glm-linear-transf

paper
todo
Published

July 14, 2026

library(tidyverse)
options(mc.cores = parallel::detectCores())

Question

Forschungsfrage: Ist der Zusammenhang von Körpergröße und ‘Mann’ positiv? Gehen also höhere Werte in Körpergröße height einher mit einer höheren Wahrscheinlichkeit, dass es sich um einen Mann m handelt?

Berechnen Sie ein Bayes-Modell und geben Sie die Punktschätzer der Modellkoeffizienten an - einmal für height in Inches und einmal in Zentimeter.

Hinweise:

  • Geben Sie 1 ein für “ja” und 0 für nein.
  • Gleichen sich Koeffizienten bis einschließlich der 1. Dezimale, so gelten sie als “gleich”.
  • Nutzen Sie Standardwerte von stan_glm() für Ihr Modell.
  • Entfernen Sie fehlende Werte wo nötig.
  • Gehen Sie von unzentrierten Daten aus, soweit nicht anders angegeben.

Questionlist

  • Handelt es sich bei der Transformation (von Inches in Zentimeter) um eine lineare Transformation?
  • Ändert sich der Punktschätzer des Achsenabschnitts durch die Transformation?
  • Ändert sich der Punktschätzer des Regressionsgewichts durch die Transformation?
  • Bei zentrierten Daten: Ändert sich der Punktschätzer des Regressionsgewichts durch die Transformation?

Solution

d <- read_csv(
"https://vincentarelbundock.github.io/Rdatasets/csv/openintro/speed_gender_height.csv")

Bereiten wir die Daten vor:

d2 <- d %>% 
  select(gender, height) %>% 
  drop_na() %>% 
  mutate(male = ifelse(gender == "male", 1, 0),
         height_cm = height * 2.54,
         height_c = height - mean(height),
         height_cm_c = height_cm - mean(height_cm)) 

Modell in Inches:

m1 <- stan_glm(male ~ height, 
                family = binomial(link="logit"),
                data = d2, refresh = 0)
coef(m1)
(Intercept)      height 
-35.3659808   0.5183959 

Modell in Zentimetern:

m2 <- stan_glm(male ~ height_cm, 
                family = binomial(link="logit"),
                data = d2, refresh = 0)
coef(m2)
(Intercept)   height_cm 
-35.3652575   0.2040302 

Der Achsenabschnitt ändert sich nicht, da x=0 vor und nach der Transformation gleich bleibt: 0 Inches sind 0 Zentimeter.

Der Regressionskoeffizient ändert sich, da eine Einheit auf der X-Achse jetzt nicht mehr ein Inch, sondern ein Zentimeter ist, entsprechend ändert sich auch der Wert in der Y-Achse.

Zentriertes Modell in Inches:

m3 <- stan_glm(male ~ height_c, 
                family = binomial(link="logit"),
                data = d2, refresh = 0)
coef(m3)
(Intercept)    height_c 
 -1.0992732   0.5184144 

Zentriertes Modell in Zentimetern:

m4 <- stan_glm(male ~ height_cm_c, 
                family = binomial(link="logit"),
                data = d2, refresh = 0)
coef(m4)
(Intercept) height_cm_c 
 -1.0999669   0.2038549 

Hier (bei zentrierten Prädiktoren) ändert sich der Achsenabschnitt nicht durch die Transformation, da vor und nach der Transformation x=0 weiterhin x=0 ist. Das Regressiongewicht, \(\beta\), ändert sich.

sol_a = 1
sol_b <- 0
sol_c <- 1
sol_d <- 1

Aufgabenname: glm-linear-transf

Solutionlist

  • Ja; Transformation der Art \(y = a + bx\) nennt man linear.
  • Nein; der Punktschätzer des Achsenabschnitts ändert sich nicht durch die Transformation.
  • Ja; der der Punktschätzer des Regressionsgewichts ändert sich durch die Transformation.
  • Ja; Bei zentrierten Daten ändert sich der Punktschätzer des Regressionsgewichts durch die Transformation.

Meta-information

extype: cloze exsolution: 1|0|1|1 exclozetype: num|num|num|num exname: glm-linear-transf expoints: 1