logist-bayes-mtcars3

Published

July 14, 2026

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

Question

Betrachten Sie den Datensatz mtcars. Die Forschungsfrage betreffe den Einfluss vom Spritverbrauch, \(x\), UV, auf die Wahrscheinlichkeit, dass es sich um ein Auto mit Automatik-Schaltung, \(y\), AV, handelt.

Hinweise:

  • Runden Sie auf zwei Dezimalstellen.
  • Berechnen Sie ein lineares Modell auf Basis der Bayes-Statistik.
  • Orientieren Sie sich am Vorgehen aus dem Unterricht.

Was ist der größte (statistische) Effekt des Prädiktors (in Wahrscheinlichkeit)?

Mit anderen Worten: Bei welchem Wert \(X=x\) des Prädiktors \(X\) ist die Veränderung an Wahrscheinlichkeit für \(y=1\) am höchsten? Vergleichen Sie dazu die Wertepaare des Prädiktors, etwas die Veränderung in Wahrscheinlichkeit von \(x=4\) zu \(x=5\)!

Solution

data(mtcars)
m1 <- 
  stan_glm(am ~ mpg, data = mtcars,
           refresh = 0,
           family = binomial(link = "logit"),
           chains = 1)

coef(m1)
(Intercept)         mpg 
 -6.8892275   0.3199193 

Wir ziehen hier nur ein mal die Stichproben (chains=1), um Rechenzeit zu sparen. Bei diesem einfachen Modell ist nicht zu erwarten, dass es irgendwo Schwierigkeiten gibt.

Plotten wir das Modell zur Orientierung. Eine einfache Methode zum Plotten geht so:

mtcars %>% 
  ggplot(aes(x = mpg, y = am)) +
  geom_jitter(width = 0.1, alpha = .7) +
  geom_smooth(method = "glm", method.args=list(family="binomial"))

Im Gegensatz zu einer Geraden ist die Steigung bei einer Kurve wie unserer Ogive unterschiedlich in Abhängigkeit vom X-Wert.

geom_smooth() geht hier von einem Logit-Modell mit uniformen Prioris aus, was nicht den Standard von rstan_glm gleicht. Der Hintergrund ist, dass geom_smooth() auf Basis der Frequentistischen Statistik arbeitet, rstanarm hingegen Bayesianisch. Bei Frequentistischen Modellen wird - übersetzt man sie in Bayes-Modelle - immer eine uniforme Priori-Verteilung verwendet.

Wir könnten diese Aufgabe durch einfaches Abschätzen oder Ausprobieren lösen, indem wir die vorhergesagten Änderungen in Y für verschiedene Punktepaare \((x_1,x_2)\) berechnen, wobei bei jedem Punktepaar der X-Abstand 1 beträgt. Anders gesagt könnten wir die Steigung der Ogive an verschiedenen Stellen berechnen.

preds_df <- 
  tibble(
    mpg = 10:30,
    y_logits = predict(m1, newdata = tibble(mpg = mpg)),
    y_pr = invlogit(y_logits),
    y_lag = lag(y_pr),
    y_diff = y_pr - y_lag
  )

preds_df %>% 
  select(mpg, y_diff)
mpg y_diff
10 NA
11 0.0088454
12 0.0119752
13 0.0160851
14 0.0213785
15 0.0280183
16 0.0360532
17 0.0453132
18 0.0552968
19 0.0651024
20 0.0734872
21 0.0791122
22 0.0809387
23 0.0786056
24 0.0725721
25 0.0639372
26 0.0540475
27 0.0441129
28 0.0349851
29 0.0271194
30 0.0206523

Das visualisieren wir mal:

preds_df %>% 
  ggplot(aes(x = mpg, y = y_diff)) +
  geom_line() +
  geom_point(size = 2, alpha = .5)

Wir sehen also, dass der maximale Zuwachs an Prozentpunkten bei ca. 0.08 liegt, was bei ca mpg=22 der Fall ist.

Diesen Wert nehmen wir als Lösung:

sol <- 
  max(preds_df$y_diff, na.rm = TRUE) %>% 
  round(2)

sol
[1] 0.08

Alternativ könnten wir uns auch folgenden Sachverhalt vor Augen führen:

Die Kurve ist am steilsten in ihrem Zentrum (Wendepunkt); vgl. diese Animnation.

Der Wendepunkt liegt bei \(Pr(y=1)=1/2\), also 50%. Damit gilt auch \(\alpha + \beta x = 0\), denn \(\mathcal{L}^{-1}(0)=1/2\).

An dieser Stelle ist die Steigung der Ogive maximal und beträgt \(\beta_{\mathcal{L}}/4\) Prozentpunkte, vgl. ROS S. 220 (Kap. 13.2), also ein Viertel der Steigung in Logits.

Die obere Grenze der Steigung in Prozentpunkten liegt also bei \(\beta/4\), wobei \(\beta\) in Logits gemessen ist.

mtcars %>% 
  ggplot(aes(x = mpg, y = am)) +
  geom_jitter(width = 0.1, alpha = .7) +
  geom_smooth(method = "glm", method.args=list(family="binomial")) +
  geom_hline(yintercept = 1/2, linetype = "dashed") +
  geom_vline(xintercept = -coef(m1)[1] / coef(m1)[2], linetype = "dashed") +
  geom_point(x = -coef(m1)[1] / coef(m1)[2],
             y = 1/2,
             color = "red",
             size = 3,
             alpha = .3)

In unserem Fall:

max_steigung_in_pr <- 
  coef(m1)[2] / 4

max_steigung_in_pr
       mpg 
0.07997982 

Wir hätten den steilsten Punkt auch so bestimmen können:

\[\begin{align} -6.8 + 0.32x &=0 \\ 0.32x &= 6.8 \\ x &= 6.8 / 0.32 \approx 21 \end{align} \]

Aufgabenname: logist-bayes-mtcars3

Meta-information

extype: num expoints: 1 exsolution: 0.08 exclozetype: num exname: logist-bayes-mtcars3 extol: 0.02