Es gibt zwei Methoden, die Sie nicht verwenden sollten<\/strong> , um die Bedeutung einer Variablen zu bestimmen:<\/span><\/p>\n 1. Der Wert der Regressionskoeffizienten<\/strong><\/span><\/p>\n Ein Regressionskoeffizient f\u00fcr eine bestimmte Pr\u00e4diktorvariable gibt die durchschnittliche \u00c4nderung der Antwortvariablen an, die mit einem Anstieg dieser Pr\u00e4diktorvariablen um eine Einheit verbunden ist.<\/span><\/p>\n Allerdings wird jede Pr\u00e4diktorvariable in einem Modell normalerweise auf einer anderen Skala gemessen. Es macht daher keinen Sinn, die absoluten Werte der Regressionskoeffizienten zu vergleichen, um festzustellen, welche Variablen am wichtigsten sind.<\/span><\/p>\n 2. Die p-Werte der Regressionskoeffizienten<\/strong><\/span><\/p>\n Die p-Werte der Regressionskoeffizienten k\u00f6nnen Ihnen sagen, ob eine bestimmte Pr\u00e4diktorvariable einen statistisch signifikanten Zusammenhang mit der Antwortvariablen hat, sie k\u00f6nnen Ihnen jedoch nicht sagen, ob eine bestimmte Pr\u00e4diktorvariable in der realen Welt praktisch signifikant ist.<\/span><\/p>\n P-Werte k\u00f6nnen auch aufgrund einer gro\u00dfen Stichprobengr\u00f6\u00dfe oder einer geringen Variabilit\u00e4t niedrig sein, was uns nicht wirklich sagt, ob eine bestimmte Pr\u00e4diktorvariable in der Praxis sinnvoll ist oder nicht.<\/span><\/p>\n Es gibt jedoch zwei Methoden, die Sie verwenden sollten<\/strong> , um die Bedeutung von Variablen zu bestimmen:<\/span><\/p>\n 1. Standardisierte Regressionskoeffizienten<\/strong><\/span><\/p>\n Wenn wir eine multiple lineare Regression durchf\u00fchren, sind die resultierenden Regressionskoeffizienten in der Modellausgabe normalerweise nicht standardisiert<\/strong> , was bedeutet, dass die Rohdaten verwendet werden, um die am besten geeignete Linie zu finden.<\/span><\/p>\n Es ist jedoch m\u00f6glich, jede Pr\u00e4diktorvariable und die Antwortvariable zu standardisieren<\/strong> (indem der Mittelwert jeder Variablen von den urspr\u00fcnglichen Werten subtrahiert und dann durch die Standardabweichung der Variablen dividiert wird) und dann eine Regression durchzuf\u00fchren, die Folgendes ergibt: standardisierte Regressionskoeffizienten<\/strong> .<\/span><\/p>\n Durch die Standardisierung jeder Variablen im Modell wird jede Variable auf derselben Skala gemessen. Daher ist es sinnvoll, die absoluten Werte der Regressionskoeffizienten in den Ergebnissen zu vergleichen, um zu verstehen, welche Variablen den gr\u00f6\u00dften Einfluss auf die Antwortvariable haben.<\/span><\/p>\n 2. Fachkompetenz<\/strong><\/span><\/p>\n Obwohl p-Werte Aufschluss dar\u00fcber geben k\u00f6nnen, ob zwischen einer bestimmten Pr\u00e4diktorvariablen und der Antwortvariablen ein statistisch signifikanter Effekt besteht, sind Fachkenntnisse erforderlich, um zu best\u00e4tigen, ob eine Pr\u00e4diktorvariable tats\u00e4chlich relevant ist und tats\u00e4chlich in ein Modell einbezogen werden sollte.<\/span><\/p>\n Das folgende Beispiel zeigt, wie man in der Praxis signifikante Variablen in einem Regressionsmodell ermittelt.<\/span><\/p>\n Angenommen, wir verf\u00fcgen \u00fcber den folgenden Datensatz mit Informationen zum Alter, der Quadratmeterzahl und dem Verkaufspreis von 12 H\u00e4usern:<\/span> <\/p>\n Angenommen, wir f\u00fchren dann eine multiple lineare Regression durch, wobei wir Alter<\/strong> und Quadratmeterzahl<\/strong> als Pr\u00e4diktorvariablen und den Preis<\/strong> als Antwortvariable verwenden.