Wie führe ich eine Regressionsanalyse in SPSS durch?

Was ist eine Regressionsanalyse – und wann brauche ich sie?

Die lineare Regressionsanalyse untersucht, ob und wie stark eine oder mehrere unabhängige Variablen (Prädiktoren) eine abhängige Variable (Kriterium) vorhersagen. Das Ergebnis ist eine Regressionsgleichung, mit der sich Werte der abhängigen Variable schätzen lassen.

In der Praxis von Abschlussarbeiten taucht die Regression häufig auf: Sagt das Lernverhalten den Prüfungserfolg vorher? Beeinflusst das Alter die Jobzufriedenheit? Hängt der Blutdruck von Gewicht und Sport ab? Sobald Sie eine solche Vorhersagefragestellung haben, ist die Regression Ihr Verfahren der Wahl.

Man unterscheidet grob zwischen zwei Varianten:

• Einfache lineare Regression: ein Prädiktor, eine abhängige Variable
• Multiple lineare Regression: mehrere Prädiktoren, eine abhängige Variable

Beide führen Sie in SPSS über denselben Menüpfad durch – der Unterschied liegt nur in der Anzahl der Variablen, die Sie auswählen. Für weiterführende Analysen wie die Faktorenanalyse in SPSS gelten andere Verfahren; hier konzentrieren wir uns auf die lineare Regression.

Dabei steht für den vorhergesagten Wert der abhängigen Variable, für den Achsenabschnitt (Konstante) und für den Regressionskoeffizienten des Prädiktors. Die Regressionsgerade wird dabei so berechnet, dass die Summe der quadrierten Abweichungen zwischen beobachteten und vorhergesagten Werten minimiert wird – dieses Prinzip nennt sich Methode der kleinsten Quadrate.

Voraussetzungen prüfen, bevor Sie loslegen

Viele Studierende klicken direkt auf Ausführen, ohne vorher zu prüfen, ob ihre Daten überhaupt für eine Regression geeignet sind. Das ist einer der häufigsten Fehler bei empirischen Abschlussarbeiten.

Welche Voraussetzungen gelten?

• Metrisches Skalenniveau der abhängigen Variable (und idealerweise der Prädiktoren; kategoriale Prädiktoren müssen als Dummy-Variablen kodiert werden)
• Linearität: Der Zusammenhang zwischen Prädiktor und Kriterium sollte linear sein – prüfbar über ein Streudiagramm
• Normalverteilung der Residuen: Die Fehlerterme sollten annähernd normalverteilt sein
• Homoskedastizität: Die Streuung der Residuen sollte über alle Werte des Prädiktors gleichmäßig sein
• Keine Multikollinearität (bei multipler Regression): Die Prädiktoren sollten nicht zu stark miteinander korrelieren

Als ersten praktischen Schritt empfiehlt sich ein Streudiagramm der abhängigen gegen die unabhängige Variable. Ein solches Plot zeigt Ihnen sofort, ob überhaupt ein linearer Trend erkennbar ist, und liefert zugleich ein erstes Gefühl für Ausreißer. Anschließend lohnt sich die Berechnung des Pearson-Korrelationskoeffizienten – ein Wert von r = 0,70 oder höher deutet auf einen starken linearen Zusammenhang hin, der eine Regression methodisch sinnvoll macht.

Schritt für Schritt: Regressionsanalyse in SPSS durchführen

Der Menüpfad in SPSS ist überschaubar. Die folgenden Schritte gelten für SPSS Statistics ab Version 25 – in neueren Versionen sind die Bezeichnungen identisch.

Schritt 1: Daten öffnen und prüfen

Öffnen Sie Ihre Datendatei in SPSS. Stellen Sie sicher, dass die abhängige Variable und alle Prädiktoren als numerische Variablen im Datensatz vorhanden und korrekt kodiert sind. Fehlende Werte sollten Sie vor der Analyse behandeln oder zumindest kennen.

Schritt 2: Menü aufrufen

Navigieren Sie im Menü zu Analysieren → Regression → Linear. Es öffnet sich das Dialogfenster für die lineare Regression.

