Wie führt man eine Regressionsanalyse in Jamovi durch?

Was ist eine lineare Regression – und wann setzen Sie sie ein?

Die lineare Regression ist eines der meistgenutzten Verfahren in der empirischen Forschung. Sie untersucht, ob und in welchem Ausmaß eine oder mehrere unabhängige Variablen (Prädiktoren) eine abhängige Variable (Kriterium) vorhersagen. Das Ergebnis ist eine Regressionsgleichung, mit der Sie für jeden Wert des Prädiktors einen erwarteten Wert des Kriteriums berechnen können.

Typische Anwendungsfälle in Abschlussarbeiten sind beispielsweise:

• Sagt die tägliche Lernzeit den Klausurerfolg vorher?
• Beeinflusst die Arbeitszufriedenheit die emotionale Erschöpfung?
• Lässt sich der Body-Mass-Index durch Ernährungsgewohnheiten und Bewegung erklären?

Man unterscheidet die einfache lineare Regression (ein Prädiktor) von der multiplen Regression (mehrere Prädiktoren). In Jamovi lassen sich beide Varianten über denselben Menüpfad berechnen – der Unterschied liegt lediglich darin, wie viele Variablen Sie dem Modell zuweisen.

Dabei steht für den vorhergesagten Wert der abhängigen Variable, für den Intercept (Achsenabschnitt) und für die Regressionskoeffizienten der einzelnen Prädiktoren.

Voraussetzungen prüfen: Was Sie vor der Analyse beachten müssen

Bevor Sie die eigentliche Regressionsanalyse durchführen, sollten Sie prüfen, ob Ihre Daten die statistischen Voraussetzungen des Verfahrens erfüllen. Werden diese Schritte übersprungen, sind die Ergebnisse unter Umständen nicht interpretierbar – ein Fehler, der in empirischen Abschlussarbeiten leider häufig vorkommt.

Die wichtigsten Voraussetzungen im Überblick

Für die Prüfung von Schiefe und Kurtosis empfiehlt sich ein Blick auf die deskriptiven Statistiken. Als akzeptabler Bereich für Schiefe und Kurtosis gilt dabei in der Regel -2 bis +2 – Werte außerhalb dieses Bereichs sollten Sie kritisch diskutieren. Auch Ausreißer sollten Sie über Boxplots identifizieren und die Analyse gegebenenfalls mit und ohne diese Fälle wiederholen, um die Robustheit Ihrer Ergebnisse zu belegen.

Schritt für Schritt: Regressionsanalyse in Jamovi durchführen

Jamovi ist als kostenlose, GUI-basierte Software besonders einsteigerfreundlich – und das zeigt sich auch bei der Regressionsanalyse. Die gesamte Bedienung erfolgt per Drag-and-drop, ohne dass Sie auch nur eine Zeile Code schreiben müssen. Wer sich zunächst einen Überblick über die Software wünscht, findet auf unserer Jamovi-Hilfe-Seite weiterführende Informationen zur methodischen Begleitung.

Schritt 1: Daten laden und Variablentypen prüfen

Öffnen Sie Ihren Datensatz über ☰ → Open. Jamovi unterstützt unter anderem CSV-, SAV- (SPSS) und XLSX-Dateien. Überprüfen Sie nach dem Import, ob die Variablentypen korrekt erkannt wurden: Die abhängige Variable und alle kontinuierlichen Prädiktoren müssen als Continuous (metrisch) definiert sein. Kategoriale Prädiktoren (z. B. Geschlecht, Gruppe) müssen als Nominal oder Ordinal eingestellt sein.

Das Symbol neben dem Variablennamen in der Datentabelle zeigt den aktuellen Typ an. Per Doppelklick auf das Symbol können Sie ihn ändern.

Schritt 2: Regressionsmodul aufrufen

Navigieren Sie in der oberen Menüleiste zu Analyses → Regression → Linear Regression. Die offizielle Jamovi-Dokumentation beschreibt genau diesen Pfad als Einstiegspunkt für die lineare Regression – das Modul ist standardmäßig ohne zusätzliche Installation verfügbar.

