Quotenverh\u00e4ltnisse treten am h\u00e4ufigsten in der logistischen Regression<\/a> auf. Hierbei handelt es sich um eine Methode, mit der wir ein Regressionsmodell anpassen, das \u00fcber eine oder mehrere Pr\u00e4diktorvariablen und eine bin\u00e4re Antwortvariable verf\u00fcgt.<\/span><\/p>\n Ein angepasstes Quotenverh\u00e4ltnis<\/strong> ist ein Quotenverh\u00e4ltnis, das f\u00fcr andere Pr\u00e4diktorvariablen in einem Modell angepasst wurde.<\/span><\/p>\n Dies ist besonders n\u00fctzlich, um zu verstehen, wie sich eine Pr\u00e4diktorvariable auf die Wahrscheinlichkeit des Eintretens eines Ereignisses auswirkt, nachdem<\/em> die Wirkung anderer Pr\u00e4diktorvariablen ber\u00fccksichtigt wurde.<\/span><\/p>\n Das folgende Beispiel veranschaulicht den Unterschied zwischen einem Quotenverh\u00e4ltnis und einem angepassten Quotenverh\u00e4ltnis.<\/span><\/p>\n Angenommen, wir m\u00f6chten verstehen, ob das Alter einer Mutter die Wahrscheinlichkeit beeinflusst, ein Baby mit niedrigem Geburtsgewicht zu bekommen.<\/span><\/p>\n Um dies zu untersuchen, k\u00f6nnen wir eine logistische Regression durchf\u00fchren, wobei wir das Alter als Pr\u00e4diktorvariable und ein niedriges Geburtsgewicht (ja oder nein) als Antwortvariable<\/a> verwenden.<\/span><\/p>\n Angenommen, wir sammeln Daten von 300 M\u00fcttern und passen ein logistisches Regressionsmodell an. Hier sind die Ergebnisse:<\/span> <\/p>\n Um das Quotenverh\u00e4ltnis f\u00fcr das Alter zu erhalten, potenzieren Sie einfach die Koeffizientensch\u00e4tzung aus der Tabelle: e 0,173<\/sup> = 1,189<\/strong> .<\/span><\/p>\n Dies zeigt uns, dass ein Anstieg des Alters um ein Jahr mit einer um 1.189<\/strong> h\u00f6heren Wahrscheinlichkeit verbunden ist, dass ein Baby ein niedriges Geburtsgewicht hat. Mit anderen Worten: Die Wahrscheinlichkeit, ein Kind mit niedrigem Geburtsgewicht zu bekommen, steigt mit jedem weiteren j\u00e4hrlichen Altersanstieg um 18,9 %<\/strong> .<\/span><\/p>\n Dieses Quotenverh\u00e4ltnis wird als \u201erohes\u201c Quotenverh\u00e4ltnis oder \u201enicht angepasstes\u201c Quotenverh\u00e4ltnis bezeichnet, da es nicht f\u00fcr die anderen Pr\u00e4diktorvariablen im Modell angepasst wurde, da es die einzige<\/em> Pr\u00e4diktorvariable im Modell ist.<\/span><\/p>\n Aber nehmen wir an, wir wollen verstehen, ob das Alter und<\/em> die Rauchgewohnheiten einer Mutter die Wahrscheinlichkeit beeinflussen, ein Baby mit niedrigem Geburtsgewicht zu bekommen.<\/span><\/p>\n Um dies zu untersuchen, k\u00f6nnen wir eine logistische Regression durchf\u00fchren, indem wir Alter und Rauchen (ja oder nein) als Pr\u00e4diktorvariablen und niedriges Geburtsgewicht als Antwortvariable<\/a> verwenden.<\/span><\/p>\n Angenommen, wir sammeln Daten von 300 M\u00fcttern und passen ein logistisches Regressionsmodell an. Hier sind die Ergebnisse:<\/span> <\/p>\n So interpretieren Sie die Ergebnisse:<\/span><\/p>\n Alter:<\/strong> Das altersbereinigte Odds Ratio wird wie folgt berechnet: e 0,045<\/sup> = 1,046<\/strong> . Dies bedeutet, dass die Wahrscheinlichkeit, ein Kind mit niedrigem Geburtsgewicht zu bekommen, mit jedem weiteren j\u00e4hrlichen Altersanstieg um 4,6 % steigt, vorausgesetzt, die Rauchervariable<\/em> bleibt konstant.