Schritt 3: Variablen zuweisen

Im Dialogfenster weisen Sie die Variablen den richtigen Feldern zu:

• Ziehen Sie die abhängige Variable in das Feld „Abhängige Variable“
• Ziehen Sie einen oder mehrere Prädiktoren in das Feld „Unabhängige Variable(n)“
• Unter „Methode“ wählen Sie in der Regel Einschluss (alle Prädiktoren werden gleichzeitig ins Modell aufgenommen)

Schritt 4: Statistik-Optionen festlegen

Klicken Sie auf die Schaltfläche Statistik. Hier legen Sie fest, welche Kennwerte SPSS im Output ausgeben soll. Empfehlenswerte Optionen für Abschlussarbeiten:

• Regressionskoeffizienten – Schätzungen: Gibt unstandardisierte (B) und standardisierte (Beta) Koeffizienten, t-Werte und Signifikanzniveaus aus
• Konfidenzintervalle: 95-%-Konfidenzintervalle für die Koeffizienten – aussagekräftiger als p-Werte allein
• Modellgüte (R²): Gibt R, R², adjustiertes R² und den Standardfehler der Schätzung aus
• ANOVA-Tabelle: Zeigt, ob das Gesamtmodell statistisch signifikant ist
• Kollinearitätsdiagnose: Wichtig bei multipler Regression, um Multikollinearität zu prüfen

Die offizielle SPSS-Dokumentation listet außerdem die Option „R²-Änderung“ auf, die anzeigt, wie stark sich die erklärte Varianz beim Hinzufügen eines Prädiktors verändert – ein nützlicher Indikator dafür, welche Variablen wirklich wichtig sind.

Schritt 5: Diagramme für Residualanalyse

Klicken Sie auf Diagramme. Für eine solide Voraussetzungsprüfung empfiehlt sich:

• ZRESID gegen ZPRED (standardisierte Residuen gegen standardisierte vorhergesagte Werte) – prüft Homoskedastizität
• Histogramm der Residuen – prüft Normalverteilung der Fehler
• Normal-Probability-Plot (P-P-Plot) – weiterer Test auf Normalverteilung

Schritt 6: Analyse ausführen

Klicken Sie auf OK. SPSS berechnet die Regression und öffnet den Output-Viewer mit mehreren Tabellen.

Den SPSS-Output interpretieren

Der SPSS-Output einer Regressionsanalyse enthält mehrere Tabellen. Jede hat eine spezifische Funktion – und alle zusammen ergeben erst das vollständige Bild. Einen ähnlich strukturierten Interpretationsweg kennen Sie möglicherweise bereits vom SPSS-Output einer ANOVA.

Tabelle 1: Modellzusammenfassung

Diese Tabelle zeigt die wichtigsten Kennwerte der Modellgüte:

Das adjustierte R² ist bei multipler Regression dem einfachen R² vorzuziehen, weil es die Anzahl der Prädiktoren berücksichtigt und eine Überschätzung der Modellgüte verhindert.

Tabelle 2: ANOVA

Die ANOVA-Tabelle prüft, ob das Regressionsmodell insgesamt statistisch signifikant ist – also ob die Prädiktoren gemeinsam die abhängige Variable besser vorhersagen als der bloße Mittelwert. Entscheidend ist der F-Wert mit dem zugehörigen p-Wert (Sig.). Ist p < 0,05, ist das Modell signifikant.

Tabelle 3: Koeffizienten

Dies ist die zentrale Tabelle für die Interpretation der einzelnen Prädiktoren. Sie enthält:

• B (unstandardisiert): Gibt an, um wie viele Einheiten sich die abhängige Variable verändert, wenn der Prädiktor um eine Einheit steigt – bei konstanten anderen Prädiktoren
• Beta (standardisiert): Ermöglicht den Vergleich der relativen Stärke verschiedener Prädiktoren, da Skalenunterschiede herausgerechnet sind
• t und Sig.: Signifikanztest für den einzelnen Koeffizienten
• Konfidenzintervall: Zeigt den Bereich, in dem der wahre Koeffizient mit 95-%-Wahrscheinlichkeit liegt

In der Praxis zeigt sich, dass viele Studierende ausschließlich auf den p-Wert achten und dabei den standardisierten Beta-Koeffizienten übersehen – dabei ist Beta oft informativer, wenn Sie mehrere Prädiktoren vergleichen möchten. Annotierte Beispiel-Outputs zeigen, dass Konfidenzintervalle in wissenschaftlichen Berichten häufig aussagekräftiger sind als eine reine Sternchenlogik und von Prüfenden zunehmend eingefordert werden.

Voraussetzungsprüfung: Residuendiagramme lesen

Im ZRESID-ZPRED-Diagramm sollten die Punkte gleichmäßig um die Nulllinie streuen – ohne erkennbares Muster. Ein trichterförmiger Verlauf wäre ein Hinweis auf Heteroskedastizität. Im Histogramm der Residuen sollte eine annähernd glockenförmige Verteilung erkennbar sein.

