<\/p>\n
Die Regressionsanalyse<\/strong> ist eine der am h\u00e4ufigsten verwendeten Techniken in der Statistik.<\/span><\/p>\n Das grundlegende Ziel der Regressionsanalyse besteht darin, ein Modell anzupassen, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen<\/a> am besten beschreibt.<\/span><\/p>\n In diesem Artikel stellen wir die 7 im wirklichen Leben am h\u00e4ufigsten verwendeten Regressionsmodelle vor und geben an, wann die einzelnen Regressionstypen zu verwenden sind.<\/span><\/p>\n Mithilfe der linearen Regression wird ein Regressionsmodell angepasst, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer numerischen Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/span><\/p>\n Beispiel:<\/strong> Ein Einzelhandelsunternehmen kann ein lineares Regressionsmodell verwenden, das Werbeausgaben verwendet, um den Gesamtumsatz vorherzusagen.<\/span><\/p>\n Da die Beziehung zwischen diesen beiden Variablen wahrscheinlich linear ist (mehr Geld f\u00fcr Werbung f\u00fchrt im Allgemeinen zu mehr Verk\u00e4ufen) und die Antwortvariable (Gesamtumsatz) eine kontinuierliche numerische Variable ist, ist es sinnvoll, ein lineares Regressionsmodell anzupassen.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die multiple lineare Regression<\/a><\/p>\n Mithilfe der logistischen Regression wird ein Regressionsmodell angepasst, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer bin\u00e4ren Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Medizinische Forscher k\u00f6nnen ein logistisches Regressionsmodell anhand von Bewegungs- und Rauchgewohnheiten anpassen, um die Wahrscheinlichkeit eines Herzinfarkts bei einer Person vorherzusagen.<\/span><\/p>\n Da die Antwortvariable (Herzinfarkt) bin\u00e4r ist \u2013 eine Person erleidet entweder einen Herzinfarkt oder nicht \u2013 ist es angemessen, ein logistisches Regressionsmodell anzupassen.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die logistische Regression<\/a><\/p>\n Mithilfe der polynomialen Regression wird ein Regressionsmodell angepasst, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer numerischen Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Psychologen k\u00f6nnen eine polynomielle Regression anhand der \u201egeleisteten Stunden\u201c anpassen, um die \u201eGesamtzufriedenheit\u201c der Mitarbeiter in einer bestimmten Branche vorherzusagen.<\/span><\/p>\n Die Beziehung zwischen diesen beiden Variablen ist wahrscheinlich nichtlinear. Das hei\u00dft, mit zunehmender Stundenzahl kann eine Person von gr\u00f6\u00dferer Zufriedenheit berichten, jenseits einer bestimmten Anzahl geleisteter Arbeitsstunden nimmt die Gesamtzufriedenheit jedoch wahrscheinlich ab. Da diese Beziehung zwischen der Pr\u00e4diktorvariablen und der Antwortvariablen nichtlinear ist, ist es sinnvoll, ein polynomiales Regressionsmodell anzupassen.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die Polynomregression<\/a><\/p>\n Mithilfe der Ridge-Regression wird ein Regressionsmodell angepasst, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer numerischen Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Ein Basketball-Datenwissenschaftler k\u00f6nnte ein Ridge-Regressionsmodell mithilfe von Pr\u00e4diktorvariablen wie Punkten, Assists und Rebounds anpassen, um die Spielergeh\u00e4lter vorherzusagen.<\/span><\/p>\n Pr\u00e4diktorvariablen sind wahrscheinlich stark korreliert, da bessere Spieler tendenziell mehr Punkte, Assists und Rebounds haben. Daher ist Multikollinearit\u00e4t wahrscheinlich ein Problem, daher k\u00f6nnen wir dieses Problem durch die Verwendung der Ridge-Regression minimieren.