Interpretieren der wichtigsten Ergebnisse für Darstellung der binären Anpassungslinie

Führen Sie die folgenden Schritte aus, um eine Darstellung der binären Anpassungslinie zu interpretieren. Zu den wichtigsten Ergebnissen gehören der p-Wert, die Darstellung der Anpassungslinie, das R2 der Abweichung und die Residuendiagramme.

Schritt 1: Bestimmen, ob die Assoziation zwischen der Antwortvariablen und der Prädiktorvariablen statistisch signifikant ist

Um zu bestimmen, ob die Assoziation zwischen der Antwortvariablen und der Prädiktorvariablen statistisch signifikant ist, vergleichen Sie den p-Wert des Terms mit dem Signifikanzniveau, um die Nullhypothese auszuwerten. Die Nullhypothese besagt, dass der Koeffizient für die Prädiktorvariable gleich null ist, was darauf hinweist, dass keine Assoziation zwischen der Prädiktorvariablen und der Antwortvariablen besteht. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 bedeutet ein Risiko, dass auf eine vorhandene Assoziation geschlossen wird, während tatsächlich keine vorhanden ist, von 5 %.
p-Wert ≤ α: Die Assoziation ist statistisch signifikant
Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und der Prädiktorvariablen besteht.
p-Wert > α: Die Assoziation ist statistisch nicht signifikant
Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und der Prädiktorvariablen besteht.
Abweichungstabelle Quelle DF Kor Abw Kor MW Chi-Quadrat p-Wert Regression 1 22,7052 22,7052 22,71 0,000 Dosis (mg) 1 22,7052 22,7052 22,71 0,000 Fehler 4 0,9373 0,2343 Gesamt 5 23,6425
Wichtigstes Ergebnis: p-Wert

In diesen Ergebnissen beträgt der p-Wert für die Dichte 0,00 und liegt somit unter dem Signifikanzniveau 0,05. Diese Ergebnisse weisen darauf hin, dass die Assoziation zwischen der Dosierung und dem Vorhandensein von Bakterien am Ende der Behandlung statistisch relevant ist.

Schritt 2: Verstehen der Effekte der Prädiktoren

Verwenden Sie das Chancenverhältnis, um ein Verständnis des Effekts eines Prädiktors zu erlangen. Minitab berechnet Chancenverhältnisse, wenn das Modell die Logit-Linkfunktion verwendet.

Chancenverhältnisse größer als 1 weisen darauf hin, dass das Ereignis mit umso größerer Wahrscheinlichkeit eintritt, je größer der Prädiktor ist. Chancenverhältnisse kleiner als 1 weisen darauf hin, dass das Ereignis mit umso geringerer Wahrscheinlichkeit eintritt, je größer der Prädiktor ist.

Binäre Logistische Regression: Keine Bakterien vs. Dosis (mg)

Chancenverhältnisse für stetige Prädiktoren Änderungseinheit Chancenverhältnis 95%-KI Dosis (mg) 0,5 6,1279 (1,7218; 21,8095)
Wichtigstes Ergebnis: Chancenverhältnis

In diesen Ergebnissen wird mit dem Modell anhand der Dosierung eines Medikaments das Vorhandensein bzw. Nichtvorhandensein von Bakterien bei erwachsenen Patienten prognostiziert. Jede Tablette enthält eine Dosierung von 0,5 mg, so dass die Forscher die Einheit für eine Änderung auf 0,5 mg festlegen. Das Chancenverhältnis beläuft sich auf etwa 6. Bei jeder weiteren Tablette, die einem Patienten verabreicht wird, steigt die Chance, dass die Bakterien beim Patienten nicht festzustellen sind, um das etwa Sechsfache.

Verwenden Sie die Darstellung der Anpassungslinie, um die Beziehung zwischen der Antwortvariablen und der Prädiktorvariablen zu untersuchen.

Wichtigstes Ergebnis: Darstellung der binären Anpassungslinie

In diesen Ergebnissen ist die Gleichung als Wahrscheinlichkeit eines Erfolgs formuliert. Der Wert der Antwortvariablen 1 auf der y-Achse stellt einen Erfolg dar. Im Diagramm wird ersichtlich, dass die Erfolgswahrscheinlichkeit mit Zunahme der Temperatur abnimmt. Wenn die Temperaturen in den Daten annähernd 50 betragen, ist die Steigung der Linie nicht sehr steil, was darauf verweist, dass die Wahrscheinlichkeit mit der Zunahme der Temperatur langsam abnimmt. Die Linie ist steiler im mittleren Bereich der Temperaturdaten, was zeigt, dass eine Änderung der Temperatur um 1 Grad in diesem Bereich eine größere Auswirkung hat. Wenn sich die Wahrscheinlichkeit eines Erfolgs am oberen Ende des Temperaturbereichs null annähert, flacht die Linie wieder ab.

Schritt 3: Bestimmen, wie gut das Modell an die Daten angepasst ist

Um zu ermitteln, wie gut das Modell an die Daten angepasst ist, untersuchen Sie die Statistiken in der Tabelle „Zusammenfassung des Modells“. Bei der binären logistischen Regression beeinflusst das Datenformat das R2 der Abweichung, aber nicht das AIC. Weitere Informationen finden Sie unter Wie wirken sich Datenformate bei der binären logistischen Regression auf die Güte der Anpassung aus?.

R-Qd der Abweichung

Je höher das R2 der Abweichung ausfällt, desto besser ist das Modell an die Daten angepasst. Das R2 der Abweichung liegt immer zwischen 0 % und 100 %.

