Regression
Die Wahl des Modells hängt an der Zielvariable, nicht an den Prädiktoren. Ist sie metrisch, steht die lineare Regression am Anfang, mit einem Prädiktor als einfache und mit mehreren als multiple Regression. Ist sie binär, ist die logistische Regression zuständig, und die Beurteilung verschiebt sich von erklärter Streuung auf Klassifikationsgüte. Ist sie eine Zeit bis zu einem Ereignis mit zensierten Fällen, gehört der Fall in die Überlebenszeitanalyse.
Jedes Modell wird erst geschätzt, dann diagnostiziert und erst danach interpretiert. Ein Modell mit verletzten Annahmen liefert Zahlen, die man nicht verwenden darf, und es liefert sie ohne Warnung.
Einfache lineare Regression
Ein Prädiktor, Steigung und Achsenabschnitt, Bestimmtheitsmass und Residuen.
Multiple lineare Regression
Mehrere Prädiktoren, adjustiertes R², Multikollinearität und wie man den Output liest.
Logistische Regression
Binäre Zielgrösse modellieren, Odds Ratios und Wahrscheinlichkeiten lesen.
Regressionsdiagnostik
Residuen, Hebelwerte, Ausreisser, VIF und was man bei Verletzungen tut.
Modellauswahl
F-Test, AIC, BIC und Kreuzvalidierung, und warum schrittweise Auswahl täuscht.
Klassifikationsgüte
Konfusionsmatrix, Sensitivität, ROC und AUC richtig lesen.
Gemischte Modelle
Regression mit Gruppenstruktur: zufällige Achsenabschnitte und Steigungen, ICC und warum OLS dort zu sicher ist.
Die übergreifenden Fragen zur Statistik prüfen die Abgrenzung zwischen den Modellklassen.