<\/p>\n
Die logistische Regression<\/strong> ist eine Art Regressionsanalyse, die wir verwenden, wenn die Antwortvariable<\/a> bin\u00e4r ist.<\/span><\/p>\n Wir k\u00f6nnen das folgende allgemeine Format verwenden, um die Ergebnisse eines logistischen Regressionsmodells zu melden:<\/span><\/p>\n Die logistische Regression wurde verwendet, um die Beziehung zwischen [Pr\u00e4diktorvariable 1], [Pr\u00e4diktorvariable 2], \u2026 [Pr\u00e4diktorvariable n<\/em> ] und [Antwortvariable] zu analysieren.<\/span><\/p>\n Es wurde festgestellt, dass bei Konstanthaltung aller anderen Pr\u00e4diktorvariablen die Wahrscheinlichkeit des Auftretens von [Antwortvariable] um [einige Prozent] (95 %-KI [Untergrenze, Obergrenze]) f\u00fcr einen Anstieg um eine Einheit in [zunimmt oder abnimmt]. [Pr\u00e4diktorvariable 1].<\/span><\/p>\n Es wurde festgestellt, dass bei Konstanthaltung aller anderen Pr\u00e4diktorvariablen die Wahrscheinlichkeit des Auftretens von [Antwortvariable] um [einige Prozent] (95 %-KI [Untergrenze, Obergrenze]) f\u00fcr einen Anstieg um eine Einheit in [zunimmt oder abnimmt]. [Pr\u00e4diktorvariable 2].<\/span><\/p>\n \u2026<\/span><\/p>\n<\/blockquote>\n Wir k\u00f6nnen diese grundlegende Syntax verwenden, um Quotenverh\u00e4ltnisse und das entsprechende 95 %-Konfidenzintervall f\u00fcr die Quotenverh\u00e4ltnisse jeder Pr\u00e4diktorvariablen im Modell zu melden.<\/span><\/p>\n Das folgende Beispiel zeigt, wie die Ergebnisse eines logistischen Regressionsmodells in der Praxis gemeldet werden.<\/span><\/p>\n Angenommen, ein Professor m\u00f6chte verstehen, ob zwei verschiedene Studienprogramme (Programm A und Programm B) und die Anzahl der studierten Stunden die Wahrscheinlichkeit beeinflussen, dass ein Student die Abschlusspr\u00fcfung seiner Klasse besteht.<\/span><\/p>\n Es entspricht einem logistischen Regressionsmodell, das Studienstunden und Studienprogramm als Pr\u00e4diktorvariablen und das Pr\u00fcfungsergebnis (bestanden oder nicht bestanden) als Antwortvariable verwendet.<\/span><\/p>\n Die folgende Ausgabe zeigt die Ergebnisse des logistischen Regressionsmodells:<\/span><\/p>\n Bevor wir die Ergebnisse des logistischen Regressionsmodells melden, m\u00fcssen wir zun\u00e4chst das Quotenverh\u00e4ltnis f\u00fcr jede Pr\u00e4diktorvariable mithilfe der Formel e \u03b2<\/sup> berechnen.<\/span><\/p>\n So berechnen Sie beispielsweise das Quotenverh\u00e4ltnis f\u00fcr jede Pr\u00e4diktorvariable:<\/span><\/p>\n Wir m\u00fcssen au\u00dferdem das 95 %-Konfidenzintervall f\u00fcr das Quotenverh\u00e4ltnis jeder Pr\u00e4diktorvariablen mithilfe der Formel e (\u03b2 +\/- 1,96*Standardfehler)<\/sup> berechnen.<\/span><\/p>\n So berechnen Sie beispielsweise das Quotenverh\u00e4ltnis f\u00fcr jede Pr\u00e4diktorvariable:<\/span><\/p>\n Nachdem wir nun das Quotenverh\u00e4ltnis und das entsprechende Konfidenzintervall f\u00fcr jede Pr\u00e4diktorvariable berechnet haben, k\u00f6nnen wir die Modellergebnisse wie folgt melden:<\/span><\/p>\n Mittels logistischer Regression wurde der Zusammenhang zwischen Lehrplan und Lernstunden hinsichtlich der Wahrscheinlichkeit, eine Abschlusspr\u00fcfung zu bestehen, analysiert.<\/span><\/p>\n Es zeigte sich, dass bei gleichbleibender Anzahl der Studienstunden die Chancen, die Abschlusspr\u00fcfung zu bestehen, f\u00fcr Studierende, die Studienprogramm A belegten, um 41 % (95 %-KI [0,04, 0,92]) stiegen, im Vergleich zu Studienprogramm B.<\/span><\/p>\n Es wurde au\u00dferdem festgestellt, dass bei gleichbleibendem Studienprogramm die Wahrscheinlichkeit, die Abschlusspr\u00fcfung zu bestehen, mit jeder weiteren gelernten Stunde um 0,6 % (95 %-KI [0,002, 0,009]) stieg.<\/span><\/p>\n<\/blockquote>\n Beachten Sie, dass wir Quotenverh\u00e4ltnisse f\u00fcr die Pr\u00e4diktorvariablen im Gegensatz zu Modell-Betawerten angegeben haben, da Quotenverh\u00e4ltnisse einfacher zu interpretieren und zu verstehen sind.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur logistischen Regression:<\/span><\/p>\n Einf\u00fchrung in die logistische Regression<\/a> Die logistische Regression ist eine Art Regressionsanalyse, die wir verwenden, wenn die Antwortvariable bin\u00e4r ist. Wir k\u00f6nnen das folgende allgemeine Format verwenden, um die Ergebnisse eines logistischen Regressionsmodells zu melden: Die logistische Regression wurde verwendet, um die Beziehung zwischen [Pr\u00e4diktorvariable 1], [Pr\u00e4diktorvariable 2], \u2026 [Pr\u00e4diktorvariable n ] und [Antwortvariable] zu analysieren. Es wurde festgestellt, dass […]<\/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
Beispiel: Ergebnisse der logistischen Regression melden<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -2.415 0.623 -3.876 <0.000\nprogram_A 0.344 0.156 2.205 0.027\nhours 0.006 0.002 3.000 0.003\n<\/strong><\/pre>\n
\n
\n
\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>
4 Beispiele f\u00fcr die Verwendung der logistischen Regression im wirklichen Leben<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"