Wie diagnostiziert man eine Marketingregression vor der Interpretation?
Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.
Wissenschaftliche Redaktion : Marketing Science Center
Direkte Antwort
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.
01
Operative Zusammenfassung
Wissenschaftliche Frage und Geltungsbereich
Wie diagnostiziert man eine Marketingregression vor der Interpretation?
Vertretbar
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
Unzulässig
Ein Modell allein anhand von R² validieren.
02
Drei Leseebenen
- 01
Entscheidungsebene — Ergebnis mit deklarierter Entscheidung, Nutzenschwelle und Fehlerkosten verbinden.
- 02
Praxis — Population, Einheit, Horizont, verfügbare Variablen und Analyseregel vor der Berechnung festlegen.
- 03
Analyse — Berechnung reproduzieren, Unsicherheit quantifizieren und Diagnosen, Fehlschläge sowie Sensitivitäten dokumentieren.
03
Konkrete Marketingsituation
Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.
04
Wissenschaftliche Frage und Geltungsbereich
Wie diagnostiziert man eine Marketingregression vor der Interpretation?
Diagnostische Evidenz
Benötigte Daten
Beobachtung × Residuum
Population, Analyseeinheit, Ursprungsdatum und Horizont müssen im Ergebnis deklariert sein. Andernfalls ändert sich der Estimand unbemerkt.
05
Warum eine einfache Analyse scheitern kann
- Ein Modell allein anhand von R² validieren.
- Residualgrafiken
- Robuste Varianz
- Einfluss und Holdout
06
Intuition der Methode
Die Methode macht aus einer Assoziation nicht automatisch Evidenz. Sie verbindet eine deklarierte Frage mit Estimand, Spezifikation, kompatiblen Daten und begrenzter Interpretationsregel.
Diagnostische Evidenz
07
Benötigte Daten
Wörterbuch wissenschaftlicher Symbole
r_i- Standardisiertes Residuum der Beobachtung oder des Clusters i im deklarierten Modell. Einheit:
Standardabweichung· Typ:Zahl· Rolle:Diagnose h_i- Hebelwert der Beobachtung oder des Clusters i unter der deklarierten Designmatrix. Einheit:
dimensionslos· Typ:Zahl in [0, 1]· Rolle:Diagnose D_i- Cook-Distanz der Beobachtung oder des Clusters i unter dem deklarierten Modell. Einheit:
dimensionslos· Typ:nichtnegative Zahl· Rolle:Diagnose RMSE_holdout- Wurzel des mittleren quadratischen Prognosefehlers auf von der Anpassung ausgeschlossenen Beobachtungen. Einheit:
Ergebnis· Typ:nichtnegative Zahl· Rolle:Diagnose
Exakte versiegelte Engine-Eingaben
residual_mean- Wert:
0.02· Einheit:Ergebnis· Typ:Zahl· Datenstatus:synthetisch residual_sd- Wert:
1.20· Einheit:Ergebnis· Typ:Zahl· Datenstatus:synthetisch maximum_absolute_standardized_residual- Wert:
2.40· Einheit:dimensionslos· Typ:Zahl· Datenstatus:synthetisch maximum_leverage- Wert:
0.08· Einheit:dimensionslos· Typ:Zahl· Datenstatus:synthetisch maximum_cooks_distance- Wert:
0.06· Einheit:dimensionslos· Typ:Zahl· Datenstatus:synthetisch sample_size- Wert:
100· Einheit:Beobachtung· Typ:Ganzzahl· Datenstatus:synthetisch parameter_count- Wert:
5· Einheit:Parameter· Typ:Ganzzahl· Datenstatus:deklarierter Parameter cluster_count- Wert:
30· Einheit:Cluster· Typ:Ganzzahl· Datenstatus:synthetisch holdout_rmse- Wert:
1.35· Einheit:Ergebnis· Typ:Zahl· Datenstatus:synthetisch
08
Formales Modell
Formales Modell
Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivityBelegte Aussagen: MSC-P019-C01 · MSC-P019-C02 · MSC-P019-C03 · MSC-P019-C04 · MSC-P019-C05
Wissenschaftliche Frage und Geltungsbereich
Diagnostische Evidenz
09
Deklarierte Berechnung
- 01
Modell, Residualdefinition, Clusterstruktur und Holdout-Aufteilung vor Prüfung der Extremwerte festschreiben.
- 02
Residualmittel/-SD, maximales absolutes standardisiertes Residuum, Hebelwert, Cook-Distanz und Holdout-RMSE ohne universelle Grenzwerte berichten.
- 03
Fall-/Cluster-Löschung mit Neuanpassung und Sensitivität der Entscheidungsgröße verlangen, bevor ein Punkt einflussreich heißt.
