Seitenhistorie

Die logistische Regression ist ein Modell, bei der die abhängige Variable dichotom ist, d.h. nur zwei Werte annehmen kann ("0" und "1" oder "Erfolg" und "Misserfolg"). Sie ist folglich bernoulli verteilt \((Y_i|x_{( i )}\sim\mathcal{Ber}(p_i))\). Die Fehlerterme werden bei diesem Modell als logistisch verteilt angenommen. Falls allerdings die abhängige Variable kategorisch ist \((Y_i|x_{( i )}\sim\operatorname{Categorical}(p_{i,1},\dots,p_{i,m}))\) vorliegt (es treten mehr als zwei unterschiedliche Ausprägungen auf), kann eine verallgemeinerte Version, das multinomiale logistische Regressionsmodell verwendet werden.

Inhaltsverzeichnis

Variablen und deren Zusammenhang

Bei der logistischen Regression können die unabhängige/n Variable/n Variablen jedes beliebige Skalenniveau annehmen und müssen auch nicht innerhalb der einzelnen unabhängigen Variablen \(x_1,...,x_k\) einheitlich sein.

Ein Fragestellung, bei der sich eine logistische Regression anbieten würde, wäre beispielsweise, welche Faktoren die Wahrscheinlichkeit beeinflussen, dass eine Person ein Auto besitzt. In diesem Fall würde man als abhängige Variable eine binomiale 0-1 kodierte Variable verwenden, wobei 1 für Autobesitzer und 0 für kein Autobesitzer steht. 

Das Ziel der logistischen Regression ist die Vorhersage der Wahrscheinlichkeit, mit der ein bestimmtes Ereignis (unter Verwendung von Einflussfaktoren) eintritt.

Für einen ersten Überblick über die beiden Variablen bieten sich für das entsprechende Skalenniveau passende Maße an. Bei metrischen Variablen können dies z.B. der Mittelwert oder der Median sowie das Minimum und das Maximum sein. In diesem Fall beträgt der Mittelwert des Einkommens 650.9736 Euro und der Median 646.04 Euro.

Auch bei der binären Variable lässt sich ein Mittelwert berechnen. Dieser beträgt im Beispiel 0.5. Dies ist interpretierbar als der Anteil an Autobesitzern. In diesem Datensatz besitzen folglich 50% der Befragten ein Auto.

Um einen ersten Überblick über den Zusammenhang der beiden Variablen zu bekommen, ist es auch hier möglich, sich einen Scatterplot anzuschauen:

Auf der x-Achse, ist das Einkommen (metrisch) abgetragen, auf der y-Achse, ob man ein Auto (\(y=\)Auto-Besitzer) oder kein Auto (\(y=\)Kein Auto) besitzt. Es lässt sich erkennen, dass mehr Befragte mit einem niedrigeren Einkommen kein Auto besitzen als die mit einem höheren Einkommen. Ob diese Vermutung stimmt, wird mit der logistischen Regression untersucht.

Aufbau der logistischen Regression

Das (binomiale) logistische Regressionsmodell ist durch folgende Gleichung gegeben:

$$P(y_i=1|X=x_{( i )})=G(x_{( i )}\prime\beta)=p_i=\frac{exp(\beta_0+x_{i,1}\beta_1+x_{i,2}\beta_2+...+x_{i,k}\beta_k)}{1+exp(\beta_0+x_{i,1}\beta_1+x_{i,2}\beta_2+...+x_{i,k}\beta_k)}=\frac{1}{1+exp(-\beta_0-x_{i,1}\beta_1-x_{i,2}\beta_2-...-x_{i,k}\beta_k)},  \forall i\in\{1,\dots,n\} $$

Die Parameter \(\beta_i\) werden mit der Maximum-Likelihood-Methode geschätzt, da eine direkte Berechnung mittels kleinster Quadrate (siehe lineare Regression) nicht möglich ist. Die Schätzwerte werden anhand iterativer Verfahren wie dem Newton-Raphson Algorithmus ermittelt. Da die log-Likelihood Funktion des logistischen Regressionsmodells überall konkav ist, exisitiert ein eindeutiger Maximum-Likelihood Schätzer für die zu bestimmenden Parameter.

