Zusammenfassung
Da empirische Daten fehlerbehaftet sind, bezieht die Anpassung eines statistischen Modells immer auch die Messfehler mit ein, die Parameterschätzungen orientieren sich daher zu stark an den zufälligen Besonderheiten der konkreten Stichprobe (overfitting). Die Güte der Passung des Modells lässt sich als Funktion \(f(\cdot )\) der Abweichungen \(E = Y - \hat{Y}\) der Modellvorhersage \(\hat{Y}\) zu den tatsächlichen Werten der vorhergesagten Variable Y quantifizieren. Genauer soll \(\hat{Y'}_{X, Y}(X')\) die folgende Vorhersage bezeichnen: Zunächst wird ein Modell an einer Stichprobe mit Werten für Prädiktoren X und Zielvariable Y (Kriterium) angepasst. In die Vorhersagegleichung mit den Parameterschätzungen dieses Modells werden dann (potentiell andere) Prädiktorwerte \(X'\) eingesetzt, um die Vorhersage \(\hat{Y'}\) zu berechnen, die mit den tatsächlichen Beobachtungen \(Y'\) zu vergleichen sind. f(E) ist die Verlustfunktion, die alle individuellen absoluten Abweichungen \(e_{i}\) auf einen Gesamtwert für die Vorhersagegenauigkeit abbildet.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Mit Stichproben der Größe \(n_{k}\) können die Einzelwerte der Verlustfunktion auch gewichtet mit dem Faktor \(\frac{n_{k}}{n}\) in den Mittelwert eingehen. Die k-fache Kreuzvalidierung eines linearen Regressionsmodells ist für \(k = n \left( 1 - \frac{1}{\ln (n)-1}\right) \) asymptotisch äquivalent zum Informationskriterium BIC (Abschn. 6.3.3).
- 2.
Die stratifizierte k-fache Kreuzvalidierung sorgt bei der Einteilung in Teilmengen dafür, dass die Verteilung von Y in den Partitionen ähnlich ist. Für kontinuierliche Y führt dies zu einem annähernd konstanten Mittelwert von Y in den Partitionen. Für kategoriale Y bleibt so der Anteil der Kategorien weitgehend gleich. Für eine Umsetzung vgl. die Pakete caret (Kuhn 2020) oder ipred (Peters und Hothorn 2019).
- 3.
Sie ist asymptotisch äquivalent zum Informationskriterium AIC des Regressionsmodells (Abschn. 6.3.3).
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2020 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this chapter
Cite this chapter
Wollschläger, D. (2020). Vorhersagegüte prädiktiver Modelle. In: Grundlagen der Datenanalyse mit R. Statistik und ihre Anwendungen. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-61736-6_13
Download citation
DOI: https://doi.org/10.1007/978-3-662-61736-6_13
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-61735-9
Online ISBN: 978-3-662-61736-6
eBook Packages: Life Science and Basic Disciplines (German Language)