Schritt 3: Variablen zuweisen

Es öffnet sich die Eingabemaske. Weisen Sie die Variablen per Drag-and-drop oder über die Pfeilschaltflächen zu:

• Dependent Variable: Ihre abhängige (zu erklärende) Variable – muss metrisch sein.
• Covariates: Kontinuierliche Prädiktoren (z. B. Alter, Testscore, Lernzeit).
• Factors: Kategoriale Prädiktoren (z. B. Geschlecht, Experimentalgruppe).

Schritt 4: Ergebnisse im Ausgabebereich lesen

Jamovi aktualisiert die Ergebnistabellen im rechten Bereich in Echtzeit, sobald Sie Variablen zugewiesen haben. Sie müssen die Analyse nicht explizit starten – das ist ein großer Vorteil gegenüber klassischen Software-Lösungen.

Wichtige Optionen und Ausgaben in Jamovi

Unter der Variablenzuweisung finden Sie mehrere aufklappbare Optionsmenüs. Für eine vollständige Analyse in einer Abschlussarbeit empfiehlt es sich, folgende Optionen zu aktivieren:

Model Fit

• R² – Der Anteil der erklärten Varianz (standardmäßig aktiv).
• Adjusted R² – Korrigiertes R², das die Anzahl der Prädiktoren berücksichtigt. Besonders bei mehreren Prädiktoren aussagekräftiger als das einfache R².
• RMSE – Root Mean Square Error: mittlerer Vorhersagefehler in der Einheit der abhängigen Variable.
• F test – Testet, ob das Modell insgesamt signifikant besser abschneidet als ein Nullmodell.

Model Coefficients

• Confidence Interval – 95%-Konfidenzintervall für jeden Regressionskoeffizienten. Für APA-konforme Berichte empfohlen.
• Standardized Estimate (β) – Standardisierte Koeffizienten ermöglichen den Vergleich der Prädiktoren untereinander, da sie nicht mehr von der Originalskala abhängen.

Assumption Checks

• Autocorrelation test – Liefert den Durbin-Watson-Wert zur Prüfung der Unabhängigkeit der Residuen. Ein Durbin-Watson-Wert zwischen 1,5 und 2,5 gilt als Hinweis auf keine problematische Autokorrelation.
• Residual plots – Grafische Prüfung von Linearität und Homoskedastizität. Eine Trichterform im Residualplot ist ein Warnsignal für Heteroskedastizität.
• Q-Q Plot – Prüft die Normalverteilung der Residuen visuell.
• Collinearity statistics – Gibt VIF-Werte aus. Ein VIF-Wert über 10 deutet auf problematische Multikollinearität hin.

Ergebnisse verstehen und interpretieren

Die Ergebnistabellen in Jamovi sind übersichtlich strukturiert. Die wichtigsten Kennwerte und ihre Bedeutung im Einzelnen:

Model Fit-Tabelle

R² gibt an, wie viel Prozent der Varianz der abhängigen Variable durch das Modell erklärt werden. Ein R² von 0,35 bedeutet, dass 35 % der Streuung in der abhängigen Variable durch die Prädiktoren aufgeklärt werden. Das adjusted R² fällt immer etwas niedriger aus – je mehr Prädiktoren im Modell, desto stärker die Korrektur.

Der F-Wert mit zugehörigem p-Wert beantwortet die Frage, ob das Modell insgesamt signifikant ist. Ein p-Wert unter dem gewählten Signifikanzniveau (meist 0,05) zeigt, dass das Modell die abhängige Variable besser vorhersagt als der bloße Mittelwert. Mehr zum Signifikanzniveau in Jamovi erfahren Sie in unserem Beitrag zum Signifikanzniveau in Jamovi.

Koeffizienten-Tabelle

Die Koeffizienten-Tabelle enthält für jeden Prädiktor:

• Estimate (b) – Der unstandardisierte Regressionskoeffizient. Er gibt an, um wie viele Einheiten sich die abhängige Variable verändert, wenn der Prädiktor um eine Einheit steigt – bei Konstanthaltung aller anderen Prädiktoren.
• SE – Der Standardfehler des Koeffizienten.
• t und p – t-Wert und p-Wert für die Signifikanz des einzelnen Prädiktors.
• β (Stand. Estimate) – Der standardisierte Koeffizient. Er ermöglicht einen fairen Vergleich zwischen Prädiktoren mit unterschiedlichen Skalen.

