Bei einem kategorialen Faktor mit mehr als 2 Stufen bezieht sich die Hypothese für den Koeffizienten darauf, ob sich diese Stufe des Faktors von der Referenzstufe für den Faktor unterscheidet. Um die statistische Signifikanz für den Faktor auszuwerten, verwenden Sie den Test für Terme mit mehr als 1 Freiheitsgrad. Weitere Informationen zum Abrufen dieses Tests finden Sie unter Auswählen der anzuzeigenden Ergebnisse für Nominale Logistische Regression.
In diesen Ergebnissen sind die Prädiktoren Lehrmethode und Alter. Die Antwortvariable ist das Lieblingsfach des Schülers. Die Referenzstufe ist Sachkunde, in den Ergebnissen werden also andere Fächer mit Sachkunde verglichen. Auf einem Signifikanzniveau von 0,05 können Sie schlussfolgern, dass Änderungen der Lehrmethode mit der Wahrscheinlichkeit, dass die Schüler Kunst gegenüber Sachkunde bevorzugen, in Beziehung stehen.
In der logistischen Regressionstabelle ist das Vergleichsergebnis das erste Ergebnis nach der „Logit“-Beschriftung, und das Referenzergebnis ist das zweite. Positive Koeffizienten bedeuten, dass die Wahrscheinlichkeit für das Vergleichsergebnis gegenüber dem Referenzergebnis bei zunehmendem stetigen Prädiktor steigt. Außerdem bedeuten positive Koeffizienten, dass das Vergleichsergebnis auf der Vergleichsstufe des kategorialen Prädiktors wahrscheinlicher als auf der Referenzstufe des kategorialen Prädiktors ist. Weitere Informationen finden Sie unter Alle Statistiken und Grafiken; Klicken Sie dort auf „Koef“.
Mit Logit 2 werden Kunst und Sachkunde verglichen. Bei Logit 2 beträgt der Koeffizient für „Erklären“ ungefähr 3. Da der Wert positiv ist, bevorzugen Schüler mit größerer Wahrscheinlichkeit Kunst gegenüber Sachkunde, wenn die Lehrmethode „Erklären“ ist.
Um zu bestimmen, wie gut das Modell an die Daten angepasst ist, untersuchen Sie die Log-Likelihood. Größere Werte der Log-Likelihood weisen auf eine bessere Anpassung an die Daten hin. Da Log-Likelihood-Werte negativ sind, ist der Wert umso größer, je näher er an 0 liegt. Die Log-Likelihood hängt von den Stichprobendaten ab, daher können Sie damit nicht Modelle aus verschiedenen Datensätzen vergleichen.
Die Log-Likelihood kann nicht abnehmen, wenn Sie einem Modell Terme hinzufügen. Ein Modell mit 5 Termen weist z. B. eine höhere Log-Likelihood als jedes Modell mit 4 Termen auf, das Sie anhand derselben Terme erstellen können. Die Log-Likelihood ist daher am nützlichsten, wenn Sie Modelle derselben Größe vergleichen. Um Entscheidungen über einzelne Terme zu treffen, verwenden Sie in der Regel die p-Werte für den Term in den verschiedenen Logits.
Die Leiterin einer Schule möchte beispielsweise unterschiedliche Lehrmethoden untersuchen. Das Modell, das allein auf der Lehrmethode beruht, weist eine Log-Likelihood von -28 auf.
Das Modell, das die Lehrmethode und das Alter der Schüler berücksichtigt, weist eine Log-Likelihood von -26 auf. Sie können die Log-Likelihood nicht verwenden, um eine Auswahl unter diesen Modellen zu treffen, da diese eine unterschiedliche Anzahl Terme aufweisen.