Bei komplexen Modellen (z.B. mehr als 2 Gruppen, mehrere Prädiktoren, mehrere AVen , mehrere Messzeitpunkte) können die Ergebnisse (p Werte, Effektstärken etc.) stark zwischen den Modellen variieren und 𝑅2 liegt nicht immer vor (vgl. Pseudo 𝑅2). Welches Modell soll interpretiert werden?

Lösung: Modellvergleiche anhand von Informationskriterien

• Informationskriterien als Quantifizierung der Abweichung eines Modells von der Realität
• Berechnung von Informationskriterien : Üblicherweise werden Likelihood Werte (L) und Modellkomplexität (k) berücksichtigt , z.B
  • Akaike Information Criterion: AIC = 2ln(L) + 2k
  • Bayesian Information Criterion: BIC = 2ln(L) + k*ln(n)
  • Bestrafung komplexer Modelle z.B . viele Prädiktoren im Modell
  • Wertebereich : --∞, ∞ (negative Werte sind besser )