Präsentation herunterladen
1
Analyse kategorialer Variablen
Katrin Oehlkers Helke Neuendorff Tobias Schiller
2
Gliederung 1. Einführung 2. Das lineare Logit-Modell 3. Anwendungsbeispiel 4. Zum loglinearen Modell
3
Einführung
4
Skalenniveaus
5
Skalenniveaus
6
Skalenniveaus
7
Skalenniveaus
8
Skalenniveaus
9
Skalenniveaus
10
Skalenniveaus
11
Skalenniveaus
12
Skalenniveaus
13
Skalenniveaus
14
Merkmale kategorialer Variablen:
• dichotome Variablen • polytome Variablen Zwei Ausprägungen z.B. Variable „Geschlecht“ = männlich/weiblich Mehrere Ausprägungen z.B. Variable „Verkehrsmittel“ = Bus/Bahn/Auto/Fahrrad/Fußgänger • können nur endlich viele Werte annehmen
15
Typen statistischer Zusammenhänge:
16
Typen statistischer Zusammenhänge:
17
Typen statistischer Zusammenhänge:
18
Typen statistischer Zusammenhänge:
19
Typen statistischer Zusammenhänge:
20
Typen statistischer Zusammenhänge:
21
Typen statistischer Zusammenhänge:
22
Typen statistischer Zusammenhänge:
23
Typen statistischer Zusammenhänge:
24
Typen statistischer Zusammenhänge:
25
2. Das lineare Logit-Modell
(A als Ausprägungen der unabhängigen Variable Y)
26
2.1 Lineare Regressionsgleichung
27
Lineare Regressionsgerade
(nach Rosner 2001: S. 59)
28
Lineare Regressionsgerade
(nach Rosner 2001: S. 59)
29
Lineare Regressionsgerade
(nach Rosner 2001: S. 59)
30
Lineare Regression Die Regressionsgerade ist nur in einem beschränkten Bereich sinnvoll interpretierbar.
31
Wahrscheinlichkeitsmodell
2.2 Lineares Wahrscheinlichkeitsmodell p1j = Wahrscheinlichkeit mit der Y für X = xj den Wert 1 annimmt. p0j = 1 - p1j = Wahrscheinlichkeit mit der Y für X = xj den Wert 0 annimmt.
32
Lineares Wahrscheinlichkeitsmodell
(nach Rosner 2001: S. 59)
33
Lineares Wahrscheinlichkeitsmodell
(nach Rosner 2001: S. 59)
34
Nachteile: Schätzung in der Nähe der Extremwerte ungenau Nicht erweiterbar auf den Fall, dass Y eine polytome Variable ist Erfahrungsgemäß eher s-förmiger Kurvenverlauf
35
2.3 Logistisches Modell
36
2.3 Logistisches Modell
37
p1j kann nur noch Werte zwischen 1 und 0 annehmen!
2.3 Logistisches Modell • Geht xj gegen oo, geht p1j gegen 1 • Geht xj gegen –oo, geht p1j gegen 0 p1j kann nur noch Werte zwischen 1 und 0 annehmen!
38
Logistisches Modell (nach Rosner 2001: S. 60)
39
Umformung:
40
Umformung:
41
Umformung:
42
Umformung:
43
Umformung:
50
Logit
52
„Gelangen Sie motorisiert oder zu Fuß an Ihren Arbeitsplatz?“
3. Anwendungsbeispiel: Pendlerverhalten von Angestellten STP: 12 Angestellte „Gelangen Sie motorisiert oder zu Fuß an Ihren Arbeitsplatz?“
53
Fragestellung: Welchen Einfluss übt die Entfernung zum Arbeitsplatz auf die Wahl des Verkehrsmittels aus? Unabhängige Variable (X): Entfernung zum Arbeitsplatz • in km Abhängige Variable (Y): Wahl des Verkehrsmittels „zu Fuß“: 0 „motorisiert“: 1
54
Ergebnistabelle:
55
(nach Hartung 1995)
56
Lineare Regression: (nach Hartung 1995)
57
Logit-Modell: Für die Ausprägungen p=0 und p=1 gibt es keine Lösung.
Deshalb Berechnung der Logits!
58
Berechnung der Logits:
59
Berechnung der Logits:
60
Berechnung der Logits:
61
Berechnung der Logits:
62
Regressionsgerade der Logits
(1/-1,0986) (3/1,0986) (2/0) (nach Hartung 1995)
63
Berechnung der Regressionsgerade der Logits
64
Berechnung der Regressionsgerade der Logits
65
Berechnung der Regressionsgerade der Logits
66
Berechnung der Regressionsgerade der Logits
67
Ergebnisse einsetzen in Formel des Logit-Modells
Lösung: Ergebnisse einsetzen in Formel des Logit-Modells
68
Fragestellung: 90% benutzen ein Auto!
Wieviele Pendler benutzen bei einer Distanz von 4km zum Arbeitsplatz ein motorisiertes Verkehrsmittel? 90% benutzen ein Auto!
69
4. Das Loglineare Modell
70
Stichworte zum loglinearen Modell
• bei mehr als zwei kategorialen Variablen • Lösung mehrdimensionale Kontingenztabellen • Fragestellung: Besteht überhaupt ein Zusammenhang zwischen Variablen? Wie stark ist dieser?
71
• Binnenwanderungssaldo
Beispiel: Zusammenhang von • Binnenwanderungssaldo • Verstädterungsgrad • Arbeitsplatzentwicklung negativ / schwach positiv / stark niedrig / hoch negativ / positiv
72
Logit-Modell und Loglineares Modell
Logit-Modell etwa vergleichbar mit Regressionsanalyse Loglineares Modell etwa vergleichbar mit Korrelationsanalyse
73
Ende.
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.