Was lerne ich hier?
Generalisierte Lineare Modelle unterscheiden sich durch ihre
bedingte Verteilung —
nicht jede Outcome-Variable ist normalverteilt. Dieses Tool zeigt die 3D-Posterior-Landschaft
P(y | x, β₀, β₁) für sechs GLM-Familien: Wie verändert sich die Verteilungsform, wenn
der Prädiktor x oder die Parameter variieren?
Empfohlene Erkundung
- Alle sechs Modell-Tabs durchklicken — beobachte, wie die Verteilungsform je nach Outcome-Typ wechselt
- β₁ (Slope) variieren — wie verändert sich die bedingte Verteilung entlang der x-Achse?
- Bei Poisson: β₀ erhöhen — die Verteilung verschiebt sich und wird breiter (Varianz = Mittelwert)
- Bei Neg. Binomial: Dispersion r variieren — wie unterscheidet sie sich von Poisson bei Overdispersion?
- 3D-Ansicht drehen und zoomen — erkunde die Landschaft aus verschiedenen Winkeln
Die sechs GLM-Familien
Normal (OLS): stetige Daten — symmetrische Glockenkurve, σ konstant
Poisson: Zähldaten (0,1,2,…) — Log-Link, Varianz = Mittelwert
Neg. Binomial: Zähldaten mit Overdispersion — Varianz > Mittelwert
Gamma: positive stetige Daten — rechtsschief, Log-Link
Binomial: Anzahl Erfolge aus n Trials — Logit-Link
Logistisch: binäre 0/1-Daten — Wahrscheinlichkeit zwischen 0 und 1