-Die Teststatsitik lautet t = 26.65 und ist daher hoch signifikant mit p <0.000 (zum Vergleich: t2013, 0.975 = 1.96)

-Das Konfidenzintervall für den Steigungskoeffizient lautet [1.77, 2.06].

-Verschiedene Möglichkeiten

o   Effekt- oder Koeffizientenplot: welche Größenordnung hat der Zusammenhang von X und Y? Darstellung der Marginal- bzw. Discrete Change Effekte von X

o   Predictive margins oder Profile-Plot: Welcher Wert ergibt sich für Y bei verschiedenen Ausprägungen von X? Darstellung der vorhergesagten Werte von Y

o Konditionaler Effektplot: Darstellung der Effekt von X gegeben Z, u.a. hilfreich für Interaktionen

-BEACHTE: "unhandliche" Interpretation der Effektstärke: Die Interpretation des Beta-Wertes von 0.1442 ist die folgende: Wenn sich die unabhängige Variable Einkommen um eine Standardabweichung erhöht, so erhöht sich die abhängige Variable Lebenszufriedenheit um 0.1442 (analog für Anzahl der Kinder)  Effektstärken lassen sich anschaulicher mit un-standardisierten Koeffizienten interpretieren

-Stata-Output: Multiple Regression - Einkommen = f (Alter, Bildung)

= Stata spuckt die einzelnen Interaktionsvariablen direkt mit aus

-Zentrieren einer Variablen

-F-/Chi2-Test für dieses Regressionsmodell: Gibt es irgendeine Beziehung zwischen den Residuen und den unabhängigen Variablen?

-Falls ja, liegt Heteroskedastizität vor (und das wäre nicht gut)

o   Befehl: estat hettest → ACHTUNG: auch hier muss die Regression noch “geladen“ sein!

==> hier liegt Heteroskedastizität vor

• auch hier gelten die üblichen Signifikanzniveaus - um signifikant zu sein muss der P-Wert unter 0.05 liegen

-Nein! Aber wir müssen bedenken dass

o   Die Standardfehler nicht korrekt sind

o   t-Werte unzuverlässig werden

-Was nun? → robuste Standardfehler (sind etwas größer und “rechnen” Heteroskedastizität mit ein, können weiterhin verwendet werden)

In Stata: An Regression die Optionvce(robust)hinzufüegn

-Huber-White-Sandwich-Estimator (in Stata: Option vce(robust))

-Manchmal will man Regressionsmodelle zwischenspeichern um sie später gemeinsam mit anderen Modellen vergleichen zu könnnen

-Dafür nutzen wir den Befehl est store M1

o   M1 ist hier der Name den euer Modell haben soll und kann so gewählt werden wie ihr wollt!

o   Speichert das geladene Regressionsmodell als M1 zwischen

-Wenn man nun mehrere Modell in einer Tabelle haben möchte verwendet man esttab M1 M2 M3….

==> Cook‘s D zeigt uns an, wie stark sich unsere Schätzung ändern würde, wenn wir einen einflussreichen Fall rauswerfen würde

-Vergleich von Schätzung mit und ohne den Ausreißer

==> Für jede Beobachtung i werden k Werte berechnet (k = Anzahl der X-Variablen), also für jede Beobachtung pro X-Variable ein dfbeta-Wert

==> Faustregel: Betrachte Beobachtungen mit |DFBETAS| > 1 – möchte man als Forscher mit dem Fall weitermachen?

-Beispiele