Kommentierter SPSS-Ausdruck zur logistischen Regression

R.Niketta Logistische Regression
Schritt 1
Omnibus-Tests der Modellkoeffizienten
Chi-Quadrat df Sig.
Schritt 9.053 2 .011
Block 9.053 2 .011
Modell 9.053 2 .011
Modellzusammenfassung
-2 Log- Cox & Snell Nagelkerkes
Schritt Likelihood R-Quadrat R-Quadrat
1 196.961(a) .059 .079
a Schätzung beendet bei Iteration Nummer 3, weil die Parameterschätzer sich um weniger als .001 änderten.
Hosmer-Lemeshow-Test
Schritt Chi-Quadrat df Sig.
1 9.934 7 .192
Der Modell-Chi-Quadrat-Wert ist die Differenz
zwischen dem Null-Modell und dem Prädiktoren-Modell.
Es wird die H0 überprüft, dass die
Prädiktoren gleich null sind. Die H0 muss abgelehnt
werden (p < .05). Die Prädiktoren
liefern einen signifikanten Zuwachs bei der
Modellanpassung. Das untersuchte Modell ist
also besser als das „Null-Modell“ nur mit der
Konstanten.
„Block“ und „Schritt“ sind bei schrittweisen
Regressionsanalysen von Bedeutung.
Die Ableitungen für die ML-Schätzwerte sind
nicht linear, daher ist eine iterative Schätzung
notwendig, die abbricht, wenn der Zuwachs
ein voreingestelltes Kriterium unterschreitet.
Dies ist der Wert für das Modell, das die Prädiktoren
einschließt.
Die R 2 -Werte setzen das „Nullmodell“ mit dem
gewählten Modell in Beziehung, sie können in
etwa als PRE-Koeffizienten aufgefasst werden
und geben die proportionale Fehlerreduktion
an. Sie sind selten hoch. Nagelkerke
R 2 sollte interpretiert werden (korr. R 2 ). Die
Fehlerreduktion („erklärte Varianz“) beträgt
also 7.9 %.
Der Hosmer-Lemeshow-Test teilt die Stichprobe
in max. 10 Gruppen und überprüft die
Differenzen zwischen beobachteten und erwarteten
Werten. Je geringer die Differenz,
umso besser die Modellanpassung. Gesucht
wird daher eine Bestätigung der H0 (also kein
signifikantes Ergebnis). Dies ist hier der Fall.
Beispiel_logistische_Regression.doc