Das Maximum-Likelihood-Verfahren zur Schätzung der Logitfunktion

Chapter
Part of the Methoden der Politikwissenschaft book series (METPOL)

Zusammenfassung

Das Maximum-Likelihood-Verfahren zur Schätzung der Logitfunktion Die spezifische Form der Logitfunktion ist eindeutig durch die Koeffizienten des linearen Ausdrucks, die wir auch als Parameter bezeichnen, definiert. Um nun die Logitfunktion zu finden, die die beobachteten Y-Werte am besten an die durch die Funktion auf Basis der X-Werte vorausgesagten Y-Werte anpasst, was im Englischen als fit bzw. model fit bezeichnet wird, müssen wir die Koeffizienten finden, die die Anpassung optimieren. In der Logik sogenannter Maximum-Likelihood-Modelle geht man davon aus, dass die beste Anpassung der durch ein theoretisches Modell prognostizierten Werte an die beobachteten diejenige darstellt, die in der Lage ist, die beobachteten Werte mit der größten Wahrscheinlichkeit zu generieren. Bei der logistischen Regression können die geeigneten Koeffizienten allerdings nicht mit analytsichen Methoden gefunden werden. Stattdessen greift man auf computative Methoden zurück. Diese bestehen aus Algorithmen, die mit bestimmten Startwerten der Koeffizienten beginnen und diese dann in mehreren Durchgängen, sogenannten Iterationen, systematisch variieren, bis eine hinreichend genaue Approximation der optimalen Koeffizientenwerte erreicht ist.

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  1. 1.Lehrstuhl für PolitikwissenschaftZeppelin UniversitätFriedrichshafenDeutschland

Personalised recommendations