Beispiel für Prognostizieren mit einem binären logistischen Regressionsmodell

Ein Finanzanalytiker untersucht die Faktoren, die sich auf die Wahrscheinlichkeit auswirken, dass ein College-Student bestimmte Kreditkarten besitzt. Der Analytiker wählt College-Studenten nach dem Zufallsprinzip für die Teilnahme an einer Umfrage aus. In der Umfrage werden den Studenten Fragen zu ihrer Bildung und ihren Finanzen gestellt.

Nach Anpassen des Modells schätzt der Analytiker die Wahrscheinlichkeit, dass ein Student mit 75 $ Bargeld und einem Jahreseinkommen von 10.000 $ eine American Express-Kreditkarte besitzt.

Öffnen Sie die Beispieldaten Kreditumfrage.MTW.
Wählen Sie Statistik > Regression > Binäre logistische Regression > Prognostizieren aus.
Wählen Sie im Feld Antwort die Option American Express aus.
Geben Sie in der Tabelle 75 für Bar und 10000 für Jährliches Einkommen ein.
Klicken Sie auf OK.

Interpretieren der Ergebnisse

Minitab verwendet das gespeicherte Modell, um zu schätzen, dass die Wahrscheinlichkeit 0,998870 beträgt. Das Prognoseintervall gibt an, dass sich der Analytiker zu 95 % sicher sein kann, dass die Wahrscheinlichkeit in den Bereich von 0,0516175 bis 1,00000 fällt. Dieser große Bereich weist darauf hin, dass das Modell keine genauen Prognosen liefert.

Regressionsgleichung

p(1)	=	exp(Y')/(1 + exp(Y'))

Y'	=	-7,71 + 0,1688 Bar + 0,000108 Jährliches Einkommen + 0,000540 BarBar - 0,000003 BarJährliches Einkommen

Einstellungen

Variable	Einstellung
Bar	75
Jährliches Einkommen	10000

Prognose

Angepasste Wahrscheinlichkeit	SE Anpassung	95%-KI
0,998870	0,0055833	(0,0516175; 1,00000)