10
Zahlenbeispiel oder Anwendungsfall
Synthetische Illustration — Lehrwerte, nicht beobachtet — synthetische Daten oder deklarierte Parameter; keine realen Beobachtungen
Versiegelte Eingaben
residual_mean=0.02 [Ergebnis]residual_sd=1.20 [Ergebnis]maximum_absolute_standardized_residual=2.40 [dimensionslos]maximum_leverage=0.08 [dimensionslos]maximum_cooks_distance=0.06 [dimensionslos]sample_size=100 [Beobachtung]parameter_count=5 [Parameter]cluster_count=30 [Cluster]holdout_rmse=1.35 [Ergebnis]
Reproduzierbare Ergebnisse
descriptive_max_standardized_residual=2.4descriptive_max_leverage=0.08descriptive_max_Cook_D=0.06holdout_RMSE=1.35
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
11
Validitätsannahmen
- Sind Residuen, Hebelwerte und Cook-Distanz für das genaue Modell und die Abhängigkeitsstruktur definiert?
- War der Holdout von jeder Modell- und Spezifikationswahl ausgeschlossen?
- Ändert Löschungs-/Neuanpassungssensitivität die entscheidungsrelevante Größe wesentlich?
12
Diagnostik und Unsicherheit
Diagnostik und Unsicherheit
Residualgrafiken · Robuste Varianz · Einfluss und Holdout
Begrenzte Diagnose
Deskriptive Prüfung ohne universellen Grenzwert; eine Einflussaussage erfordert Sensitivität nach Löschung und Neuanpassung.
Expliziter Unsicherheitsvertrag · not_estimable_from_sealed_inputs
Methode : Explizite Bewertung der Nichtschätzbarkeit anhand des versiegelten Eingabeschemas.
Ziel : Unsicherheit und Entscheidungssensitivität der Regressionsdiagnostik.
Engine-Nachweis : diagnostic=descriptive_inspection_only_no_universal_cutoff_influence_conclusion_requires_case_deletion_refit_sensitivity
Interpretation : Versiegelte Extremwerte und ein Holdout-RMSE liefern keine Neuanpassungsverteilungen; Löschungs-Neuanpassungen sind erforderlich.
Stoppen, wenn
Ein Modell allein anhand von R² validieren.
13
Ergebnisinterpretation
- Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
- Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
14
Vertretbare und unzulässige Schlussfolgerung
Vertretbar
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
Unzulässig
Ein Modell allein anhand von R² validieren.
15
Mögliche Marketingentscheidung
- 01
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
- 02
Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
16
Wann einsetzen — wann stoppen
Einsetzen, wenn
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
Beobachtung × Residuum
Stoppen, wenn
Ein Modell allein anhand von R² validieren.
Methodische Alternativen
- Robuste Regression verwenden und Entscheidungsgrößen über alternative Spezifikationen vergleichen.
- Bei gruppierter Abhängigkeit Cluster-Löschung oder Leave-one-group-out-Neuanpassung verwenden.
- Grafische Residualprüfungen und domänenspezifische Falsifikationen statt universeller Grenzwerte verwenden.
17
Reproduzierbarkeitsvertrag
Python und R sind die ausführbaren Referenzen. SPSS und SAS bleiben Sekundärsyntax, bis sie mit denselben Daten, derselben Spezifikation und denselben Diagnosen geprüft sind.
Die Engine wählt ausschließlich Slice und expliziten Zweig dieser Seite. Hash, Ausgaben und Diagnosen bleiben im atomaren Dossier versiegelt; ein generischer Fallback-Zweig ist unzulässig.
Slice-Fingerabdruck: fe38d763c26218df98d157e806962f0ec5f9b9a4baeca89b39123cc1db00b769
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · nur zur Inspektion
SPSS ↓SAS ↓Formales Modell
Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivityGeprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
18
Erwartetes Endergebnis
- 01
Wie diagnostiziert man eine Marketingregression vor der Interpretation? —
Beobachtung × Residuum - 02
r_i · h_i · D_i · RMSE_holdout
- 03
Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity - 04
Residualgrafiken · Robuste Varianz · Einfluss und Holdout
- 05
Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben. / Ein Modell allein anhand von R² validieren.
19
Wissenschaftliche Quellen und Evidenzstatus
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
MSC-P019-C01— Prädiktive Genauigkeit ist an von der Modellanpassung ausgeschlossenen Beobachtungen zu bewerten.MSC-P019-C02— Eine Regression begründet für sich kein kausales Design.MSC-P019-C03— Einflussdiagnostik zielt auf Beobachtungen oder Cluster unter dem deklarierten Modell.MSC-P019-C04— Löschungsdiagnostik hängt von der entfernten Beobachtungseinheit ab.MSC-P019-C05— Cook-Distanz ist Einflussdiagnostik und kein Urteil über Modellvalidität.
Methodische Verbindungen