Wenn wir eine multiple lineare Regression durchf\u00fchren, sind die resultierenden Regressionskoeffizienten normalerweise nicht standardisiert<\/strong> , was bedeutet, dass die Rohdaten verwendet werden, um die am besten geeignete Linie zu finden.<\/span><\/p>\n Wenn jedoch Pr\u00e4diktorvariablen auf v\u00f6llig unterschiedlichen Skalen gemessen werden, kann es sinnvoll sein, eine multiple lineare Regression mit standardisierten Daten durchzuf\u00fchren, was zu standardisierten<\/strong> Koeffizienten f\u00fchrt.<\/span><\/p>\n Um Ihnen das Verst\u00e4ndnis dieser Idee zu erleichtern, gehen wir ein einfaches Beispiel durch.<\/span><\/p>\n Angenommen, wir verf\u00fcgen \u00fcber den folgenden Datensatz mit Informationen zum Alter, der Quadratmeterzahl und dem Verkaufspreis von 12 H\u00e4usern:<\/span> <\/p>\n Angenommen, wir f\u00fchren dann eine multiple lineare Regression durch, wobei wir Alter<\/strong> und Quadratmeterzahl<\/strong> als Pr\u00e4diktorvariablen und den Preis<\/strong> als Antwortvariable verwenden.<\/span><\/p>\n Hier ist das Ergebnis der Regression<\/a> :<\/span> <\/p>\n Die Regressionskoeffizienten in dieser Tabelle sind nicht standardisiert<\/strong> , was bedeutet, dass die Rohdaten zur Anpassung dieses Regressionsmodells verwendet wurden.<\/span> Auf den ersten Blick scheint es, dass das Alter<\/strong> einen viel gr\u00f6\u00dferen Einfluss auf den Immobilienpreis hat, da sein Koeffizient in der Regressionstabelle -409,833<\/strong> betr\u00e4gt, verglichen mit nur 100,866<\/strong> f\u00fcr die Pr\u00e4diktorvariable Quadratmeterzahl<\/strong> .<\/span><\/p>\n Allerdings ist der Standardfehler f\u00fcr das Alter viel gr\u00f6\u00dfer als f\u00fcr die Quadratmeterzahl, weshalb der entsprechende p-Wert f\u00fcr das Alter tats\u00e4chlich gro\u00df (p = 0,520) und f\u00fcr die Quadratmeterzahl klein (p = 0,000) ist.<\/span><\/p>\n Der Grund f\u00fcr die extremen Unterschiede in den Regressionskoeffizienten liegt in den extremen Unterschieden in den Skalen f\u00fcr die beiden Variablen:<\/span><\/p>\n Angenommen, wir normalisieren<\/strong> stattdessen die urspr\u00fcnglichen Rohdaten, indem wir jeden urspr\u00fcnglichen Datenwert in einen Z-Score umwandeln:<\/span> <\/p>\n Wenn wir dann eine multiple lineare Regression mit den standardisierten Daten durchf\u00fchren, erhalten wir das folgende Regressionsergebnis:<\/span> <\/p>\n Die Regressionskoeffizienten in dieser Tabelle sind standardisiert<\/strong> , was bedeutet, dass standardisierte Daten zur Anpassung an dieses Regressionsmodell verwendet wurden. Die Koeffizienten in der Tabelle sind wie folgt zu interpretieren:<\/span><\/p>\n Wir k\u00f6nnen sofort erkennen, dass die Quadratmeterzahl einen viel gr\u00f6\u00dferen Einfluss auf die Immobilienpreise hat als das Alter. Beachten Sie au\u00dferdem, dass die p-Werte f\u00fcr jede Pr\u00e4diktorvariable genau mit denen im vorherigen Regressionsmodell \u00fcbereinstimmen.<\/span><\/p>\n Verwandte Themen:<\/span><\/strong> So berechnen Sie Z-Scores in Excel<\/a><\/p>\n Je nach Situation k\u00f6nnen sowohl standardisierte als auch nicht standardisierte Regressionskoeffizienten n\u00fctzlich sein. Besonders:<\/span><\/p>\n Nicht standardisierte Regressionskoeffizienten<\/strong> sind n\u00fctzlich, wenn Sie die Auswirkung interpretieren m\u00f6chten, die eine \u00c4nderung einer Pr\u00e4diktorvariablen um eine Einheit auf eine Antwortvariable hat. Im obigen Beispiel k\u00f6nnten wir die nicht standardisierten Regressionskoeffizienten aus der ersten Regression verwenden, um die genaue Beziehung zwischen den Pr\u00e4diktorvariablen und der Antwortvariablen zu verstehen:<\/span><\/p>\n Standardisierte Regressionskoeffizienten<\/strong> sind n\u00fctzlich, wenn Sie die Wirkung verschiedener Pr\u00e4diktorvariablen auf eine Antwortvariable vergleichen m\u00f6chten. Da jede Variable standardisiert ist, k\u00f6nnen Sie sehen, welche Variable den gr\u00f6\u00dften<\/em> Einfluss auf die Antwortvariable hat.<\/span><\/p>\n Der Nachteil standardisierter Regressionskoeffizienten besteht darin, dass sie etwas schwieriger zu interpretieren sind. Beispielsweise l\u00e4sst sich die Auswirkung einer Erh\u00f6hung um eine Alterseinheit auf den Immobilienpreis leichter verstehen als die Auswirkung einer Erh\u00f6hung um eine Standardabweichung auf den Immobilienpreis.<\/span><\/p>\n So lesen und interpretieren Sie eine Regressionstabelle<\/a> Die multiple lineare Regression ist eine n\u00fctzliche Methode zur Quantifizierung der Beziehung zwischen zwei oder mehr Pr\u00e4diktorvariablen und einer Antwortvariablen . Wenn wir eine multiple lineare Regression durchf\u00fchren, sind die resultierenden Regressionskoeffizienten normalerweise nicht standardisiert , was bedeutet, dass die Rohdaten verwendet werden, um die am besten geeignete Linie zu finden. Wenn jedoch Pr\u00e4diktorvariablen auf […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Standardisierte und nicht standardisierte Regressionskoeffizienten<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Daten](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Standardisierte](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Wann sollten standardisierte oder nicht standardisierte Regressionskoeffizienten verwendet werden?<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So interpretieren Sie Regressionskoeffizienten<\/a>
So f\u00fchren Sie eine multiple lineare Regression in Excel durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"