Übersicht für Binäres logistisches Modell anpassenund Binäre logistische Regression

Binäres logistisches Modell anpassen und Binäre logistische Regression führen Sie dieselbe Analyse über verschiedene Menüs durch. Verwenden Sie diese Analysen, um die Beziehung zwischen einem Satz von Prädiktoren und einer binären Antwortvariablen zu beschreiben. Eine binäre Antwortvariable hat zwei mögliche Ergebnisse, z. B. „Bestanden“ oder „Nicht bestanden“. Sie können Wechselwirkungs- und Polynomialterme einbinden, eine schrittweise Regression ausführen, andere Linkfunktionen anpassen und das Modell mit einer Teststichprobe oder der Kreuzvalidierung validieren.

Marketingfachleute eines Frühstücksflockenherstellers untersuchen z. B. die Wirksamkeit einer Anzeigenkampagne für eine neue Frühstücksflockensorte. Die Marketingfachleute können anhand der binären logistischen Regression bestimmen, ob bei Personen, die die Anzeige gesehen haben, eine höhere Wahrscheinlichkeit besteht, dass sie die Frühstücksflocken kaufen.

Nachdem Sie die Analyse durchgeführt haben, speichert Minitab das Modell, das Ihnen folgende Möglichkeiten bietet:

Sie können die Wahrscheinlichkeit eines Ereignisses für neue oder vorhandene Beobachtungen prognostizieren.
Sie können die Beziehungen zwischen den Variablen grafisch darstellen.
Sie können Werte finden, mit denen mehrere Antwortvariablen optimiert werden.

Weitere Informationen finden Sie unter Übersicht über gespeicherte Modelle.

Wo finde ich diese Analyse?

Um ein binäres logistisches Regressionsmodell anzupassen, wählen Sie Statistik > Regression > Binäre logistische Regression > Binäres logistisches Modell anpassen aus.

Diese Analyse verfügt über die gleichen Funktionen wie Predictive Analytics-Modul > Binäre logistische Regression. Die Version der Analyse aus dem Predictive Analytics-Modul weist die folgenden Unterschiede auf.

Der Zugriff auf Analysen, die das angepasste Modell verwenden, erfolgt über den Ausgabebereich und nicht über das Menü. Analysen des angepassten Modells sind für jedes Modell verfügbar, dessen Ausgabe im Navigator vorhanden ist, nicht nur für das neueste Modell.
Das angepasste Modell ist unabhängig davon verfügbar, welches Arbeitsblatt aktiv ist, sodass Sie Datenspalten vorhersagen können, die sich in einem anderen Arbeitsblatt als der Antwortvariablen befinden.
Minitab Statistical Software Speichert das Modell in einer Projektdatei (*. MPX).

In welchen Fällen bietet sich eine andere Analyse an?

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 enthält, die keine natürliche Reihenfolge haben, z. B. Kratzer, Dellen und Risse, verwenden Sie Nominale Logistische Regression oder CART^® Klassifikation.
Wenn mit der Antwortvariablen Ereignishäufigkeiten gezählt werden, z. B. die Anzahl der Fehler, verwenden Sie Poisson-Modell anpassen.
Wenn Ihre Daten ein Muster für fehlende Werte aufweisen, das die Konstruktion des Modells beeinträchtigt, oder wenn das binäre logistische Modell nicht gut passt, sollten Sie in Betracht ziehen CART^® Klassifikation.

Wann sollte ein Predictive Analytics-Modell verwendet werden?

Für einige Anwendungen ziehen Sie unterschiedliche Ansätze für die Modellkonstruktion in Betracht. Weitere Informationen zu den verschiedenen Modelltypen finden Sie unter Typen von Predictive Analytics-Modellen in Minitab Statistical Software. Minitab bietet CART^® Regression, TreeNet^® Regression, Random Forests^® Regression und MARS^®-Regression Analysen mit der Predictive Analytics-Modul. Die Bestes Modell ermitteln (stetige Antwort) Analyse vergleicht die Performance verschiedener Modelltypen in 1 Analyse. Klicken Sie hier, um weitere Informationen zum Aktivieren des Moduls zu erhalten.