Zusammenfassung
Untersuchungsmodelle mit nominal oder ordinal skalierten abhängigen Variablen können mit der linearen Regression nicht sinnvoll berechnet werden, da die vom Modell gelieferten Ergebnisse nicht immer im Wertebereich der abhängigen Variablen liegen. Wird z.B. der Kauf (Kodierung der abhängigen Variablen y=1) oder Nicht-Kauf (y=0) eines Produktes betrachtet, so lassen sich Werte unter null oder über eins nicht sinnvoll interpretieren. Als multivariate Analysemethode kann im Fall nominal skalierter abhängiger Variablen die logistische Regression verwendet werden. Ist zusätzlich die Reihenfolge der Kategorien der abhängigen Variablen sinnvoll interpretierbar, dann sollte die ordinale Regression angewendet werden.Skalenniveaus bestehen.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Agresti, A. (1984): Analysis of Ordinal Categorial Data,New York et al.
Aldrich, J.H. und F.D. Nelson (1984): Linear Probability, Logit, and Probit Models,Berverly Hills & London.
Andreß, H.-J., J. A. Hagenaars und S. Kühnel (1997): Analyse von Tabellen und kategorialen Daten: Log-lineare Modelle, latente Klassenanalyse, logistische Regression und GSK-Ansatz,Berlin et al.
Backhaus, K., B. Erichson, W. Plinke und R. Weiber (2003): Multivariate Analysemethoden,10. Aufl., Berlin et al.
Bühl, A. und P. Zöfel (2005): SPSS 12: Einführung in die moderne Datenanalyse unter Windows, 9. Aufl., München.
Cramer, J.S. (1999): Predictive Performance of the Binary Logit Model in Unbalanced Samples, The Statistican, 48, 85 – 94.
Fahrmeir, L. und G. Tutz (2001): Multivariate Statistical Modelling Based on Generalized Linear Models,2. Aufl., Berlin et al.
Hosmer, D.W. und S. Lemeshow (2000): Applied Logistic Regression,2. Aufl., New York et al.
Kleinbaum, D.G. und M. Klein (2002): Logistic Regression: A Self-Learning Text,2. Aufl., New York et al.
Krafft, M. (1997): Der Ansatz der Logistischen Regression und seine Interpretation, Zeitschriftfür Betriebswirtschaft, 67, 625 – 642.
Menard, S. (2001): Applied Logistic Regression Analysis, 2. Aufl., Thousand Oaks.
Morrison, D.G. (1969): On the Interpretation of Discriminant Analysis, Journal of Marketing Research, 6, 156 – 163.
Sentas, P., L. Angelis, I. Stamelos und G. Bleris (2005): Software Productivity and Effort Prediction with Ordinal Regression, Information and Software Technology, 47, 17 – 29.
Editor information
Rights and permissions
Copyright information
© 2009 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Rohrlack, C. (2009). Logistische und Ordinale Regression. In: Albers, S., Klapper, D., Konradt, U., Walter, A., Wolf, J. (eds) Methodik der empirischen Forschung. Gabler Verlag, Wiesbaden. https://doi.org/10.1007/978-3-322-96406-9_18
Download citation
DOI: https://doi.org/10.1007/978-3-322-96406-9_18
Publisher Name: Gabler Verlag, Wiesbaden
Print ISBN: 978-3-8349-1703-4
Online ISBN: 978-3-322-96406-9
eBook Packages: Business and Economics (German Language)