-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.
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.
Der BIC ist ein Maß der Modellgüte. Je besser das Modell ist (d. h. je besser das Modell die Daten erklären kann), desto geringer wird er.
Anders als zum Beispiel das multiple R2 bestraft der BIC jedoch für wachsende Modellkomplexität. Das bedeutet, dass der BIC größer wird, je mehr Prädiktoren im Modell enthalten sind. Je komplexer das Modell ist, desto höher ist nämlich die Gefahr von Overfitting, also die Auswahl eines Modells, welches die Daten gut zu erklären scheint, aber in Wahrheit unbrauchbar ist.
Der BIC wird also kleiner, je besser die Prädiktoren sind und umso weniger Prädiktoren es gibt. Bei der Hinzunahme von mehr Prädiktoren sinkt BIC also nur so lange, wie ein Prädiktor „mehr bringt als er kostet“. Auf diese Art und Weise probiert der BIC Underfitting (= die Aufnahme zu weniger Prädiktoren) und Overfitting (= die Aufnahme zu vieler Prädiktoren; siehe auch: Underfitting, Overfitting) zu vermeiden und das beste Modell auszuwählen.
Das beste Modell ist also das Modell, mit dem geringsten BIC. Manchmal haben mehrere Modelle einen sehr ähnlichen BIC und es ist nicht klar, welches das Beste ist. Dann ist es sinnvoll, das klinisch relevanteste Modell auszuwählen. Das klinisch relevanteste Modell ist immer jenes mit den meisten signifikanten Prädiktoren.
Übrigens: Es gibt auch noch andere mit dem BIC vergleichbare Maße, zum Beispiel das AIC (Akaikes Informationskriterium). Der BIC ist im direkten Vergleich etwas konservativer als das AIC, wählt also tendenziell weniger Prädiktoren aus.
Es sollte v. a. dann verwendet werden, wenn die Stichprobengröße groß und die Anzahl der Prädiktoren gering ist. Es ist nicht wie das (adjustierte) R² im Sinne aufgeklärter Varianz interpretierbar, lässt aber ebenfalls den Vergleich zwischen verschiedenen Modellen zu. Ein geringerer Wert beschreibt einen besseren Fit des Modells an die Daten.
Eine binäre logistische Regression ist eine häufige Form der logistischen Regression, bei der das Kriterium exakt zwei Ausprägungen hat (also dichotom ist: Ist der Patient gestorben, oder nicht).
Die dichotome Variable sollte dabei immer mit 0 (nein) und 1 (ja) codiert werden und nicht(!) als Zeichenfolge („ja/nein“).
Cook´s Distanz ist ein Maß für den Einfluss einer einzelnen Beobachtung auf das errechnete Modell (zum Beispiel innerhalb einer logistischen Regression).
Werte größer als Eins lassen nach Cook und Weisberg (1982) einen hohen Einfluss der zu beurteilenden Beobachtung auf das Modell vermuten (d. h. es handelt sich um einen Extremwert).
Melde dich für meinen Newsletter an und erhalte sofort das PDF!
Melde dich für meinen Newsletter an und erhalte sofort das PDF!
Melde dich für meinen Newsletter an und erhalte sofort das PDF!
Melde dich für meinen Newsletter an und erhalte sofort die Excel-Vorlage!