Regressionsanalyse per SPSS-Syntax

Wer die Analyse reproduzierbar dokumentieren möchte, sollte neben dem Menüweg auch die SPSS-Syntax kennen. Das ist besonders relevant für Abschlussarbeiten, bei denen Nachvollziehbarkeit gefordert wird. Wie Sie eine Syntax-Datei in SPSS anlegen und verwalten, erfahren Sie im Beitrag zur SPSS-Syntax-Datei.

Ein typischer Syntax-Befehl für eine multiple Regression sieht so aus:

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA CI(95)
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT lernzeit
  /METHOD=ENTER motivation stress
  /SCATTERPLOT=(*ZRESID ,*ZPRED)
  /RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID)
  /COLLIN TOLERANCE.

In diesem Beispiel ist lernzeit die abhängige Variable, motivation und stress sind die Prädiktoren. Die Optionen COEFF OUTS R ANOVA CI(95) entsprechen den empfohlenen Statistikoptionen aus dem Menüweg. Die Scatterplot- und Residuals-Zeilen erzeugen die Diagnosediagramme.

Häufige Fehler und wie Sie sie vermeiden

Voraussetzungen nicht geprüft

Die Regression läuft in SPSS technisch immer durch – auch wenn die Voraussetzungen verletzt sind. Das bedeutet: SPSS warnt Sie nicht, wenn Ihre Daten für dieses Verfahren nicht geeignet sind. Prüfen Sie deshalb immer zuerst die Residuendiagramme und das Streudiagramm der Rohvariablen.

Multikollinearität ignoriert

Bei der multiplen Regression können stark korrelierte Prädiktoren die Koeffizientenschätzungen verfälschen. SPSS gibt unter den Kollinearitätsstatistiken den Toleranzwert und den VIF (Variance Inflation Factor) aus. Als Faustregel gilt: VIF > 10 (oder Toleranz < 0,10) deutet auf problematische Multikollinearität hin.

R² überschätzen

Je mehr Prädiktoren ein Modell enthält, desto höher wird R² – selbst wenn die zusätzlichen Variablen kaum erklärungsstark sind. Berichten Sie deshalb immer das adjustierte R², das diese Verzerrung korrigiert.

Kausalität behaupten

Eine signifikante Regression zeigt statistische Assoziation, keine Kausalität. Im Methodenteil Ihrer Arbeit sollten Sie diesen Punkt explizit ansprechen – Prüfende achten darauf.

Ergebnisse korrekt in der Abschlussarbeit berichten

Für die Ergebnisdarstellung in einer Abschlussarbeit gilt: Berichten Sie alle wesentlichen Kennwerte vollständig und standardisiert. Eine typische Berichtsform im APA-Stil sieht so aus:

„Eine multiple lineare Regressionsanalyse wurde durchgeführt, um den Einfluss von Motivation (β = .42, p < .001) und Stress (β = -.28, p = .013) auf die Lernzeit vorherzusagen. Das Modell war statistisch signifikant, F(2, 197) = 34.71, p < .001, und erklärte 26 % der Varianz der Lernzeit (adj. R² = .26).“

Beachten Sie dabei:

• Berichten Sie sowohl unstandardisierte (B) als auch standardisierte Koeffizienten (Beta)
• Geben Sie Konfidenzintervalle für die Koeffizienten an
• Nennen Sie F-Wert, Freiheitsgrade und p-Wert für das Gesamtmodell
• Berichten Sie das adjustierte R²
• Beschreiben Sie kurz die Ergebnisse der Voraussetzungsprüfung im Methodenteil

Für die Übernahme des Outputs in Word oder ein anderes Textverarbeitungsprogramm empfiehlt sich ein strukturierter Export – wie das geht, zeigt der Beitrag zum Export von SPSS-Ergebnissen für Abschlussarbeiten.

Wenn Sie unsicher sind, ob Ihr Modell korrekt spezifiziert ist oder die Interpretation Ihrer Ergebnisse Fragen aufwirft, lohnt sich professionelle methodische Unterstützung. Die SPSS-Beratung bei QuantExpert begleitet Sie von der Variablenauswahl über die Auswertung bis zur vollständigen Ergebnisdarstellung – gerade dann, wenn die Zeit bis zur Abgabe knapp wird.