Interpretation dieses outputs

Wissenschaft Mathematik
#1

wie werden folgende werte auf die linearität des log(y) interpretiert. danke

regressionskoeffizient
Diagnose
Diagnose(1) -,118
Diagnose(2) ,209
Diagnose(3) -,029
eein_FFE -,351
Konstante 1,905

standartfehler
,989
1,003
,918
,072
1,031

sig und exp(B)
,971
,905 ,889
,835 1,232
,975 ,971
,000 ,704
,065 6,721

#2

schau mal hier nach, da zeige ich, was und wie man damit umgehen kann:
http://www.fileuploadx.de/851973

standar_d_fehler schreibt man übrigens mit weichem t :wink:

Wie du siehts, werden die Koeffizienten genutzt, um eine Wahrscheinlichkeit zu berechnen, nämlich eine 1 oder 0 zu haben.

VG, Walter.

#3

Hi,

ok, Du hast mich abgehängt :smile:. Was genau sind die Werte, und was genau die Frage?

Gruß,

Timo

#4

Hallo Timo
Ist diese aussage korrekt: Da die Durbin-Watson Statistik einen Wert unter 2 ausgibt (0.108), ist von einer positiven Autokorrelation auszugehen. Durch diese Autokorrelation geht hervor, dass ein nicht-linearer Zusammenhang besteht und der Datensatz somit für eine lineare Regression nicht geeignet ist und das Kriterium für die Logistische Regression besteht. und was sagt dieser durbin-watson wert über die unabhängigkeit der residuen aus? herzichen dank

#5

Hi,

Du schreibst wie zu jemanden, der voll im Problem steht; das kostet sehr viel Zeit, die können die meisten nicht aufbringen. Ich würde empfehlen:

  1. Sag einmal, wo Deine Daten herkommen, und was sie beschreiben (Vermutung: Eine medizinische Testreihe für die Auswirkung verschiedener Prädiktoren auf ein outcome?)
  2. Dann gib an, was Du gerne rauskriegen möchtest (Vermutung: Ob eine lineare Regression der Prädiktoren auf die Auswirkungen, anscheinend mit verschiedenen Basisfunktionen, das Outcome gut beschreibt?)
  3. Sag, was Du schon mit den Daten gemacht hast (Vermutung: Lineare Regression mit linearer und exponentieller Basisfunktion, Test der Residuen mit Durbin-Watson?)
  4. Erklär, an welchem Punkt und Warum Du nicht weiterkommst, am besten mit Angaben der Quellen, die Du schon versucht hast.

Mit dem Aufbau könnte ich Dir wahrscheinlich besser helfen.

Ins Blaue geschossen würde ich einen von 2 abweichenden Durbin-Watson noch nicht zwingend als Ausschluss linearer Regression sehen; vielleicht fehlen Dir nur noch die richtigen Basisfunktionen? Logistische Regression hilft nur in so weit, dass sie mit nicht unabhängigen Restfehlern umgehen kann; die Ergebnisse sind nicht zwingend besser, aber ein Versuch ist es natürlich wert. Wenn Deine Daten einfach komplexer sind, musst Du vielleicht die schwereren Geschütze auffahren und Classifier auf das Problem loslassen (wenn die Zielvariable diskret ist jedenfalls).

Gruß,

Timo

#6

Hallo Timo
Sorry, bin eben ziemlich im stress.
nun gut. es ist klar dass eine logistische regression durchgeführt werden soll. die interpretation ist auch schon gemacht. nun sollen aber noch die kriterien dafür geprüft werden. ich weiss klingt doof, ist aber ein leistungsnachweis und meine gruppe wünscht, obwohl wir den datensatz erhalten haben mit der aufgabe die log. regression durchzuführen und zu interpretieren, dass wir ihn auch noch prüfen. die eigentlich berechnung ist eine binäre logistische regression.
2 uv s 1 string eine numerisch und ein av. dicotom.
zu prüfen linearität des logit, unabhängigkeit der residuen und multikollineralität. lehrbuch unterlagen vom dozent und fields. gemacht habe ich nun: anova mit output variablen in der gleichung (dachte für linearität, weiss aber nicht ob das ok ist.)multiple regression für die residuen und die multikollineralität. ist verständlicher was meine aufgabe ist? danke

#7

hi lilola

wie schon leztes mal gesagt, kann ich dir nicht weiterhelfen.

Gruss
pepo

#8

Sorry, da kann ich leider nicht helfen…Gruß Robert

#9

Es tut mir leid, ich kann das nicht interpretieren.

#10

Hallo!
Leider sind das für mich zu wenig Informationen, um da was Schlaues zu zu sagen - was wurde gerechnet/womit/welche Software/…
Vielleicht ist da jemand anders besser vor!
Gruß,
Sonja

#11

dafür kenn ich spss zu wenig, sorry.

#12

.