Nominale logistische Regression
Die nominale logistische Regression ist ein statistisches Werkzeug, mit dem der Zusammenhang zwischen einem oder mehreren Prädiktoren und einer kategorialen Zielgröße mit drei oder mehr ungeordneten Kategorien analysiert wird — etwa Kratzer, Delle oder Riss. Sie sagt die Wahrscheinlichkeit jeder Kategorie anhand der Prädiktorwerte vorher.
Zuletzt geprüft
Kernaussage
Die nominale logistische Regression ist ein statistisches Werkzeug, mit dem der Zusammenhang zwischen einem oder mehreren Prädiktoren und einer kategorialen Zielgröße mit drei oder mehr ungeordneten Kategorien analysiert wird.
Auf dieser Seite
- Was ist die nominale logistische Regression?
- Wann wird die nominale logistische Regression eingesetzt?
- Hinweise zur richtigen Anwendung der nominalen logistischen Regression
- Alternativen: Wann Sie die nominale logistische Regression nicht verwenden sollten
- Beispiel für die nominale logistische Regression
- Anleitung: Nominale logistische Regression durchführen
Was ist die nominale logistische Regression?
Die nominale logistische Regression ist ein statistisches Werkzeug, mit dem der Zusammenhang zwischen einem oder mehreren Prädiktoren und einer kategorialen Zielgröße mit drei oder mehr ungeordneten Kategorien analysiert wird — etwa Kratzer, Delle oder Riss. Sie sagt die Wahrscheinlichkeit jeder Kategorie anhand der Prädiktorwerte vorher.
Wann wird die nominale logistische Regression eingesetzt?
Prädiktoren
- Prädiktoren können stetig, kategorial oder eine Mischung aus beidem sein
- Diskrete Variablen können je nach Anzahl der Stufen und Ziel der Analyse als stetig oder kategorial behandelt werden
- Nur ein stetiger Prädiktor bei stetiger Zielgröße → verwenden Sie Fit Line Model
- Mehrere Prädiktoren bei stetiger Zielgröße → verwenden Sie Fit Regression Model
Zielgröße
- Die Zielgröße muss drei oder mehr Kategorien ohne natürliche Reihenfolge haben (z. B. Farbe, Werkstoffart, Fehlerart)
- Ist die Zielgröße stetig → verwenden Sie Fit Regression Model
- Hat die Zielgröße zwei Kategorien (Gut/Schlecht) → verwenden Sie die binäre logistische Regression
- Hat die Zielgröße geordnete Kategorien (niedrig/mittel/hoch) → verwenden Sie die ordinale logistische Regression
Hinweise zur richtigen Anwendung der nominalen logistischen Regression
- Die Zielgröße muss drei oder mehr ungeordnete Kategorienhaben; haben die Kategorien eine natürliche Reihenfolge, verwenden Sie stattdessen die ordinale logistische Regression.
- Prädiktoren können stetig oder kategorialsein; stellen Sie vor der Analyse sicher, dass jede Variable richtig eingestuft ist.
- Stellen Sie sicher, dass die Daten die Zielgrundgesamtheit zutreffend abbilden; verzerrte oder unvollständige Daten führen zu unzuverlässigen Vorhersagen.
- Erfassen Sie ausreichend Datenpunkte je Kategorie — zu wenige Beobachtungen in einer Kategorie machen das Modell instabil und die Vorhersagen unzuverlässig.
- Messen Sie alle Variablen so genau wie möglich; Fehler in den Eingangsdaten verringern unmittelbar die Genauigkeit der vorhergesagten Wahrscheinlichkeiten.
- Erfassen Sie die Daten in der Reihenfolge ihrer Erhebung , damit sich zeitabhängige Muster erkennen lassen, die die Ergebnisse beeinflussen könnten.
- Validieren Sie das Modell nach der Anpassung mit Kennzahlen zur Anpassungsgüte und Residuendiagnosen; ein schlecht angepasstes Modell liefert irreführende Kategorienvorhersagen.
- Prüfen Sie, dass keine Kategorie zu wenige Beobachtungen hat — seltene Kategorien verringern die Zuverlässigkeit des Modells und können Schätzprobleme verursachen.
Alternativen: Wann Sie die nominale logistische Regression nicht verwenden sollten
- Ist die Zielgröße stetig, verwenden Sie stattdessen Fit Regression Model .
- Haben Sie nur einen stetigen Prädiktor bei stetiger Zielgröße, verwenden Sie stattdessen Fit Line Model .
- Hat die Zielgröße zwei Kategorien (z. B. Gut/Schlecht), verwenden Sie stattdessen die binäre logistische Regression .
- Haben die Kategorien der Zielgröße eine natürliche Reihenfolge (z. B. niedrig/mittel/hoch), verwenden Sie stattdessen die ordinale logistische Regression .
- Haben Sie einen kategorialen Prädiktor bei stetiger Zielgröße, verwenden Sie stattdessen die einfache ANOVA .
