<\/p>\n
Die logistische Regression<\/a> ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist.<\/span><\/p>\n Wenn Sie ein logistisches Regressionsmodell in R anpassen, stellen die Koeffizienten in der Modellzusammenfassung die durchschnittliche \u00c4nderung der logarithmischen Wahrscheinlichkeiten<\/strong> der Antwortvariablen dar, die mit einem Anstieg um eine Einheit bei jeder Pr\u00e4diktorvariablen verbunden ist.<\/span><\/p>\n Allerdings m\u00f6chten wir stattdessen oft das Quotenverh\u00e4ltnis<\/strong> f\u00fcr die Pr\u00e4diktorvariablen im Modell berechnen.<\/span><\/p>\n Um die Quotenverh\u00e4ltnisse f\u00fcr jede Pr\u00e4diktorvariable im Modell schnell zu berechnen, k\u00f6nnen Sie die folgende Syntax verwenden:<\/span><\/p>\n Sie k\u00f6nnen auch ein 95 %-Konfidenzintervall f\u00fcr jedes Quotenverh\u00e4ltnis berechnen, indem Sie die folgende Syntax verwenden:<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Syntax zum Berechnen und Interpretieren von Quotenverh\u00e4ltnissen f\u00fcr ein logistisches Regressionsmodell in R verwendet wird.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den Standarddatensatz<\/strong> aus dem ISLR-<\/strong> Paket in R.<\/span><\/p>\n Mit dem folgenden Code k\u00f6nnen wir eine Zusammenfassung des Datensatzes laden und anzeigen:<\/span><\/p>\n Dieser Datensatz enth\u00e4lt die folgenden Informationen zu 10.000 Personen:<\/span><\/p>\n Wir werden Studentenstatus, Bankguthaben und Einkommen verwenden, um ein logistisches Regressionsmodell zu erstellen, das die Wahrscheinlichkeit vorhersagt, dass eine bestimmte Person zahlungsunf\u00e4hig wird.<\/span><\/p>\n Wir k\u00f6nnen die glm-<\/strong> Funktion verwenden und \u201efamily=’binomial’\u201c angeben, damit R ein logistisches Regressionsmodell an den Datensatz anpasst:<\/span><\/p>\n Die Koeffizienten im Ergebnis geben die durchschnittliche \u00c4nderung der logarithmischen Ausfallwahrscheinlichkeit an.<\/span><\/p>\n Beispielsweise ist eine Erh\u00f6hung des Saldos<\/strong> um eine Einheit mit einem durchschnittlichen Anstieg der logarithmischen Ausfallwahrscheinlichkeit um 0,005988<\/strong> verbunden.<\/span><\/p>\n Um stattdessen das Quotenverh\u00e4ltnis f\u00fcr jede Pr\u00e4diktorvariable zu berechnen, k\u00f6nnen wir die folgende Syntax verwenden:<\/span><\/p>\n Wir k\u00f6nnen auch jedes Quotenverh\u00e4ltnis sowie ein 95 %-Konfidenzintervall f\u00fcr jedes Quotenverh\u00e4ltnis berechnen:<\/span><\/p>\n Das Quotenverh\u00e4ltnis f\u00fcr jeden Koeffizienten stellt den durchschnittlichen Anstieg der Ausfallwahrscheinlichkeiten einer Person dar, vorausgesetzt, dass alle anderen Pr\u00e4diktorvariablen konstant bleiben.<\/span><\/p>\n Beispielsweise hat der Saldo<\/strong> der Pr\u00e4diktorvariablen ein Quotenverh\u00e4ltnis von 1,0057<\/strong> .<\/span><\/p>\n Dies bedeutet, dass f\u00fcr jeden zus\u00e4tzlichen Dollar auf dem Guthaben einer Person die Wahrscheinlichkeit, dass sie mit ihrem Kredit in Verzug ger\u00e4t, um den Faktor 1,0057<\/strong> steigt, vorausgesetzt, dass der Studentenstatus und das Einkommen konstant bleiben<\/em> .<\/span><\/p>\n Wir k\u00f6nnen die Quotenverh\u00e4ltnisse f\u00fcr die anderen Pr\u00e4diktorvariablen auf die gleiche Weise interpretieren.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So verwenden Sie Predict() mit dem logistischen Regressionsmodell in R<\/a> Die logistische Regression ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist. Wenn Sie ein logistisches Regressionsmodell in R anpassen, stellen die Koeffizienten in der Modellzusammenfassung die durchschnittliche \u00c4nderung der logarithmischen Wahrscheinlichkeiten der Antwortvariablen dar, die mit einem Anstieg um eine Einheit bei jeder Pr\u00e4diktorvariablen verbunden ist. Allerdings m\u00f6chten […]<\/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 exp(coef(model))\n<\/strong><\/pre>\n
exp(cbind(Odds_Ratio = coef(model), confint(model)))<\/strong><\/pre>\n
Beispiel: Berechnung der Quotenverh\u00e4ltnisse in einem logistischen Regressionsmodell in R<\/strong><\/span><\/h2>\n
library<\/span> (ISLR)\n\n#view first five rows of Default dataset\n<\/span>head(Default)\n\n default student balance income\n1 No No 729.5265 44361.625\n2 No Yes 817.1804 12106.135\n3 No No 1073.5492 31767.139\n4 No No 529.2506 35704.494\n5 No No 785.6559 38463.496\n6 No Yes 919.5885 7491.559<\/strong><\/pre>\n\n
#fit logistic regression model<\/span>\nmodel <- glm(default~student+balance+income, family=' binomial<\/span> ', data=Default)\n\n#disable scientific notation for model summary<\/span>\noptions(scipen=999)\n\n#view model summary<\/span>\nsummary(model)\n\nCall:\nglm(formula = default ~ student + balance + income, family = \"binomial\", \n data = train)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.5586 -0.1353 -0.0519 -0.0177 3.7973 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -11.478101194 0.623409555 -18.412 <0.0000000000000002 ***\nstudentYes -0.493292438 0.285735949 -1.726 0.0843 . \nbalance 0.005988059 0.000293765 20.384 <0.0000000000000002 ***\nincome 0.000007857 0.000009965 0.788 0.4304 \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: 2021.1 on 6963 degrees of freedom\nResidual deviance: 1065.4 on 6960 degrees of freedom\nAIC: 1073.4\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #calculate odds ratio for each predictor variable<\/span>\nexp(coef(model))\n\n (Intercept) studentYes balance income \n0.00001903854 0.52373166965 1.00575299051 1.00000303345 \n<\/strong><\/pre>\n #calculate odds ratio and 95% confidence interval for each predictor variable<\/span> \nexp(cbind(Odds_Ratio = coef(model), confint(model)))\n\n Odds_Ratio 2.5% 97.5%\n(Intercept) 0.00001903854 0.000007074481 0.0000487808\nstudentYes 0.52373166965 0.329882707270 0.8334223982\nbalance 1.00575299051 1.005308940686 1.0062238757\nincome 1.00000303345 0.999986952969 1.0000191246\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So interpretieren Sie Pr(>|z|) in der logistischen Regressionsausgabe in R<\/a>
So zeichnen Sie eine logistische Regressionskurve in R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"