Zur inhaltlichen Interpretation ein konkretes Beispiel: In einem Beispieldatensatz ergibt sich ein Intercept von 125,96 und ein Steigungskoeffizient von −8,94 für die Schlafdauer als Prädiktor der Stimmung. Das bedeutet: Pro zusätzlicher Stunde Schlaf sinkt der Stimmungswert im Mittel um 8,94 Punkte. Der Intercept von 125,96 beschreibt den erwarteten Stimmungswert bei null Stunden Schlaf – ein Wert, der in der Praxis nicht sinnvoll interpretierbar ist, aber rechnerisch Teil der Gleichung bleibt.

Effektstärke und praktische Bedeutsamkeit

Ein signifikanter p-Wert sagt nur, dass ein Effekt mit hoher Wahrscheinlichkeit existiert – nicht, dass er praktisch relevant ist. Berichten Sie daher immer R² als Maß der erklärten Varianz. Als grobe Orientierung gelten R²-Werte von 0,01 als klein, 0,09 als mittel und 0,25 als groß, auch wenn diese Grenzen stark vom Forschungsfeld abhängen.

Ergebnisse korrekt berichten (APA-Stil)

In empirischen Abschlussarbeiten werden Regressionsergebnisse üblicherweise nach APA-Richtlinien berichtet. Ein vollständiger Berichtssatz enthält: F-Wert, Freiheitsgrade, p-Wert, R² und – bei einzelnen Prädiktoren – b, β, t und p.

Ein Beispielsatz könnte lauten: „Eine einfache lineare Regression ergab, dass die Schlafdauer die Stimmung signifikant vorhersagt, F(1, 98) = 47,29, p < .001, R² = .33. Der unstandardisierte Regressionskoeffizient betrug b = −8.94, SE = 1.30, β = −0.57, t(98) = −6.88, p < .001, 95% CI [−11.52, −6.36].“

Wer einen Fragebogen mit mehreren Skalen ausgewertet hat und die Ergebnisse in ähnlicher Form berichten möchte, findet weitere Hinweise im Artikel Wie wertet man einen Fragebogen in JASP aus? – viele Prinzipien gelten analog für Jamovi.

Häufige Fehler und wie Sie sie vermeiden

Gerade bei der ersten eigenen Regressionsanalyse passieren einige Fehler besonders häufig. Die folgende Übersicht hilft Ihnen, die typischen Stolperstellen zu umgehen.

Weitere typische Fehler

• Voraussetzungen nicht geprüft: Die Interpretation der Koeffizienten setzt voraus, dass die Modellvoraussetzungen erfüllt sind. Wer diesen Schritt überspringt, riskiert inhaltlich falsche Schlussfolgerungen.
• Nur p-Werte berichten: Ein signifikanter p-Wert sagt noch nichts über die Größe des Effekts. R² und standardisierte Koeffizienten (β) gehören in jeden vollständigen Bericht.
• Intercept missinterpretieren: Der Intercept beschreibt den erwarteten Outcome-Wert bei X = 0. In vielen Forschungskontexten ist dieser Wert inhaltlich nicht sinnvoll – das sollte im Text vermerkt werden, anstatt ihn einfach zu ignorieren.
• Adjusted R² vergessen: Bei mehreren Prädiktoren steigt R² automatisch mit jedem weiteren Prädiktor, unabhängig davon, ob er wirklich etwas erklärt. Das adjusted R² korrigiert diesen Effekt.
• Multikollinearität übersehen: Bei mehreren Prädiktoren sollten Sie immer die VIF-Werte kontrollieren. Stark korrelierte Prädiktoren destabilisieren die Koeffizientenschätzungen.

Wenn Sie bei der Durchführung oder Interpretation unsicher sind, bietet QuantExpert methodische Begleitung für alle Phasen der empirischen Analyse – von der Hypothesenformulierung bis zur Ergebnisdarstellung. Auf unserer Seite zur Jamovi-Hilfe und -Beratung erfahren Sie, welche Unterstützungsmöglichkeiten konkret verfügbar sind.

Wer überlegt, welche Software für die eigene Abschlussarbeit am besten geeignet ist, findet in unserem Vergleich Welche Statistiksoftware ist die beste? eine strukturierte Entscheidungshilfe – inklusive Einordnung von Jamovi im Vergleich zu SPSS, R und weiteren Programmen.