Interpretation der Parameter und anderen Kenngrößen

Die Interpretation der marginalen Effekte dieser Modellklasse unterscheidet sich deutlich vom linearen Regressionsmodell. Die marginalen Effekte der Logitregression entsprechen dem Produkt aus geschätztem Parameter und Wahrscheinlichkeitsdichte des Modells:

$$\frac{\partial P(y_i=1|X=x_{( i )})}{\partial x_j}=g(x_{( i )}\prime\beta)\beta_j,$$

wobei \(g(z)=\frac{\partial G(z)}{\partial z}\). Die marginalen Effekte sind also immer von den Ausprägungen aller unabhängigen Variablen abhängig. Da Wahrscheinlichkeitsdichten immer positiv sind, gibt das Vorzeichen des geschätzten Parameters die Richtung des Effekts auf die bedingte Wahrscheinlichkeit an. In unserem Beispiel lauten die geschätzten Koeffizienten:

Es lassen sich jedoch auch wie bei einem linearen Regressionsmodell Wahrscheinlichkeiten vorhersagen, indem man Werte für alle unabhängigen Variablen einsetzt. Hier ein Beispiel:

Da die marginalen Effekte nicht konstant und deshalb keiner so direkten Interpretation wie im linearen Modell zugänglich sind und die vorhergesagten Wahrscheinlichkeiten auch nur spezielle Aussagen ermöglichen, werden oft die sogenannten Odds, Log-Odds (Logits) oder die Oddsratio betrachtet.

Die Odds sind folgendermaßen definiert:

$$\text{odds}(x_{( i )}) =\frac{p_i}{1-p_i}=\frac{\frac{exp(\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k)}{1+exp(\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k)}}{1-\frac{exp(\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k)}{1+exp(\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k)}}=exp(\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k)$$

Die Odds werden oft als "Chance" oder "Risiko" bezeichnet, sie geben das Verhältnis von Wahrscheinlichkeit zur Gegenwahrscheinlichkeit an. Im Beispiel sieht das wie folgt aus:

Da die Odds exponentiell sind, bietet sich an, sie zu logarithmieren, um Zusammenhänge zu linearisieren. So entstehen die Log-Odds, auch Logits genannt:

$$\ln\left(\frac{p_i}{1-p_i}\right)=\beta_0+x_{i,1}\beta_1+...+x_{i,k}\beta_k$$

Der Vorteil ist hier, dass nun die Definition der "Basiswahrscheinlichkeit" keine Rolle mehr spielt. Ist zum Beispiel die Wahrscheinlichkeit, ein Auto zu besitzen, 0.3 (und die Gegenwahrscheinlichkeit somit 0.7), nehmen die Odds den Wert \(\text{odds}=\frac{0.3}{0.7}=0.43\) an. Dreht man die Definition nun um, ist also \(p_i\) die Wahrscheinlichkeit, kein Auto zu besitzen, sind die Odds \(\text{odds}=\frac{0.7}{0.3}=2.33\), obwohl sich an den Daten nichts geändert hat. Die Logits beheben dieses Problem, da sie symmetrisch um die Null sind (\(\ln\left(\frac{0.3}{0.7}\right)=-0.85\) und \(\ln\left(\frac{0.7}{0.3}\right)=0.85\)).

Die Oddsratio setzt nun die Odds in Relation:

$$\text{OR}=\frac{\text{odds}(x_{i,j}+1)}{\text{odds}(x_{i,j})}=\frac{\frac{G(x_{i,j}+1)}{1-G(x_{i,j}+1)}}{\frac{G(x_{( i)})}{1-G(x_{( i)})}}=\frac{exp(\beta_0+\beta_1x_{i,1}+...+\beta_j(x_{i,j}+1)+...+\beta_kx_{i,k})}{exp(\beta_0+\beta_1x_{i,1}+...+\beta_jx_{i,j}+...+\beta_kx_{i,k})}=exp(\beta_j),$$

wobei \(G(x_{( i)})=\frac{exp(\beta_0+\beta_1x_{i,1}+...+\beta_jx_{i,j}+...+\beta_kx_{i,k})}{1+exp(\beta_0+\beta_1x_{i,1}+...+\beta_jx_{i,j}+...+\beta_kx_{i,k})}\).

