OLS vs. logistische Regression für explorative Analysen mit binärem Ergebnis

Im idealisierten Logistikmodell erhalten wir eine S-förmige Kurve, die jede kontinuierliche IV mit dem DV verbindet. In der Praxis tritt diese S-Form jedoch selten auf, was den logistischen Ansatz für solche Datentypen etwas weniger überlegen erscheinen lässt. Natürlich können vorhergesagte Wahrscheinlichkeiten, dass jede Beobachtung auf dem DV "1" sein wird, in der logistischen und nicht in der OLS-Regression verwendet werden, da diese Wahrscheinlichkeiten in letzterem die Grenzen von [0,1] überschreiten können. Aber zu Erkundungszwecken und wenn wir keine vorhergesagten Wahrscheinlichkeiten benötigen, wie vernünftig ist es, OLS zu verwenden, um zu sehen, welche IV starke oder moderate oder schwache Beziehungen zum DV haben? Würde dies nicht eine Art multivariate Version der Punkt-Biserial-Korrelation darstellen? (Standardisierte Regressionskoeffizienten, ganz zu schweigen von Kollinearitätsstatistiken und Teildiagrammen,

Wenn die erklärenden Variablen Werte über die gesamte reelle Linie haben, ist es wenig sinnvoll, eine Erwartung, die ein Anteil in als lineare Funktion der über die gesamte reelle Linie definierten Variablen auszudrücken . Wenn die Sigmoidform der Logit-Transformation die Form nicht beschreibt, ist es möglicherweise am besten, nach einer anderen Transformation zu suchen, die in abbildet .[ 0 , 1 ] ( - ∞ , ∞$[0,1]$$[0,1]$$(-∞ , ∞)$