Mehrere Variablen in einem logistischen Regressionsmodell
Die Interpretation eines einzelnen Parameters gilt weiterhin, auch wenn du mehrere Variablen in ein Modell aufnimmst. Fragst du nach der Interpretation, wenn sich eine bestimmte Variable ändert, wird angenommen, dass die anderen Variablen konstant bzw. unverändert bleiben. Dafür gibt es den lateinischen Ausdruck ceteris paribus, wörtlich „unter sonst gleichen Bedingungen“.
Um ein logistisches Regressionsmodell mit mehreren Variablen aufzubauen, kannst du mit dem +-Zeichen Variablen hinzufügen. Deine Formel sieht dann etwa so aus:
y ~ x1 + ... + xk
Bei der Bewertung des Modells gibt es einige Punkte zu beachten. Du hast dir bereits die Parameterwerte angesehen, aber das ist nicht das Einzige, was wichtig ist. Ebenfalls wichtig ist die statistische Signifikanz einer bestimmten Parameterschätzung. Die Signifikanz eines Parameters wird oft als p-Wert bezeichnet, im Modellausgabe jedoch als Pr(>|t|) ausgewiesen. In glm wird eine geringe Signifikanz mit einem „.“ und eine sehr starke Signifikanz mit „***“ markiert. Ist ein Parameter nicht signifikant, heißt das, du kannst nicht sicherstellen, dass er sich signifikant von 0 unterscheidet. Statistische Signifikanz ist wichtig. Im Allgemeinen ergibt es nur Sinn, den Einfluss auf den Ausfall für signifikante Parameter zu interpretieren.
Diese Übung ist Teil des Kurses
<Kurs>Kreditrisikomodellierung in R</Kurs>Übungsanweisungen
- Erstelle mit der Funktion
glm()und demtraining_setein logistisches Regressionsmodell. Nimm die Variablenage,ir_cat,grade,loan_amntundannual_incauf. Nenne dieses Modelllog_model_multi. - Ermittle die Signifikanzniveaus mit
summary()in Kombination mit deinem Modell. Was die Signifikanzniveaus bedeuten, schaust du dir in der nächsten Übung genauer an!
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Build the logistic regression model
# Obtain significance levels using summary()