<\/p>\n
Immer wenn Sie eine logistische Regression in R durchf\u00fchren, wird die Ausgabe Ihres Regressionsmodells im folgenden Format angezeigt:<\/span><\/p>\n Die Spalte \u201ePr(>|z|)\u201c<\/strong> stellt den p-Wert dar, der dem Wert in der Spalte \u201ez-Wert\u201c<\/strong> zugeordnet ist.<\/span><\/p>\n Wenn der p-Wert unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), weist dies darauf hin, dass die Pr\u00e4diktorvariable eine statistisch signifikante Beziehung zur Antwortvariablen<\/a> im Modell hat.<\/span><\/p>\n Das folgende Beispiel zeigt, wie die Werte der Spalte Pr(>|z|) f\u00fcr ein logistisches Regressionsmodell in der Praxis interpretiert werden.<\/span><\/p>\n Der folgende Code zeigt, wie man mithilfe des integrierten mtcars-<\/strong> Datensatzes ein logistisches Regressionsmodell<\/a> in R anpasst:<\/span><\/p>\n So interpretieren Sie die Werte in der Spalte Pr(>|z|):<\/span><\/p>\n Die Signifikanzcodes<\/a> unter der Koeffiziententabelle sagen uns, dass ein einzelnes Sternchen (*) neben dem p-Wert von 0,0315 bedeutet, dass der p-Wert bei \u03b1 = 0,05 statistisch signifikant ist.<\/span><\/p>\n So wird der Wert von Pr(>|z|) tats\u00e4chlich berechnet:<\/span><\/p>\n Schritt 1: Berechnen Sie den Z-Wert<\/strong><\/span><\/p>\n Zuerst berechnen wir den Z-Wert<\/strong> mit der folgenden Formel:<\/span><\/p>\n So berechnen Sie beispielsweise den Z-Wert f\u00fcr die Pr\u00e4diktorvariable \u201edrat\u201c:<\/span><\/p>\n Schritt 2: Berechnen Sie den p-Wert<\/strong><\/span><\/p>\n Als n\u00e4chstes berechnen wir den zweiseitigen p-Wert. Dies stellt die Wahrscheinlichkeit dar, dass der Absolutwert der Normalverteilung gr\u00f6\u00dfer als 2,151 oder kleiner als -2,151 ist.<\/span><\/p>\n Wir k\u00f6nnen die folgende Formel in R verwenden, um diesen Wert zu berechnen:<\/span><\/p>\n So berechnen Sie beispielsweise den zweiseitigen p-Wert f\u00fcr einen z-Wert von 2,151:<\/span><\/p>\n Beachten Sie, dass dieser p-Wert mit dem p-Wert in der obigen Regressionsausgabe \u00fcbereinstimmt.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie verschiedene Regressionsmodelle in R angepasst werden:<\/span><\/p>\n So f\u00fchren Sie eine logistische Regression in R durch Immer wenn Sie eine logistische Regression in R durchf\u00fchren, wird die Ausgabe Ihres Regressionsmodells im folgenden Format angezeigt: Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -17.638452 9.165482 -1.924 0.0543 . available -0.004153 0.006621 -0.627 0.5305 drat 4.879396 2.268115 2.151 0.0315 * Die Spalte \u201ePr(>|z|)\u201c stellt den p-Wert dar, der dem Wert in der Spalte […]<\/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 Coefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -17.638452 9.165482 -1.924 0.0543 .\navailable -0.004153 0.006621 -0.627 0.5305 \ndrat 4.879396 2.268115 2.151 0.0315 * \n<\/span><\/span><\/strong><\/pre>\n Beispiel: So interpretieren Sie Pr(>|z|)-Werte<\/strong><\/span><\/h3>\n
#fit logistic regression model\n<\/span>model <- glm(am ~ disp + drat, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + drat, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.5773 -0.2273 -0.1155 0.5196 1.8957 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -17.638452 9.165482 -1.924 0.0543 .\navailable -0.004153 0.006621 -0.627 0.5305 \ndrat 4.879396 2.268115 2.151 0.0315 *\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 21,268 on 29 degrees of freedom\nAIC: 27,268\n\nNumber of Fisher Scoring iterations: 6<\/strong><\/span><\/pre>\n\n
Wie wird Pr(>|z|) berechnet?<\/strong><\/span><\/h3>\n
\n
#calculate z-value<\/span>\n4.879396 \/ 2.268115<\/span>\n\n[1] 2.151\n<\/strong><\/pre>\n\n
#calculate p-value<\/span>\n2*(1-pnorm(2.151))\n\n[1] 0.0314762\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a>
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"