Dieses Video bietet eine Einführung in die Erstellung und Interpretation von Regressionskontrasten zur Kodierung kategorialer Variablen in der Programmiersprache R, mit besonderem Fokus auf die Dummy-Kodierung (Treatment-Kontraste). Es wird gezeigt, dass für eine kategoriale Variable mit $K$ Kategorien genau $K-1$ Indikatorvariablen im Regressionsmodell benötigt werden. Anhand eines simulierten, unbalancierten Datensatzes mit vier Gruppen ($N_{Hispanic}=30$, $N_{Asian}=25$, $N_{African-American}=20$, $N_{Caucasian}=15$) wird demonstriert, dass R Zeichenvariablen bei der Modellierung automatisch in Faktoren umwandelt und standardmäßig das alphabetisch erste Niveau als Referenzkategorie wählt. Die mathematische Herleitung belegt, dass der Achsenabschnitt ($\beta_0$) dem Mittelwert der Referenzgruppe entspricht, während die weiteren Regressionskoeffizienten ($\beta_1, \beta_2, \beta_3$) die exakten Mittelwertdifferenzen der jeweiligen Kategorien im Vergleich zur Referenzgruppe abbilden.
Wichtigste Punkte & Zeitstempel
00:00:03 Kodierung kategorialer Variablen: Kontraste dienen der mathematischen Einbindung kategorialer Prädiktoren in Regressionsgleichungen, wobei für $K$ Kategorien exakt $K-1$ Kodierungsvariablen erforderlich sind.
00:00:39 Verfügbare Kontrastmethoden in R: R besitzt vier integrierte Kontrastverfahren (Dummy-, Abweichungs-, Helmert-Kontraste und orthogonale Polynome); im Video werden insgesamt acht gängige Verfahren thematisiert.
00:01:57 Datensimulation & Unbalanciertes Design: Erstellung der kategorialen Variable race mit vier Stufen und unterschiedlichen Stichprobengrößen, um zu verhindern, dass der Gesamtmittelwert (Grand Mean) fälschlicherweise mit dem Mittelwert der Gruppenmittelwerte zusammenfällt.
00:05:54 Datenexploration & Trendanalyse: Visualisierung mittels Boxplots zeigt einen linearen Trend der Zielvariable über die Gruppenstufen, welcher bei späteren Tests auf orthogonale Polynomkontraste signifikant wird.
00:06:38 Gruppenmittelwerte via tapply(): Einsatz der R-Funktion tapply() zur kategoriespezifischen Berechnung der Mittelwerte der abhängigen Variable (DVar), was als Basis für die spätere Koeffizienteninterpretation dient.
00:08:51 Prinzip der Dummy-Kodierung: Auch bekannt als Treatment-Kontrast oder One-Hot-Encoding; das alphabetisch erste Niveau (African-American) wird automatisch als Referenzkategorie festgelegt und mit dem Nullvektor $(0,0,0)$ kodiert.
00:10:31 Kontrastmatrix & contr.treatment(): Die R-Funktion contr.treatment(4) generiert die interne $(K \times K-1)$-Matrix zur mathematischen Zuweisung der Dummy-Indikatoren.
00:13:07 Faktor-Konvertierung & Referenzanpassung: R setzt für Kontraste den Datentyp Factor voraus; durch die Funktion relevel() kann die standardmäßige Referenzkategorie manuell geändert werden.
00:14:51 Mathematische Herleitung der Betakoeffizienten: Der Erwartungswert des Modells zeigt, dass der Intercept ($\beta_0 = 1{,}61$) den Mittelwert der Referenzgruppe darstellt, während die Steigungskoeffizienten ($\beta_1, \beta_2, \beta_3$) direkte Mittelwertdifferenzen zur Baseline ausdrücken.
00:18:11 Empirische Modellschätzung & Hypothesentests: Die Modellausgabe in R bestätigt die berechneten Mittelwertabstände ($\beta_1 = 1{,}65$ für Asian, $\beta_2 = 3{,}49$ für Caucasian, $\beta_3 = 5{,}12$ für Hispanic) und erlaubt die direkte Überprüfung von Gruppenunterschieden mittels p-Werten.
Glossar
Regressionskontrast (Regression Contrast): Ein numerisches Kodierungsschema, mit dem kategoriale (qualitative) Prädiktoren in mathematische Vektoren umgewandelt werden, um sie in linearen Regressionsmodellen schätzen zu können.
Dummy-Kodierung / Treatment-Kontrast (Dummy Coding / Treatment Contrast): Eine Kodierungsmethode (auch als One-Hot-Encoding bekannt), bei der eine Gruppe als Referenzwert (Baseline) dient und $K-1$ binäre Indikatorvariablen (0 oder 1) die Abweichung der übrigen Gruppen von dieser Baseline messen.
Referenzkategorie / Baseline (Reference Level): Diejenige Stufe einer kategorialen Variable, die als Vergleichsmaßstab dient und im Modell durch einen Vektor aus reinen Nullen repräsentiert wird.
Kontrastmatrix (Contrast Matrix): Eine Matrix mit $K$ Zeilen und $K-1$ Spalten, welche die exakte mathematische Zuordnung der binären Kodierungswerte für jede Kategorie festlegt.
tapply(): Eine Funktion in der Programmiersprache R, die eine ausgewählte Funktion (z. B. den Mittelwert) auf Teilmengen eines Vektors anwendet, die durch kategoriale Faktoren definiert sind.
Orthogonale Polynome (Orthogonal Polynomials): Ein Kontrastverfahren zur Prüfung linearer, quadratischer oder höhergradiger Trends über geordnete kategoriale Gruppen hinweg.
Abhängige Variable (Dependent Variable / DVar): Die zu erklärende Zielvariable eines Regressionsmodells, deren Varianz durch die kategorialen Gruppen oder andere Prädiktoren modelliert wird.