Logistische/ lineare Regression

• Kleine Datenbasis

• Die Indicies beschreiben keinen guten Zusammenhang zur Pandie.

• Andere Faktoren können größen Einfluss haben als die gennanten

Im besten Fall 0, im schlechtesten Fall - unendlich

Je näher der Wert an 1 ist, desto besser ist die Modellgüte

• Genaueres Verfahren

• Abgängige Variable ist eine stetige Zielgröße

Restrektionen:

• Alle Varaiblen sind normalverteilt und intervallskaliert

• Linearer Zusammenhang aller Variablen

• Fehler müssen normalverteilt sein

• Unabhängige Variablen sind möglichst unkorreliert (zusammenhangslos)

Ziel:

Abbildung der Beziehung zwischen einer Abhängigen Varaiablen und mehreren unabhängigen Varaiblen.

• lineare Regressionsanalyse

• logistische Regressionsanalyse

Beide Indexe besitzen einen negativen Wirkungszusammenhang.

—> Je höher der Index desto geringer Ausfallwahrscheinlichkeit

Ehrscheint sinnvoll in diesem Modell.

Im naiven Modell werden die Faktoren beta 1 und 2 nicht betrachtet, da diese im naiven Modell 0 sind.

Erscheint also nicht sinnvoll

• Abhängie Varaible ist Zugehörig zu einer Gruppe, die binär kodiert ist (0 oder 1)

• Ungenauseres Verfahren

Restrektionen:

• Unabhängige Variablen sind möglichst unkorreliert

• Fehler müssen normalverteilt sein

Alle Beta-Werte bis auf Beta 0 werden auf 0 gesetzt

• Die logistische Regression eignet sich nicht, da diese nur die Zugehörigkeit zu einer Gruppe beschrieben wird

  • Sind hohe Absatzmengen vorhanden ja oder nein

• Es kann eine lineare Regression verwendet werden, da eine stetige Zielgröße gesucht.

  • Es kann also eine genaue Absatzmenge bestimmt werden

Es soll ein Güterkriterium bestimmt werden, dass ähnliche Eigenschaften aufweist wie bei der linearen Regression.

• negatives beta

  • Je höher der Index desto geringer die Ausfallwahrscheinlichkeit

• positives Beta

  • Je höher der Index desto höher die Ausfallwahrscheinlichkeit