Es gibt drei Arten von logistischen Regressionsmodellen:<\/span><\/p>\n Die folgende Tabelle fasst diese Unterschiede zusammen:<\/span> <\/p>\n Dieses Tutorial bietet eine kurze Erl\u00e4uterung jedes Typs von logistischem Regressionsmodell sowie Beispiele daf\u00fcr.<\/span><\/p>\n Bin\u00e4re logistische Regressionsmodelle<\/strong> sind eine Art logistischer Regression, bei der die Antwortvariable nur in zwei Kategorien fallen kann.<\/span><\/p>\n Hier sind einige Beispiele:<\/span><\/p>\n Beispiel 1: NBA Draft<\/strong><\/span><\/p>\n Angenommen, ein Sportdatenwissenschaftler m\u00f6chte die Pr\u00e4diktorvariablen (1) Punkte, (2) Rebounds und (3) Assists verwenden, um die Wahrscheinlichkeit vorherzusagen, dass ein bestimmter College-Basketballspieler in die NBA eingezogen wird.<\/span><\/p>\n Da es f\u00fcr die Antwortvariable nur zwei m\u00f6gliche Ergebnisse (geschrieben oder ungeschrieben) gibt, w\u00fcrde der Datenwissenschaftler ein binomiales logistisches Regressionsmodell verwenden.<\/span><\/p>\n Beispiel 2: Spam-Erkennung<\/strong><\/span><\/p>\n Angenommen, ein Unternehmen m\u00f6chte die Pr\u00e4diktorvariablen (1) Wortanzahl und (2) Herkunftsland verwenden, um die Wahrscheinlichkeit vorherzusagen, dass es sich bei einer bestimmten E-Mail um Spam handelt.<\/span><\/p>\n Da es f\u00fcr die Antwortvariable nur zwei m\u00f6gliche Ergebnisse (Spam oder Nicht-Spam) gibt, w\u00fcrde das Unternehmen ein binomiales logistisches Regressionsmodell verwenden.<\/span><\/p>\n Multinomiale logistische Regressionsmodelle<\/strong> sind eine Art logistischer Regression, bei der die Antwortvariable in eine von drei oder mehr Kategorien fallen kann und es keine nat\u00fcrliche Reihenfolge zwischen den Kategorien gibt.<\/span><\/p>\n Hier sind einige Beispiele:<\/span><\/p>\n Beispiel 1: Politische Pr\u00e4ferenz<\/strong><\/span><\/p>\n Angenommen, ein Politikwissenschaftler m\u00f6chte mithilfe der Pr\u00e4diktorvariablen (1) Jahreseinkommen und (2) Bildungsjahre die Wahrscheinlichkeit vorhersagen, mit der eine Person f\u00fcr einen von vier verschiedenen Pr\u00e4sidentschaftskandidaten stimmen wird.<\/span><\/p>\n Da es mehr als zwei m\u00f6gliche Ergebnisse (es gibt vier potenzielle Kandidaten) f\u00fcr die Antwortvariable gibt und es keine nat\u00fcrliche Reihenfolge zwischen den Ergebnissen gibt, w\u00fcrde der Politikwissenschaftler ein multinomiales logistisches Regressionsmodell verwenden.<\/span><\/p>\n Beispiel 2: Sportpr\u00e4ferenz<\/strong><\/span><\/p>\n Angenommen, ein Sportanalyst m\u00f6chte die Pr\u00e4diktorvariablen (1) Fernsehstunden pro Woche und (2) Alter verwenden, um die Wahrscheinlichkeit vorherzusagen, mit der eine Person Basketball, Fu\u00dfball oder Baseball als ihre Lieblingssportart w\u00e4hlt.<\/span><\/p>\n Da es f\u00fcr die Antwortvariable mehr als zwei m\u00f6gliche Ergebnisse (es gibt drei Sportarten) gibt, verwendet der Sportanalyst ein multinomiales logistisches Regressionsmodell.<\/span><\/p>\n Ordinale logistische Regressionsmodelle<\/strong> sind eine Art logistischer Regression, bei der die Antwortvariable in eine von drei oder mehr Kategorien fallen kann und zwischen den Kategorien eine nat\u00fcrliche Reihenfolge besteht<\/em> .<\/span><\/p>\n Hier sind einige Beispiele:<\/span><\/p>\n Beispiel 1: Schulbeurteilungen<\/strong><\/span><\/p>\n Angenommen, ein Hochschulberater m\u00f6chte die Pr\u00e4diktorvariablen (1) GPA, (2) ACT-Score und (3) SAT-Score verwenden, um die Wahrscheinlichkeit vorherzusagen, dass eine Person ein College besuchen wird, das als \u201eschlecht\u201c, \u201emittelm\u00e4\u00dfig\u201c kategorisiert werden kann. . \u00bb, \u201egut\u201c oder \u201egro\u00dfartig\u201c.<\/span><\/p>\n Da es mehr als zwei m\u00f6gliche Ergebnisse (es gibt vier Klassifizierungen der Schulqualit\u00e4t) f\u00fcr die Antwortvariable gibt und eine nat\u00fcrliche Reihenfolge zwischen den Ergebnissen besteht<\/em> , w\u00fcrde der Schulberater ein ordinales logistisches Regressionsmodell verwenden.<\/span><\/p>\n Beispiel 2: Filmbewertungen<\/strong><\/span><\/p>\n Angenommen, ein Filmkritiker m\u00f6chte die Pr\u00e4diktorvariablen (1) Gesamtlaufzeit und (2) Genre verwenden, um die Wahrscheinlichkeit vorherzusagen, dass ein bestimmter Film eine Bewertung zwischen 1 und 10 erh\u00e4lt.<\/span><\/p>\n Da es mehr als zwei m\u00f6gliche Ergebnisse (es gibt 10 m\u00f6gliche Bewertungen) f\u00fcr die Antwortvariable gibt und eine nat\u00fcrliche Reihenfolge zwischen den Ergebnissen besteht<\/em> , w\u00fcrde der Filmkritiker ein ordinales logistisches Regressionsmodell verwenden.<\/span><\/p>\n Die folgenden Tutorials bieten weitere Details zu logistischen Regressionsmodellen:<\/span><\/p>\n Einf\u00fchrung in die logistische Regression<\/a> Unter logistischer Regression versteht man jedes Regressionsmodell, bei dem die Antwortvariable kategorial ist. Es gibt drei Arten von logistischen Regressionsmodellen: Bin\u00e4re logistische Regression : Die Antwortvariable kann nur einer der beiden Kategorien angeh\u00f6ren. Multinomiale logistische Regression : Die Antwortvariable kann in eine von drei oder mehr Kategorien fallen und es gibt keine nat\u00fcrliche Reihenfolge zwischen […]<\/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\n
![\"Arten](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/typeslogistiqueregression1.png\")
<\/p>\n Typ Nr. 1: bin\u00e4re logistische Regression<\/strong><\/span><\/h3>\n
Typ Nr. 2: Multinomiale logistische Regression<\/strong><\/span><\/h3>\n
Typ #3: Ordinale logistische Regression<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Die 6 Hypothesen der logistischen Regression<\/a>
4 Beispiele f\u00fcr die Verwendung der logistischen Regression im wirklichen Leben<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"