Ist die Oddsratio größer als Eins, bedeutet dies, dass die Variable \(X_j\) einen positiven Effekt auf die abhängige Variable hat, denn die Odds (die "Chance"/das "Risiko") sind größer, wenn man die Variable um eins erhöht (ceteris paribus). Bei einer Oddsratio von kleiner Eins hat diese Variable einen negativen Einfluss. Bei \(\text{OR}=1\) hat \(X_j\) keinen Einfluss, da die Odds gleich sind. In unserem Beispiel sieht das so aus:

Diese Interpretation lässt sich nun verallgemeinern:

Der geschätzte Koeffizient \(\hat{\beta}_j\) gibt an, um wie viel sich die Chance oder das Risiko erhöht (oder verringert), nämlich um \(\hat{\beta}_j\cdot 100\%\), wenn man die Variable \(X_j\) um eine Einheit erhöht (ceteris paribus).

Eine ähnliche Interpretation gilt auch für erklärende Dummy Variablen. Im Folgenden nehmen wir als erklärende Variable das Geschlecht hinzu. Um das grafisch zu veranschaulichen, wird wieder ein Scatterplot erzeugt, wobei die verschieden farbigen Punkte nun nach Geschlecht getrennt sind:

Rechnet man nun eine Logit-Regression, bekommt man folgende Schätzwerte für die Koeffizienten:

Die Interpretation der Koeffizienten \(\hat{\beta}_0\) und \(\hat{\beta}_1\) sind genau gleich, wie bei der einfachen logistischen Regression. Die Interpretation des Koeffizienten vor der Dummyvariablen (\(\hat{\beta}_2\)) erfolgt sehr ähnlich. Bei kontinuierlichen Variablen wurden die Koeffizienten bei einer Erhöhung der Variablen um eine Einheit ceteris paribus interpretiert. Erhöht man eine Dummy Variable um eine Einheit, bedeutet dies, dass man sie von 0 auf 1 setzt, hier also von "männlich" (sex = 0) auf "weiblich" (sex = 1). Der Schätzwert beschreibt dann wieder eine Änderung in der Chance/dem Risiko.

Hat die abhängige Variable mehr als zwei Ausprägungen (J + 1), ist also multinomial skaliert wird das multinomiale Logitmodell verwendet. Wenn die Fehlerterme unabhängig und gleichverteilt nach der Gumbel Verteilung sind, ergibt sich als Modellgleichung für die Wahrscheinlichkeit, dass \(y_i\) die Ausprägung j annimmt:

$$P(y_i=j|X=x_{( i)})=p_{ij}=\frac{exp(x_{( i )}\prime\beta_j)}{1+\sum_{h=1}^J exp(x_{( i )}\prime\beta_h)},\forall j\in\{1,\dots,J\}$$

Hierbei ist zu beachten, dass zur Parameteridentifikation eine Basiskategorie derart angenommen werden muss, dass beispielsweise gilt \(\beta_0=0\). Sonst können die Parameter nicht eindeutig geschätzt werden. Anders ausgedrückt reicht es, J Wahrscheinlichkeiten zu berechnen, um J + 1 Wahrscheinlichkeiten zu bestimmen, da sie sich insgesamt zu eins addieren müssen. Im Fall von J + 1 = 2 landet man wieder beim Standard logistischen Modell (siehe oben).

Modellgüte

Da es sich beim Logit-Modell um ein nicht-lineares Modell handelt, ist das Bestimmtheitsmaß (R²) nicht aussagekräftig. Es muss deshalb auf Alternativen zurückgegriffen werden. Im Folgenden werden drei Möglichkeiten vorgestellt.

