Interpretieren der wichtigsten Ergebnisse für Ordinale Logistische Regression

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 Ordinale Logistische Regression.

Um zu ermitteln, wie gut das Modell an die Daten angepasst ist, untersuchen Sie die Log-Likelihood und die Assoziationsmaße. 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.

Größere Werte für das Somers-D, Goodman-Kruskal-Gamma und Kendall-Tau-a verweisen darauf, dass das Modell bessere Prognosefähigkeiten aufweist. Das Somers-D und Goodman-Kruskal-Gamma können Werte zwischen -1 und 1 annehmen. Das Kendall-Tau-a kann Werte zwischen -2/3 und 2/3 annehmen. Werte nahe dem Maximum weisen darauf hin, dass das Modell gute Prognosefähigkeiten aufweist. Werte nahe 0 weisen darauf hin, dass das Modell im Hinblick auf die Prognose keine Beziehung mit der Antwortvariablen aufweist. Negative Werte treten in der Praxis selten auf, da eine solche Prognosefähigkeit noch schlechter wäre, als wenn das Modell und die Antwortvariable in gar keiner Beziehung zueinander stünden.

In diesem zweiten Satz von Ergebnissen sind sowohl die Entfernung als auch die quadrierte Entfernung Prädiktoren. Sie können die Log-Likelihood nicht für einen Vergleich dieser Modelle verwenden, da sie eine unterschiedliche Anzahl von Termen aufweisen. Die Assoziationsmaße für das zweite Modell sind größer, was darauf hinweist, dass das zweite Modell besser geeignet ist als das erste.