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die Ridge-Regression<\/a><\/p>\n Die Lasso-Regression ist der Ridge-Regression sehr \u00e4hnlich und wird zur Anpassung eines Regressionsmodells verwendet, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer numerischen Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Ein Wirtschaftswissenschaftler k\u00f6nnte ein Lasso-Regressionsmodell mithilfe von Pr\u00e4diktorvariablen wie der Gesamtzahl der Schuljahre, der geleisteten Arbeitsstunden und den Lebenshaltungskosten anpassen, um das Haushaltseinkommen vorherzusagen.<\/span><\/p>\n Die Pr\u00e4diktorvariablen sind wahrscheinlich stark korreliert, da besser ausgebildete Personen tendenziell auch in St\u00e4dten mit h\u00f6heren Lebenshaltungskosten leben und mehr Stunden arbeiten. Daher ist Multikollinearit\u00e4t wahrscheinlich ein Problem, daher k\u00f6nnen wir dieses Problem durch die Verwendung der Lasso-Regression minimieren.<\/span><\/p>\n Beachten Sie, dass die Lasso-Regression und die Ridge-Regression ziemlich \u00e4hnlich sind. Wenn Multikollinearit\u00e4t in einem Datensatz ein Problem darstellt, wird empfohlen, sowohl ein Lasso- als auch ein Ridge-Regressionsmodell anzupassen, um herauszufinden, welches Modell am besten funktioniert.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die Lasso-Regression<\/a><\/p>\n Die Poisson-Regression wird verwendet, um ein Regressionsmodell anzupassen, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Eine Universit\u00e4t kann die Poisson-Regression verwenden, um die Anzahl der Studenten zu untersuchen, die ein bestimmtes Hochschulprogramm abschlie\u00dfen, basierend auf ihrem GPA bei Eintritt in das Programm und ihrem Geschlecht.<\/span><\/p>\n Da die Antwortvariable in diesem Fall Z\u00e4hldaten sind (wir k\u00f6nnen die Anzahl der Absolventen \u201ez\u00e4hlen\u201c \u2013 200, 250, 300, 413 usw.), ist es angemessen, die Poisson-Regression zu verwenden.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die Poisson-Regression<\/a><\/p>\n Mithilfe der Quantilregression wird ein Regressionsmodell angepasst, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen beschreibt.<\/span><\/p>\n Verwenden Sie, wenn:<\/b><\/span><\/p>\n Beispiel:<\/strong> Ein Professor kann die Quantilregression verwenden, um das erwartete 90. Perzentil der Pr\u00fcfungsergebnisse basierend auf der Anzahl der gelernten Stunden vorherzusagen:<\/span><\/p>\n Da der Professor in diesem Fall ein bestimmtes Perzentil der Antwortvariablen (Pr\u00fcfungsergebnisse) vorhersagen m\u00f6chte, ist es sinnvoll, die Quantilregression zu verwenden.<\/span><\/p>\n Ressource:<\/strong><\/span> Eine Einf\u00fchrung in die Quantilregression<\/a><\/p>\n 4 Beispiele f\u00fcr die Verwendung der linearen Regression im wirklichen Leben<\/a> Die Regressionsanalyse ist eine der am h\u00e4ufigsten verwendeten Techniken in der Statistik. Das grundlegende Ziel der Regressionsanalyse besteht darin, ein Modell anzupassen, das die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen am besten beschreibt. In diesem Artikel stellen wir die 7 im wirklichen Leben am h\u00e4ufigsten verwendeten Regressionsmodelle vor und geben an, wann […]<\/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 1. Lineare Regression<\/strong><\/span><\/h3>\n
\n
2. Logistische Regression<\/strong><\/span><\/h3>\n
\n
3. Polynomielle Regression<\/strong><\/span><\/h3>\n
\n
4. Ridge-Regression<\/strong><\/span><\/h3>\n
\n
5. Lasso-Regression<\/strong><\/span><\/h3>\n
\n
6. Poisson-Regression<\/strong><\/span><\/h3>\n
\n
7. Quantilregression<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
4 Beispiele f\u00fcr die Verwendung der logistischen Regression im wirklichen Leben<\/a>
ANOVA vs. Regression: Was ist der Unterschied?<\/a>
Der vollst\u00e4ndige Leitfaden: So melden Sie Regressionsergebnisse<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"