Pseudo R²

Das R² basiert auf dem Varianzzerlegungssatz, der besagt, dass sich die Varianz der abhängigen Variablen als die Summe eines Varianzteils, der durch das Regressionsmodell erklärt wird und der Varianz der Residuen (nicht erklärte Varianz) schreiben lässt. Das Bestimmtheitsmaß R² ist der Quotient aus erklärter Varianz und Gesamtvarianz. Als Anteilswert kann das R² Werte zwischen 0 und 1 annehmen. Das R² misst aber nur lineare Zusammenhänge, den es beim Logit-Modell jedoch nicht gibt. Die Definition von „Varianz“ ist im binär-logistischen Fall anders. Als Basis dienen hier Vergleiche der Likelihood Funktion \(L\) für das Null- und das vollständige Modell. Das Null-Modell ist das Modell, bei dem alle Parameter außer dem Intercept (also \(\beta_1,..., \beta_k\)) auf Null gesetzt werden. Das Modell hat folglich keine Erklärungskraft. Das vollständige Modell ist jenes, wie man es vorher spezifiziert hat, einschließlich aller Parameter und Variablen. Die Likelihood gibt dann an, wie wahrscheinlich es ist, dass die vorliegenden Daten erzeugt wurden, wenn das Modell stimmt.

Bekannte „Pseudo R²" sind:

$$\text{McFadden}\quad R^2=1-\frac{\ln(L_{voll})}{\ln(L_{null})}$$

$$\text{Cox&Snell}\quad R^2=1-\left(\frac{L_{null}}{L_{voll}}\right)^{\frac{2}{n}}$$

$$\text{Nagelkerkes}\quad R^2=\frac{1-\left(\frac{L_{null}}{L_{voll}}\right)^{\frac{2}{n}}}{1-(L_{null})^\frac{2}{n}}$$

Aus den vorliegenden Daten lassen sich folgende Werte für die Likelihood-Funktionen errechnen (siehe Outputs der Statistikprogramme):

\(L_{null}=7.89\cdot 10^{-31}\)

\(L_{voll}=4.32\cdot 10^{-13}\)

Hieran lässt sich bereits erkennen, dass das volle Modell wahrscheinlicher die Daten erzeugt hat. Um dies zu bestätigen werden die Pseudo R² nun berechnet:

Die Interpretation ist anders als im Kontext eines linearen Zusammenhangs. Man kann nun nicht mehr von einem erklärten Anteil sprechen. Vielmehr entziehen sich die Pseudo R² jeglicher inhaltlicher Interpretation. Es gilt jedoch für alle drei vorgestellten Maße folgende Faustregel:

Devianz

Die Likelihood \(L\) ist die Wahrscheinlichkeit, mit den geschätzten \(\beta\)-Koeffizienten die empirisch erhobenen Beobachtungswerte zu erhalten, also die Likelihood des vollen Modells. Der Wert \(−2\cdot\ln L\) bezeichnet die Devianz, welche approximativ \(\chi^2\) verteilt ist und eine Abweichung vom Idealwert darstellt. Ist das Gesamtmodell perfekt, ist \(L = 1\) und entsprechend die Devianz gleich 0. Eine sich daraus resultierenden Nullhypothese zum Testen der Gesamtgüte des Modells lautet:

H0: Das Modell besitzt eine perfekte Anpassung.

Der p-Wert zu dieser Nullhypothese entspricht 1 minus dem Wert der Verteilungsfunktion der \(\chi^2\)-Verteilung an der Stelle \(−2\cdot\ln L\). Die Anzahl Freitheitsgrade (df) beträgt \(n−k−1\) (\(n\) = Stichprobenumfang; \(k\) =Anzahl Kovariaten).

\(p = 1 - \chi^2_{n-k-1}(-2\cdot\ln L)\)

Wenn der p-Wert größer als das vorgegebene Signifikanzniveau ist, kann die Nullhypothese nicht verworfen werden.

Likelihood Ratio Test

Die Devianz hat den Nachteil, dass sie von der Verteilung der Zielvariable abhängt. Der Likelihood Ratio (LR) Test vergleicht daher den empirischen \(\ln L\)-Wert nicht mit einer perfekten Anpassung, sondern mit der logarithmierten Likelihood des Null-Modells. Null-Modell heißt in diesem Fall, dass eine Schätzung nur mit der Konstanten (\(\beta_0\)) erfolgt, alle anderen Paramter (\(\beta_1,...\beta_k\)) also auf Null gesetzt werden. Die Devianz des Null-Modells (Null deviance) wird dann mit der Devianz des vollständigen Modells (Residual deviance) verglichen. Ist diese Differenz zwischen den beiden Werten klein, kann daraus geschlossen werden, dass die Kovariaten nicht zur Trennung von \(Y = 1\) und \(Y = 0\) beitragen. Die Null-Hypothese lautet:

