Klassifikation

-> Beschreibt die Regressions mit nicht nur metrischen Werten, wie bei der Kaufentscheidung -> Nutzung Dummy Variablen

-> Nutzung einer logistischen Regressionsfunktion

y = beobachteter wert, y Dach = Schätzwert

-> Kovarianz gibt keine Aussage über Stärke des linearen Zusammenhangs, je höher ist nicht gleich einem stärkeren Zusammenhang » Daher: Normierung über Standardabweichung → Korrelationskoeffizienten -> Verhältnis des Zusammenhangs möglich

• Das Modell wird zu sehr an die Traingsdaten angepasst

• neue Daten haben kein gutes Ergebnis

-> Wird verwendet, um zu schauen, wie die Regressionskoeffizienten ohne Einheit verglichen werden

Wenn eine dieser Verletzungen der Prämissen auftritt, dann ist die Regressionsanalyse mit Vorsicht zu interpretieren

Homoskedastizität bedeutet in der Statistik, dass die Varianz der Fehler (Residuen) in einem Regressionsmodell über alle Werte der unabhängigen Variablen hinweg konstant ist.Heteroskedastizität ist das Gegenteil: Die Varianz der Fehler ist nicht konstant, sondern ändert sich in Abhängigkeit von den unabhängigen Variablen.