Ordinale logistische Regression
In diesem Beitrag
Was versteht man unter ordinaler logistischer Regression?
Die ordinale logistische Regression ist ein statistisches Regressionsverfahren zur Vorhersage einer ordinalskalierten abhängigen Variable anhand einer oder mehrerer unabhängiger Variablen. Ordinalskaliert bedeutet, dass die Kategorien der abhängigen Variable eine natürliche Reihenfolge haben, die Abstände zwischen den Kategorien jedoch nicht als gleichmäßig angenommen werden können – zum Beispiel Schulnoten (1 bis 6), Zustimmungsskalen (stimme gar nicht zu bis stimme voll zu) oder Schmerzintensitäten (kein, leicht, mäßig, stark).
Das gebräuchlichste Modell ist das sogenannte Proportional-Odds-Modell. Es schätzt für jede mögliche Trennstelle zwischen den Kategorien eine kumulierte Wahrscheinlichkeit. Grundlage ist die folgende Modellgleichung:
Modellgleichung (Proportional-Odds-Modell)
Dabei steht für die kumulierte Wahrscheinlichkeit, dass die abhängige Variable Y einen Wert kleiner oder gleich der Kategorie j annimmt, sind kategoriespezifische Schwellenwerte (Intercepts) und sind die Regressionskoeffizienten der unabhängigen Variablen .
Die Bezeichnung „Proportional Odds“ kommt daher, dass das Modell annimmt, dass das Verhältnis der kumulierten Odds über alle Trennstellen hinweg konstant ist. Diese Annahme – die Proportional-Odds-Annahme – muss im Rahmen der Analyse überprüft werden.
Warum ist ordinale logistische Regression für statistische Analysen wichtig?
In der empirischen Forschung sind ordinale Skalen ausgesprochen häufig – etwa Likert-Skalen in Fragebögen, Schulnoten oder Krankheitsgrade. Der Umgang mit solchen Daten wirft methodische Fragen auf:
- Lineare Regression ist ungeeignet, weil sie gleiche Abstände zwischen den Kategorien voraussetzt und Vorhersagen außerhalb des gültigen Wertebereichs liefern kann.
- Multinomiale logistische Regression ignoriert die Reihenfolge der Kategorien und verliert damit wichtige Information.
- Die ordinale logistische Regression berücksichtigt die Rangordnung, ohne metrische Gleichabständigkeit zu unterstellen – sie ist damit methodisch passgenau.
Ergebnisse werden typischerweise als Odds Ratios berichtet: Ein Odds Ratio größer als 1 bedeutet, dass bei einem höheren Wert der unabhängigen Variable die Chance steigt, in eine höhere Antwortkategorie zu fallen.
MASS, Funktion polr()), SPSS und Stata bieten direkte Implementierungen der ordinalen logistischen Regression. Praxisbeispiel zu ordinaler logistischer Regression
Eine Forscherin untersucht, ob das Stresslevel von Studierenden (gemessen in Stunden Schlaf pro Nacht) die Prüfungsnote vorhersagt. Die Note ist ordinalskaliert mit den Kategorien: sehr gut, gut, befriedigend, ausreichend.
| Prädiktor | Koeffizient (β) | Odds Ratio | p-Wert |
|---|---|---|---|
| Stunden Schlaf | −0,42 | 0,66 | .013 |
| Lernstunden pro Woche | 0,31 | 1,36 | .027 |
Das negative Vorzeichen beim Prädiktor Stunden Schlaf überrascht zunächst – es hängt von der Kodierungsrichtung ab. In diesem Modell sind die Kategorien aufsteigend kodiert (sehr gut = 1, ausreichend = 4). Ein Odds Ratio von 0,66 bedeutet: Mit jeder zusätzlichen Stunde Schlaf sinkt die Chance, in eine schlechtere Notenkategorie zu fallen, um etwa 34 %. Mehr Schlaf ist also mit besseren Noten assoziiert. Mehr Lernstunden erhöhen entsprechend die Chance auf eine bessere Note (OR = 1,36).
Dieses Beispiel zeigt, wie die ordinale logistische Regression genutzt werden kann, um Zusammenhänge bei geordneten Ergebniskategorien sinnvoll zu interpretieren – ohne die Struktur der Daten zu verzerren.
