Verwenden Sie Binäres logistisches
Modell anpassen, um die Beziehung zwischen einer Gruppe von Prädiktoren und einer binären Antwortvariablen zu beschreiben. Eine binäre Antwortvariable hat zwei mögliche Ergebnisse, z. B. „Bestanden“ oder „Nicht bestanden“. Sie können Wechselwirkungsterme und polynomiale Terme einbinden, eine schrittweise Regression durchführen, verschiedene Linkfunktionen anpassen und das Modell mit einer Teststichprobe oder mit 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 aus.
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 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.
- Wenn Ihre Daten ein Muster fehlender Werte aufweisen, das die Erstellung des Modells beeinträchtigt, oder wenn das binäre logistische Modell nicht gut passend ist, erwägen Sie die Verwendung von CART®
Klassifikation.