-2LL

-2LL ist die Log-Likelihood multipliziert mit Minus 2. Der Term -2LL wird innerhalb der logistischen Regression verwendet und bezeichnet die Devianz des Modells DM. Die Devianz ist ein Maß der Modellgüte im negativen Sinn: Eine höhere Devianz beschreibt einen schlechteren Fit des Modells an die Daten.

 

 

Adjustierter vorhergesagter Wert

Der adjustierte vorhergesagt Mittelwert dient der Messung des Einflusses eines spezifischen Datenpunktes. Stell dir vor, innerhalb eines Modells wird ein Wert für die Outcome-Variable des Modells vorhergesagt. Dies geschieht zweimal: Einmal mit (ursprünglicher vorhergesagter Wert) und einmal ohne den zu untersuchenden Datenpunkt (adjustierter vorhergesagter Wert). Die Differenz aus den zwei vorhergesagten Werten der Outcomevariable nennt man DFFit. Je größer DFFit ist, desto größer ist der Einfluss des untersuchten Datenpunktes und desto instabiler, als durch Einzelfälle beeinflussbarer ist das Modell. Findet im Rahmen der linearen Regression Anwendung.

 

 

Adjustiertes R-Quadrat

Das adjustierte R2 zeigt an, wie viel Varianz in der Gesamtpopulation, aus der die untersuchte Stichprobe gezogen wurde, durch das Modell erklärt wird. Je besser das berechnete Modell ist, desto kleiner ist der Unterschied zwischen R2 (Stichprobe) und adjustiertem R2 (Gesamtpopulation). Das adjustierte R2 wird deshalb (neben dem AIC oder BIC) als Kriterium für die Modellselektion verwendet.

 

 

AIC (Akaikes Informationskriterium)

Das AIC ist ein Maß der Modellgüte, das eine höhere Modellkomplexität „bestraft“ (bzw. korrigiert). Diese Korrektur fällt mit wachsender Stichprobengröße geringer aus. Es ist nicht wie das adjustierte R-Quadrat im Sinne aufgeklärter Varianz interpretierbar, lässt aber ebenfalls den Vergleich zwischen verschiedenen Modellen zu. Das AIC wird deshalb (neben dem R2 oder BIC) als Kriterium für die Modellselektion verwendet. Ein geringerer Wert beschreibt einen besseren Datenfit des Modells.

 

 

Trag dich hier für Dr. Ortmanns beste Maildizin ein und erhalte regelmässige für deine empirische Promtion

You have Successfully Subscribed!