In stp4/stp25APA2: Resultate Formatiern

library(tint)
require(stpvers)
# invalidate cache when the package version changes
knitr::opts_chunk$set(tidy = FALSE, cache.extra = packageVersion('tint'))
options(htmltools.dir.version = FALSE)

Regressionsanalyse

Linear Regression

Outcome: kontinuierlich

Assumptions of linear regression:

Linearität, keie Aussreiser keine heteroscedasticity multicollinearity and auto-correlation Fehler sollte normallverteilt mit einem Mittelwert von 0 und constanter Varianz

Quantile Regression

Quantile regression is the extension of linear regression

 lm(Fertility ~ .,data = swiss)

Logistic Regression

glm(Lung.Cancer..Y.~Smoking..X.,data = data, family = “binomial”

Ridge Regression und Lasso Regression

shrinkage regression, ElasticNet Regression Both ridge regression and lasso regression are addressed to deal with multicollinearity Least Absolute Shrinkage and Selection Operator

Principal Component Regression Partial Least Square Regression Support Vector Regression

Poisson Regression

when dependent variable has count data Negative Binomial Regression Quasi-Poisson Regression Cox Regression

Ordinal Regression

Logit, Probit und Multinomial Logit Modelle

Outcome:

0/1 => Logit, Probit

glm(y_bin ~ x1 + x2 + x3, family=binomial(link="logit"),

‘Low’, ‘Middle’, ‘High’=> ordered logit or ordered probit models. polr(opinion ~ x1 + x2 + x3, data=mydata, Hess=TRUE) Hess=fuer die Berechnung der SE

Kategorien=> Multinomial logit model library(nnet)

multinom(ses2 ~ science + socst + female, data=mydata)

Quelle: https://www.princeton.edu/~otorres/LogitR101.pdf

Ordinale Daten

ordinalen Auswahlvariable (wo die Auswahlkategorien eine naturliche Anordnung besitzen) und einer kardinalen Auswahlvariable (wo die Anwortkategorien ungeordnet sind).

’proportional odds’ als implizite Annahme im Logit-Mode proportional odds assumption bedeutet alle Stufen sind gleich

Es existiert noch die Bibliothek VGAM aber ich habe dazu keine APA-Methode.

require(VGAM)

dat$apply<- ordered(dat$apply)

 (fit <- vglm( apply~ pared + institution + gpa, propodds, data = dat))

require(MASS)
require(foreign)
#require(broom)
dat <- read.dta("https://stats.idre.ucla.edu/stat/data/ologit.dta")

dat<- transform(dat,

                apply.num = as.numeric(dat$apply),

                pared=factor(pared, 0:1, c("not graduate", "graduate")),
                institution=factor(public, 0:1, c("private","public")))

dat$apply.logistic <- psych::logistic(dat$apply.num) 

dat <- Label(dat,  apply="apply to graduate school",
pared="parental educational status",
public="undergraduate institution",
institution="undergraduate institution",
gpa="student’s grade point average.")

Beispiel: https://stats.idre.ucla.edu/r/dae/ordinal-logistic-regression/

dat %>% Tabelle2( apply, pared, institution,  gpa)

fit_lm <- lm(apply.num ~ pared + institution + gpa, data = dat )
fit_poisson <- glm(apply.num ~ pared + institution + gpa, data = dat, family = poisson)
fit_logistic <- lm(apply.logistic ~ pared + institution + gpa, data = dat )
fit_polr <- polr(apply ~ pared + institution + gpa, data = dat )

APA_Table(fit_lm,fit_logistic,fit_poisson, fit_polr,
          names= c("OLS","OLS logistic", "Poisson",  "polr"),
                   type="long", caption="vergleich verschiedener Modell")

 fit_polr_logistic <- update(fit_polr,  Hess = TRUE) 
fit_polr_probit <- update(fit_polr,method =  "probit" ,  Hess = TRUE) 
fit_polr_loglog <-update(fit_polr, method="loglog",  Hess = TRUE) 

APA_Table(#fit_polr,
          fit_polr_logistic,
          fit_polr_probit ,
          fit_polr_loglog ,
          names= c(#"fit_polr",
                   "logistic", "probit", "loglog"),
          type="long")

APA2(fit_polr_logistic)

APA(fit_polr_logistic)
round(R2(fit_polr_logistic),2)

COX

Art der Problemstellung + Die zu erklaerende Variable y ist eine Verweildauer T (ein time to event), z.B.

Bio-Medizin: Dauer bis zum Tod , zur Gesundung, zum Krankheitsausbruch, ...

Okonomie : Dauer der Arbeitslosigkeit, des Streiks, bis zum Eintritt des Versicherungsfalls, Ausfall der Maschine, Ausfall des Unternehmens, Rating-Upgrade, ...

Demographie, Soziologie: Dauer bis zur Heirat, zur Geburt, zur Scheidung, zur Migration, zum Terroranschlag ...

Tobit

qUELLE.https://www.uni-marburg.de/fb02/statistik/studium/vorl/mikoeko/tobit1.pdf Mit einem Tobit-I Regressionsmodell adressiert man eine Intervall-Zensierung in der erkl¨arten Variable y, im Standardfall eine Linkszensierung bei y = 0. (Beispiel: y = w¨ochentliche Arbeitszeit von Arbeitnehmern; sie ist = 0 fur Arbeitslose.) Man hat dabei gewissermaßen ¨ eine Mischung aus linearer und bin¨arer Regression:

require(AER)
data("Affairs")
fm.tobit <- tobit(affairs ~ age + yearsmarried + religiousness + occupation + rating,
                  data = Affairs, x=TRUE)
#summary(fm.tobit)
APA_Table(fm.tobit, type="long")

# create a bib file for the R packages used in this document
knitr::write_bib(c('base', 'rmarkdown'), file = 'skeleton.bib')

stp4/stp25APA2 documentation built on May 24, 2019, 9:59 p.m.