In vielen Bereichen der Wissenschaft wie auch der Praxis in Wirtschaft, Politik usw. geht es darum, die Wahrscheinlichkeit für das Eintreten eines bestimmten Ereignisses zu ermitteln. Im Bereich des Marketing etwa ist es interessant zu wissen, welche Einflussgrößen die Kauf-wahrscheinlichkeit erhöhen, im Bereich der Medizin geht es darum, welche Faktoren das Ri-siko einer Erkrankung erhöhen und in der Politik wird es von Interesse sein, die Auswirkun-gen bestimmter Größen auf die Wahrscheinlichkeit gewählt zu werden zu bestimmen. Alle diese Ereignisse lassen sich als dichotome (binäre) Variablen betrachten (Kauf – Nichtkauf, Erkrankung – Nichterkrankung, Wahl – Nichtwahl, usw.). Im Folgenden wird das Eintreten eines solchen Ereignisses als 1 und das Nichteintreten als 0 gekennzeichnet (vgl. Backhaus u. a.; Litz; Hamilton; Hartung/Elpelt; Andreß/Hagenaars/Kühnel; Tutz; Voß). Die Beziehung zwischen den Eintrittswahrscheinlichkeiten lassen sich folgendermaßen darstellen
Inhaltsverzeichnis
- Einleitung und Anwendungsfelder der logistischen Regression
- Unterschiede zur linearen Regression
- Exkurs: Binomialverteilung
- Formulierung des Regressionsmodells
- Dummy-Variablen
- Schätzung der logistischen Regressionsfunktion
- Interpretation der Regressionskoeffizienten
- Prüfung des Regressionsmodells
- Logit- und Probit-Modelle
- Modellgüte
Zielsetzung und Themenschwerpunkte
Diese Arbeit befasst sich mit der logistischen Regression, einem Verfahren zur Analyse dichotomer Variablen und deren Eintrittswahrscheinlichkeit. Ziel ist es, die Funktionsweise der logistischen Regression zu erläutern und ihre Anwendungsmöglichkeiten in verschiedenen Bereichen aufzuzeigen. Dabei werden die Unterschiede zur linearen Regression beleuchtet, das Regressionsmodell vorgestellt und dessen Interpretation sowie Prüfung näher betrachtet.
- Einleitung und Anwendungsfelder der logistischen Regression
- Unterschiede zur linearen Regression
- Formulierung des Regressionsmodells
- Interpretation der Regressionskoeffizienten
- Prüfung des Regressionsmodells
Zusammenfassung der Kapitel
Einleitung und Anwendungsfelder der logistischen Regression
Dieses Kapitel führt in die logistische Regression als statistisches Verfahren zur Analyse dichotomer Variablen ein. Es werden die grundlegenden Prinzipien und Anwendungsgebiete der logistischen Regression erläutert, wobei die Wahrscheinlichkeit des Eintretens eines bestimmten Ereignisses im Vordergrund steht. Beispiele aus unterschiedlichen Bereichen wie Marketing, Medizin und Politik veranschaulichen die Relevanz der logistischen Regression.
Unterschiede zur linearen Regression
Dieses Kapitel beleuchtet die Unterschiede zwischen der linearen Regression und der logistischen Regression. Die Limitationen der linearen Regression bei der Analyse dichotomer Variablen werden anhand eines Beispiels aufgezeigt und die Notwendigkeit der logistischen Regression begründet. Der Exkurs zur Binomialverteilung als Grundlage für die logistische Regression wird ebenfalls behandelt.
Formulierung des Regressionsmodells
Das Kapitel behandelt die Formulierung des logistischen Regressionsmodells. Es werden verschiedene Aspekte des Modells erläutert, wie die Verwendung von Dummy-Variablen, die Schätzung der Regressionsfunktion und die Interpretation der Koeffizienten. Die Prüfung des Regressionsmodells im Hinblick auf seine Güte und Anwendbarkeit wird ebenfalls angesprochen.
Logit- und Probit-Modelle
Dieses Kapitel befasst sich mit den Logit- und Probit-Modellen, die zu den gängigen Methoden der logistischen Regression gehören. Dabei werden die Gemeinsamkeiten und Unterschiede zu anderen Modellen, wie der linearen Regression, erläutert und die Anwendungsmöglichkeiten der Logit- und Probit-Modelle im Detail dargestellt.
Schlüsselwörter
Logistische Regression, dichotome Variablen, Eintrittswahrscheinlichkeit, lineare Regression, Dummy-Variablen, Regressionskoeffizienten, Modellgüte, Logit-Modell, Probit-Modell.
- Citation du texte
- Bakk. Mag. Manfred Hammerl (Auteur), 2006, Logistische Regression - Die Anwendung des Logit- und Probit-Modells, Munich, GRIN Verlag, https://www.grin.com/document/94286
