Zusammenfassung
Die klassifizierende Regression ist ein (zentrales) Beispiel für die Generalisierung der „normalen“ Regression (die in Kapitel 18 behandelt wird); der Hauptunterschied ist, dass bei der logistischen Regression das Kriterium binär bzw. dichotom ist – und nicht metrisch wie bei der normalen Regression. Das hat zur Folge, dass die Funktion keine Gerade mehr beschreibt, sondern eine s-förmige Kurve. Nach dem Darstellen der Grundlagen der logistischen Regression und den Analogien zur normalen Regression folgt eine Erörterung zur Modellgüte: Wie viele Fälle wurden korrekt von einem Modell klassifiziert? Dabei ist zu unterscheiden, wie viele Fälle richtig als „positiv“ und wie viele Fälle richtig als „negativ“ klassifiziert wurden.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Das geht z. B. so: stats_test <- drop_na(stats_test). Man kann argumentieren, dass fehlende Werte in der Variablen date_time nicht tragisch sind oder dass diese Variable für unsere Zwecke hier gleich entfernt werden kann.
- 2.
Das \(\mathfrak{L}\) ist ein schnödes L wie in Ludwig.
- 3.
Dieses Argument soll heißen: „Die Art (Typ) der Vorhersage soll im Format der Response-Variablen, also des Kriteriums, erfolgen.“
- 4.
stats_test %>% ggplot() + aes(x = interessiert) + geom_bar(aes(fill = bestanden), position = ″fill″) + geom_jitter(width = .1).
- 5.
Z. B. cm2 <- confusion.matrix(stats_test$bestanden_num, glm4$fitted.values, threshold = .8).
- 6.
Von receiver operating characteristic; ein Ausdruck aus dem Funkwesen.
- 7.
R, R, R, R, F, R, R, R, F, F.
- 8.
So könnte man umkodieren: stats_test %>% mutate(bestanden_fct = factor(bestanden)) -> stats_test; es resultiert keine Fehlermeldung.
- 9.
\(R^{2}\) ist identisch mit lm1.
- 10.
...bestanden_lgl = bestanden == ″ja″; \(R^{2}\) ist identisch zu lm1.
- 11.
levels(stats_test$bestanden_fct) gibt die Stufen dieser Faktor-Variablen aus.
- 12.
Die Ausgabe von levels(stats_test$bestanden_fct) zeigt, dass „ja“ als null und „nein“ als eins verstanden wird. Das ist genau umgekehrt wie im Modell mit bestanden_num. Im Modell glm_fct wird also das Nicht-Bestehen modelliert; Nicht-Bestehen ist hier das zu modellierende Ereignis.
- 13.
Ja, dieses Modell ist identisch mit glm4.
- 14.
Zuerst prüfe man die aktuelle Reihenfolge der Faktorstufen: levels(stats_test$bestanden_fct). Mit dem Befehl relevel() kann man die Referenzstufe definieren; das Argument ref bezeichnet die neue Referenz-Faktorstufe, d. h. die erste Faktorstufe: stats_test$bestanden <- relevel(stats_test$bestanden_fct, ref = ″nein″).
- 15.
(cm2 <- confusion.matrix(stats_test$bestanden_num, glm3$fitted.values, threshold = .8)); sensitivity(cm2); specificity(cm2).
- 16.
Der Youden-Index ist bei einem Schwellenwert von .5 besser als bei .8.
- 17.
PseudoR2(glm1);PseudoR2(glm2);PseudoR2(glm3).
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Sauer, S. (2019). Klassifizierende Regression. In: Moderne Datenanalyse mit R. FOM-Edition. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-21587-3_19
Download citation
DOI: https://doi.org/10.1007/978-3-658-21587-3_19
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-21586-6
Online ISBN: 978-3-658-21587-3
eBook Packages: Business and Economics (German Language)