<\/p>\n
Die logistische Regression<\/strong> ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable<\/a> bin\u00e4r ist.<\/span><\/p>\n Bevor ein Modell an einen Datensatz angepasst wird, geht die logistische Regression von den folgenden Annahmen aus:<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass die Antwortvariable nur zwei m\u00f6gliche Ergebnisse hat. Hier sind einige Beispiele:<\/span><\/p>\n So \u00fcberpr\u00fcfen Sie diese Annahme:<\/strong> Z\u00e4hlen Sie einfach die Anzahl der eindeutigen Ergebnisse, die in der Antwortvariablen auftreten. Wenn es mehr als zwei m\u00f6gliche Ergebnisse gibt, m\u00fcssen Sie stattdessen eine ordinale Regression<\/a> durchf\u00fchren.<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass die Beobachtungen im Datensatz unabh\u00e4ngig voneinander sind. Das hei\u00dft, Beobachtungen sollten nicht aus wiederholten Messungen derselben Person stammen oder in irgendeiner Weise miteinander in Zusammenhang stehen.<\/span><\/p>\n So testen Sie diese Hypothese:<\/strong> Der einfachste Weg, diese Hypothese zu testen, besteht darin, ein Diagramm der Residuen gegen die Zeit (dh die Reihenfolge der Beobachtungen) zu erstellen und zu beobachten, ob ein zuf\u00e4lliger Trend vorliegt oder nicht. Wenn kein<\/em> Zufallsmuster vorliegt, kann diese Annahme verletzt werden.<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass zwischen den erkl\u00e4renden Variablen<\/a> keine ernsthafte Multikollinearit\u00e4t<\/a> besteht.<\/span><\/p>\n Multikollinearit\u00e4t tritt auf, wenn zwei oder mehr erkl\u00e4rende Variablen stark miteinander korrelieren, sodass sie im Regressionsmodell keine eindeutigen oder unabh\u00e4ngigen Informationen liefern. Wenn der Korrelationsgrad zwischen den Variablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Modells f\u00fchren.<\/span><\/p>\n Angenommen, Sie m\u00f6chten eine logistische Regression durchf\u00fchren und dabei den maximalen vertikalen Sprung<\/strong> als Antwortvariable und die folgenden Variablen als erkl\u00e4rende Variablen verwenden:<\/span><\/p>\n In diesem Fall besteht wahrscheinlich ein enger Zusammenhang zwischen K\u00f6rpergr\u00f6\u00dfe<\/strong> und Schuhgr\u00f6\u00dfe,<\/strong> da gr\u00f6\u00dfere Menschen tendenziell gr\u00f6\u00dfere Schuhgr\u00f6\u00dfen haben. Dies bedeutet, dass Multikollinearit\u00e4t wahrscheinlich ein Problem darstellt, wenn wir diese beiden Variablen in der Regression verwenden.<\/span><\/p>\n So \u00fcberpr\u00fcfen Sie diese Annahme:<\/strong> Die gebr\u00e4uchlichste Methode zur Erkennung von Multikollinearit\u00e4t ist die Verwendung des Varianzinflationsfaktors (VIF), der die Korrelation und St\u00e4rke der Korrelation zwischen Pr\u00e4diktorvariablen in einem Regressionsmodell misst. In diesem Tutorial<\/a> finden Sie eine ausf\u00fchrliche Erkl\u00e4rung zur Berechnung und Interpretation von VIF-Werten.<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass der Datensatz keine extremen Ausrei\u00dfer oder einflussreichen Beobachtungen enth\u00e4lt.<\/span><\/p>\n So \u00fcberpr\u00fcfen Sie diese Annahme:<\/strong> Die gebr\u00e4uchlichste Methode zum Testen auf extreme Ausrei\u00dfer und einflussreiche Beobachtungen in einem Datensatz besteht darin , die Cook-Distanz<\/a> f\u00fcr jede Beobachtung zu berechnen. Wenn es tats\u00e4chlich Ausrei\u00dfer gibt, k\u00f6nnen Sie (1) diese entfernen, (2) sie durch einen Wert wie den Mittelwert oder Median ersetzen oder (3) sie einfach im Modell belassen, sie aber beim Berichten der Regression notieren . Ergebnisse.<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass zwischen jeder erkl\u00e4renden Variablen und dem Logit der Antwortvariablen eine lineare Beziehung besteht. Denken Sie daran, dass der Logit wie folgt definiert ist:<\/span><\/p>\n Logit(p) = log(p \/ (1-p)) wobei p die Wahrscheinlichkeit eines positiven Ergebnisses ist.<\/span><\/p>\n So testen Sie diese Hypothese:<\/strong> Der einfachste Weg, um festzustellen, ob diese Hypothese wahr ist, ist die Verwendung eines Box-Tidwell-Tests.<\/span><\/p>\n Bei der logistischen Regression wird davon ausgegangen, dass die Stichprobengr\u00f6\u00dfe des Datensatzes gro\u00df genug ist, um g\u00fcltige Schlussfolgerungen aus dem angepassten logistischen Regressionsmodell zu ziehen.<\/p>\n So \u00fcberpr\u00fcfen Sie diese Hypothese:<\/strong> Als Faustregel sollten Sie f\u00fcr jede erkl\u00e4rende Variable mindestens 10 F\u00e4lle mit dem seltensten Ergebnis haben. Wenn Sie beispielsweise drei erkl\u00e4rende Variablen haben und die erwartete Wahrscheinlichkeit des seltensten Ergebnisses 0,20 betr\u00e4gt, sollten Sie eine Stichprobengr\u00f6\u00dfe von mindestens (10*3) \/ 0,20 = 150<\/strong> haben.<\/span><\/p>\n Im Gegensatz zur linearen Regression erfordert die logistische Regression Folgendes nicht:<\/span><\/p>\n Verwandte Themen:<\/span><\/strong> Die vier Annahmen der linearen Regression<\/a><\/p>\n 4 Beispiele f\u00fcr die Verwendung der logistischen Regression im wirklichen Leben<\/a> Die logistische Regression ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist. Bevor ein Modell an einen Datensatz angepasst wird, geht die logistische Regression von den folgenden Annahmen aus: Annahme Nr. 1: Die Antwortvariable ist bin\u00e4r Bei der logistischen Regression wird davon ausgegangen, dass die Antwortvariable nur zwei m\u00f6gliche […]<\/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 Annahme Nr. 1: Die Antwortvariable ist bin\u00e4r<\/strong><\/span><\/h3>\n
\n
Hypothese Nr. 2: Die Beobachtungen sind unabh\u00e4ngig<\/strong><\/span><\/h3>\n
Hypothese Nr. 3: Es gibt keine Multikollinearit\u00e4t zwischen den erkl\u00e4renden Variablen<\/strong><\/span><\/h3>\n
\n
Annahme Nr. 4: Es gibt keine extremen Ausrei\u00dfer<\/strong><\/h3>\n
Hypothese Nr. 5: Es besteht eine lineare Beziehung zwischen den erkl\u00e4renden Variablen und dem Logit der Antwortvariablen<\/strong><\/span><\/h3>\n
Annahme Nr. 6: Die Stichprobengr\u00f6\u00dfe ist gro\u00df genug<\/strong><\/span><\/h3>\n
Annahmen der logistischen Regression vs. Lineare Regression<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine logistische Regression in SPSS durch<\/a>
So f\u00fchren Sie eine logistische Regression in Excel durch<\/a>
So f\u00fchren Sie eine logistische Regression in Stata durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"