Logistische Regression mit nicht Binären Zahlen

[Vortex]

Hallo Jörg,

Sorry das ich erst jetzt antworte. Eine Schleife ist sicherlich nicht Ideal und mit apply geht es vermutlich Ressourcenschonender, aber gerade bin ich einfach nur froh wenn es überhaupt Funktioniert xD

Schöne Grüße
Vortex

[Vortex]

Moin,
ok das war nicht geplant, aber ich muss doch noch mal um Hilfe fragen sonst komme ich heute gar nicht mehr zur ruhe -.-

Ich wurde von meiner Dozentin gebeten die Fitmaße aus den Logistischen Regressionen mit zu Speicher.
Vermutlich sind es Werte, wie gut die Logistische Regression die Daten erklären kann?

Weis von euch vielleicht jemand wie ich diese Daten am besten mir anzeigen kann und Speicher ?

Eine zweite Frage die ich mir noch nicht beantworten konnte ist die, das ich zwei Faktoren habe mit zwei Ausprägungen und eine 2x2 ANOVA rechnen möchte. (Implicit/Explicit und onecat/manycat)
Ich würde gerne die Varianzhomogenität bestimmen und hatte an den Leven Test gedacht. Mit einem Faktor ist das auch kein Problem.

leveneTest(Ergebnis_Regression$b_ges, Ergebnis_Regression$instruction)

Aber wie bekomme ich das mit Zwei Faktoren zeitgleich hin, um nicht die Fehler zu Kumulieren ?

Ich hoffe ihr könnte mir da noch mal weiter helfen.

Schöne Grüße
Vortex

[EDi]

Ich würde gerne die Varianzhomogenität bestimmen

Ich schaue mir dafür meist die Residuen an.

Das Dharma nutze ich auch ab und an mal für GL(M)M - falls jemand mal unbedingt einen p-wert braucht https://cran.r-project.org/web/packages ... edasticity

[Vortex]

Hallo EDi,

Das gucke ich mir mal an, danke für den Tipp.

Schöne Grüße
Vortex

[Vortex]

Schau mal, ob Dir das gefällt:

Code: Alles auswählen

response <- c(0.95, 0.85, 0.09, 0.54, 0.50, 1.00, 0.60, 0.01, 0.56, 0.51, 0.60, 0.06, 0.41, 0.34, 0.46, 1.00, 0.87, 0.16, 0.30, 0.36, 1.00, 0.59, 0.01, 0.30, 0.62, 0.63, 0.01, 0.33, 0.01, 0.32)
stimulus <- c(13, 12,  2,  7,  4, 14,  8,  0,  5, 10, 11,  1,  9,  3,  6, 13, 12,  2,  7,  4, 14,  8,  0,  5, 10, 11,  1,  9,  3,  6)
testframe <- data.frame(stimulus, response)

glm <- glm(response ~ stimulus, data = testframe, family=binomial(link="logit"), maxit = 100, weights = rep(1,30))
coef(glm)
plot(stimulus, response, xlim = c(-5, 19))
lines(-5:19, predict(glm, newdata = data.frame(stimulus = -5:19), type = "response"))

LG,
Bernhard

Hallo Bernhard,

ich hatte heute Kontakt mit meiner Dozentin und Sie kommt bei der Berechnung der Werte auf ganz andere Ergebnisse und ist sich nicht sicher ob deine Formel alles berücksichtigt.

Leider muss ich gestehen das ich, da die Werte für mich Stimmig erschienen, damals nicht nachgefragt hatte wie diese genau Funktioniert. Was macht weights = rep(1,30) genau ? Ich hatte das so aufgefasst, das dies Pro Stimuli die Werte als Gewichtet ausgibt und nicht als einmaliges Ergebnis. Also z.B. als Durschnitt von 100 Münzwürfen. meine Dozentin Vermutet jetzt aber, das die weight Funktion nur die wiederholten Stiumuli berücksichtig, aber nicht die antworten und somit meine Ergebnisse falsch wären, da ich eine response pro Stimulus ja nicht 30mal fitte. Mein Versuch das nachzuschlagen war leider nicht wirklich erfolgreich.

Kannst du mir da weiter helfen ?

Ich hatte auch mal versucht das weights = rep(1,30) durch weights = response zu ersetzen. Dabei kommt aber wieder etwas anderes bei raus. Warum auch immer -.-

Code: Alles auswählen

glm <- glm(response ~ stimulus, data = testframe, family=binomial(link="logit"), maxit = 100, weights = response)

Schöne Grüße
Vortex

[bigben]

Hallo Vortex,

ich hatte heute Kontakt mit meiner Dozentin und Sie kommt bei der Berechnung der Werte auf ganz andere Ergebnisse und ist sich nicht sicher ob deine Formel alles berücksichtigt.

Naja, mein Vorschlag liegt auf dem Tisch und kann kritisiert werden. Was ist mit ihrer Rechnung?
Meine passt grafisch, hast Du ihre Lösung mal geplottet? Passt eine besser?

Was macht weights = rep(1,30) genau ?

Es teilt allen Beobachtungen ein Gewicht zu, und zwar allen dreißig das gleiche Gewicht. Sollte inhaltlich also nichts bedeuten, führt aber dazu, dass die Funktion etwas anderes als Nullen und Einsen in der abhängigen Variable akzeptiert.

Code: Alles auswählen

Ich hatte das so aufgefasst, das dies Pro Stimuli die Werte als Gewichtet ausgibt und nicht als einmaliges Ergebnis.

Das habe ich nicht verstanden.

Ich denke weiter, dass mein Code die S-Kurve durch die dreißig Beobachtungen legt. Was er nicht macht, ist das aggregieren pro Stimulus als Mittelwert das da irgendwo bei Dir auftaut. Ich wollte zeigen, wie man die Regression macht. Datenaufbereitung musst Du selbst nach schauen.

LG,
Bernhard

[EDi]

Ich würde mal einen Bleistift zur Hand nehmen und das Model auf Papier aufschreiben...

Die Binomial Verteilung hat 2 Parameter: N und p.
weights= setzt hier in dem für alle Beobachtungen N=1.

Ob dieses Sinn macht gegeben der Daten kann ich nicht sagen. "Alle Modelle sind falsch, manche sinnvoll" hat mal jemand kluges gesagt.

Variables N hat man z.b. bei Versuchen mit unterschiedlicher Anzahl an Versuchsgliedern ("10 von 12 zeigen Symptome").

[Vortex]

Danke für eure Antworten.

Bernhard deine Funktion funktioniert eins A. Meine Dozentin hatte die glm Funktion etwas Abgewandelt wodurch die Werte nicht mehr übereinstimmten.

Die Daten hatte ich vorher geplottet und sie passten damals auch genau, weshalb ich auch recht verwundert war als die Daten nicht übereinstimmten.

Danke für eure Hilfe

Gruß
Vortex