H0 : \(\beta_1 = \beta_2 = ... = \beta_k = 0\)

und ist mit dem F-Test der multiplen linearen Regression vergleichbar. Die absolute Differenz der Devianzen ist ebenfalls \(\chi^2\) verteilt, so dass der p-Wert 1 minus dem Wert der Verteilungsfunktion der \(\chi^2\)-Verteilung an der Stelle der Devianzdifferenz (Null-Modell - Schätzmodell) beträgt und die Freiheitsgrade gleich der Anzahl Kovariaten entspricht (\(k\)).

\(p = 1 - \chi^2_k(-2(\ln L_{null} - \ln L_{voll}))\)

Ist der p-Wert kleiner als das vorgegebene Signifikanzniveau, kann die Nullhypothese verworfen werden.

Vorhersage und ROC (Receiver-Operating-Characteristic)-Curve

Wie im Abschnitt darüber dargestellt, kann man mit einem geschätzten Logit-Modell Wahrscheinlichkeiten vorhersagen. Dies ist in der Praxis aber nicht immer sinnvoll. Gerade im klinischen Kontext ist eine genaue Klassifizierung notwendig, z.B. bei Diagnosetests (Krankheit liegt vor: Ja/Nein). Es stellt sich also die Frage, ab welcher Wahrscheinlichkeit \(y\) auf \(1\) gesetzt wird. Ein Schwellenwert von 0.5 (was die einfachste Lösung wäre) ist jedoch nicht immer ratsam, man möchte nämlich meistens seine Trefferquote (oder etwas Vergleichbares) maximieren. Dazu benötigt man eine Klassifikationsmatrix.

Klassifikationsmatrix

Eine Klassifikationsmatrix enthält das Merkmal \(y\) aller Beobachtungen und wie sie klassifiziert bzw. vorhergesagt wurden.

Die sogenannte "Hit Rate" (\(\text{HR}\)), also Trefferquote, ist der Anteil der richtig klassifizierten Beobachtungen an allen Beobachtungen. Sie berechnet sich nach der Formel:

$$\text{HR} = \frac{TP + TN}{n}$$

Auch wenn es naheliegt, den Schwellenwert so zu bestimmen, dass die Hit Rate maximiert wird, ist dies nicht immer sinnvoll. Als Beispiel seien hier seltene Erkrankungen genannt. Ein Verfahren, das die Hit Rate hier maximieren würde, würde jede Beobachtung als negativ klassifizieren, was jedoch nicht der Sinn eines Diagnosetests ist.

Besser geeignet sind deswegen die Größen Sensitivität (\(\text{sens}\)) und Spezifität (\(\text{spec}\)). Die Sensitivität ist die Wahrscheinlichkeit, dass eine Beobachtung positiv klassifiziert wird, gegeben sie ist auch positiv (\(\mathbb{P}(\hat{y}=1|y=1)\)). Die Spezifität ist die Wahrscheinlichkeit, dass eine Beobachtung negativ klassifiziert wird, wenn sie auch negativ ist (\(\mathbb{P}(\hat{y}=0|y=0)\)). Die Formeln lauten folglich:

$$\text{sens} = \frac{TP}{TP + FN}$$

$$\text{spec} = \frac{TN}{TN + FP}$$

Eine allgemeine Regel für die Festlegung eines Schwellenwerts ist, die Summe von Sensitität und Spezifität zu maximieren. Eine Veranschaulichung davon stellt die ROC-Kurve dar.

ROC-Curve

Die ROC (Receiver-Operating-Characteristic)-Kurve stellt die Paare von Sensitivität und Spezifität von jedem möglichen Schwellenwert graphisch dar. Dabei ist die Sensitivität normalerweise auf der y-Achse abgetragen, wohingegen auf der x-Achse (\(1-\text{spec}\)) steht. Je weiter die Kurve von der Winkelhalbierenden entfernt ist, desto besser ist die Klassifizierung anhand des Modells im Allgemeinen. Wäre die ROC-Kurve direkt auf der Winkelhalbierenden, ist die Klassifizierung genauso gut wie einfaches Raten. Den besten Schwellenwert findet man auf der ROC-Kurve an dem Punkt, der am weitesten von der WInkelhalbierenden weg ist. Dort ist die Summe von Sensititvität und Spezifität maximal.

