A. Logistische Regression und Logit-Modell für binäre abhängige Größen
Logit-Modelle für eine metrische Einflussgröße - Modelle für linear spezifizierte Einflussgrößen - Logit-Modelle bei kategorialen Einflussgrößen - Das lineare Logit-Modell ohne Interaktion - Logit-Modell und Alternativen
B. Schätzung, Modellanpassung und Einflussgrößen
Parameterschätzung für Regressionsmodelle - Anpassungsgüte von Modellen - Residualanalyse - Überprüfung der Relevanz von Einflussgrößen - Devianz-Analyse - Erklärungswert von Modellen
C. Alternative Modellierung von Response und Einflussgrößen
Konzeptioneller Hintergrund binärer Regressionsmodelle - Modelltypen - Modellierung von Interaktionswirkungen - Abweichung von der Binomialverteilung
D. Multinominale Modelle für ungeordnete Kategorien
Modellbildung bei mehrkategorialer abhängiger Variable - Das multinominale Logit-Modell - Einfache Verzweigungsmodelle - Modellierung als Wahlmodell der Nutzenmaximierung - Schätzen und Testen
E. Regression mit ordinaler abhängiger Variable
Das Schwellenwert- oder kumulative Modell - Das sequenzielle Modell - Schätzen und Testen
F. Zähldaten und die Analyse von Kontingenztafeln: das loglineare Modell
Die Poisson-Verteilung - Poisson-Regression - Poisson-Regression mit Dispersion - Analyse von Kontingenztafeln
G. Nonparametrische Regression
Glättungsverfahren: Lokale Regression für binäre abhängige Variable, Ansätze mit Penalisierung, Semiparametrische Erweiterung durch das partiell lineare Modell, Generalisierte additive Modell, Schätzalgorithmen - Klassifikations- und Regressionsbäume: Verzweigungen und Verzweigungskriterien, Baumgröße
H. Kategoriale Prognose und Diskriminanzanalyse
Bayes-Zuordnung als diskriminanzanalytisches Verfahren: Bayes-Zuordnung und Fehlerraten, Fehlklassifikationswahrscheinlichkeiten, Bayes-Regel und Diskriminanzfunktionen, Logit-Modell und normalverteilte Merkmale, Logit-Modell und binäre Merkmale, Kostenoptimale Bayes-Zuordnung - Geschätze Zuordnungsregeln: Stichproben und geschätzte Zuordnungsregeln, Prognosefehler
Die Seminarteilnehmer erhalten eine anwendungsorientierte Einführung in Logit-Modellierung und kategoriale Regression. Das Seminar behandelt Modelle zur Analyse kategorialer Daten. Kategoriale Daten sind Variablen, die eine begrenzte Anzahl von Ausprägungen (Kategorien) haben. Unter logistischer Regression oder Logit-Modell versteht man dann Regressionsanalysen zur (meist multivariaten) Modellierung der Verteilung diskreter abhängiger Variablen. Damit lassen sich Gruppenzugehörigen und Wahrscheinlichkeiten für Ereignisse bestimmen. Bei vielen der in Umfrageforschung und amtlicher Statistik erhobenen Merkmale handelt es sich um kategoriale Daten. In diesem Seminar lernen Sie die Logit-Regression und darauf aufbauende Alternativmodelle kennen. Zusätzlich lernen Sie, Kontingenz-/Kreuztabellen zu untersuchen, um Abhängigkeiten zwischen kategorialen Variablen zu untersuchen.
Statistik - Kategoriale Daten und Logistische Regression 
