Themenbereich 10: Logistische Regression

Im folgenden Video (17:30 Min.) von Prof. Steve Grambow (Duke University Medical Center, USA) wird eine umfassende und anschauliche Einführung in die (einfache) logistische Regression gegeben. Dabei werden anhand von realen Daten alle wichtigen Aspekte der logistischen Regression wie z.B. die Logit-Funktion und Odds Ratio erörtert und zudem die Interpretation und Darstellung erhaltener Ergebnisse wie auch die Voraussetzungen der logistischen Regression thematisiert.
(Hinweis: Da es sich um ein multivariates Verfahren handelt, wird vorausgesetzt, dass das Verfahren der linearen Regression bekannt ist!)
 

Nach oben

Auf folgenden Internetseiten finden Sie einführende Online-Lernangebote zum Thema "Logistische Regression":

• Die Methodenberatung der Universität Zürich (UZH) bietet im Kapitel "Zusammenhänge" unter Logistische Regressionsanalyse einen guten Einstieg sowohl in die Voraussetzungen und grundlegenden Konzepte zur logistischen Regression als auch in deren Berechnung und Anwendung in SPSS.

• Unter "An Introduction to Logistic Regression" gibt Dr. John Whitehead (Appalachian State University, USA) einen guten Überblick über die wesentlichen Merkmale der logistischen Regression, der sich für einen Einstieg in das Thema eignet.

• Im Skript "Logistische Regression (in SPSS)" von Prof. Dr. Daniel Lois (Universität der Bundeswehr München) werden die Grundlagen und zentralen Konzepte (Logit-Funktion und Modellfit) der logistischen Regression nicht nur erläutert, sondern zusätzlich an einem Anwendungsbeipiel (in SPSS) veranschaulicht und durch Anwendungsempfehlungen ergänzt.

  
   
   

  
   

Nach oben

Mit Hilfe der folgenden Fachliteratur kann man sich in die Grundlagen zum Thema "Logistische Regression" einarbeiten:

• Best, H. & Wolf, C. (2010). Logistische Regression. In C. Wolf & H. Best (Hrsg.). Handbuch der sozialwissenschaftlichen Datenanalyse (S. 827-854). Wiesbaden: VS Verlag für Sozialwissenschaften. (verfügbar per Campuslizenz)

• Eid, M., Gollwitzer, M. & Schmitt, M. (2017). Statistik und Forschungsmethoden (5. Aufl.). Weinheim: Beltz. (Kap. 21, verfügbar per Campuslizenz)

• Mayerl, J. & Urban, D., (2010). Binär-logistische Regressionsanalyse. Grundlagen und Anwendung für Sozialwissenschaftler. Schriftenreihe des Instituts für Sozialwissenschaften der Universität Stuttgart, SISS No. 3/2010. (verfügbar per Campuslizenz)

Nach oben

Die Schriftenreihe SPSS Special Topics des Leibniz-Rechenzentrums der Bayerischen Akademie der Wissenschaften enthält u.a. auch ein eigenes Kapitel "Lineare Regression", in dem auch kurz die binär-logistische Regression erläutert und deren Durchführung in SPSS anhand einer Übung mit einem bereitgestellten Datensatz (download) veranschaulicht wird.

Mit Hilfe der folgenden Literatur kann man sich in die Anwendung der logistischen Regression in Datenanalysesoftware (SPSS & R)

• Schendera, C. (2014). Regressionsanalyse mit SPSS. (2. Aufl.). München: De Gruyter Oldenbourg.

• Schlittgen, R. (2013). Regressionsanalyse mit R. München: Oldenbourg-Verlag.

Im folgenden Video (11:51 Min.) von Prof. Dr. Todd L. Grande (Wilmington University, USA) wird die Durchführung einer binär-logistischen Regression mit einer kontinuierlichen Prädiktorvariable in SPSS sowie die Interpretation des erhaltenen Odds Ratio und dessen Umrechung in Wahrscheinlichkeiten  demonstriert.
 

Im folgenden Video (14:44 Min.) von Prof. Dr. Todd L. Grande (Wilmington University, USA) wird die Durchführung einer binär-logistischen Regression mit zwei dichotomen Prädiktorvariablen in SPSS sowie die Interpretation der erhaltenen Ergebnisse schrittweise und ausführlich demonstriert.
 

Im folgenden Video (11:15 Min.) von Prof. Dr. Todd L. Grande (Wilmington University, USA) wird die Durchführung einer multinomialen logistischen Regression mit einer dichotomen Prädiktorvariable (3 Level) in SPSS veranschaulicht und die Interpretation der erhaltenen Ergebnisse anhand der Ausgabe erläutert.
 

Nach oben

In seiner Youtube-Reihe "Statistics PL16 - Logistic Regression" führt Brandon Foltz (Cengage Learning, USA) in 6 Videos schrittweise in die verschiedenen Aspekten derlogistischen Regression ein. Anhand eines fiktiven Beispiels werden dabei nach einer Einführung v.a. Odds Ratio, die Logit- und Regressionsgleichung, die Wahrscheinlichkeitsschätzung und die computerbasierte Anwendung erläutert.
(Hinweis: Da es sich um ein multivariates Verfahren handelt, wird vorausgesetzt, dass das Verfahren der linearen Regression bekannt ist!)
 
 

Nach oben

Auf folgenden Internetseiten finden Sie vertiefende Online-Lernangebote bzw. -ressourcen zu weiterführenden Fragen rund um das Thema "Logistische Regression":

• Im Online-Kurs "STAT 504" des PennState Eberly College of Science wird in Kapitel 6 nach einer Einführung in das Allgemeine Lineare Modell (GLM) die binär-logistische Regression mit einem bzw. mehreren kategorialen Prädiktoren veranschaulicht und in Kapitel 7 der Einbezug kontinuierlicher Kovariaten sowie die Prüfung der Modellgüte thematisiert.

• Auf der englischsprachigen Internetseite VassarStats: Website for Statistical Computation von Prof. em. Richard Lowry (Vassar College, USA) finden sich unter der Rubrik "Correlation & Regression" neben einem einführenden Beispiel auch zwei Tools zur Berechnung einer einfachen logistischen Regression.

• Auf der Homepage von Prof. Dr. John C. Pezzullo, Georgetown University, Washington DC (USA), befindet sich ein Online-Rechner für die logistische Regression, mit dessen Hilfe sich nach Eingabe entsprechender Rohdaten (auch aggregierte) die zentralen Kennwerte wie z.B. Koeffizienten, Standardfehler, Odds Ratio, Konfidenzintervalle und Signifikanzniveau ausgeben lassen.

• Das Skript "INTRODUCTION TO LOGISTIC REGRESSION" eines Workshops der Vanderbilt University (USA) kann für eine weiterführende Auseinandersetzung mit der logistischen Regression genutzt werden.

Nach oben

Die folgende Fachliteratur kann empfohlen werden, um sich mit weiterführenden Fragen zum Thema "Logistische Regression" zu befassen:

• Backhaus, K., Erichson, B., Plinke, W. & Weiber, R. (2016). Multivariate Analysemethoden: eine anwendungsorientierte Einführung. (14. Aufl.). Berlin: Springer. (Kap. 5)

• Behnke, J. (2015). Logistische Regressionsanalyse: Eine Einführung. Wiesbaden: Springer VS. (verfügbar per Campuslizenz)

• Urban, D. & Mayerl, J. (2018). Angewandte Regressionsanalyse: Theorie, Technik und Praxis (5. Aufl.). Wiesbaden: Springer VS. (verfügbar per Campuslizenz)

Nach oben