Multiple Regression mit Faktorvariablen interpretieren

Question

Meine multiple lineare Regression ergibt folgendes:

Coefficients:
                       Estimate Std. Error t value Pr(>|t|)    
(Intercept)             3.01324    0.09360  32.194  < 2e-16
Zeitmodellflextime      0.88015    0.08933   9.853  < 2e-16 
Einzelzeiten2_newother -0.29044    0.09071  -3.202  0.00149 
Einzelzeiten2_newtrust  0.19872    0.14639   1.357  0.17552    
---

Zeitmodellflextime Einzelzeiten2_newother Einzelzeiten2_newtrust 
             0.4702764             -0.2020988              0.1061778 

Da die Variable Einzelzeiten2 eine Faktorvariable mit 3 Ausprägungen ist, wäre meine Frage wie ich den standardisierten Beta-Koeffizienten dieser Variable zusammenfasse? Oder gebe ich beide ß an (sprich für other und trust) ?

Und wie gebe ich den Einfluss dieser Variablen insgesamt an? (Da ein Teil signifikant und der andere n.s. ist) Muss ich die Hypothese in Bezug auf Effekte von Einzelzeiten demnach verwerfen?

Vielen Dank

Comments

s.o.: Es kommt der Leserlichkeit sehr entgegen, Scripte und Output als Code zu Formatieren (Button {}).

Answer 1

Dafür gibt es das Paket lm.beta.

Comments

Dieses Paket nutze ich und habe auch die standardisierten Beta-Koeffizienten berechnet. Dennoch ist eine Ausprägung der Variable signifikant und die andere nicht in Bezug zur Referenzgröße.

---

Pardon, ich hatte die Frage falsch verstanden.

Answer 2

Wenn ich Sie (nun) korrekt verstehe, dann haben Sie eine nominale Variable (Einzelzeiten2) mit 2 Ausprägungen in 2 Dummyvariablen zerlegt - bzw. R hat das automatisch für Sie erledigt.

Die Dummy-Variablen sind jeweils (und ausschließlich) in Relation zur Referenzausprägung - also der dritten, hier nicht als Dummy aufgeführten Ausprägung der nominalen Variable zu interpretieren.

Die Ausprägung "newtrust" unterscheidet sich in der AV offenbar nicht signifikant von der Referenzkategorie - die Ausprägung "newother" schon. Ein "gemeinsames" Beta können Sie hier nicht angeben, weil es eben eine nominale Variable ist und das sieht eine Regression einfach sachlogisch nicht vor.

Wenn Sie unbedingt eine Effektstärke für die Variable angeben möchten, dann rechnen Sie ein Modell ohne die Variable und ein Modell mit der Variable und berechnen Sie die Änderung in R². Dann können Sie angeben, wie viel Varianz die nominale Variable zusätzlich erklärt.