prioris-nicht-zentrieren-interaktion-schoice
Question
Einer der “Lieblingsfehler” im Kapitel lautet: “Prädiktoren nicht zentrieren, wenn es einen Interaktionsterm gibt”. Warum ist das Fehlen der Zentrierung bei einem Interaktionsmodell besonders problematisch?
Answerlist
- Ohne Zentrierung beziehen sich die Haupteffekt-Koeffizienten der beteiligten Prädiktoren jeweils auf den (oft unrealistischen) Fall, dass der jeweils andere Prädiktor den Wert 0 annimmt – das erschwert die Interpretation erheblich und lädt zu Fehlinterpretationen ein (wie bei
mpg ~ hp*vs). - Ohne Zentrierung lässt sich ein Interaktionsmodell technisch überhaupt nicht mit
stan_glm()berechnen. - Zentrieren ist bei Interaktionsmodellen zwar üblich, hat aber überhaupt keinen Effekt auf die Interpretierbarkeit der Koeffizienten.
- Nicht-zentrierte Prädiktoren führen bei Interaktionsmodellen automatisch zu falschen Vorhersagen des Modells.
- Zentrieren ist nur bei Interaktionsmodellen mit ausschließlich nominalen Prädiktoren notwendig.
Solution
Wie am Beispiel mpg ~ hp*vs gezeigt: Ohne Zentrierung bezieht sich der Koeffizient von vs auf den (unrealistischen) Fall hp=0, was leicht zu Fehlinterpretationen führt (siehe “Lieblingsfehler” Interaktion falsch interpretieren). Zentriert man hingegen die metrischen Prädiktoren, beziehen sich die Haupteffekte auf den durchschnittlichen Wert des jeweils anderen Prädiktors – eine deutlich sinnvollere Referenzgröße. Die erste Option ist korrekt.
Warum die Distraktoren falsch sind:
- Die zweite Option ist falsch:
stan_glm()berechnet Interaktionsmodelle problemlos auch mit unzentrierten Prädiktoren (wie im Kapitel explizit am Modellm2gezeigt) – das Problem betrifft die Interpretierbarkeit, nicht die technische Berechenbarkeit. - Die dritte Option widerspricht der zentralen Botschaft dieses und früherer Kapitel: Zentrieren ändert zwar nicht die Vorhersagen des Modells, wohl aber ganz erheblich, worauf sich die Haupteffekt-Koeffizienten beziehen und wie leicht (oder schwer) sie zu interpretieren sind.
- Die vierte Option ist falsch: Zentrieren ändert – wie in einem früheren Kapitel gezeigt – nichts an den vorhergesagten Werten des Modells, nur an der Interpretierbarkeit der Koeffizienten.
- Die fünfte Option ist eine unzutreffende Einschränkung: Der im Kapitel gezeigte Problemfall (
hp) betrifft gerade einen metrischen Prädiktor – die Zentrierungsempfehlung gilt in erster Linie für metrische, nicht für rein nominale Prädiktoren.
Aufgabenname: prioris-nicht-zentrieren-interaktion-schoice
Answerlist
- Wahr
- Falsch
- Falsch
- Falsch
- Falsch
Meta-information
exname: prioris-nicht-zentrieren-interaktion-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes