Logistische Regression
- Eingeführt von
- David Roxbee Cox
- Jahr
- 1958
- Typ
- Method
- Familie
- classification-prediction
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die logistische Regression ist eine statistische Methode zur Modellierung der Wahrscheinlichkeit eines binären Ergebnisses (Krankheit vorhanden/nicht vorhanden, Erfolg/Misserfolg) als Funktion kontinuierlicher und kategorialer Prädiktoren.
Sie wurde von David Roxbee Cox (1958) entwickelt und löst das Problem der Vorhersage kategorialer Ergebnisse, indem sie eine logistische Transformation anwendet, um Vorhersagen auf das Wahrscheinlichkeitsintervall [0,1] zu beschränken. Dies ermöglicht eine genaue Risikostratifizierung, diagnostische Vorhersage und kausale Inferenz in Epidemiologie, Medizin und Sozialwissenschaften.
Die Intuition hinter der Methode
Die Standard-Linearregression prognostiziert unbegrenzte kontinuierliche Ergebnisse; ihre Anwendung auf binäre Ergebnisse (0 oder 1) führt zu unmöglichen Vorhersagen (z. B. Wahrscheinlichkeit von 1,5). Die logistische Regression löst dieses Problem, indem sie die Log-Odds (Logit) des Ergebnisses als lineare Funktion der Prädiktoren modelliert: logit(p) = ln[p/(1−p)] = β₀ + β₁X₁ + β₂X₂ + ... Die logistische Transformation wandelt lineare Vorhersagen zurück in Wahrscheinlichkeiten (0 bis 1). Dies ermöglicht Forschenden, die Wahrscheinlichkeit eines Ergebnisses bei gegebenen Prädiktoren abzuschätzen, Risikofaktorassoziationen als Odds Ratios zu quantifizieren und binäre Klassifikationen mit gemessener Unsicherheit vorzunehmen.
Geschichte
David Roxbee Cox führte die logistische Regression 1958 als natürliche Erweiterung der linearen Regression für binäre Ergebnisse ein. Jerome Cornfields Arbeit (1962) popularisierte Odds Ratios in der Epidemiologie. Der Hosmer-Lemeshow-Goodness-of-Fit-Test (1980er Jahre) lieferte Diagnostika zur Modellbewertung. Moderne Erweiterungen umfassen die penalisierten logistische Regression (Ridge, Lasso; Tibshirani, 1996), verallgemeinerte lineare Modelle (McCullagh & Nelder, 1989) und multinomiale/ordinale Erweiterungen (Agresti, 2015). Computerintensive Methoden (Bootstrap, Kreuzvalidierung) ermöglichen heute robuste Inferenz und externe Validierung.
Wann wird sie eingesetzt?
Verwenden Sie die logistische Regression, wenn Sie ein binäres Ergebnis vorhersagen oder erklären möchten. Klinische Anwendungen: Vorhersage von Krankheitsdiagnosen, Behandlungsansprechen, Mortalität; Berechnung von Risikoscores (z. B. APACHE-Score, CURB-65-Pneumonie-Schweregrad). Epidemiologische Studien: Schätzung der Odds einer Krankheit, die mit Expositionen verbunden ist, unter Berücksichtigung von Störfaktoren. Diagnostische Genauigkeit: Validierung eines diagnostischen Tests (Vorhersage einer Krankheit aus klinischen Befunden). Umfrageforschung: Modellierung von Ja/Nein-Antworten auf politische Fragen. Für kontinuierliche oder polytome (>2 Kategorien) Ergebnisse verwenden Sie lineare oder multinomiale Regression. Für Überlebensdaten (Zeit bis zum Ereignis) verwenden Sie die Cox-Regression.
Grenzen und Hinweise
- Empfindlich gegenüber Multikollinearität: stark korrelierte Prädiktoren führen zu überhöhten Standardfehlern und instabilen Koeffizientenschätzungen; überprüfen Sie die Varianzinflationsfaktoren.
- Setzt eine lineare Beziehung zwischen Log-Odds und Prädiktoren voraus; erfasst nichtlineare Assoziationen nicht, es sei denn, sie werden explizit modelliert (z. B. Polynom-, Spline-Transformation).
- Unausgewogene Ergebnisse (seltene Ereignisse): Wenn der Ergebnisanteil extrem ist (z. B. 5% positiv), sind die Parameterschätzungen verzerrt und die Konfidenzintervalle breit; erwägen Sie eine penalized Regression oder Fall-Kontroll-Stichproben.
- Setzt die Unabhängigkeit der Beobachtungen voraus; geclusterte Daten (z. B. Patienten in Krankenhäusern) verletzen diese Annahme und erfordern eine Mehrebenen-Logistische Regression.
- Die Klassifikationsleistung hängt stark vom gewählten Wahrscheinlichkeitsschwellenwert ab; verschiedene Schwellenwerte optimieren Sensitivität vs. Spezifität, und kein einzelner Schwellenwert passt für alle Kontexte.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Schätzt direkt die Wahrscheinlichkeit des Ergebnisses, was eine Risikostratifizierung und fundierte Entscheidungsfindung in klinischen und politischen Kontexten ermöglicht.
- Odds Ratios sind für Praktiker intuitiv: ein dichotomes Assoziationsmaß, das leicht an Kliniker und die Öffentlichkeit kommuniziert werden kann.
- Robust gegenüber Verletzungen der Normalverteilungsannahme (im Gegensatz zur linearen Regression); erfordert lediglich, dass die bedingten Verteilungen binomial, nicht normal sind.
- Integriert flexibel kontinuierliche und kategoriale Prädiktoren, Interaktionen und nichtlineare Terme (z. B. Polynom, Spline), um komplexe Beziehungen zu erfassen.
- Probabilistische Ausgabe und ROC-Kurven ermöglichen die Schwellenwertoptimierung: Wählen Sie den Klassifikations-Cutoff basierend auf dem Sensitivitäts-/Spezifitäts-Tradeoff, der für den Anwendungskontext geeignet ist.
Anwendungen
- Klinische Risikovorhersage: Entwicklung validierter Risikoscores (z. B. 30-Tage-Wiederaufnahmerisiko, Sepsiswahrscheinlichkeit) zur Steuerung der Ressourcenallokation und frühzeitigen Intervention.
- Diagnostische Genauigkeit: Vorhersage von Krankheitsdiagnosen aus klinischen Befunden, Laborwerten und Bildgebung; Bewertung der Sensitivität und Spezifität diagnostischer Algorithmen.
- Behandlungsansprechen: Modellierung der Wahrscheinlichkeit eines Behandlungserfolgs (Medikamentenansprechen, Operationsergebnis) zur Information der personalisierten Medizin und Behandlungsselektion.
- Epidemiologische Assoziationsstudien: Schätzung der Odds einer Krankheit, die mit Umwelt- oder Verhaltenserpositionen (Rauchen, Ernährung, Berufsrisiken) verbunden ist, unter Berücksichtigung demografischer Faktoren.
- Qualitätsverbesserung und Fertigung: Vorhersage der Produktfehlerwahrscheinlichkeit aus Fertigungsparametern; Optimierung der Prozesseinstellungen zur Minimierung von Ausfällen.
So funktioniert es
So funktioniert es
Die logistische Regression wird durchgeführt, indem ein binäres Ergebnis (kodiert als 0/1) definiert und Prädiktorvariablen gesammelt werden. Stellen Sie eine ausreichende Stichprobengröße für stabile Schätzungen sicher: mindestens 10–20 Ereignisse pro Prädiktor (wobei Ereignisse = geringere Anzahl der Ergebnis-Kategorie). Überprüfen Sie die Unabhängigkeit der Beobachtungen; die logistische Regression setzt keine Clusterung voraus. Kodieren Sie kategoriale Prädiktoren mithilfe von Dummy-Variablen (k−1 Indikatoren für k Kategorien). Standardisieren Sie optional kontinuierliche Prädiktoren für einen skalenfreien Vergleich. Vor der Anpassung untersuchen Sie bivariate Assoziationen zwischen jedem Prädiktor und dem Ergebnis (logistische Regressionsplots, Korrelation), um die Modellspezifikation zu leiten.
