Logistische Regression

Ein Koeffizient β beschreibt die Änderung der Log-Odds bei einer Einheit mehr des Prädiktors, wenn übrige Modellvariablen konstant gehalten werden. Exponentiert ergibt e^β das entsprechende Odds-Verhältnis. Es ist keine direkte prozentuale Änderung der Wahrscheinlichkeit; diese hängt vom Ausgangswert p ab. Bei kategorialen Prädiktoren gilt die Interpretation relativ zur gewählten Referenzkategorie, die ausdrücklich dokumentiert werden muss. Berichte Outcome-Codierung, Referenzgruppen, Kovariaten, Modellprüfung und Unsicherheit. Aus einem adjustierten Koeffizienten folgt ohne Kausaldesign kein Interventionseffekt. Bei seltenen Outcomes können Odds Ratios außerdem deutlich vom relativen Risiko abweichen.

Die lineare Kombination η kann jeden reellen Wert annehmen. Die inverse Logitfunktion p=1/(1+e^(−η)) bildet diese unbeschränkte Skala glatt auf Werte strikt zwischen 0 und 1 ab. Für η=0 ergibt sich p=0,5; große positive Werte nähern sich 1, große negative Werte 0. Wahrscheinlichkeiten nahe den Grenzen benötigen dennoch genügend Daten und zuverlässige Modellanpassung, sonst sind sie instabil. Berichte Outcome-Codierung, Referenzgruppen, Kovariaten, Modellprüfung und Unsicherheit. Aus einem adjustierten Koeffizienten folgt ohne Kausaldesign kein Interventionseffekt. Bei seltenen Outcomes können Odds Ratios außerdem deutlich vom relativen Risiko abweichen.

Nicht allein deshalb, weil er adjustiert ist. Der Koeffizient ist zunächst eine bedingte Assoziation innerhalb des spezifizierten Modells. Unbeobachtetes Confounding, Selektionsbias, Messfehler, falsche Funktionsform oder fehlende Interaktionen können ihn verzerren. Kausale Deutung erfordert ein geeignetes Design und begründete Annahmen über Confounder und Auswahl. Berichte Referenzgruppe, Kovariaten, Population, Unsicherheit und Modellprüfung; ein Odds-Verhältnis ersetzt keine kausale Argumentation. Berichte Outcome-Codierung, Referenzgruppen, Kovariaten, Modellprüfung und Unsicherheit. Aus einem adjustierten Koeffizienten folgt ohne Kausaldesign kein Interventionseffekt. Bei seltenen Outcomes können Odds Ratios außerdem deutlich vom relativen Risiko abweichen.

Rechne zuerst das Muster aus dem Beispiel nach: Bei η=−2+0,8x und x=2 ist η=−0,4; p=1/(1+e^0,4)≈0,401. Logistische Regression verwendet logit(p) = β₀ + Σβk·xk. Kurz gesagt: die logistische Regression modelliert die Log-Odds eines binären Outcomes als lineare Funktion von Prädiktoren. Einheitencheck: p als Anteil 0…1 · log-Odds dimensionslos · βk-Einheit abhängig von xk. Binary outcome with independent observations and adequately specified predictor effects; assess calibration, separation and confounding. Werte sind nur vergleichbar, wenn Definition, Nenner und Zeitraum übereinstimmen. Schreibe diese Angaben neben das Ergebnis, damit die Bezugsgruppe erkennbar bleibt. Bei einer unplausiblen Richtung kontrollierst du zuerst Datenaufbereitung und Rechenbasis, bevor du biologische Ursachen diskutierst.

Eine zentrale Grenze von Logistische Regression lautet: Binary outcome with independent observations and adequately specified predictor effects; assess calibration, separation and confounding. Nutze die Kennzahl deshalb nicht losgelöst von ihrer Referenz; sie eignet sich für Binäre Outcomes in biologischen und epidemiologischen Beobachtungsdaten modellieren. Die logistische Regression modelliert die Log-Odds eines binären Outcomes als lineare Funktion von Prädiktoren. Bei Vergleichen zwischen Populationen oder Experimenten prüfst du, ob Definition, Nenner und Erhebungszeitraum übereinstimmen. Ist die Annahme nicht plausibel, zeigt das Ergebnis nur, was das vereinfachte Modell aus den Eingaben berechnet; es ist dann kein belastbarer Schätzer für die Zielpopulation. Nenne diese Einschränkung im Bericht und leite keine Kausalwirkung aus der Formel allein ab.