Wann lineare und logistische Regression?
In einer linearen Regression sagt das Regressionsmodell die Werte für die abhängige Variable anhand der unabhängigen Variablen vorher. In einer logistischen Regression dagegen werden die Wahrscheinlichkeiten für die Kategorien der abhängigen Variable anhand der unabhängigen Variablen modelliert.
Wann Korrelation und wann Regression?
Die Regression basiert auf der Korrelation und ermöglicht uns die bestmögliche Vorhersage für eine Variable. Im Gegensatz zur Korrelation muss hierbei festgelegt werden, welche Variable durch eine andere Variable vorhergesagt werden soll. Die Variable die vorhergesagt werden soll nennt man bei der Regression Kriterium.
Was ist eine lineare Regressionsgerade?
Im Rahmen der linearen Regressionsanalyse wird also -grafisch ausgedrückt- eine Gerade in das Streudiagramm eingezeichnet. Um diese Gerade zu bestimmen, greift die lineare Regression auf die Methode der kleinsten Quadrate zurück. Die Regressionsgerade kann durch folgende Gleichung beschrieben werden:
Welche Einflussgröße gibt es bei der linearen Regression?
Bei der einfachen linearen Regression gibt es ja nur eine Einflussgröße . Die Regressionsgerade lautet also Um eine Vorhersage für die Zielgröße zu erhalten, müssen wir also einfach den zugehörigen Wert für in die Gleichung einsetzen. Die Werte für und haben wir vorher schon berechnet.
Wie stellen wir eine lineare Regression dar?
Zunächst stellen wir mit einem Streudiagrammen (Streudiagramm) die Zusammenhänge graphisch dar. Über ein Model werden dann Schätzer für die Effekte sowie die Tests auf Effekte berechnet. Die lineare Regression wird exemplarisch mit dem Programm SPSS der Firma IBM durchgeführt und interpretiert.
Was ist der Unterschied zwischen den beiden regressionsarten?
Der Unterschied zwischen den beiden Regressionsarten ist die Anzahl der Prädiktoren. Während bei der einfachen linearen Regression nur ein einziger Prädiktor betrachtet wird, werden bei der multiplen linearen Regression mehrere Prädiktoren verwendet, um das Kriterium noch genauer vorhersagen zu können.