interest <dbl>, StartDate_w4 <date>,
#   EndDate_w4 <date>, Duration__in_seconds__w4 <dbl>,
#   News_channels_w4_1 <dbl>, TV <dbl>, Newspaper <dbl>, Websites <dbl>, …

5.2 Regressionsmodell

Ausgangspunkt ist eine multiple Regression, in der wieder politisches Wissen durch soziodemographische Prädiktoren sowie politisches Interesse erklärt wird.

m1 <- lm(PK ~ Gender + Age + Education + Political_interest, data = vanerkel21)
report::report_table(m1)

Parameter          | Coefficient |         95% CI | t(987) |      p | Std. Coef. | Std. Coef. 95% CI |     Fit
--------------------------------------------------------------------------------------------------------------
(Intercept)        |        0.46 | [ 0.09,  0.83] |   2.45 | 0.014  |      -0.13 |    [-0.27,  0.02] |        
Gender [female]    |       -0.51 | [-0.65, -0.37] |  -6.96 | < .001 |      -0.37 |    [-0.48, -0.27] |        
Age                |        0.02 | [ 0.02,  0.03] |   8.48 | < .001 |       0.23 |    [ 0.17,  0.28] |        
Education [Middle] |        0.35 | [ 0.13,  0.56] |   3.15 | 0.002  |       0.26 |    [ 0.10,  0.41] |        
Education [High]   |        0.60 | [ 0.38,  0.82] |   5.42 | < .001 |       0.44 |    [ 0.28,  0.60] |        
Political interest |        0.20 | [ 0.18,  0.23] |  14.76 | < .001 |       0.40 |    [ 0.35,  0.45] |        
                   |             |                |        |        |            |                   |        
AIC                |             |                |        |        |            |                   | 3021.38
AICc               |             |                |        |        |            |                   | 3021.49
BIC                |             |                |        |        |            |                   | 3055.69
R2                 |             |                |        |        |            |                   |    0.35
R2 (adj.)          |             |                |        |        |            |                   |    0.34
Sigma              |             |                |        |        |            |                   |    1.10

Das Modell kann rund ein Drittel der Varianz in politischem Wissen erklären. Politisches Interesse, hohe Bildung und Geschlecht haben den stärksten Zusammenhang mit dem Wissen.

5.3 Annahmen

Für die Prüfung der klassischen OLS-Annahmen wie Linearität, Normalverteilung der Residuen, Homoskedastizität und Multikollinearität gibt es im performance-Paket eine Sammelfunktion, die schlicht check_model() heißt. Die Ergebnisse lassen sich über die plot() Funktion als Reihe von Grafiken samt Erklärungen ausgeben.

checks <- performance::check_model(m1, panel = F)
plot(checks)

$PP_CHECK

$NCV

$HOMOGENEITY

$OUTLIERS

$VIF

$QQ

Über die Hilfe-Funktion in R bekommen wir ausführliche Hinweise zur Interpretation der einzelnen Tests und Plots.

?performance::check_model