Kommentierter SPSS-Ausdruck zur logistischen Regression

Weitere Magazine

Empfehlungen

Info

$Erstellen von Büchern für den Teubner Verlag mit LaTeX - Home.uni ...$

R.Niketta Logistische Regression RegressionskoeffizientB Variablen in der Gleichung Standardfehler Wald df Sig. Exp(B) Schritt 1(a) Geschl(1) fachinter .215 .365 .340 .131 .401 7.780 1 1 .527 .005 1.240 1.441 Konstante -.812 .311 6.810 1 .009 .444 a In Schritt 1 eingegebene Variablen: Geschl, fachinter. Dies ist neben der Überprüfung des Gesamtmodells (Modell-Chi² und Nagelkerke R²) die wichtigste Tabelle, da hier überprüft wird, welche Prädiktoren für das statistisch signifikante Modell verantwortlich sind. Die logistische Regressionsgleichung sieht also wie folgt aus: logit = -0.812 + 0.215 · Geschlecht + 0.365 · fachinter Die b-Koeffizienten können aber nur schlecht interpretiert werden, da es sich hier um logits handelt. Ein Wert von null würde „kein Einfluss“ bedeuten. Innerhalb der Regressionsgleichung kann ausgerechnet werden, was eine Veränderung um eine Einheit für die Wahrscheinlichkeit, die Stimulusperson als attraktiv zu bewerten, bedeuten würde. Über den Antilogarithmus kann die Zuordnungswahrscheinlichkeit einer Person berechnet werden (e logit /(1+e logit )) Die statistische Absicherung geht über den Wald-Test, der dem t-Test äquivalent ist. Über den Standardfehler prüft der Wald-Test, ob die einzelnen Prädiktoren einen signifikanten Einfluss haben. Über den Wald-Test können auch die Prädiktoren des Modells untereinander verglichen werden. Im vorliegenden Falle kann der Einfluss des Geschlechts nicht gegen den Zufall abgesichert werden (p > .05). Der Einfluss des Fachinteresses kann hingegen statistisch signifikant abgesichert werden. Die Exp(B) geben die entlogarithmierten logit- Koeffizienten als Odd ratios wieder. Eine 1 bedeutet keine Veränderung, somit kein Einfluss des Prädiktors. So verbessert sich das Wahrscheinlichkeitsverhältnis zwischen Niedrig- und Hochbewerten um das 1.4fache, wenn eine Veränderung um eine Skaleneinheit eintritt (hier 5er-Skala).Also: Die Wahrscheinlichkeit, die Stimulusperson als hoch attraktiv einzuschätzen, steigt mit jeder Skaleneinheit des Fachinteresses um das 1.4fache. Die Chancen steigen demnach um 100 * (1.1441 – 1) = 44 %. Die Änderungen hängen von den Skalenbreiten ab. Dass das Geschlecht keine Rolle spielt, lässt sich auch an der einfachen Kreuztabelle ablesen: ipa_dich Interpersonale Attraktion ((Mediansplit) * Geschl Geschlecht der Stimulusperson Kreuztabelle Anzahl ipa_dich Interpersonale Attraktion ((Mediansplit) Gesamt 1 niedrig 2 hoch Geschl Geschlecht der Stimulusperson 1 weiblich 2 männlich Gesamt 44 43 87 40 34 74 84 77 161 Beispiel_logistische_Regression.doc
R.Niketta Logistische Regression Das Histogramm der vorhergesagten Wahrscheinlichkeiten zeigt links die Gruppe der niedrig Attraktiven und rechts die der hoch Attraktiven. Eine falsche Zuordnung ist dann zu erkennen, wenn ein “hoch” Attraktiver (h) im Feld der niedrig Attraktiven auftaucht. Beispiel_logistische_Regression.doc
Seite 1 und 2: R.Niketta Logistische Regression Da
Seite 3 und 4: R.Niketta Logistische Regression Zu
Seite 5: R.Niketta Logistische Regression Sc

Kommentierter SPSS-Ausdruck zur logistischen Regression

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?