Beispiel für die nominale logistische Regression
Um die Wirksamkeit verschiedener Unterrichtsmethoden zu bewerten, erhebt eine Schulleiterin Daten von 30 Schülerinnen und Schülern und erfasst für jede Person das Lieblingsfach sowie die in ihrer Klasse verwendete Unterrichtsmethode. Da die Zielgröße — die Fachpräferenz (Mathematik, Naturwissenschaften oder Sprache) — kategorial ist und keine natürliche Reihenfolge hat, wendet sie die nominale logistische Regression an. Diese Analyse untersucht, wie das Alter der Schüler (10 bis 13 Jahre) und die Art der Unterrichtsmethode (Vorführung oder Erklärung) mit ihren Fachpräferenzen zusammenhängen. Die Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Die nominale logistische Regression finden Sie unter Statistical module> Regression>Nominal Logistic Regression.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:


Anleitung: Nominale logistische Regression durchführen
So gehen Sie vor:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Regression > Nominal Logistic Regression.
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie ein (Strg+V). Alternativ gibt es die Option Load Example, mit der Beispieldaten geladen werden.
- Füllen Sie anschließend die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard der Nominal Logistic Regression ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen zahlreiche Optionen zur Verfügung:
- Response: Die Ergebnisvariable, die Sie vorhersagen oder klassifizieren möchten — sie muss drei oder mehr Kategorien ohne natürliche Reihenfolgeenthalten, etwa Fehlerart (Kratzer, Delle, Riss) oder Zahlungsart (bar, Karte, online). Das Modell schätzt die Wahrscheinlichkeit jeder Kategorie anhand der angegebenen Prädiktorwerte.
- Categorical Predictor: Ein Prädiktor mit einer festen Menge eindeutiger Gruppen oder Bezeichnungen, etwa Maschinentyp, Schicht oder Werkstoff. Zwischen diesen Gruppen gibt es keinen messbaren Abstand. Jede Kategorie wird als eigene Stufe behandelt, und das Modell schätzt, wie jede Gruppe die Wahrscheinlichkeit jeder Kategorie der Zielgröße beeinflusst.
- Continuous Predictor: Ein Prädiktor, der jeden messbaren Zahlenwert innerhalb eines Bereichs annehmen kann, etwa Temperatur, Druck oder Zeit. Das Modell schätzt anhand dieser Werte, wie eine Erhöhung des Prädiktors um eine Einheit die Wahrscheinlichkeit verschiebt, dass die Zielgröße in die einzelnen Kategorien fällt.
- Model: Legt fest, welche Prädiktoren und Wechselwirkungsterme in die Analyse einbezogen werden. Standardmäßig erstellt die Analyse ein Modell der Haupteffekte mit allen ausgewählten Prädiktoren. Sie können es anpassen, um Wechselwirkungsterme (z. B. A*B) aufzunehmen, wenn Sie annehmen, dass zwei Prädiktoren die Zielgröße gemeinsam beeinflussen. Die richtige Modellstruktur ist wichtig — unnötige Terme fügen Rauschen hinzu, fehlende wichtige Terme führen zu ungenauen Vorhersagen.
Häufig gestellte Fragen
Was ist die nominale logistische Regression?
Die nominale logistische Regression analysiert den Zusammenhang zwischen einem oder mehreren Prädiktoren und einer kategorialen Zielgröße mit drei oder mehr ungeordneten Kategorien, etwa Kratzer, Delle oder Riss. Sie sagt die Wahrscheinlichkeit jeder Kategorie der Zielgröße anhand der Prädiktorwerte vorher. Prädiktoren können stetig, kategorial oder eine Mischung aus beidem sein.
Was ist der Unterschied zwischen nominaler und ordinaler logistischer Regression?
Die nominale logistische Regression ist für eine Zielgröße mit drei oder mehr Kategorien ohne natürliche Reihenfolge gedacht, etwa Farbe, Werkstoffart oder Fehlerart. Haben die Kategorien eine natürliche Reihenfolge, etwa niedrig, mittel und hoch, verwenden Sie stattdessen die ordinale logistische Regression. Für eine Zielgröße mit zwei Kategorien wie Gut/Schlecht verwenden Sie die binäre logistische Regression.
Welche Voraussetzungen gelten für die nominale logistische Regression?
Die Zielgröße muss drei oder mehr ungeordnete Kategorien haben, und jede Kategorie braucht ausreichend Beobachtungen, da seltene Kategorien das Modell instabil machen und Schätzprobleme verursachen können. Die Daten sollten die Zielgrundgesamtheit abbilden, genau gemessen und in der Reihenfolge der Erhebung erfasst werden. Validieren Sie das Modell nach der Anpassung mit Kennzahlen zur Anpassungsgüte und Residuendiagnosen.
Wie führt man die nominale logistische Regression in Zometric Statistical Software durch?
Wählen Sie Statistical Tool > Regression > Nominal Logistic Regression und geben Sie die Daten ein oder fügen Sie sie ein. Wählen Sie Response sowie gegebenenfalls Categorical Predictor und Continuous Predictor aus und legen Sie Model fest; standardmäßig ist dies ein Modell der Haupteffekte, das Wechselwirkungsterme wie A*B enthalten kann. Klicken Sie dann auf Calculate, um die Ergebnisse zu erhalten.