<\/span><\/p>\n Wir erhalten folgendes Ergebnis:<\/span> <\/p>\n Die Regressionskoeffizienten in dieser Tabelle sind nicht standardisiert<\/strong> , was bedeutet, dass die Rohdaten zur Anpassung dieses Regressionsmodells verwendet wurden.<\/span><\/p>\n Auf den ersten Blick scheint es, dass das Alter<\/strong> einen viel gr\u00f6\u00dferen Einfluss auf den Immobilienpreis hat, da sein Koeffizient in der Regressionstabelle -409,833<\/strong> betr\u00e4gt, verglichen mit nur 100,866<\/strong> f\u00fcr die Pr\u00e4diktorvariable Quadratmeterzahl<\/strong> .<\/span><\/p>\n Allerdings ist der Standardfehler f\u00fcr das Alter viel gr\u00f6\u00dfer als f\u00fcr die Quadratmeterzahl, weshalb der entsprechende p-Wert f\u00fcr das Alter tats\u00e4chlich gro\u00df (p = 0,520) und f\u00fcr die Quadratmeterzahl klein (p = 0,000) ist.<\/span><\/p>\n Der Grund f\u00fcr die extremen Unterschiede in den Regressionskoeffizienten liegt in den extremen Unterschieden in den Skalen f\u00fcr die beiden Variablen:<\/span><\/p>\n Angenommen, wir normalisieren<\/strong> stattdessen die Rohdaten:<\/span> <\/p>\n Wenn wir dann eine multiple lineare Regression mit den standardisierten Daten durchf\u00fchren, erhalten wir das folgende Regressionsergebnis:<\/span> <\/p>\n Die Regressionskoeffizienten in dieser Tabelle sind standardisiert<\/strong> , was bedeutet, dass standardisierte Daten zur Anpassung an dieses Regressionsmodell verwendet wurden.<\/span><\/p>\n Die Koeffizienten in der Tabelle sind wie folgt zu interpretieren:<\/span><\/p>\n Wir k\u00f6nnen jetzt sehen, dass die Quadratmeterzahl einen viel gr\u00f6\u00dferen Einfluss auf die Immobilienpreise hat als das Alter.<\/span><\/p>\n Hinweis<\/strong> : Die p-Werte f\u00fcr jede Pr\u00e4diktorvariable sind genau die gleichen wie im vorherigen Regressionsmodell.<\/span><\/p>\n Bei der Entscheidung, welches endg\u00fcltige Modell wir verwenden m\u00f6chten, wissen wir jetzt, dass die Quadratmeterzahl<\/strong> f\u00fcr die Vorhersage des Preises eines Hauses viel wichtiger ist als sein Alter<\/strong> .<\/span><\/p>\n Letztendlich m\u00fcssen wir unsere Fachkenntnisse nutzen, um auf der Grundlage des vorhandenen Wissens \u00fcber Wohnraum- und Immobilienpreise zu bestimmen, welche Variablen in das endg\u00fcltige Modell einbezogen werden sollen.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Regressionsmodellen:<\/span><\/p>\n So lesen und interpretieren Sie eine Regressionstabelle<\/a> Eine der Hauptfragen, die Sie sich nach der Anpassung eines multiplen linearen Regressionsmodells stellen werden, lautet: Welche Variablen sind signifikant? Es gibt zwei Methoden, die Sie nicht verwenden sollten , um die Bedeutung einer Variablen zu bestimmen: 1. Der Wert der Regressionskoeffizienten Ein Regressionskoeffizient f\u00fcr eine bestimmte Pr\u00e4diktorvariable gibt die durchschnittliche \u00c4nderung der Antwortvariablen an, […]<\/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 Beispiel: So ermitteln Sie signifikante Variablen in einem Regressionsmodell<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Daten](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Standardisierte](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So interpretieren Sie Regressionskoeffizienten<\/a>
So interpretieren Sie P-Werte in der linearen Regression<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"