Schätzen Sie die Koeffizienten der logistischen Regression mithilfe der Maximum-Likelihood-Schätzung (MLE), nicht der gewöhnlichen kleinsten Quadrate. Die Software berechnet Parameterschätzungen (β-Koeffizienten), die die Wahrscheinlichkeit maximieren, die tatsächlichen Daten zu beobachten. Wichtige Statistiken: (1) Koeffizienten (β₀, β₁, ...): Achsenabschnitt und Steigungen auf der Logit-Skala. (2) Odds Ratio (OR) = exp(β): Änderung der Odds pro Einheit Erhöhung des Prädiktors. OR = 1 bedeutet keinen Effekt; OR = 2 bedeutet Verdoppelung der Odds; OR = 0,5 bedeutet Halbierung der Odds. (3) Standardfehler und z-Statistiken (z = β/SE): Test, ob der Koeffizient von Null abweicht. (4) Konfidenzintervalle für ORs (typischerweise 95%): [exp(β − 1.96×SE), exp(β + 1.96×SE)]. (5) Hosmer-Lemeshow-Goodness-of-Fit-Test: χ²-Test der beobachteten vs. vorhergesagten Ergebnisse über Risikodezile hinweg (p > 0,05 deutet auf gute Anpassung hin). (6) Fläche unter der Receiver Operating Characteristic Curve (AUC): 0,5 = Zufall, 0,7–0,8 = akzeptable Diskriminierung, >0,8 = gut, >0,9 = exzellent.
Die Interpretation konzentriert sich auf Odds Ratios: Ein OR von 1,5 für einen Prädiktor bedeutet, dass jede Erhöhung um eine Einheit die Odds des Ergebnisses um das 1,5-fache multipliziert (50% höhere Odds), wobei andere Prädiktoren konstant gehalten werden. Wenn das Konfidenzintervall 1 ausschließt, ist das OR statistisch signifikant (p < 0,05). Die vorhergesagte Wahrscheinlichkeit für eine Person = 1 / [1 + exp(−(β₀ + β₁X₁ + ...))], wobei die X-Werte die Prädiktorwerte der Person sind. Erstellen Sie ROC-Kurven (True Positive Rate vs. False Positive Rate), um die Klassifikationsleistung zu bewerten und einen optimalen Wahrscheinlichkeitsschwellenwert für die binäre Klassifikation zu wählen. Vergleichen Sie Modelle (vollständig vs. reduziert) mithilfe des Likelihood-Ratio-Tests: −2 × (Log-Likelihood des reduzierten − Log-Likelihood des vollständigen) folgt einer χ²-Verteilung mit df = Anzahl der entfernten Parameter. Untersuchen Sie Diagnostika: Partial Plots, Einflussmaße (Pregibon-Einfluss) und Pearson-Residuen auf Ausreißer oder Modellfehlspezifikationen.
Häufige Fallstricke
- Verwechslung von Assoziation mit Kausalität: Die logistische Regression schätzt angepasste Assoziationen; unbekannte Störfaktoren oder umgekehrte Kausalität bedrohen weiterhin die kausale Interpretation.
- Verwendung der Klassifikationsgenauigkeit allein zur Bewertung des Modells: Bei unausgewogenen Ergebnissen kann ein Modell, das alle Negativen vorhersagt, genau erscheinen; verwenden Sie AUC, Sensitivität, Spezifität und positiven prädiktiven Wert.
- Berichterstattung von p-Werten ohne Konfidenzintervalle oder Effektstärken; statistische Signifikanz ist keine klinische Signifikanz. Berichten Sie immer ORs mit 95%-KI.
- Versäumnis, den Hosmer-Lemeshow-Test und die Residuen-Diagnostik zu überprüfen; Verletzungen der Goodness-of-Fit weisen auf Modellfehlspezifikationen hin.
- Modell-Overfitting: Das Anpassen zu vieler Prädiktoren im Verhältnis zur Stichprobengröße (insbesondere der Anzahl der Ergebnisereignisse) führt zu optimistischen Leistungsschätzungen; verwenden Sie Kreuzvalidierung.
- Die Dichotomisierung kontinuierlicher Prädiktoren (z. B. Alter > 65) führt zu Informationsverlust und instabilen Koeffizientenschätzungen; behalten Sie die kontinuierliche Form bei oder verwenden Sie eingeschränkte kubische Splines.
Häufig gestellte Fragen
Wie interpretiere ich ein Odds Ratio von 2,5 mit einem 95%-KI von [1,8, 3,5]?
Ein OR von 2,5 bedeutet, dass die Odds des Ergebnisses für eine Erhöhung um eine Einheit dieses Prädiktors (oder für die indizierte Kategorie vs. Referenz, falls kategorial) um das 2,5-fache höher sind, unter Berücksichtigung anderer Prädiktoren. Das 95%-Konfidenzintervall [1,8, 3,5] zeigt an, dass die wahre Populations-OR mit 95%iger Wahrscheinlichkeit zwischen 1,8 und 3,5 liegt. Da das KI 1 ausschließt, ist die Assoziation statistisch signifikant (p < 0,05). Interpretation der Größe: OR 1–1,5 = kleiner Effekt, 1,5–3 = moderat, >3 = groß. Kliniker fragen oft: Sind 2,5-fach höhere Odds klinisch bedeutsam für dieses Ergebnis? Der Kontext ist entscheidend.
Was sagt mir der Hosmer-Lemeshow-Test, und wann sollte ich mir Sorgen über einen niedrigen p-Wert machen?
Der Hosmer-Lemeshow-Test bewertet, ob die vorhergesagten Wahrscheinlichkeiten mit den beobachteten Ergebnisanteilen über Risikodezile hinweg übereinstimmen. p > 0,05 deutet auf eine gute Kalibrierung hin; p < 0,05 deutet darauf hin, dass das Modell in einigen Risikogruppen falsch vorhersagt, was auf eine potenzielle Fehlspezifikation hindeutet. Ein niedriger p-Wert veranlasst zur Untersuchung: Überprüfen Sie dezilweise Kalibrierungsplots, suchen Sie nach nicht erfassten nichtlinearen Beziehungen, untersuchen Sie Interaktionen oder Ausreißer. Bei sehr großen Stichproben können jedoch selbst triviale Abweichungen von der perfekten Kalibrierung zu niedrigen p-Werten führen; die visuelle Inspektion von Kalibrierungsplots ist oft aussagekräftiger als der Test allein.
Wie wähle ich einen Wahrscheinlichkeitsschwellenwert, um Personen als gefährdet oder nicht gefährdet zu klassifizieren?
Die Wahl hängt vom klinischen oder politischen Kontext und den Kosten von falsch Positiven vs. falsch Negativen ab. Die ROC-Kurve stellt die Sensitivität (True Positive Rate) gegen 1-Spezifität (False Positive Rate) über alle Wahrscheinlichkeitsschwellenwerte dar. Ein Schwellenwert von 0,5 ist Standard, aber selten optimal. Wenn das Verpassen positiver Fälle kostspielig ist (z. B. das Verpassen einer Krebsdiagnose), wählen Sie einen niedrigeren Schwellenwert (höhere Sensitivität). Wenn Fehlalarme kostspielig sind (z. B. unnötige Interventionen), wählen Sie einen höheren Schwellenwert (höhere Spezifität). Verwenden Sie den Youden-Index (Sensitivität + Spezifität − 1) oder untersuchen Sie den positiven prädiktiven Wert (PPV) und den negativen prädiktiven Wert (NPV) in Ihrer Population, um eine Entscheidung zu treffen.
Wie unterscheidet sich die logistische Regression von der linearen Regression bei der Vorhersage binärer Ergebnisse?
Die lineare Regression, angewendet auf binäre Ergebnisse, erzeugt vorhergesagte Werte außerhalb von [0, 1], verletzt die Normalverteilungsannahme und erzeugt heteroskedastische Residuen. Die logistische Regression beschränkt Vorhersagen auf Wahrscheinlichkeiten mittels der logistischen Transformation, nimmt eine binomiale bedingte Verteilung an und erzeugt homoskedastische Residuen. Darüber hinaus sind die Standardfehler aus der linearen Regression verzerrt; die logistische Regression verwendet die Maximum-Likelihood-Methode, die korrekte Inferenz für binäre Daten liefert. Die logistische Regression ist speziell für binäre Ergebnisse konzipiert und sollte immer bevorzugt werden; die lineare Regression bei binären Ergebnissen ist ein häufiger Fehler.
Verwandte Methoden
Quellen
Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
DOI-Referenz öffnenKopiert.Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.
DOI-Referenz öffnenKopiert.