Hier ist die ROC-Kurve für das Beispiel aufgezeichnet. Die Winkelhalbierende ist grau eingezeichnet. Je größer die Fläche unter der Kurve ist (d.h. je weiter sie von der Winkelhalbierenden entfernt ist), desto besser ist das Modell insgesamt. In unserem Beispiel ist die maximale Summe von Sensitivität und Spezifität 1.84, wobei \(sens = 0.88\) und \(spec = 0.96\) bei einem optimalen Schwellenwert von 0.623 ist. Das bedeutet nun also, wenn man für eine Person vorhersagen möchte, ob diese ein Auto besitzt oder nicht, kann man ihr Einkommen in das das geschätzte Logit-Modell einsetzen, wobei nun die Entscheidungsregel gilt:

$$\hat{y}_i = \begin{cases} 0, & \text{wenn}\quad \hat{p}_i \leq 0.623 \\ 1, & \text{wenn}\quad\hat{p}_i > 0.623 \end{cases}$$

Modellselektion

Nicht nur die eben genannten Größen helfen, das beste Modell unter vielen herauszusuchen. Es gibt auch noch spezielle Größen, die auf Vergleiche zwischen Modellen ausgelegt sind. Eine ausführliche Übersicht über verschiedene Verfahren, Modelle zu selektieren, befindet sich im Artikel über Modellselektion. Hier werden die für das Logit-Modell wichtigen Kriterien vorgestellt.

Problemstellung

Mit keinem Regressionsmodell kann die Realität eins zu eins abgebildet werden. Nimmt man zu viele erklärende Variablen auf, läuft man Gefahr, das Modell zu "overfitten" (überanpassen). Ein überangepasstes Modell erklärt die zum Schätzen verwendete abhängige Variable meist sehr gut, schneidet jedoch in der Vorhersage von Daten außerhalb der verwendeten Stichprobe häufig schlecht ab. Auf der anderen Seite kann ein Modell auch "underfitted" sein, d.h. die aufgenommenen unabhängigen Variablen können die abhängige Variable nur sehr unzureichend erklären.

Das Thema der Modellselektion ist ein allgegenwärtiges in der Statistik/Regressionsanalyse. Dennoch gibt es keine absoluten, objektiven Kriterien, anhand derer entschieden werden kann, ob das eine oder das andere Modell gewählt werden sollte. Vielmehr existieren viele verschiedene Verfahren, die versuchen, zwischen möglichst viel Erklärungsgehalt des Modells und möglichst wenig Komplexität (siehe dazu Ockhams Rasiermesser) abzuwägen.

AIC (Akaike-Information-Criterion)

Das AIC dient dazu, verschiedene Modellkandidaten zu vergleichen. Dies geschieht anhand der logarithmierten Likelihood, die umso größer ist, je besser das Modell die abhängige Variable erklärt. Um nicht komplexere Modelle als durchweg besser einzustufen, wird neben der log-Likelihood noch die Anzahl der geschätzten Parameter als Strafterm mitaufgenommen. Das AIC versucht somit, ein Modell, das die Daten gut beschreibt, gleichzeitig aber nicht zu komplex ist, zu selektieren.

\[AIC(k)=-2\cdot\ln(\hat{L})_k+2|k|\]

In der Formel steht \(k\) für die Anzahl der im Modell enthaltenen Parameter und \(\hat{L}\) für den Wert der Likelihoodfunktion. Das Modell mit dem kleinsten AIC wird bevorzugt.

Das AIC darf nicht als absolutes Gütemaß verstanden werden. Auch das Modell, welches vom Akaike Kriterium als bestes ausgewiesen wird, kann eine sehr schlechte Anpassung an die Daten aufweisen. Die Anpassung ist lediglich besser als in den Alternativmodellen.

