SPSS Statistics - Regression

Prognose kategorialer Ergebnisse

• Mithilfe von MLR ist die Regression einer kategorialen abhängigen Variable mit mehr als zwei Kategorien auf Basis verschiedener unabhängiger Variablen möglich. Damit können Sie die Gruppenzugehörigkeit innerhalb von Schlüsselgruppen präzise vorhersagen.
• Nutzen Sie schrittweise ausführbare Funktionalität, z. B. Forward Entry, Backward Elimination, Forward Stepwise oder Backward Stepwise, um den besten Prädiktor zu finden.
• Für eine große Zahl von Prädiktoren können Sie Score- und Wald-Methoden nutzen, um in kürzester Zeit zu Ergebnissen zu kommen.
• Beurteilen Sie die Eignung Ihres Modells mithilfe des Akaike-Informationskriteriums (AIC) und des Bayes-Informationskriteriums (BIC).

Einfache Klassifikation Ihrer Daten

• Mithilfe der binären logistischen Regression können Sie Modelle erstellen, in denen die abhängige Variable dichotom ist, z. B. kaufen vs. nicht kaufen, zahlen vs. Verzug, graduieren vs. nicht graduieren.
• Prognostizieren Sie die Wahrscheinlichkeit von Ereignissen, z. B. Reaktionen auf die Antworteinholung oder Programmteilnahme.
• Wählen Sie Variablen mithilfe von sechs Arten schrittweise ausführbarer Methoden aus. Dazu zählen die Vorwärts- bzw. Forward-Methode (Auswahl der stärksten Variablen, bis es keine signifikanten Prädiktoren im Dataset mehr gibt) und die Rückwärts- bzw. Backward-Methode (bei jedem Schritt Entfernung des am wenigsten signifikanten Prädiktors im Dataset).
• Legen Sie Einschluss- oder Ausschlusskriterien fest.

Schätzung der Parameter von nicht linearen Modellen

• Schätzen Sie nicht lineare Gleichungen mithilfe von NLR für nicht eingeschränkte Probleme und CNLR sowohl für eingeschränkte als auch nicht eingeschränkte Probleme.
• Bei NLR werden Modelle mit beliebigen Beziehungen zwischen unabhängigen und abhängigen Variablen mithilfe von iterativen Schätzalgorithmen geschätzt.
• Bei CNLR werden lineare und nicht lineare Nebenbedingungen für beliebige Parameterkombinationen verwendet.
• Schätzen Sie Parameter durch die Minimierung von glatten Verlustfunktionen (objektive Funktion) und berechnen Sie Bootstrap-Schätzungen von Parameter-Standardfehlern und -Korrelationen.

Erfüllung der statistischen Voraussetzungen

• Wenn die Verteilung von Restgrößen nicht konstant ist, dann nutzen Sie die gewichtete Methode der kleinsten Quadrate, um das Modell zu schätzen. Bei der Vorhersage von Börsenwerten fluktuieren beispielsweise die Aktien mit höheren Anteilswerten mehr als diejenigen mit niedrigeren Anteilswerten.
• Nutzen Sie die zweistufige Methode der kleinsten Quadrate zur Schätzung der abhängigen Variable, wenn die unabhängigen Variablen mit Regressionsfehlerbedingungen korreliert sind. Dadurch können Sie auf Korrelationen zwischen Prädiktorvariablen und Fehlerbedingungen prüfen.

Beurteilung des Nutzens von Stimuli

• Nutzen Sie die Probit-Analyse, um die Auswirkungen von einer oder mehreren Variablen auf eine kategoriale abhängige Variable zu schätzen.
• Bewerten Sie den Nutzen von Stimuli mithilfe einer Logit- oder Probit-Konvertierung des reagierenden Anteils.