Logit
In diesem Beitrag
Was versteht man unter Logit?
Der Logit ist eine mathematische Transformation einer Wahrscheinlichkeit p. Er ist definiert als der natürliche Logarithmus des Verhältnisses von p zu (1 − p) – also des sogenannten Odds. Formal lautet die Logit-Funktion:
Formel: Logit-Funktion
Dabei gilt: p ist eine Wahrscheinlichkeit mit 0 < p < 1. Der Ausdruck wird als Odds bezeichnet und beschreibt, wie viel wahrscheinlicher ein Ereignis im Vergleich zu seinem Ausbleiben ist. Der Logit ist also der Logarithmus dieser Odds – daher auch der Name Log-Odds.
Während p nur Werte zwischen 0 und 1 annehmen kann, nimmt der Logit Werte auf der gesamten reellen Zahlengeraden an – von −∞ bis +∞. Das ist ein entscheidender mathematischer Vorteil.
Warum ist Logit für statistische Analysen wichtig?
Der Logit ist das Herzstück der logistischen Regression – eines der meistgenutzten Verfahren in der empirischen Forschung, wenn eine abhängige Variable binär ist (z. B. ja/nein, krank/gesund, bestanden/nicht bestanden). Das Modell schätzt nicht direkt die Wahrscheinlichkeit p, sondern den Logit davon, weil:
- Wahrscheinlichkeiten auf das Intervall [0, 1] beschränkt sind und sich daher schlecht durch lineare Modelle darstellen lassen.
- Der Logit unbeschränkt ist und sich problemlos als lineare Funktion von Prädiktoren modellieren lässt.
- Die Rücktransformation vom Logit zur Wahrscheinlichkeit über die logistische Funktion (Sigmoid) immer einen gültigen Wahrscheinlichkeitswert liefert.
Die Regressionskoeffizienten einer logistischen Regression geben an, um wie viel sich der Logit verändert, wenn ein Prädiktor um eine Einheit steigt. Durch Exponenzieren dieser Koeffizienten erhält man die Odds Ratios, die in der Praxis leichter interpretierbar sind.
Praxisbeispiel zu Logit
Angenommen, du untersuchst in deiner Bachelorarbeit, ob Studierende eine Prüfung bestehen oder nicht. Als Prädiktor nutzt du die Anzahl der Lernstunden. Du berechnest eine logistische Regression und erhältst folgende Ergebnisse:
| Prädiktor | Logit-Koeffizient (b) | Odds Ratio (eb) | Interpretation |
|---|---|---|---|
| Konstante | −2,50 | 0,08 | Basis-Log-Odds ohne Lernstunden |
| Lernstunden | 0,80 | 2,23 | Pro zusätzlicher Lernstunde steigen die Odds zu bestehen um Faktor 2,23 |
Was bedeutet das konkret? Für eine Studierende, die 5 Stunden gelernt hat, ergibt sich der Logit als:
Berechnung des Logits für 5 Lernstunden
Durch die Rücktransformation mit der logistischen Funktion ergibt sich daraus eine geschätzte Bestehenswahrscheinlichkeit von ca. 73 %. Der Logit selbst (hier: 1,50) ist für die direkte Interpretation weniger intuitiv – er wird vor allem intern im Modell verwendet, während für die Kommunikation der Ergebnisse die Wahrscheinlichkeit oder die Odds Ratio herangezogen werden.
