Überlegungen zu Daten für Regression der besten Teilmengen

Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.

Die Daten müssen mehrere stetige Prädiktoren enthalten.

Eine stetige Variable kann gemessen und geordnet werden, und sie kann zwischen zwei beliebigen Werten eine unendliche Anzahl von Werten annehmen. Die Durchmesser einer Stichprobe von Reifen sind beispielsweise eine stetige Variable.

Kategoriale Variablen umfassen eine endliche, zählbare Anzahl von Kategorien oder eindeutigen Gruppen. Kategoriale Daten müssen nicht zwangsläufig eine logische Reihenfolge aufweisen. Zu den kategorialen Prädiktoren zählen beispielsweise Geschlecht, Materialtyp und Zahlungsmethode.

Wenn Sie über eine diskrete Variable verfügen, können Sie entscheiden, ob diese als stetiger oder als kategorialer Prädiktor behandelt werden soll. Ein diskrete Variable kann gemessen und geordnet werden, kann jedoch nur eine zählbare Anzahl von Werten annehmen. Die Anzahl der zu einem Haushalt zählenden Personen ist beispielsweise eine diskrete Variable. Die Entscheidung, eine diskrete Variable als stetig oder als kategorial zu behandeln, hängt von der Anzahl der Stufen sowie vom Zweck der Analyse ab. Weitere Informationen finden Sie unter Was sind kategoriale, diskrete und stetige Variablen?.

• Wenn kategoriale Prädiktoren vorliegen, verwenden Sie Regressionsmodell anpassen, um in einem schrittweisen Verfahren durch automatisches Hinzufügen oder Entfernen von Prädiktoren auf der Grundlage der jeweiligen statistischen Signifikanz ein Regressionsmodell auszuwählen.
• Wenn Sie über kategoriale Prädiktoren verfügen, die geschachtelt oder zufällig sind, verwenden Sie Allgemeines lineares Modell anpassen, wenn durchgehend feste Faktoren vorliegen, oder verwenden Sie Modell mit gemischten Effekten anpassen, wenn Zufallsfaktoren vorliegen.

Die Antwortvariable sollte stetig sein

Wenn die Antwortvariable kategorial ist, besteht eine geringere Wahrscheinlichkeit, dass das Modell die Annahmen der Analyse erfüllt, die vorliegenden Daten genau beschreibt oder eine Grundlage für nützliche Prognosen darstellt.

• Wenn die Antwortvariable zwei Kategorien enthält, z. B. „Bestanden“ und „Nicht bestanden“, verwenden Sie Binäres logistisches Modell anpassen.
• Wenn die Antwortvariable drei oder mehr Kategorien mit einer natürlichen Rangfolge aufweist, z. B. „Starke Ablehnung“, „Ablehnung“, „Neutral“, „Zustimmung“ und „Starke Zustimmung“, verwenden Sie Ordinale Logistische Regression.
• Wenn die Antwortvariable drei oder mehr Kategorien ohne natürliche Rangfolge aufweist, z. B. Kratzer, Delle und Riss, verwenden Sie Nominale Logistische Regression.
• Wenn mit der Antwortvariablen Ereignishäufigkeiten gezählt werden, z. B. die Anzahl der Fehler, verwenden Sie Poisson-Modell anpassen.

Orientieren Sie sich bei der Datenerfassung an optimalen Vorgehensweisen

Befolgen Sie die folgenden Richtlinien, um sicherzustellen, dass Sie gültige Ergebnisse erhalten:

• Vergewissern Sie sich, dass die Daten repräsentativ für die Grundgesamtheit von Interesse sind.
• Erfassen Sie eine ausreichende Datenmenge, um die notwendige Präzision zu erzielen.
• Messen Sie Variablen so genau und präzise wie möglich.
• Zeichnen Sie die Daten in der Reihenfolge auf, in der sie erfasst werden.

Das Modell sollte gut an die Daten angepasst sein

Wenn das Modell nicht gut an die Daten angepasst ist, können die Ergebnisse irreführend sein. Mit der Regression der besten Teilmengen werden in Frage kommende Modelle identifiziert und Ergebnisse bereitgestellt, die darüber Auskunft geben, wie gut die Modelle an die Daten angepasst sind. Die Regression der besten Teilmengen liefert keine Residuendiagramme oder Ergebnisse, mit denen sich einzelne Modellterme beurteilen lassen. Wenn Sie diese Ergebnisse auswerten möchten, verwenden Sie Regressionsmodell anpassen, um die in Frage kommenden Modelle genauer zu untersuchen.