Das R2 der Abweichung nimmt beim Einbinden zusätzlicher Prädiktoren in ein Modell stets zu. Das beste Modell mit fünf Prädiktoren weist beispielsweise immer ein R2 auf, das mindestens so hoch wie das des besten Modells mit vier Prädiktoren ist. Daher ist das R2 der Abweichung am nützlichsten, wenn Sie Modelle derselben Größe vergleichen.

Für die binäre logistische Regression beeinflusst das Format der Daten den Wert des R2 der Abweichung. Im Allgemeinen ist das R2 der Abweichung für Daten im Ereignis-/Versuchsformat höher. Werte des R2 der Abweichung sind nur zwischen Modellen vergleichbar, in denen dasselbe Datenformat verwendet wird.

R2 der Abweichung ist nur eines der Maße für die Güte der Anpassung des Modells an die Daten. Selbst wenn das Modell ein hohes R2 aufweist, sollten Sie die Residuendiagramme untersuchen, um zu beurteilen, wie gut das Modell an die Daten angepasst ist.

R-Qd(kor) der Abweichung

Verwenden Sie das korrigierte R2 der Abweichung, wenn Sie Modelle vergleichen möchten, die eine unterschiedliche Anzahl von Prädiktoren enthalten. Das R2 der Abweichung nimmt beim Einbinden eines Prädiktors in ein Modell stets zu. Der Wert des korrigierten R2 der Abweichung berücksichtigt die Anzahl der Prädiktoren im Modell, was die Auswahl des richtigen Modells erleichtert.

AIC
Verwenden Sie das AIC, um unterschiedliche Modelle zu vergleichen. Je kleiner das AIC, desto besser ist das Modell an die Daten angepasst. Das Modell mit dem kleinsten AIC ist jedoch nicht zwangsläufig gut an die Daten angepasst. Verwenden Sie auch die Residuendiagramme, um zu beurteilen, wie gut das Modell an die Daten angepasst ist.
Zusammenfassung des Modells R-Qd(kor) R-Qd der der Abweichung Abweichung AIC 96,04% 91,81% 21,68
Wichtigste Ergebnisse: R-Qd der Abweichung, R-Qd(kor) der Abweichung, AIC

In diesen Ergebnissen erklärt das Modell 96,04 % der Abweichung in der Antwortvariablen. Für diese Daten gibt das R2 der Abweichung an, dass das Modell gut an die Daten angepasst ist. Wenn Sie weitere Modelle mit anderen Prädiktoren anpassen, verwenden Sie das korrigierte R2 der Abweichung und das AIC, um zu vergleichen, wie gut die Modelle an die Daten angepasst sind.

Schritt 4: Bestimmen, ob das Modell die Annahmen der Analyse erfüllt

Verwenden Sie die Residuendiagramme, um zu ermitteln, ob das Modell angemessen ist und die Annahmen der Analyse erfüllt. Wenn die Annahmen nicht erfüllt werden, ist das Modell u. U. nicht gut an die Daten angepasst, und Sie sollten beim Interpretieren der Ergebnisse vorsichtig sein.

Weitere Informationen zum Umgang mit Mustern in den Residuendiagrammen finden Sie unter Grafiken für Darstellung der binären Anpassungslinie; klicken Sie dort auf den Namen des Residuendiagramms in der Liste am oberen Rand der Seite.

Diagramm der Residuen im Vergleich zu den Anpassungen

Verwenden Sie das Diagramm der Residuen im Vergleich zu den Anpassungen, um die Annahme zu überprüfen, dass die Residuen zufällig verteilt sind. Im Idealfall sollten die Punkte zufällig auf beiden Seiten von null verteilt sein, und es sollten keine Muster in den Punkten erkennbar sein.

Das Diagramm der Residuen im Vergleich zu den Anpassungen ist nur verfügbar, wenn die Daten im Ereignis-/Versuchsformat vorliegen.

Die Muster in der folgenden Tabelle können darauf hinweisen, dass das Modell die Modellannahmen nicht erfüllt.
Muster Mögliche Bedeutung des Musters
Aufgefächerte oder ungleichmäßig gestreute Residuen für die angepassten Werte Eine ungeeignete Linkfunktion
Krümmung Ein fehlender Term höherer Ordnung oder eine ungeeignete Linkfunktion
Ein weit von null entfernt liegender Punkt Ein Ausreißer
Ein in x-Richtung weit von den anderen Punkten entfernter Punkt Ein einflussreicher Punkt
In diesem Diagramm der Residuen im Vergleich zu den Anpassungen scheinen die Daten zufällig um null gestreut zu sein. Es liegen keine Anzeichen dafür vor, dass der Wert des Residuums vom angepassten Wert abhängt.

Diagramm der Residuen im Vergleich zur Reihenfolge

Verwenden Sie das Diagramm der Residuen im Vergleich zur Reihenfolge, um die Annahme zu überprüfen, dass die Residuen zufällig verteilt sind. Bei in chronologischer Reihenfolge angezeigten unabhängigen Residuen sind weder Trends noch Muster zu erkennen. Muster in den Punkten können darauf hinweisen, dass nahe beieinander liegende Residuen korrelieren und daher nicht unabhängig sind. Im Idealfall sollten die Residuen im Diagramm zufällig um die Mittellinie gestreut sein:
Wenn Sie ein Muster erkennen, untersuchen Sie die Ursache. Die folgenden Typen von Mustern können darauf hinweisen, dass die Residuen abhängig sind.
Trend
Shift
Zyklus
In diesem Diagramm der Residuen im Vergleich zur Reihenfolge scheinen die Residuen zufällig um die Mittellinie gestreut zu sein. Es liegen keine Anzeichen dafür vor, dass die Residuen nicht unabhängig sind.
Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien