Generalisierte Lineare Modelle

Das Wichtigste auf einen Blick

• GLMs erweitern die lineare Regression auf verschiedene Verteilungstypen der Zielvariablen.
• Sie bestehen aus drei Komponenten: linearem Prädiktor, Linkfunktion und Verteilungsfamilie.
• Typische Verteilungen sind Normal-, Binomial-, Poisson- und Gamma-Verteilungen.
• GLMs ermöglichen die Modellierung von Daten mit nicht-normalverteilten Fehlern.
• Anwendungen finden sich in Medizin, Ökonomie, Technik und KI.
• Die Interpretation der Koeffizienten erfolgt über die Linkfunktion.
• GLMs sind Grundlage für viele spezialisierte Modelle wie Logistische Regression oder Poisson-Regression.

Überblick: Generalisierte Lineare Modelle

Generalisierte Lineare Modelle (GLM) sind eine Erweiterung der klassischen linearen Regression, die es ermöglicht, Daten mit nicht-normalverteilten Zielgrößen zu modellieren. Sie kombinieren eine lineare Prädiktorfunktion mit einer sogenannten Linkfunktion und einer Verteilungsannahme aus der Exponentialfamilie. Dadurch sind GLMs vielseitig einsetzbar, etwa bei binären, zählbaren oder stetigen Daten, und bilden die Grundlage zahlreicher Anwendungen in Statistik, Biometrie, Sozialwissenschaften und maschinellem Lernen.

Was sind generalisierte lineare Modelle?

Generalisierte Lineare Modelle sind eine Klasse statistischer Modelle, die eine lineare Beziehung zwischen einer transformierten Zielgröße und den erklärenden Variablen herstellen. Sie verallgemeinern die klassische lineare Regression, indem sie verschiedene Verteilungen für die Zielvariable zulassen und eine Linkfunktion verwenden, die den Erwartungswert der Zielgröße mit dem linearen Prädiktor verbindet.

Grundstruktur und Komponenten von GLMs

Ein GLM besteht aus drei Hauptkomponenten: (1) einem linearen Prädiktor, der als Linearkombination der unabhängigen Variablen definiert ist, (2) einer Linkfunktion, die den Erwartungswert der Zielvariablen mit dem linearen Prädiktor verbindet, und (3) einer Wahrscheinlichkeitsverteilung der Zielvariablen aus der Exponentialfamilie.

Beispiele für Verteilungsfamilien und Linkfunktionen in GLMs

Anwendungsbereiche von generalisierten linearen Modellen

GLMs finden breite Anwendung in verschiedenen Disziplinen: In der Medizin zur Analyse von Überlebensraten, in der Ökonomie zur Modellierung von Kaufentscheidungen, in der Biologie zur Analyse von Populationsdaten sowie in der künstlichen Intelligenz und im maschinellen Lernen zur Klassifikation und Regression.

Vorteile und Herausforderungen

GLMs bieten Flexibilität bei der Modellierung verschiedenartiger Daten und erlauben eine klare Interpretation der Parameter. Allerdings erfordern sie die richtige Wahl von Verteilung und Linkfunktion sowie die Überprüfung der Modellannahmen, um valide Ergebnisse zu gewährleisten.

Beispiel: Logistische Regression als spezieller Fall eines GLM

Wichtig

Zusatzinformationen

Synonyme und alternative Bezeichnungen