BIC (Bayesian-Information-Criterion)

Das BIC (auch SIC, Schwarz Information Criterion, genannt) ist dem AIC sehr ähnlich. Zur Bewertung der Modellgüte wird der Wert der logarithmierten Likelihood herangezogen. Davon wird als Strafterm die Anzahl der geschätzten Parameter multipliziert mit dem natürlichen Logarithmus der Anzahl der Beobachtungen abgezogen. Im Gegensatz zum Akaike Kriteriuim passt sich der Strafterm an die Größe der Stichprobe an. Schon ab einer Stichprobengröße von acht \((\ln(8)=2,07944>2)\) bestraft das BIC komplexere Modelle stärker als das AIC.

\[BIC(k)=-2\cdot\ln(\hat{L})_k+|k|\ln(n)\]

In der Formel steht \(k\) für die Anzahl der im Modell enthaltenen Parameter und \(\hat{L}\) für den Wert der Likelihoodfunktion. Das Modell mit dem kleinsten BIC wird bevorzugt. Auch für das BIC gilt, dass das Modell mit dem kleinsten Wert des Informationskriteriums eine bessere Anpassung aufweist als die Alternativmodelle. Dennoch kann der Gesamterklärungsgehalt des Modells gering sein.

In der Praxis finden beide Auswahlkriterien Anwendung und werden oft sogar zusammen verwendet. Insgesamt ist das AIC jedoch gebräuchlicher als das BIC.

Komponenten und Begriffe

Die Güte des Modells

1. Gesamtzahl an Beobachtungen:

Die gesamte Anzahl an Beobachtungen im Datensatz entspricht der Anzahl an Zeilen. Diese wird häufig mit n gekennzeichnet. In diesem Datensatz gibt es insgesamt 100 Beobachtungen.

2. Gelöschte Beobachtungen:

Bei fehlenden Werten in Variablen können Beobachtungen für die Modellanalyse nicht berücksichtigt werden. Im Beispiel sind dies 0 Beobachtungen.

3. Zahl der Beobachtungen:

Hiermit ist die Zahl der Beobachtungen gemeint, die zur Anpassung des Modells genutzt wird. Das bedeutet, dass diese Anzahl sich aus der Differenz der Gesamtzahl an Beobachtungen und den gelöschten Beobachtungen auf Grund von fehlenden Werten in den gewünschten Variablen ergibt. In dem Modell wurden 100 Beobachtungen genutzt.

6. Pseudo R²

Das geschätzte Modell im Beispiel hat ein McFadden R² von 0.5893. Diese Zahl ist nicht direkt interpretierbar (siehe Faustregel oben).

8. Standardfehler des Schätzers:

Da das Logit Modell nicht analytisch lösbar ist, wird der Schätzer numerisch mittels der Maximum-Likelihood Methode ermittelt. Über diese Art von Schätzern können nur asymptotische Aussagen getroffen werden. So entspricht auch der Standardfehler asymptotisch dem Inversen der Fisher-Information.

Schätzergebnisse

9. Abhängige oder endogene Variable:

Im Beispiel ist das Besitzen eines Autos (car) die abhängige Variable.

10. Erklärende oder exogene Variable:

Im Beispiel ist das Einkommen (income) die erklärende Variable.

11. Geschätzte Parameter:

Bei einer einfachen logistischen Regression gibt es zwei geschätzte Parameter: \( \beta_0\) für den Achsenabschnitt und \( \beta_1\) für die Steigung in den Logits. Die Interpretation im Logit Modell ist schwieriger als im linearen Regressionsmodell. Der Parameter \( \beta_0\) ist nicht sinnvoll interpretierbar. Der "Steigungsparameter" \(\beta_1\) gibt an, wie stark die erklärende Variable (Einkommen) die Wahrscheinlichkeit für das Eintreten des Ereignisses (Besitzen eines Autos) beeinflusst.

12. Standardabweichung der Schätzung (Standardfehler, \(\hat{SF_{\beta_j}}\)):

Da die Parameter basierend auf einer Zufallsstichprobe geschätzt werden, unterliegen diese Schätzungen einer gewissen Ungenauigkeit, die durch die Standardabweichung der Schätzung quantifiziert wird. Standardfehler werden genutzt, um statistische Signifikanz zu überprüfen und um Konfidenzintervalle zu bilden.

