Interpretieren des Modells
In der Tabelle der Parameterschätzungen ist der Effekt der einzelnen Prädiktoren zusammengefasst. Während die Interpretation der Koeffizienten in diesem Modell aufgrund der Art der Verknüpfungsfunktion schwierig ist, können die Vorzeichen der Koeffizienten für Kovariaten und relative Werte der Koeffizienten für Faktorstufen wichtige Einblicke in die Effekte der Prädiktoren im Modell geben.
- Bei Kovariaten weisen positive (negative) Koeffizienten auf positive (inverse) Beziehungen zwischen Prädiktoren und Ergebnis hin. Ein zunehmender Wert einer Kovariate mit einem positiven Koeffizienten entspricht einer steigenden Wahrscheinlichkeit, in einer der "höheren" kumulativen Ergebniskategorien zu sein.
- Bei Faktoren gibt eine Faktorstufe mit einem höheren Koeffizienten eine größere Wahrscheinlichkeit an, in einer der "höheren" kumulativen Ergebniskategorien zu sein. Das Vorzeichen eines Koeffizienten für eine Faktorstufe hängt vom Effekt der betreffenden Faktorstufe in Bezug zur Referenzkategorie ab.
Nach der Auswahl des Modells mit dem Link "Log-Log komplementär" können Sie einige Interpretationen auf der Basis der Parameterschätzungen vornehmen.
- Die Signifikanz des Tests für Alter in Jahren liegt unter 0.05, was darauf hindeutet, dass der beobachtete Effekt nicht zufällig ist. Da sein Koeffizient positiv ist, steigt mit zunehmendem Alter auch die Wahrscheinlichkeit, in einer der höheren Kategorien des Kontostatus zu sein.
- Im Gegensatz dazu fügt Dauer in Monaten wenig zum Modell hinzu.
- Obwohl es keine einzelne Kategorie von NUMCRED gibt, die allein von Bedeutung ist, gibt es zwei, die geringfügig signifikant sind. Normalerweise ist es sinnvoll, eine solche Variable im Modell zu behalten, da die kleinen Effekte jeder Kategorie akkumulieren und nützliche Informationen für das Modell bereitstellen. Interessanterweise sind diejenigen mit einem Kredit bei der Bank eher in den unteren Ergebniskategorien als diejenigen mit mehr Krediten zu sein, aber diejenigen mit zwei oder drei Krediten sind weniger wahrscheinlich in den unteren Ergebniskategorien als diejenigen mit vier Krediten.
- OTHNSTAL scheint auch aus empirischen Gründen ein wichtiger Prädiktor zu sein. Diejenigen mit einigen anderen Ratenschulden sind eher in den unteren Ergebniskategorien als diejenigen ohne.
- Auf der anderen Seite scheint HOUSNG keinen sinnvollen Beitrag zum Modell zu leisten und könnte wahrscheinlich gelöscht werden, ohne das Modell wesentlich zu verschlechtern.