<\/span><\/p>\n Angenommen, Mutter A und Mutter B rauchen beide. Wenn Mutter A ein Jahr \u00e4lter als Mutter B ist, betr\u00e4gt die Wahrscheinlichkeit, dass Mutter A ein Kind mit niedrigem Geburtsgewicht bekommt, das 1,046-fache der Wahrscheinlichkeit, dass Mutter B ein Kind mit niedrigem Geburtsgewicht bekommt.<\/span><\/p>\n Rauchen<\/strong> : Das angepasste Odds Ratio f\u00fcr Rauchen wird wie folgt berechnet: e.485<\/sup> = 1.624<\/strong> . Dies bedeutet, dass die Wahrscheinlichkeit, ein Kind mit niedrigem Geburtsgewicht zu bekommen, um 62,4 % steigt, wenn die Mutter raucht (im Vergleich zur Nichtraucherin), vorausgesetzt, die Altersvariable<\/i> bleibt konstant.<\/span><\/p>\n Angenommen, Mutter A und Mutter B sind beide 30 Jahre alt. Wenn Mutter A w\u00e4hrend der Schwangerschaft raucht und Mutter B nicht raucht, ist die Wahrscheinlichkeit, dass Mutter A ein Kind mit niedrigem Geburtsgewicht bekommt, um 62,4 % h\u00f6her als die Wahrscheinlichkeit, dass Mutter B ein Kind mit niedrigem Geburtsgewicht bekommt.<\/span><\/p>\n Beachten Sie, dass das altersbereinigte Quotenverh\u00e4ltnis niedriger ist als das nicht angepasste Quotenverh\u00e4ltnis aus dem vorherigen Beispiel. Dies liegt daran, dass, wenn andere Pr\u00e4diktorvariablen die Wahrscheinlichkeit erh\u00f6hen, dass die Antwortvariable auftritt, das angepasste Quotenverh\u00e4ltnis f\u00fcr eine bereits im Modell vorhandene Pr\u00e4diktorvariable immer sinkt.<\/span><\/p>\n Ein Quotenverh\u00e4ltnis<\/strong> (manchmal auch \u201erohes\u201c Quotenverh\u00e4ltnis genannt) ist n\u00fctzlich, um uns zu sagen, wie sich \u00c4nderungen einer Pr\u00e4diktorvariablen auf die Wahrscheinlichkeit des Auftretens einer Antwortvariablen auswirken.<\/span><\/p>\n Ein angepasstes Quotenverh\u00e4ltnis<\/strong> ist n\u00fctzlich, um uns zu sagen, wie sich \u00c4nderungen einer Pr\u00e4diktorvariablen auf die Wahrscheinlichkeit des Auftretens einer Antwortvariablen auswirken, nachdem<\/em> andere Pr\u00e4diktorvariablen in einem Modell ber\u00fccksichtigt wurden.<\/span><\/p>\n Einf\u00fchrung in die logistische Regression<\/a> In der Statistik gibt uns ein Odds Ratio das Verh\u00e4ltnis zwischen der Wahrscheinlichkeit des Auftretens eines Ereignisses in einer Behandlungsgruppe und der Wahrscheinlichkeit des Auftretens eines Ereignisses in einer Kontrollgruppe an. Quotenverh\u00e4ltnisse treten am h\u00e4ufigsten in der logistischen Regression auf. Hierbei handelt es sich um eine Methode, mit der wir ein Regressionsmodell anpassen, das \u00fcber […]<\/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: Berechnung angepasster Quotenverh\u00e4ltnisse<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio1.png\")
<\/p>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio2.png\")
<\/p>\n Zusammenfassung: Quotenverh\u00e4ltnis im Vergleich zum angepassten Quotenverh\u00e4ltnis<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine logistische Regression in R durch
So f\u00fchren Sie eine logistische Regression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"