13. Z-Statistik (empirischer Z-Wert).

Mit Hilfe eines Wald- oder Likelihood-Ratio Tests lässt sich prüfen, ob die Nullhypothese, dass ein Koeffizient gleich 0 ist, abgelehnt werden kann. Wenn dies nicht der Fall sein sollte, ist davon auszugehen, dass die zugehörige Kovariate keinen signifikaten Einfluss auf die abhängige Variable ausübt, d.h. die erklärende Variable ist nicht sinnvoll, um die Eigenschaften der abhängigen Variablen zu erklären.

Hypothese:  \(H: \beta_j=0\) gegen \(A: \beta_j \neq 0\) mit \(j=0,1\)

Teststatistik: \(T_j = \frac{\hat{\beta_j}-0}{\hat{SF_{\beta_j}}}\) mit \(j=0,1\)

Verteilung unter H: \(T_j \sim t_{n-(j+1)}\) mit \(j=0,1\)

Testentscheidung (H ablehnen wenn): \(|T_j| > t_{n-(j+1), 1-\frac{\alpha}{2}}\) mit \(j=0,1\)

14. p-Wert zur Z-Statistik:

Zusätzlich zur Z-Statisik wird meistens ein p-Wert ausgegeben. Der p-Wert gibt die Wahrscheinlichkeit an, dass die Nullhypothese \(\beta_j=0\) zutrifft.

15. 95%-Konfidenzintervall:

Konfidenzintervalle sind im Allgemeinen eine Möglichkeit, die Genauigkeit der Schätzung zu überprüfen. Ein 95%-Konfidenzintervall ist der Bereich, der im Durchschnitt in 95 von 100 Fällen den tatsächlichen Wert des Parameters einschließt.

Konfidenzintervall für den Steigungsparameter in der Beispielregression:                                                                                              

[0.0530702 - 1.96 * 0.0110797; 0.0530702 + 1.96 * 0.0110797] = [0.0313543; 0.074786]

Outputs in den verschiedenen Statistikprogrammen

Hier werden die Outputs aus den verschiedenen Statistikprogrammen vorgestellt. Die Outputs einer logistischen Regression unterscheiden sich teils in den verschiedenen Statistikprogrammen. Sowohl sind die Werte unterschiedlich angeordet, als auch werden teils nicht die gleichen Werte ausgegeben.

Im Folgenden werden die Werte 1-15, wenn vorhanden, an den Output der verschiedenen Statistikprogramme geschrieben, damit die Werte im Output gefunden werden können.

Output in R

Output in Stata

Output in SPSS

Die logistische Regression in SPSS wird durchgeführt über den Pfad Analysieren → Regression → Binär logistisch...

Sie erhalten unter anderem diesen Output:

Output in SAS

Mit der Procedure "Logistic":

Modellannahmen und deren Überprüfung

Keine Ausreißer

Für jede Ausprägung der abhängigen Variablen sollten mindestens 25 Beobachtungen vorliegen. Außerdem sollten keine Ausreißer, also Werte, die sehr schlecht zum Modell passen, vorkommen. Überprüfen lässt sich dies nicht genau, dennoch lohnt sich immer ein Blick auf den Residuenplot.

Keine Multikollinearität

Wenn zwei oder mehr metrische abhängige Variablen im Logit-Modell vorkommen, muss auf Mulitkollinearität getestet werden. Das bedeutet, dass zwei oder mehrere Variablen stark korrelieren, in diesem Fall sind die Schätzergebnisse der logistischen Regression nicht verlässlich und die Standardfehler werden sehr groß.

Dafür berechnet man den Variance Inflation Factor (VIF) und die paarweisen Korrelationen. Liegt der VIF unter 5 und die paarweisen Korrelation unter 0,8 ist in der Regel nicht von Multikollinerität auszugehen.

Verteilung der Fehlerterme

Die Fehlerterme im Logit-Modell sind durch die Konstruktion unabhängig identisch nach der Gumbel-Verteilung verteilt. Diese hat folgende Verteilungsfunktion:

\(F(x) = e^{-e^{-\frac{1}{\beta}(x-\mu)}}\) für \(\beta>0\) und \(\mu\in\mathbb{R}\).

Diese Annahme ist nicht überprüfbar und wird in der Praxis auch oft nicht beachtet.