STATISTIK-FORUM.de

[Kula]

Hallo an Alle

Ich sitzte derzeit an einem Problem welches mir großes Kopfzerbrechen bereitet.
Ich habe Wochentage an denen Bestellungen ausgelöst werden. Die Wochentage sind Mo-Fr, die Bestellungen sind mit 1 für erfolgte Bestellung am Tag X und 0 für nciht-erfolgte Bestellung am Tag X codiert.
Beispielhaft würde das dann so aussehen:

Tag Bestellung(1/0)
Mo 1
Di 1
Mi 1
Do 0
Fr 0

Insgesamt möchte ich später mit dem Modell vorhersagen, mit welcher Wahrscheinlichkeit (hier zB.) am nächsten Montag eine Bestellung ausgelöst wird (Sa und So werden ignoriert).

Mein Ansatz war jetzt eine log. Regression allerdings bekomme ich da ein Ergebnis, welches die vorhandenen Daten nur unzureichend beschreibt.
Meine Ahnung ist, dass es zu wenig exogene Variablen gibt um eine höhere Modellgüte zu erreichen.

Ich bin langsam echt am verzweifeln. Hat jemand eine bessere Idee für mich oder gar einen anderen Lösungsansatz?
Vielen, vielen Dank für eure Hilfe!

[strukturmarionette]

Hi,

Mein Ansatz war jetzt eine log. Regression allerdings bekomme ich da ein Ergebnis, welches die vorhandenen Daten nur unzureichend beschreibt.

- Was meinst du damit 'unzureichend'?

und:

Wie sezten sich die Rohdaten zusammen?

Gruß
S.

[Kula]

Hallo,

mit unzureichend meine ich, dass mein Modell nur 56% der Daten richtig abgebildet hat.
Außerdem bekomme ich bei Nagelkerkes R² Werte von ~0,04 was ja ein Hinweis auf die unzureichende Qualität des Modells für die Daten ist.

Die Rohdaten sind wie beschrieben nur Wochentage (UV,ordinalskaliert, Mo-Fr) und Bestellungen (AV,binomiale Ausprägung 0/1). Ich habe Dummy-Variablen zu den einzelnen Wochentagen gebildet, da die ja ordinalskaliert sind und danach das Modell von SPSS lösen lassen.

vG

[bele]

Hallo Kula,

ohne den Hintergrund zu kennen leuchtet es nicht ein, warum die Wochentage ordinal skaliert sein sollten. Nehmen wir an, dass immer Montags und Freitags viel bestellt wird, in der Mitte der Woche aber nicht. Dann kann ein logistisches Modell das nicht gut abbilden. Eine einfache Grafik (Balkengrafik, noch besser Boxplots) mit den Wochentagen auf der x-Achse und den Bestellungen auf der y-Achse könnte erste Hinweise geben. Wenn da noch weitere Prädiktoren hinzu kommen, würde ich es mit nominal skalierten Wochentagen versuchen.

LG,
Bernhard

[PonderStibbons]

Eine einfache Grafik (Balkengrafik, noch besser Boxplots) mit den Wochentagen auf der x-Achse und den Bestellungen auf der y-Achse könnte erste Hinweise geben. Wenn da noch weitere Prädiktoren hinzu kommen, würde ich es mit nominal skalierten Wochentagen versuchen.

Ack.

Nebenbei kommt es mir vor, als würde mit Kanonen auf Spatzen geschossen.
Es gibt n Montage, n Dienstage etc., für jeden erfassten Tag ein binäres
outcome; das ist doch eine einfach 5 x 2-Kreuztabelle, und die Wahrscheinlichkeit,
dass an einem Montag bestellt wird (zwangsläufig auch der Prognosewert),
lässt sich unmittelbar ablesen. Oder kommen weitere Prädiktoren hinzu?

Mit freundlichen Grüßen

P.

[Kula]

Hallo,
danke für die Antworten!

Eine einfache Grafik (Balkengrafik, noch besser Boxplots) mit den Wochentagen auf der x-Achse und den Bestellungen auf der y-Achse könnte erste Hinweise geben. Wenn da noch weitere Prädiktoren hinzu kommen, würde ich es mit nominal skalierten Wochentagen versuchen.

Ack.

Nebenbei kommt es mir vor, als würde mit Kanonen auf Spatzen geschossen.
Es gibt n Montage, n Dienstage etc., für jeden erfassten Tag ein binäres
outcome; das ist doch eine einfach 5 x 2-Kreuztabelle, und die Wahrscheinlichkeit,
dass an einem Montag bestellt wird (zwangsläufig auch der Prognosewert),
lässt sich unmittelbar ablesen. Oder kommen weitere Prädiktoren hinzu?

Mit freundlichen Grüßen

P.

Ja das ist richtig. Zwangsläufig sind hier die rel. Häufigkeiten die Wahrscheinlichkeitswerte.

Die Frage ist, gibt es eine Möglichkeit ein noch genauere Vorhersage als die rel. Häufigkeiten zu bekommen oder scheitert dies an der rel. begrenzten Datengrundlage?

[PonderStibbons]

Die Frage ist, gibt es eine Möglichkeit ein noch genauere Vorhersage als die rel. Häufigkeiten zu bekommen oder scheitert dies an der rel. begrenzten Datengrundlage?

Ich weiß nicht, was Du mit "rel. begrenzte Datengrundlage" konkret meinst, daher
kann ich nicht beurteilen, ob und wieso daran etwas scheitert. Und was schwebt Dir
beim Ziel "genauere Vorhersage" in etwa vor?

Mit freundlichen Grüßen

P.

[bele]

Die Frage ist, gibt es eine Möglichkeit ein noch genauere Vorhersage als die rel. Häufigkeiten zu bekommen oder scheitert dies an der rel. begrenzten Datengrundlage?

Hallo Kula,

Du hast noch nicht beantwortet, ob weitere Prädiktoren dazu kommen. Wenn nein und wenn die Annahme, dass Wochentage nominal und nicht ordinal einzubringen sind, sinnvoll ist, dann hast Du nicht mehr Informationen als in den Mittelwerten zum Ausdruck kommt. Wenn Du genauere Vorhersagen willst musst Du mehr Information einbringen. Mehr Information könnte in Form größerer Fallzahl oder weiterer Prädiktoren ins Spiel kommen. Erst bei mehr Prädiktoren macht Regressionsrechnung Sinn. Im Übrigen würde die lineare Regression mit nominalen-dummycodierten Wochentagen auch genau diese Mittelwerte ergeben.

LG,
Bernhard