DIPLOMARBEIT - Universität Oldenburg

4 Methoden 21
Likelihood-Wert) erkennen, welche bei einem Ausschluss der jeweiligen Variable zu
verzeichnen wäre. Je größer dieser Wert, desto stärker wäre der Informationsverlust.
Die Vorteile gegenüber dem vorwärts schrittweisen Verfahren (Aufnahme von Variablen,
bis keine signifikante Verbesserung mehr zu verzeichnen ist) liegen zum einen in der
Berücksichtigung von Variablen, die für sich alleine keine signifikante Verbesserung des
Gesamtmodells bringen, aber in Verbindung mit anderen Variablen gute Modelle liefern
(PEARCE & FERRIER 2000). Zum anderen sind die Ergebnisse genauer, insbesondere bei
vorhandener Kolinearität (HARRELL 2002).
Entscheidend für den Ausschluss bzw. die Aufnahme der Variablen ist das verwendete
Signifikanzniveau. Da ein konservatives Niveau in der Regel zu besseren Modellen führt
(PEARCE & FERRIER 2000) und um ein mögliches overfitting (zu viele erklärende Variablen)
zu vermeiden, wurde für den Ausschluss von Variablen bei der multiplen Analyse ein
Signifikanzwert von p out = 0,05 angewandt.
Durch dieses Verfahren werden diejenigen Variablen mit den höchsten Erklärungsgehalten
herausgefiltert. Die Art des Zusammenhanges mit dem Vorkommen der Art lässt sich
anhand des Regressionskoeffizienten β interpretieren: Positive Werte weisen darauf hin,
dass höhere Werte des entsprechenden Parameters zu höheren Vorkommenswahrscheinlichkeiten
führen. Für negative Werte gilt das umgekehrte Verhältnis. Die Werte
der Exposition gingen in transformierter Form (als Sinus und Cosinusfunktion des
Bogenmaß) in den Modellierungsprozess ein, da die ursprüngliche Skalierung bei der
Berechnung zu Artefakten geführt hätte. Einige Variablen mit unimodalem Kurvenverlauf
wiesen am unteren Ende der Skala Werte < 0 auf. Um Vorzeichenfehler bei der
Potenzierung zu vermeiden, wurde in diesen Fällen die Differenz zu Null vor dem
quadrieren addiert.
4.4.2 Variablenwahl
Das Ziel der statistischen Auswertung ist die Erstellung eines Modells mit hohem
Erklärungsgehalt bei gleichzeitig geringer Komplexität. Daher bietet sich vor der
eigentlichen Modellierung eine Vorauswahl aussagekräftiger Variablen an (HOSMER &
LEMESHOW 2000). Erste Hinweise auf Art und Intensität der Zusammenhänge lassen sich
aus Streudiagrammen ablesen. Dabei werden die beobachteten Vorkommen gegen die
Variable aufgetragen und eine Trendlinie (lowess-plot) durch die Punkte gelegt. Weist die
Trendlinie dabei einen unimodalen Zusammenhang auf, sollte auch die quadrierte Variable
in das Modell eingehen.
Nach dieser visuellen Inspektion wurden für alle Variablen zunächst univariate Modelle
erstellt und mit Hilfe des LR-Tests auf Signifikanz getestet. Aufgrund der großen Anzahl
eingehender Variablen, wurden nur solche mit p < 0,05 für die weitere Modellierung
verwendet. HOSMER & LEMESHOW (2000) schlagen zwar 0,25 vor, doch PEARCE &
FERRIER (2000) erreichten mit konservativeren Signifikanzniveaus bessere und robustere
Modelle.